탄력적 라우팅: 공간-시간 그래프 학습을 통한 스마트 물류에서의 위험 인지 동적 라우팅

Resilient Routing: Risk-Aware Dynamic Routing in Smart Logistics via Spatiotemporal Graph Learning

전자 상거래 산업의 급속한 발전으로 인해 물류 네트워크는 전례 없는 압박을 받고 있습니다. 기존의 정적 라우팅 전략은 교통 체증과 변동하는 소매 수요를 감당하기 어려운 경우가 많습니다. 본 논문에서는 공간-시간 그래프 신경망(ST-GNN)과 조합 최적화를 통합한 위험 인지 동적 라우팅(RADR) 프레임워크를 제안합니다. 먼저, 공간 클러스터링 방법을 사용하여 이산 GPS 데이터를 활용하여 물류 토폴로지 그래프를 구축합니다. 이후, 그래프 컨볼루션 네트워크(GCN)와 게이티드 순환 유닛(GRU)을 결합한 하이브리드 딥러닝 모델을 사용하여 공간 상관 관계와 시간적 의존성을 추출하여 미래의 교통 체증 위험을 예측합니다. 이러한 예측 결과는 동적 엣지 가중치 메커니즘에 통합되어 경로 계획을 수행합니다. 제안하는 프레임워크는 실제 IoT 센서 데이터를 포함하는 Smart Logistics Dataset 2024를 사용하여 평가되었습니다. 실험 결과, RADR 알고리즘은 공급망의 탄력성을 크게 향상시키는 것으로 나타났습니다. 특히, 교통 체증이 심한 시나리오의 사례 연구에서, 제안하는 방법은 잠재적인 교통 체증 위험 노출을 19.3% 감소시키는 동시에 운송 거리를 2.1%만 증가시켰습니다. 이러한 경험적 증거는 제안하는 데이터 기반 접근 방식이 배송 효율성과 운영 안전성을 효과적으로 균형을 맞출 수 있음을 확인합니다.

With the rapid development of the e-commerce industry, the logistics network is experiencing unprecedented pressure. The traditional static routing strategy most time cannot tolerate the traffic congestion and fluctuating retail demand. In this paper, we propose a Risk-Aware Dynamic Routing(RADR) framework which integrates Spatiotemporal Graph Neural Networks (ST-GNN) with combinatorial optimization. We first construct a logistics topology graph by using the discrete GPS data using spatial clustering methods. Subsequently, a hybrid deep learning model combining Graph Convolutional Network (GCN) and Gated Recurrent Unit (GRU) is adopted to extract spatial correlations and temporal dependencies for predicting future congestion risks. These prediction results are then integrated into a dynamic edge weight mechanism to perform path planning. We evaluated the framework on the Smart Logistics Dataset 2024, which contains real-world Internet of Things(IoT) sensor data. The experimental results show that the RADR algorithm significantly enhances the resilience of the supply chain. Particularly in the case study of high congestion scenarios, our method reduces the potential congestion risk exposure by 19.3% while only increasing the transportation distance by 2.1%. This empirical evidence confirms that the proposed data-driven approach can effectively balance delivery efficiency and operational safety.