[发明专利]一种基于深度学习的快递员揽件顺序预测方法

说明书

本发明提供了一种基于深度学习的快递员揽件顺序预测方法，属于物流优化领域。所述揽件顺序预测方法包括：采集历史揽件数据，提取待揽收包裹的特征和快递员个人揽件特征作为原始数据集，并划分为训练集、验证集和测试集；基于深度学习算法构建快递员揽件顺序预测模型，使用所述训练集和验证集对所述快递员揽件顺序预测模型进行训练，并使用测试集对训练完成的模型进行测试；测试达标时，通过快递员揽件顺序预测模型，输入当前快递员信息，对该快递员的待揽收包裹的揽件顺序进行预测，输出所预测的当前待预测快递员在预定时间段内的揽件顺序。本发明优化了物流调度，提高了预测揽件到达时间的准确性，提高了揽收效率，降低了逾期率。

技术领域

本发明属于物流优化领域，具体涉及一种基于深度学习的快递员揽件顺序预测方法。

背景技术

近年来，随着电子商务的发展，物流行业发展迅速。快递员是物流行业的基础，也是物流行业中从事人员最多的职业。成级数增长的快递员要高效的完成配送任务，需要调度系统合理安排快递员的揽件顺序。预测快递员的揽件顺序，是优化调度系统的关键。准确的揽件顺序预测可以帮助派单系统更合理有效地将包裹分配给快递员，进一步提高配送效率、降低逾期率。

预测快递员的揽件顺序，是一个具有严格时空约束的排序问题，在对快递员的决策行为进行建模时，需同时考虑多个时空约束。同时，快递员的揽件顺序也受到快递员不同决策偏好的影响。因此，揽件顺序的预测相比于其他事件的预测更加困难。

现有技术中，通常采用基于组合优化的揽件顺序预测方法、基于位置预测的揽件顺序预测方法和基于排序的预测方法。

其中，基于组合优化的方法，将揽件顺序预测视为时空约束下的组合优化问题，用组合优化算法通过最小化总成本来计算预测顺序；但是在真实场景中，优化算法难以考虑多种时空约束和快递员的决策偏好影响，预测准确度不高。

基于位置预测的方法，将揽件顺序预测作为位置预测问题，目标是预测下一个时间步快递员将要前往的地点，被输出的下一个地点来自整个地点库，并且只能做固定多步预测；但在揽件顺序预测问题中，预测的位置应该从一组给定的位置(即未揽收包裹位置)中选择，并且要进行多步预测，预测长度随输入长度的变化而变化，因此基于位置预测的方法不能直接用来解决揽件顺序预测问题。

基于排序的方法，将揽件顺序预测作为排序问题，类似于推荐系统或信息检索的排序方法；虽然可以根据被排序对象的特征输出一个排序列表，但是推荐系统中的排序方法，目标是为被排序的对象学习一个打分函数，这个分数用来衡量用户和商品的相关性；而在揽件顺序预测任务中，包裹排序的目标是学习快递员的路由策略，与推荐系统不同，也无法实现准确预测。

发明内容

鉴于上述问题，本发明实施例提供了一种基于深度学习的快递员揽件顺序预测方法，基于深度学习模型，从历史数据中学习快递员的决策经验和偏好，预测快递员的包裹取件路线，从而准确预测快递员的揽件顺序，优化物流调度，提高揽件效率，降低逾期率。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种基于深度学习的快递员揽件顺序预测方法，所述揽件顺序预测方法包括：

步骤S1，采集历史揽件数据，提取待揽收包裹的特征和快递员个人揽件特征作为原始数据集；

步骤S2，将所述数据集划分为训练集、验证集和测试集；

步骤S3，基于深度学习算法构建快递员揽件顺序预测模型；

步骤S4，使用所述训练集和验证集对所述快递员揽件顺序预测模型进行训练，并使用测试集对训练完成的模型进行测试；测试达标时，进入步骤S5；否则，返回步骤S4；

步骤S5，通过所述训练完成的快递员揽件顺序预测模型，输入当前快递员信息，对该快递员的待揽收包裹的揽件顺序进行预测，输出所预测的当前待预测快递员在预定时间段内的揽件顺序。