簡介：?相信大部分人都有點(diǎn)過外賣的經(jīng)歷。在餓了么，為了讓騎手能夠準(zhǔn)時(shí)準(zhǔn)點(diǎn)將外賣送到每位用戶的手中，讓每位用戶吃上一口熱乎飯，阿里本地生活智慧物流團(tuán)隊(duì)對外賣履約時(shí)間預(yù)估這一問題進(jìn)行了深入研究，并給出了有效的解決方案，本文將為大家做一個(gè)簡要介紹。

前言

近日，阿里本地生活智慧物流團(tuán)隊(duì)的一篇論文——Order Fulfillment Cycle Time Estimation for On-Demand Food Delivery被KDD’2020 Applied Data Science Track接收為Oral presentation（ACM Knowledge Discovery and Data Mining（SIGKDD），CCF A類會議，數(shù)據(jù)挖掘領(lǐng)域頂級會議，2020 年的口頭報(bào)告接受率為 5.8%）。

外賣履約時(shí)間預(yù)估（OFCT：Order Fulfillment Cycle Time）問題相比一般的時(shí)間預(yù)估問題而言更為復(fù)雜，其中存在餐廳與用戶的供需關(guān)系、餐廳出餐時(shí)間的未知性以及騎手行為的不確定性等問題。在論文中我們向?qū)W術(shù)界首次詳細(xì)介紹外賣履約時(shí)間預(yù)估這一問題，并給出了有效的解決方案，最后得到了審稿人的一致認(rèn)可。

通過逐步拆解整個(gè)外賣履約（履約：餓了么平臺保障騎手能夠?qū)⑼赓u準(zhǔn)時(shí)送達(dá)給用戶）的過程，我們分析了外賣履約時(shí)間預(yù)估相比常見的其他送達(dá)時(shí)間問題（例如打車）的顯著差異，并針對影響履約時(shí)間長短的特征進(jìn)行了解釋和說明。對于用戶而言可能只是看到外賣需要多久才能吃到，而在這背后需要我們提煉出豐富的影響因素，來保證履約時(shí)間預(yù)估的準(zhǔn)確性。我們將這些影響因素輸入深度神經(jīng)網(wǎng)絡(luò)來推斷它們和履約時(shí)長的關(guān)系，同時(shí)我們進(jìn)一步引入了餐廳、用戶地址以及騎手的隱向量來增強(qiáng)模型的預(yù)測性能。最后，我們提出一個(gè)新穎的后處理神經(jīng)網(wǎng)絡(luò)算子，用于改善模型的收斂速度和準(zhǔn)確度。我們所介紹的模型已在餓了么實(shí)際部署，每天服務(wù)于千萬用戶。

背景介紹

履約時(shí)間預(yù)估模型預(yù)估的是從用戶下單到騎手將訂單送達(dá)用戶手上的這段時(shí)間（即預(yù)計(jì)送達(dá)時(shí)間）。餓了么平臺每天產(chǎn)生千萬級訂單量，時(shí)間預(yù)估作為即時(shí)配送的其中一環(huán)，既影響用戶體驗(yàn)同時(shí)也涉及到騎手履約，因此其準(zhǔn)確性對平臺而言至關(guān)重要，既不能預(yù)估的太長（影響用戶體驗(yàn)），也不能預(yù)估的太短（騎手無法按時(shí)完成配送）。下圖為時(shí)間預(yù)估涉及的各個(gè)環(huán)節(jié)。

