Edited by Ben. Get the knowledge flowing and circulating! :)
※ today‘s paper1
keywords: pick-up and delivery service, route prediction, dynamic graph
「Route prediction problem」 from 「graph perspective」
这篇文章主要关于Pick-up and delivery (P&D) services的，目前没有用翻译软件进行翻译，我猜应该是：载客和快递外卖等服务。
虽然这类服务的提供商已经进行了大量的投资用于建设路径规划系统，但是实际上还是存在很多问题，导致实际的路线和规划的路线存在较大偏差。所以，这个过程中产生的所谓“最优路线”并不适合用于服务下游任务：例如，到达时间预测或者order dispatching. 这样一环套一环的预测，终究是不精准的：比如，根据当前骑手未完成的任务，来为他分配下一个任务（这就叫订单调度，order dispatching）
所以，为了满足路线预测模型的需求，这篇文章第一次从graph perspective进行了工作： 提出了一种动态时空的基于图的模型，这个模型将潜在的图结构特征嵌入了编码和解码过程中。
moreover, 这种动态的基于图的特性能够自发地描述不同问题实体之间的演变关系。as a result, abundant decision context information and various spatio-temporal information of node/edge can be fully utilized in Graph2Route to improve the prediction performance.
存疑：这里是如何描述不同问题实体之间的演变关系的呢？怎么就能通过这样一种方法来达到充分利用结点和边的空间信息的呢？
答案：In real-life scenarios, however, the problem instances of a certain worker actually evolve over time (e.g., change of task requirements or coming of new tasks), leading to natural connections between nearby problem instances.
用了动态图神经网络： 图（graph） + 神经网络（neural network）+ 动态（dynamic）= 动态图神经网络
本文的模型Graph2Route利用了动态时空图来编码，以捕捉不同不同任务之间的时空关系以及决策环境的演变。Moreover, the decoder能够incorporate工作者（执行者/骑手）的个性化信息以及潜在的图结构，从而导致更精准和更合理的预测。这部分的工作就真的显得很有意义 了，非常符合我的slogan，就是如何把非专业人的知识纳入专业的程序中：虽然骑手不是专业的科研工作者或者不具有统筹的路径规划能力，但是他们的经常跑出来的路线，就是这样的符合最高效的特性（最快、最省钱、最精准、最合理）。
利用动态图神经网络，把时空动态图的信息编码进来，然后结合骑手的个人经验和潜在的图结构，实现路线预测。
之前的工作都是把一个unfinished tasks (也就是一个问题实体problem instance)看做一个sequence，然后就自然使用sequence-based的方法（例如，BiLSTM）来编码他们。但编码器的sequence-based nature限制了他们对于不同任务之间时空关系的编码。
※解决方法：不管是结束的任务还是正在进行的任务，把他们都用地理位置描述出来，这样的话，就形成了图结构，从而可以进一步利用图中的一些性质解决这些时空关系上的问题。
之前的工作完全没有考虑当前骑手的位置，下一个点可能是距离骑手当前位置非常远的位置，而不是刚好离他们很近的位置。
we incorporate the graph structure into the decoder, which can filter unreasonable solutions and reduce the search space.
把图结构纳入decoder中，过滤合理的solution并且减少搜索空间。
之前的模型在做预测的时候，仅仅只是考虑请求时间时候的信息，但是这个信息会在执行过程中动态改变，比如，新的需求，或者新的任务的出现，所以，这个就没有考虑相似任务之间的自然的连接信息。（我的理解是：比如一个人在送外卖，但是送的路途又出现了一单外卖新任务，或许可以顺势拿走！而不用只根据一开始的外卖任务必须送到目的地再折返回来送第二单！）
develop a dynamic spatial-temporal graph neural network that can capture the decision context (i.e., decision-making environments a few steps before)
提出了一种动态时空图神经网络，能够捕捉决策上下文（决策环境）
第一份从动态图视角调查PDRP任务的工作，提出了动态时空图模型来精准捕捉workers的未来路由行为；
encoder: dynamic ST-Graph encoder把时空关系编码进node and edge embeddings | design a recurrent neural network to carry on the decision context for more accurate prediction.
decoder: graph-based personalized route decoder to compute more reasonable and accurate future routes，利用了图本身的潜在结构信息和工人的个性化偏好（有些工人就是很聪明，能够发现最快的路径）
真实的实验验证了模型的有效性！
routing behavior detection
路由行为检测
规划一条最优路径 is diffrent from 精确捕捉骑手接下来即将进行的路由行为（P&D route prediction methods）
OSquare [20] is the pioneer to solve the route prediction problem in food delivery.
这篇文章把路线预测问题转换为了下一个位置预测问题，然后通过传统的机器学习方法一步一步输出整条路径
FDNET [3] proposes a deep model equipped with an LSTM [4] encoder and a Pointer [13] decoder to predict the driver’s route at once.
encoder (LSTM) + decoder (Pointer)：来预测司机的路线
In the logistics field, DeepRoute [17] utilizes a Transformer-like encoder and an attention-based recurrent decoder to predict courier’s future pick-up routes.
encoder (Transformer-like) + decoder (attention-based recurrent)：来预测快递员未来的取物路线
欢迎大家点开「这篇论文我读过」系列。本系列笔记是我在科研学习过程中，非常非常重要组成部分之一！
该系列的笔记主要包括：
论文中好的想法的理解和感受；
论文中的工作引发我的思考；
以及其他可以吸收的有价值 | 有意义的内容。