Ứng dụng Deep Learning trong dự báo thời gian và tỷ lệ phát thành công tại Bưu điện Thành phố Hồ Chí Minh

Abstract

Ngành logistics chặng cuối đóng vai trò quan trọng trong chuỗi cung ứng thương mại điện tử, nhưng hiện nay Bưu điện TP. Hồ Chí Minh chưa có hệ thống dự báo thời gian giao hàng và tỷ lệ phát thành công, gây khó khăn cho việc lập kế hoạch của khách hàng và điều phối nguồn lực. Mục tiêu là xây dựng hai mô hình dự báo sử dụng dữ liệu thực tế từ 5.173.566 bưu gửi trong năm 2024 để cung cấp thông tin dự báo chính xác ngay tại thời điểm tạo đơn hàng. Phương pháp nghiên cứu áp dụng quy trình CRISP-DM, bao gồm thu thập và xử lý 9.527.632 bản ghi gốc, chuẩn hóa địa chỉ tiếng Việt bằng Siamese Neural Network, làm giàu dữ liệu với 47 đặc trưng, thiết kế và huấn luyện bốn mô hình (LSTM và BiLSTM cho cả regression và classification), đánh giá hiệu suất qua các chỉ số MAE, RMSE, R² cho regression và Accuracy, Precision, Recall, F1-score, AUC cho classification. Kết quả cho thấy mô hình BiLSTM Regression đạt MAE 6.647 giờ và R² 0.5156, vượt trội hơn LSTM 13.6% về khả năng giải thích biến thiên. Mô hình BiLSTM Classification đạt accuracy 72.86%, precision 96.57% và AUC 0.8014, cải thiện 4.5% accuracy so với LSTM. Nghiên cứu kết luận rằng mô hình học sâu Bidirectional Long Short-Term Memory (BiLSTM) phù hợp với đặc thù logistics, có khả năng học thông tin hai chiều hiệu quả, nhằm phát triển hệ thống dự báo thời gian và tỷ lệ phát thành công cho Bưu điện TP. Hồ Chí Minh. Hệ thống được thiết kế tích hợp vào ứng dụng MyVietnam Post Plus với thời gian phản hồi dưới 100ms, giao diện trực quan ba mức độ màu sắc. Mặc dù chưa triển khai chính thức, nghiên cứu đã tạo nền tảng vững chắc cho việc ứng dụng AI trong logistics Việt Nam, có thể mở rộng ra các tỉnh thành khác và phát triển thêm các tính năng dự báo nâng cao trong tương lai