面向快递员揽收到达时间预测的多任务深度时空网络

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。