主要環(huán)節(jié)包括：

• 用戶：用戶從下單到訂單送達(dá)其手中。對于每一位用戶而言，肯定是希望能夠準(zhǔn)時(shí)拿到下單的餐品。
• 餐廳：餐廳從接受訂單到備餐完成。餐廳需要做到盡快完成備餐，這樣才能夠不影響騎手取餐及配送，如果騎手到達(dá)餐廳的時(shí)候需要等待很久的時(shí)間才能取走餐品，那么騎手容易焦慮，一部分用戶也會在餓了么App上催促騎手。
• 騎手：騎手從接收到訂單到完成配送。其中包括騎手到達(dá)餐廳，然后從餐廳處取走訂單對應(yīng)的餐品。同時(shí)，騎手可能從餐廳處取多餐，因此需要等拿到所有訂單騎手才會離開并進(jìn)行配送。
• 平臺：餓了么平臺需要從中協(xié)調(diào)用戶、餐廳、騎手并兼顧配送效率。這其中包括訂單指派與路徑規(guī)劃。訂單指派是指將訂單分給附近合適的騎手，而路徑規(guī)劃是指給騎手推薦合理的取送路徑，此路徑需要同時(shí)考慮騎手配送距離和訂單超時(shí)風(fēng)險(xiǎn)。

下圖即為大家日常在餓了么上面點(diǎn)外賣的時(shí)候能夠看到的信息，其中配送時(shí)間就是我們履約時(shí)間預(yù)估模型計(jì)算出的。

外賣履約時(shí)間與 ETA 的差異

Estimated Time of Arrival (ETA)即“預(yù)估送達(dá)時(shí)間”，一般預(yù)估的是從出發(fā)地到目的地的時(shí)間，打車場景中的預(yù)估送達(dá)時(shí)間即為一類典型的ETA問題。

本文提出的外賣履約時(shí)間預(yù)估模型，預(yù)估的是從用戶下單開始到騎手將餐品送達(dá)用戶手中所花的時(shí)間，用戶在餓了么點(diǎn)了外賣以后，訂單在平臺開始流轉(zhuǎn)的過程如下圖所示。

外賣履約時(shí)間預(yù)估相比預(yù)估送達(dá)時(shí)間而言更為特殊，主要體現(xiàn)在以下兩方面：

1 需要考慮更多影響因素

一般的預(yù)估送達(dá)時(shí)間問題僅需考慮天氣、交通狀況，時(shí)空信息及路徑信息等，而外賣履約時(shí)間預(yù)估問題除了考慮此類信息外，還需考慮餐廳的地理位置，餐廳訂單備餐時(shí)間以及調(diào)度系統(tǒng)派單等信息。

2 無法獲取關(guān)鍵信息

用戶下單成功時(shí)餓了么已經(jīng)為用戶預(yù)估出預(yù)計(jì)送達(dá)時(shí)間，而此時(shí)訂單并未被騎手接單，騎手需要被系統(tǒng)指派才能開始取餐和配送，因此我們無法提前獲取騎手的信息及其實(shí)際的配送路徑。

以上兩方面的差異給外賣履約時(shí)間預(yù)估問題的準(zhǔn)確性帶來極大的挑戰(zhàn)。

外賣履約時(shí)間預(yù)測一般需要哪些特征

為了建模外賣履約時(shí)間，一般需要充分利用與訂單信息相關(guān)的數(shù)據(jù)，具體包括：

• 空間特征：包括大量id類特征，例如用戶所在區(qū)域id，餐廳id，城市id及網(wǎng)格id等。
• 時(shí)間特征：包括小時(shí)時(shí)刻，當(dāng)天是否工作日等，如下圖（a）。
• 描述訂單大小的特征：包括訂單對應(yīng)的菜品數(shù)量以及訂單價(jià)格等。

大家應(yīng)該會好奇訂單價(jià)格會對外賣時(shí)間長短造成什么影響？當(dāng)用戶下單的金額較高時(shí)通常餐品對應(yīng)的重量或體積較大，比如用戶預(yù)訂了蛋糕或者集體點(diǎn)了很多杯奶茶，這種總金額高的訂單對于騎手而言屬于難配送訂單，因此需要花費(fèi)較長的履約時(shí)間。下圖（b）展示出了這種相關(guān)性，可以看到訂單價(jià)格的高低在一定程度上可以刻畫出訂單是否難配送的隱含信息。

