[發明專利]一種基于深度學習的快遞員攬件順序預測方法

在審

• 申請號: 202011485308.1
• 申請日: 2020-12-16
• 公開（公告）號: CN112529305A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 萬懷宇;溫浩珉;林友芳;韓升;武志昊;張碩;王晶
• 申請（專利權）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06N3/04;G06N3/08
• 代理公司: 北京紅福盈知識產權代理事務所(普通合伙) 11525
• 代理人: 陳月福

本發明提供了一種基于深度學習的快遞員攬件順序預測方法，屬于物流優化領域。所述攬件順序預測方法包括：采集歷史攬件數據，提取待攬收包裹的特征和快遞員個人攬件特征作為原始數據集，并劃分為訓練集、驗證集和測試集；基于深度學習算法構建快遞員攬件順序預測模型，使用所述訓練集和驗證集對所述快遞員攬件順序預測模型進行訓練，并使用測試集對訓練完成的模型進行測試；測試達標時，通過快遞員攬件順序預測模型，輸入當前快遞員信息，對該快遞員的待攬收包裹的攬件順序進行預測，輸出所預測的當前待預測快遞員在預定時間段內的攬件順序。本發明優化了物流調度，提高了預測攬件到達時間的準確性，提高了攬收效率，降低了逾期率。

技術領域

本發明屬于物流優化領域，具體涉及一種基于深度學習的快遞員攬件順序預測方法。

背景技術

近年來，隨著電子商務的發展，物流行業發展迅速。快遞員是物流行業的基礎，也是物流行業中從事人員最多的職業。成級數增長的快遞員要高效的完成配送任務，需要調度系統合理安排快遞員的攬件順序。預測快遞員的攬件順序，是優化調度系統的關鍵。準確的攬件順序預測可以幫助派單系統更合理有效地將包裹分配給快遞員，進一步提高配送效率、降低逾期率。

預測快遞員的攬件順序，是一個具有嚴格時空約束的排序問題，在對快遞員的決策行為進行建模時，需同時考慮多個時空約束。同時，快遞員的攬件順序也受到快遞員不同決策偏好的影響。因此，攬件順序的預測相比于其他事件的預測更加困難。

現有技術中，通常采用基于組合優化的攬件順序預測方法、基于位置預測的攬件順序預測方法和基于排序的預測方法。

其中，基于組合優化的方法，將攬件順序預測視為時空約束下的組合優化問題，用組合優化算法通過最小化總成本來計算預測順序；但是在真實場景中，優化算法難以考慮多種時空約束和快遞員的決策偏好影響，預測準確度不高。

基于位置預測的方法，將攬件順序預測作為位置預測問題，目標是預測下一個時間步快遞員將要前往的地點，被輸出的下一個地點來自整個地點庫，并且只能做固定多步預測；但在攬件順序預測問題中，預測的位置應該從一組給定的位置(即未攬收包裹位置)中選擇，并且要進行多步預測，預測長度隨輸入長度的變化而變化，因此基于位置預測的方法不能直接用來解決攬件順序預測問題。

基于排序的方法，將攬件順序預測作為排序問題，類似于推薦系統或信息檢索的排序方法；雖然可以根據被排序對象的特征輸出一個排序列表，但是推薦系統中的排序方法，目標是為被排序的對象學習一個打分函數，這個分數用來衡量用戶和商品的相關性；而在攬件順序預測任務中，包裹排序的目標是學習快遞員的路由策略，與推薦系統不同，也無法實現準確預測。

發明內容

鑒于上述問題，本發明實施例提供了一種基于深度學習的快遞員攬件順序預測方法，基于深度學習模型，從歷史數據中學習快遞員的決策經驗和偏好，預測快遞員的包裹取件路線，從而準確預測快遞員的攬件順序，優化物流調度，提高攬件效率，降低逾期率。

為了實現上述目的，本發明實施例采用的技術方案如下：

第一方面，本發明實施例提供了一種基于深度學習的快遞員攬件順序預測方法，所述攬件順序預測方法包括：

步驟S1，采集歷史攬件數據，提取待攬收包裹的特征和快遞員個人攬件特征作為原始數據集；

步驟S2，將所述數據集劃分為訓練集、驗證集和測試集；

步驟S3，基于深度學習算法構建快遞員攬件順序預測模型；

步驟S4，使用所述訓練集和驗證集對所述快遞員攬件順序預測模型進行訓練，并使用測試集對訓練完成的模型進行測試；測試達標時，進入步驟S5；否則，返回步驟S4；

步驟S5，通過所述訓練完成的快遞員攬件順序預測模型，輸入當前快遞員信息，對該快遞員的待攬收包裹的攬件順序進行預測，輸出所預測的當前待預測快遞員在預定時間段內的攬件順序。