DeepExpress：面向快递配送预测的异质耦合序列建模
机器学习
2021-08-19 v1 人工智能
摘要
快递配送序列的预测，即建模并估计每日进出包裹量，对在线业务、物流及积极的客户体验至关重要，尤其对资源分配优化与促销活动安排。对消费者配送请求的精确估计必须涉及序列因素，如购物行为、天气条件、事件、商业活动及其耦合。此外，常规序列预测假设序列演化稳定，难以处理上述多源数据中复杂的非线性序列与各类特征效应。尽管深度网络与注意力机制展现出复杂序列建模的潜力，现有网络忽略了特征与序列间的异质与耦合状况，导致预测精度薄弱。为解决这些问题，我们提出 DeepExpress——一种基于深度学习的快递配送序列预测模型，其扩展经典 seq2seq 框架以学习序列与特征间的复杂耦合。DeepExpress 利用快递配送 seq2seq 学习、精心设计的异质特征表示，以及一种新颖的联合训练注意力机制，自适应映射异质数据，并捕获序列-特征耦合以实现精确估计。真实世界数据上的实验结果表明，所提方法优于浅层与深层基线模型。
引用
@article{arxiv.2108.08170,
title = {DeepExpress: Heterogeneous and Coupled Sequence Modeling for Express Delivery Prediction},
author = {Siyuan Ren and Bin Guo and Longbing Cao and Ke Li and Jiaqi Liu and Zhiwen Yu},
journal= {arXiv preprint arXiv:2108.08170},
year = {2021}
}