多模态对齐网络

精度提升35.93%

融合骑手特定信息的DCN模型，为每位骑手提供个性化预测，同时自动构建特征工程。

Genshen, Fu · Yujie, Chi · 郑力 · Zuo-Jun Max, Shen

Omega 2026

参数信息

均方根误差

3.6660

技术优势

精度大幅提升

与不使用骑手特定信息的模型相比，RMSE降低了35.93%，显著提升了预测精度。

兼顾可解释性与预测力

交叉网络捕捉低阶特征交互，深度神经网络捕捉高阶交互，使模型在保持强大预测力的同时具备可解释性。

降低数据与特征工程成本

该框架利用有限且分散的骑手数据自动进行特征工程，无需复杂的显式特征设计，简化了建模流程。

应用场景

• 外卖平台配送调度：为平台调度提供更精准的配送时间预测，优化骑手分配和订单派送。
• 物流配送时间预测：通用配送时间预测框架，可扩展至快递、同城急送等场景。
• 骑手行为建模：自动捕获骑手异质性特征与外部因素的交互，洞察个体配送行为。