面向智慧城市应用的基于深度学习的包裹送达时间端到端预测

包裹投递海量数据的获取促使邮政运营商推动预测系统的开发以改善客户服务。预测包裹从最终配送站发出后的送达时间，即最后一英里预测，面临交通、驾驶员行为与天气等复杂因素。本工作研究了利用深度学习解决真实世界中最后一英里包裹送达时间预测的案例。我们在物联网范式下呈现解决方案，并讨论其作为智慧城市应用在基于云的架构上的可行性。我们聚焦于加拿大邮政提供的大规摸包裹数据集，覆盖大多伦多地区（GTA）。我们采用起讫点（OD）公式，其中路线不可用，仅有起始与结束投递点。我们研究了三类基于卷积的神经网络并评估其在该任务上的性能。我们进一步展示我们的建模如何优于若干基线，从经典机器学习模型到已有的OD解。具体而言，我们表明具有8个残差块的ResNet架构展现出性能与复杂度间的最佳权衡。我们对数据进行了透彻的误差分析并可视化所学深度特徵以更好理解模型行为，对数据可预测性作出有趣观察。我们的工作提供了一种端到端神经流水线，利用包裹OD数据及天气准确预测投递时长。我们相信我们的系统不仅有潜力通过更好建模用户预期来改善体验，也能从整体上助力最后一英里邮政物流。