基于多任务深度学习的不确定性感知递交延迟持续时间预测
机器学习
2026-02-25 v1 人工智能
最优化与控制
应用统计
摘要
准确的递交延迟预测对于维持现代供应链的运营效率和客户满意度至关重要。然而，随着物流网络复杂度的增加，涵盖多模态运输、跨国路由和显著区域差异，使得这一预测任务天然具有挑战性。本文引入一种用于递交延迟持续时间预测的多任务深度学习模型，以处理显著不平衡的数据，其中延迟的货物虽然罕见但具有操作意义。该模型对高维货物特征进行嵌入，使用针对表格数据的专用嵌入层，然后采用分类-后回归策略预测准时和延迟货物的递交延迟持续时间。与顺序管道不同，这种方法实现了端到端训练，提高了延迟案例的检测，支持不确定性感知的决策制定。该方法在来自工业合作伙伴的大规模真实数据集上进行评估，该数据集包含来自四个主要来源位置（具有不同区域特征）的超过 1000 万条历史货物记录。对比传统机器学习方法，实验结果表明，所提出的方法在延迟货物预测中实现平均绝对误差为 0.67-0.91 天，相较于单步骤基于树的回归基线提高了 41-64%，相较于两步分类-后回归基于树的模型提高了 15-35%。这些收益表明了该方法在高度不平衡和异构条件下的有效运作。
引用
@article{arxiv.2602.20271,
title = {Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning},
author = {Stefan Faulkner and Reza Zandehshahvar and Vahid Eghbal Akhlaghi and Sebastien Ouellet and Carsten Jordan and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2602.20271},
year = {2026}
}