供需關(guān)系對履約時(shí)長的影響

從平臺角度看，用戶下單量和餐廳接單量不同時(shí)刻都在發(fā)生劇烈變化，這種供需維度上的變化對實(shí)際配送時(shí)長會造成極大影響。

在介紹供需特征構(gòu)造的工作前，先為大家介紹外賣配送中“波次”的概念：對于騎手身上的一組訂單，對給定的一組訂單取送順序進(jìn)行分組，保證每組中所有相關(guān)訂單的取和送行為都在該組中，該分組則為騎手當(dāng)前配送的波次。針對供需變化，我們構(gòu)造了基于時(shí)段的供需比和完成率等特征。當(dāng)供需比越高時(shí)波次的平均長度會變長，此時(shí)履約時(shí)間越長。

另一方面當(dāng)完成率越高時(shí)可以推斷出騎手完成配送的訂單越多，此時(shí)騎手可以繼續(xù)承接系統(tǒng)接下來分派的訂單。

此外，我們通過餐廳當(dāng)前待取餐單量（餐廳接單后等待騎手來取的訂單數(shù)）來刻畫餐廳的繁忙程度，當(dāng)餐廳接單數(shù)變多而產(chǎn)能受限時(shí)會導(dǎo)致訂單積壓，此時(shí)如果騎手已經(jīng)到達(dá)餐廳則需要花費(fèi)較長的等待時(shí)間才能取到餐品，相應(yīng)的當(dāng)餐廳變繁忙時(shí)，模型預(yù)估的履約時(shí)間將變長。

餐廳的出餐時(shí)間

訂單的出餐時(shí)間是外賣履約時(shí)間預(yù)估模型的一個(gè)重要影響因素，這個(gè)特征我們是通過聚合餐廳的歷史出餐時(shí)間得到的。但目前存在的難點(diǎn)問題對出餐時(shí)間計(jì)算的準(zhǔn)確性帶來極大考驗(yàn)，主要包括：

• 餐廳在備餐完成后缺乏人力來逐單點(diǎn)擊出餐按鈕，導(dǎo)致我們平臺不能完全搜集到餐廳出餐的真實(shí)值，因此我們目前主要依靠系統(tǒng)采集的騎手點(diǎn)擊出餐數(shù)據(jù)來標(biāo)記餐廳的真實(shí)出餐時(shí)間。
• 餓了么平臺目前主要計(jì)算的是餐廳在餓了么App產(chǎn)生的訂單，缺乏餐廳在其他渠道產(chǎn)生的訂單或堂食訂單數(shù)據(jù)，因此較難獲取餐廳的實(shí)際供需情況。
• 餐廳的真實(shí)出餐時(shí)間具有較大的隨機(jī)性。例如餐廳針對某些餐品可能會提前進(jìn)行備餐，這部分提前備好的餐品可以立即出餐。而對于用戶下單時(shí)餐廳需要現(xiàn)做的餐品，騎手到達(dá)餐廳后可能需要等待一段時(shí)間才能取到餐，這部分現(xiàn)做的訂單真實(shí)出餐時(shí)間將會偏長。
• 訂單的先后順序不一定表示餐廳出餐的先后順序。由于餐廳灶臺數(shù)量有限，相應(yīng)的灶臺只會處理固定的菜品，因此在一批訂單中如果出現(xiàn)相同的菜品，后廚會選擇一起做，這種情況下部分訂單的出餐時(shí)間會明顯偏短。

在實(shí)際運(yùn)用時(shí)，我們是根據(jù)商家接單時(shí)間到騎手實(shí)際點(diǎn)擊取餐時(shí)間來計(jì)算商戶的真實(shí)出餐時(shí)間，而這其中存在一部分噪音數(shù)據(jù)：

• 騎手接單后即刻點(diǎn)擊到達(dá)餐廳
• 騎手接單后即刻點(diǎn)擊取餐按鈕

此外，對于一部分訓(xùn)練樣本，我們認(rèn)為騎手在取到餐品時(shí)實(shí)際上餐廳已經(jīng)備餐完成，例如騎手晚取餐或騎手同時(shí)點(diǎn)擊取多餐。針對這些數(shù)據(jù)我們在計(jì)算餐廳出餐時(shí)間特征時(shí)進(jìn)行了一定比例的剔除。

