盈彩网app计划|盈彩网app客户端

让每一件包裹都不“迟到”******

　　【新春走基层】

　　光明日报记者 訾谦

　　腊月清晨的北京，气温仅有零下5摄氏度，天还未亮，位于西城区的某快递公司营业部却已是一片繁忙景象。

　　在堆积满柜的包裹中，王毅拿着手中的扫码机，熟练地挑拣、录入着上午需要派送的快递，再整整齐齐地放进快递三轮车里。

　　28岁的王毅来自河南安阳，已经在北京工作生活了6个年头，今年是他从事快递行业的第5年。5年来，不论风吹日晒，只要身体允许，他总会在7点整出现在营业部，准时开始一天的工作。

　　和往常一样，这天上午，王毅的工作就是将马连道茶城各商户的包裹送往每个门店。对不熟悉这里的人来说，身处6.8万平方米的茶城内仿佛置身迷宫之中，但对王毅来说，长期的工作已经使他可以熟练地在小门、小路、楼梯中绕来绕去，一路上遇到商管和商户还熟悉地打着招呼。

　　“毅哥还坚守岗位呢！准备啥时候回家过年哩？”路过一家绿茶铺子时，店员操着标准的河南话问。

　　“今年估计不回去了，春节值班有补贴，留在这多挣点钱！”王毅一边拿着包裹向前走，一边扭头对店员说，“我先干活儿去了，等闲了再聊！”

　　王毅告诉记者，这个店员是他老乡，因为他常在茶城派件，所以一来二去大家就熟络了起来，闲暇时还会一起吃饭。“这里的好多店员和我都是朋友，不管是不是老乡，大家都是在北京的异乡人，都有共同语言。”

　　上午10点左右，拉货板车上待派件包裹数量越来越少，王毅手中的快递巴枪（手持物流终端）响铃的次数却越来越多：“叮，您有新的订单，请尽快取件。”

　　“这边商户多，寄件业务比较多，我习惯全派完件后再统一取件，要不然容易手忙脚乱，万一弄错就麻烦了。”王毅拿袖子擦了把汗推着车说，这里收取的包裹一般以茶叶、茶具为主，现在茶城内店铺逐渐恢复营业，订单不断增加。

　　11点半左右，当板车中的包裹再次堆满，王毅上午的工作也正式收工，看着手机上显示的9000多步的数字，记者深感快递员的不易。

　　“这都没什么，最难的时期已经挺过去了，接下来会越来越好的。”王毅告诉记者，去年12月上旬是最艰难的，因为营业点超过一半的快递员都“阳”了，不能工作。在“减员增件”的情况下，为数不多在岗的快递小哥每天处于“拉满”的状态，有时派件到凌晨，一天4万步都是常态。

　　“收不到快递的焦虑我们很理解，但这种情况快递员心里更着急，好在现在大家都重新上岗了，恢复正常的感觉真好！”王毅说，虽然干快递员很辛苦，但他觉得很有奔头，生活忙碌又充实，收入也一年比一年高。

　　如今，虽然已近年关，但王毅和他全国各地的同行却比平时更加忙碌。数据显示，今年的前5天，全国快递业务量日均数据已经达到了3.7亿件，与去年同期相比增长16.7%。国家邮政局专门制定了《邮政快递业2023年春节期间寄递服务保障工作方案》，快递企业也纷纷推出“春节不打烊”服务，保障人民群众生活需要和温暖过冬。

　　“现在许多包裹装的都是重要的药品和防疫物资，这种情况下客户对时效性的要求就更高，我们都会打起十二分精神，更快地把这些包裹送到客户手中。”王毅说。

　　谈起新年的愿望，王毅思索了几秒后说：“新年有新气象，希望在2023年我可以通过自己的努力工作，让大家的每一件包裹都不‘迟到’。”

　　《光明日报》（ 2023年01月10日 03版）

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）