DeepSTA：一种用于异常条件下物流配送准时率预测的时空注意力网络

提前预测快递员的配送准时率对物流行业至关重要，它使公司能够采取先发制人的措施以确保配送服务的正常运行。在疫情爆发等异常情况下，这一点变得更加关键，因为此时快递员的配送准时率会显著下降并剧烈波动。现有研究对物流场景的关注较少。此外，许多专注于异常场景预测任务的工作未能显式地对异常事件进行建模，例如，将外部因素与其他特征同等对待，导致大量信息丢失。再者，由于某些异常事件发生频率较低，传统的数据驱动方法在这些场景中表现不佳。为了解决这些问题，我们提出了一种深度时空注意力模型，名为DeepSTA。具体来说，为避免信息丢失，我们设计了一个异常时空学习模块，该模块采用循环神经网络对事件信息进行建模。此外，我们利用Node2vec对道路区域之间的相关性进行建模，并采用图神经网络和长短期记忆网络来捕获快递员的时空依赖性。为解决异常情况下训练数据不足的问题，我们提出了一个异常模式注意力模块，该模块采用记忆网络通过注意力机制存储快递员的异常特征模式。在2022年COVID-19爆发期间的真实物流数据集上的实验表明，该模型在MAE上比最佳基线模型提升了12.11%，在MSE上提升了13.71%，证明了其优于多个竞争基线的卓越性能。