近年来,我国快递市场日益扩大,快递员数量已超过300万,每日快件配送量超过了1亿件,飞速增长的市场给物流平台带来了巨大挑战。快件送达时间的预测（即在任意时间点上,预测某个快递员的所有未派送快件的送达时间）是物流平台的一项至关重要的任务。准确预测快件送达时间,一方面可以为用户提供更加准时的服务,提升用户体验,另一方面可以协助快递公司进行区域划分和人员调度,以及帮助快递员进行路径规划,提高派送效率。得益于快件派送流程的电子化,快递员的海量时空轨迹数据不断积累,为快递数据挖掘奠定了基础。本文尝试利用深度学习技术,对快递员的时空轨迹数据进行学习,实现对快件送达时间的预测。在现实应用场景中,快件送达时间预测受到包括快递员自身和派送环境在内的多种复杂因素的影响,快件的派送状态会随着时间推移动态改变;此外,不同于传统的单目的地到达时间预测问题,本研究需要同时预测快递员的所有待派送快件的送达时间。这些因素给快件送达时间预测带来了很大的挑战。首先,提出了一种基于时空轨迹的快件送达时间预测模型STDTN。该模型可以学习快递员的行为模式并捕获派送过程的时空动态性,准确预测快件送达时间。模型提出了一种基于地理信息编码的时空组件,使用Geo-Hash编码方法、卷积操作及长短时记忆网络建模已派送快件路径,来应对快件派送状态存在动态性的挑战;同时设计基于地理位置的选择策略对历史相似待派送快件组合进行表示学习,最终融合多种特征信息,完成对快件送达时间的预测。其次,通过进一步研究,发现快件的派送顺序对于其送达时间具有很大的影响。在STDTN的基础上,提出了基于多任务学习的快件送达时间预测模型MTDTN。除了对影响送达时间的复杂因素和已派送路径进行建模外,还引入了派送顺序预测作为辅助任务来增强模型的学习能力。在辅助任务中,采用注意力机制对相似的待派送快件进行特征提取,融合外部因素表示向量输入堆叠的全连接层,得到派送顺序预测结果。通过多任务融合机制来更新两个任务的共享参数,进一步提升了模型对快件送达时间主任务的预测效果。最后,基于上海市某快递企业的真实派送数据集,进行了大量实验。实验结果表明,本文提出的STDTN模型优于现有的基准方法,进一步优化后的MTDTN模型在预测性能上得到了进一步提升。