如何合理利用騎手信息

餓了么從平臺角度出發(fā)，將每個(gè)城市劃分成了以“網(wǎng)格”為最小單元的不同區(qū)域，每個(gè)蜂鳥配送站點(diǎn)內(nèi)的騎手會服務(wù)于站點(diǎn)周邊范圍內(nèi)固定的若干個(gè)網(wǎng)格，騎手對站點(diǎn)輻射的網(wǎng)格內(nèi)的商圈或者小區(qū)的熟悉程度決定了其配送效率。從下圖大家可以看到，因?yàn)轵T手對餐廳所在位置、用戶所在小區(qū)都比較熟悉，因此在取餐或者配送的過程中并沒有發(fā)生繞路的情況。

而用戶下單成功時(shí)餓了么App會立刻為用戶顯示外賣預(yù)估履約時(shí)間，此時(shí)訂單指派給具體哪位騎手來配送是未知的。為了充分利用與騎手相關(guān)的影響因素，我們根據(jù)騎手取餐距離、騎手當(dāng)前接了多少訂單等特征來表征訂單可能被接單的每一位騎手，然后將可能接單的騎手序列進(jìn)行特征編碼傳入外賣履約時(shí)間預(yù)估模型中，隨后利用注意力機(jī)制提取騎手序列信息，以此來增強(qiáng)模型的預(yù)測能力。

多維度相似訂單的配送段 ETA

配送段ETA指的是預(yù)估騎手到達(dá)目的地（用戶所在位置）附近下車后將餐品送到用戶手中所花的時(shí)間，是騎手配送的最終環(huán)節(jié)。

為了估算配送段ETA，我們理論上可以直接采用回歸模型來學(xué)習(xí)，但是常用的回歸模型通常將輸入轉(zhuǎn)化為一系列的特征，并且通過有監(jiān)督學(xué)習(xí)找到這些影響因素和輸出目標(biāo)之間的關(guān)系，為了方便學(xué)習(xí)和提高模型泛化能力通?；谏窠?jīng)網(wǎng)絡(luò)和集成樹模型將這些關(guān)系參數(shù)化為一個(gè)平滑的函數(shù)，但這種平滑假設(shè)的缺點(diǎn)是無法很好的處理長尾不規(guī)律case，可能會影響用戶體驗(yàn)。例如當(dāng)騎手送餐需要乘坐高層電梯時(shí)，如果遇上高峰期，可能需要等待很長的時(shí)間，而系統(tǒng)很難做到這種實(shí)時(shí)的預(yù)判。從下圖可以看出，騎手送餐時(shí)在樓內(nèi)花了7.6分鐘。

為了部分緩解這種問題，我們借鑒了近期基于記憶的語言模型[1]的思想，將歷史訂單作為配送段時(shí)間預(yù)估的語料，通過構(gòu)造多維特征來表征每個(gè)歷史訂單，當(dāng)新的訂單產(chǎn)生時(shí)我們基于K近鄰來搜索出與新訂單相似的若干個(gè)歷史訂單，然后對這若干個(gè)相似單的真實(shí)配送段時(shí)間做加權(quán)平均，以此作為新訂單的預(yù)估配送段時(shí)間。最終我們將基于K近鄰搜索出的預(yù)估配送段時(shí)間作為特征輸入外賣履約時(shí)間預(yù)估模型中。

