您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202103-172
论文题目 基于多任务学习的快件送达时间预测方法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于多任务学习的快件送达时间预测方法

首发时间:2021-03-17

王强 1   

王强(1996-),男,硕士研究生,主要研究方向:时空数据挖掘

林友芳 2   

林友芳(1971-),男,教授,博导,主要研究方向:数据挖掘、机器学习、强化学习、复杂网络、智能技术与系统等

万怀宇 1   

万怀宇(1981-),男,副教授,博导,主要研究方向:社交网络挖掘、文本信息抽取、用户行为分析、时空数据挖掘

  • 1、北京交通大学计算机与信息技术学院,北京 100044
  • 2、交通数据分析与挖掘北京重点实验室,北京 100044

摘要:快件送达时间预测是物流领域中一项至关重要的服务。准确地预测快件送达时间一方面可以为用户提供更准时的服务,提升用户体验,另一方面可以帮助快递员进行路径规划,提高派送效率。然而,在快递派送场景下,多因素、动态性及多目的地给准确预测送达时间带来了巨大挑战。提出了一种基于多任务学习的模型(MTDTN),从快递员的大量历史时空轨迹中学习如何预测快件送达时间。MTDTN充分建模多种影响送达时间的外部因素,使用地理信息编码和卷积操作、双向长短时记忆捕获派送时空关系,并使用多任务学习框架,引入顺序预测辅助任务,提高了模型预测性能。在真实数据集上的实验结果表明,MTDTN的表现优于其他方法。

关键词: 送达时间预测 时空轨迹 双向长短时记忆 多任务学习

For information in English, please click here

Delivery Time Prediction Based on Multi-Task Learning

Wang Qiang 1    2   

王强(1996-),男,硕士研究生,主要研究方向:时空数据挖掘

Lin YouFang 1    2   

林友芳(1971-),男,教授,博导,主要研究方向:数据挖掘、机器学习、强化学习、复杂网络、智能技术与系统等

Wan HuaiYu 1    2   

万怀宇(1981-),男,副教授,博导,主要研究方向:社交网络挖掘、文本信息抽取、用户行为分析、时空数据挖掘

  • 1、School of Computer and Information Technology, Beijing JiaoTong University, Beijing 100044
  • 2、Beijing Key Lab of Traffic Data Analysis and Mining, Beijing 100044

Abstract:Delivery time prediction ( i.e., to predict the arrival time of package delivery at any time) is one of the most important service in the logistics field. On the one hand, accurate prediction of delivery time can provide customer more punctual service and alleviate customer\'s waiting anxiety. On the other hand, predicting the delivery time is beneficial to the route planning for couriers, thus the delivery efficiency can be improved. However, in the real scenarios, multiple factors, dynamics and multiple destinations bring huge challenges to the package delivery time prediction. In this paper, a Multi-Task model for Delivery Time (MTDTN) prediction is proposed, to learn to estimate the arrival time of package delivery from couriers\' massive historical spatiotemporal trajectories. MTDTN takes full advantages of external factors that may affect the delivery time, and it utilizes geographic information encoder, convolution operations and Bi-LSTM to capture the spatiotemporal information in the trajectories. Moreover, for the first time, we use the multi-task learning to simultaneously predicting the delivery time as well as the delivery sequence. The model performance is enhanced by introducing the delivery order prediction as an auxiliary task. Extensive experiments on a real-world dataset demonstrate the superiority of MTDTN.

Keywords: Delivery time prediction Spatial-temporal trajectories Bi-LSTM Multi-Tasklearning

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
王强,林友芳,万怀宇. 基于多任务学习的快件送达时间预测方法[EB/OL]. 北京:中国科技论文在线 [2021-03-17]. http://www.paper.edu.cn/releasepaper/content/202103-172.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于多任务学习的快件送达时间预测方法