Neues Deep‑Learning-Modell optimiert letzte Meile bei Paketlieferungen

Der rasante Ausbau des E‑Commerce hat die Netzwerke für die letzte Meile an ihre Grenzen getrieben. Schon winzige Verbesserungen bei der Routenplanung können Kosten senken, Lieferzeiten verkürzen und Emissionen reduzieren. Klassische Heuristiken stoßen jedoch an ihre Grenzen, wenn die Fahrzeiten stark asymmetrisch sind – etwa durch Einbahnstraßen oder verkehrsreiche Gebiete.

Um diese Herausforderung zu meistern, wurde ein Deep‑Learning‑Ansatz entwickelt, der die letzte Meile als gerichteten Graphen modelliert. Jeder Knoten repräsentiert einen Lieferstopp, die Kanten tragen die asymmetrischen Fahrzeiten. Ein Graph Neural Network (GNN) erzeugt für jeden Knoten ein Embedding, das die räumlichen Beziehungen zwischen den Stopps erfasst. Anschließend wählt ein Pointer Network die nächste Station aus, indem es für jedes noch nicht besuchte Ziel eine Wahrscheinlichkeit berechnet. Damit entsteht eine sequentielle Stoppsliste, die die Route optimiert.

Ein besonderes Merkmal des Modells ist die Aufteilung in geografische Zonen. Durch die Clusterung von Zellen eines Discrete Global Grid Systems, die Stopps aus den Trainingsdaten enthalten, entstehen Zonen gleicher Größe. Für jede Zone wird ein eigenes Modell trainiert, das ausschließlich die Stopps dieser Zone berücksichtigt. In einer Evaluation mit den Los‑Angeles‑Routen der 2021 Amazon Last‑Mile‑Routing‑Challenge zeigte sich, dass die zone‑basierte Trainingsstrategie die durchschnittliche vorhergesagte Routenlänge im Vergleich zu einem allgemeinen Training deutlich verkürzt.