The acquisition of massive data on parcel delivery motivates postal operators to foster the development of predictive systems to improve customer service. Predicting delivery times successive to being shipped out of the final depot, referred to as last-mile prediction, deals with complicating factors such as traffic, drivers' behaviors, and weather. This work studies the use of deep learning for solving a real-world case of last-mile parcel delivery time prediction. We present our solution under the IoT paradigm and discuss its feasibility on a cloud-based architecture as a smart city application. We focus on a large-scale parcel dataset provided by Canada Post, covering the Greater Toronto Area (GTA). We utilize an origin-destination (OD) formulation, in which routes are not available, but only the start and end delivery points. We investigate three categories of convolutional-based neural networks and assess their performances on the task. We further demonstrate how our modeling outperforms several baselines, from classical machine learning models to referenced OD solutions. Specifically, we show that a ResNet architecture with 8 residual blocks displays the best trade-off between performance and complexity. We perform a thorough error analysis across the data and visualize the deep features learned to better understand the model behavior, making interesting remarks on data predictability. Our work provides an end-to-end neural pipeline that leverages parcel OD data as well as weather to accurately predict delivery durations. We believe that our system has the potential not only to improve user experience by better modeling their anticipation but also to aid last-mile postal logistics as a whole.


翻译:获取关于包裹交付的大量数据,促使邮政运营商推动开发预测系统以改善客户服务。预测交货时间,直到运出最后仓库,称为最后一英里预测,涉及交通、司机行为和天气等复杂因素。这项工作研究如何利用深层学习解决现实世界中最后一英里包裹交付时间预测案例。我们在IOT模式下提出我们的解决方案,并讨论以云为基础的建筑作为智能城市应用程序的可行性。我们侧重于加拿大邮政局提供的大型包裹数据集,涵盖大多伦多地区(GTA)。我们使用原产地目的地(OD)配方,其中没有路线,但只有起始点和终点交货点。我们调查了三种基于革命的神经网络类别,并评估了它们在任务中的表现。我们进一步展示了我们的模型如何超越从经典机器学习模型到引用疾病解决方案等数个基线。我们展示了由8个残余块组成的ResNet架构,展示了业绩和复杂程度之间的最佳贸易模式。我们还使用了原产地目的地(ODD)配方(OD)配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方,其中,其中的配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方,其中方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方,其中没有最佳,其中,其中没有最佳贸易和方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方配方称方,没有方,没有方,没有方,没有行方配方配方,没有行方,没有行方,没有行方,配方,没有路,没有行方,没有行方,没有行方,配方,配方,配方,没有行方,没有行方,没有路,没有行方,没有行方,没有行方,只有线,只有线,只有路,只能,只能,只能,

0
下载
关闭预览

相关内容

首篇「课程学习(Curriculum Learning)」2021综述论文
专知会员服务
49+阅读 · 2021年1月31日
MIT-深度学习Deep Learning State of the Art in 2020,87页ppt
专知会员服务
61+阅读 · 2020年2月17日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊/国际会议信息7条
Call4Papers
7+阅读 · 2019年3月12日
计算机 | ISMAR 2019等国际会议信息8条
Call4Papers
3+阅读 · 2019年3月5日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
Arxiv
7+阅读 · 2019年5月31日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
12+阅读 · 2019年3月14日
Phase-aware Speech Enhancement with Deep Complex U-Net
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
11+阅读 · 2018年7月31日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊/国际会议信息7条
Call4Papers
7+阅读 · 2019年3月12日
计算机 | ISMAR 2019等国际会议信息8条
Call4Papers
3+阅读 · 2019年3月5日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
相关论文
Arxiv
7+阅读 · 2019年5月31日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
12+阅读 · 2019年3月14日
Phase-aware Speech Enhancement with Deep Complex U-Net
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
11+阅读 · 2018年7月31日
Top
微信扫码咨询专知VIP会员