針對長尾數(shù)據(jù)如何解決

時(shí)間預(yù)估本質(zhì)上屬于回歸問題，在訓(xùn)練模型的過程中我們發(fā)現(xiàn)模型收斂較慢且交叉驗(yàn)證的表現(xiàn)偏離預(yù)期，通過分析原因我們發(fā)現(xiàn)模型擬合的數(shù)據(jù)分布與真實(shí)履約時(shí)間的分布發(fā)生了偏移，真實(shí)的履約時(shí)間實(shí)際上是一個(gè)右偏長尾的分布，相當(dāng)于有一小部分訂單真實(shí)的配送時(shí)間偏長而模型沒有學(xué)習(xí)到，針對此問題在本文中我們提出了一個(gè)新穎的后處理神經(jīng)網(wǎng)絡(luò)算子，針對外賣履約時(shí)間預(yù)估模型的擬合結(jié)果進(jìn)行縮放和變換，用于改善模型的收斂速度和準(zhǔn)確度。此后處理算子可描述為：

其中，

經(jīng)過離線訓(xùn)練驗(yàn)證，后處理算子可有效提升外賣履約時(shí)間預(yù)估模型收斂速度和準(zhǔn)確度。

近期，我們又探索出一種新的后處理算子：自適應(yīng)Box-Cox逆變換，相比于本文提出的后處理算子，自適應(yīng)Box-Cox逆變換算子更加能夠擬合長尾數(shù)據(jù)分布，使模型效果得到了進(jìn)一步改善，目前此算子已經(jīng)應(yīng)用于線上推斷。

實(shí)驗(yàn)效果

我們提出的外賣履約時(shí)間預(yù)估模型以“編碼及預(yù)測”作為模型主體結(jié)構(gòu)，具體結(jié)構(gòu)如下圖所示。

其中，Nearest Courier Index這個(gè)模塊實(shí)現(xiàn)了前面介紹的騎手信息編碼，這個(gè)模塊可以讓模型充分利用可能接單的騎手信息；Postprocessing即為后處理算子，這個(gè)算子讓模型能夠更快收斂，同時(shí)也提升了模型的準(zhǔn)確率。

在我們提出外賣履約時(shí)間預(yù)估模型前，線上時(shí)間預(yù)估模型已經(jīng)穩(wěn)定運(yùn)行了一段時(shí)間，因此我們以線上已有模型作為baseline進(jìn)行了AB實(shí)驗(yàn)。下圖實(shí)驗(yàn)數(shù)據(jù)顯示，外賣履約時(shí)間預(yù)估模型相比于原有模型，MAE相對降低9.8%，用戶投訴率相對降低19.3%，預(yù)測誤差和用戶投訴率均有明顯改善，對用戶體驗(yàn)產(chǎn)生了明顯的正向效果。

總結(jié)與展望

在本文中我們?yōu)榇蠹医榻B了餓了么目前線上實(shí)際運(yùn)行并服務(wù)于用戶的外賣履約時(shí)間預(yù)估模型，通過離線評測及在線測試均證明了其有效性。

未來我們主要將著力于如下兩方面繼續(xù)研究：

• 出餐時(shí)間作為外賣履約時(shí)間預(yù)估模型的影響因素之一對其相當(dāng)重要，但目前出餐時(shí)間處理相對簡單因此具有相當(dāng)大的提升空間。
• 此外，我們將研發(fā)出一套通用的模型框架，即針對出餐時(shí)間和履約時(shí)間進(jìn)行多任務(wù)學(xué)習(xí)。

參考文獻(xiàn)

[1] Urvashi Khandelwal, Omer Levy, Dan Jurafsky, Luke Zettlemoyer, and Mike Lewis. Generalization through memorization: Nearest neighbor language models. In ICLR, 2020.

深度學(xué)習(xí)課程 | 神經(jīng)網(wǎng)絡(luò)概覽及算法詳解

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為 ANN）是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。本課程共 36 課時(shí)，主要介紹神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則、感知神經(jīng)網(wǎng)絡(luò)、競爭神經(jīng)網(wǎng)絡(luò)及反饋神經(jīng)網(wǎng)絡(luò)等，幫助大家掌握神經(jīng)網(wǎng)絡(luò)的相關(guān)概念和算法模型。

點(diǎn)擊“閱讀原文”立刻學(xué)習(xí)吧！

總結(jié)

以上是生活随笔為你收集整理的履约时间预估：如何让外卖更快送达？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。