End-to-End Prediction of Parcel Delivery Time with Deep Learning for\n Smart-City Applications
Notice bibliographique
Résumé
The acquisition of massive data on parcel delivery motivates postal operators\nto foster the development of predictive systems to improve customer service.\nPredicting delivery times successive to being shipped out of the final depot,\nreferred to as last-mile prediction, deals with complicating factors such as\ntraffic, drivers' behaviors, and weather. This work studies the use of deep\nlearning for solving a real-world case of last-mile parcel delivery time\nprediction. We present our solution under the IoT paradigm and discuss its\nfeasibility on a cloud-based architecture as a smart city application. We focus\non a large-scale parcel dataset provided by Canada Post, covering the Greater\nToronto Area (GTA). We utilize an origin-destination (OD) formulation, in which\nroutes are not available, but only the start and end delivery points. We\ninvestigate three categories of convolutional-based neural networks and assess\ntheir performances on the task. We further demonstrate how our modeling\noutperforms several baselines, from classical machine learning models to\nreferenced OD solutions. Specifically, we show that a ResNet architecture with\n8 residual blocks displays the best trade-off between performance and\ncomplexity. We perform a thorough error analysis across the data and visualize\nthe deep features learned to better understand the model behavior, making\ninteresting remarks on data predictability. Our work provides an end-to-end\nneural pipeline that leverages parcel OD data as well as weather to accurately\npredict delivery durations. We believe that our system has the potential not\nonly to improve user experience by better modeling their anticipation but also\nto aid last-mile postal logistics as a whole.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».