面向快递员揽收到达时间预测的多任务深度时空网络

摘要：

快递员揽件到达时间预测,即预测用户下单后快递员的上门揽收时间,一直都是物流企业所关心的重要问题.准确的揽件到达时间预测可以优化揽件效率,提升用户体验.该问题主要存在以下挑战:(1)快递员揽件到达时间受到多种复杂时空因素的影响,包括待预测订单自身的时空特征,以及与其他待揽收订单之间的相互影响;(2)快递员在执行揽件任务期间,会不断接收到系统分配的新订单,造成揽收路线的动态变化,从而给揽件到达时间预测带来了更大的不确定性.针对以上挑战,提出了一种面向揽件到达时间预测的多任务深度时空网络MSTN4PAT模型,从海量的揽件历史数据中学习快递员揽件到达时间的复杂时空模式.MSTN4PAT充分挖掘待预测订单始发地与目的地之间的内在关联,使用多任务学习来建模订单之间的相互影响,并从特征宽度和特征深度2个角度高效融合各种特征,实现准确的揽件到达时间预测.在真实的揽件数据集上的实验结果表明,MSTN4PAT的预测效果明显优于对比模型.

关键词：快递揽收、预计到达时间、多任务学习、时空数据挖掘、时空相关性

所属期刊栏目：45

分类号：TP183(自动化基础理论)

资助基金：CCF-阿里巴巴创新研究计划CCF-ALIBABAOF2022001

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：136-144