在混合不平衡的配送与揽收物流服务中学习预估包裹送达时间

准确预估包裹送达时间对物流行业至关重要，它能够实现合理的工作分配和准时的服务保障。在快递员同时处理大量配送和少量揽收的混合物流场景中，这一点变得更加必要。然而，大多数相关工作将揽收和配送模式对快递员决策行为的影响同等对待，忽略了由于揽收具有更严格的时间限制，其对快递员决策的影响比配送更大。在这种背景下，我们面临三个主要挑战：1）多个时空因素错综复杂地相互关联，显著影响快递员的配送行为；2）揽收任务时间要求更严格但数量有限，这使得建模其对快递员配送过程的影响变得困难；3）快递员的空间移动模式是其配送行为的关键决定因素，但尚未得到充分探索。为了解决这些问题，我们提出了TransPDT，一个基于Transformer的多任务包裹送达时间预测模型。我们首先采用Transformer编码器架构来捕获快递员历史行驶路线和待处理包裹集的时空依赖关系。然后，我们设计了模式记忆，通过注意力机制在不平衡数据集中学习揽收模式。我们还将路线预测设定为送达时间预测的辅助任务，并在预测中融入快递员先验的空间移动规律。在真实行业规模数据集上的大量实验证明了我们方法的优越性。基于TransPDT的系统已在京东物流内部部署，用于跟踪北京地区每天处理数十万包裹的2000多名快递员。