【摘要】针对传统物流路径规划模型在动态环境（实时交通拥堵、突发订单变更、天气因素干扰等）下适应性差、规划精度低、响应速度慢等问题，本文提出一种基于深度学习的智能物流路径规划模型。 该模型通过多源数据采集技术获得物流运输全流程数据，经数据清洗、归一化、特征提取等预处理，构建高质量数据集；融合长短期记忆（ＬＳＴＭ）网络和图神经网络（ＧＮＮ）的优势，设计兼顾时空特征的深度学习模型架构，从而实现精准建模路径规划关键影响因素的目的；通过对比实验和实际场景的应用验证模型性能。 结果表明：所提模型在路径规划耗时、运输成本、车辆利用率等核心指标上均优于传统遗传算法（ＧＡ）、模拟退火算法（ ＳＡ）和单一深度学习模型，其中平均路径规划耗时（ＡＰＰＴ）较 ＧＡ 降低 ２３.５％，平均运输成本降低 １８％，可有效适应动态物流环境，为智能物流调度提供可靠技术支撑。