简介ETA（EstimatedtimeofArrival，预计配送时间）是外卖场景中最重要的变量之一（如图1所示）。我们ETA预估的准确性和合理性，将对亿万外卖用户的订单体验产生深远的影响，关系到用户后续的行为和留存，是用户后续订单意愿的压舱石。ETA在配送业务结构中也起着重要作用，是配送运单实时调度系统的关键参数。准确预估ETA可以提高调度系统的效率，实现有限运力下运单的合理分配。在保证用户体验的同时，精准预估ETA还可以帮助线下运营建立有效可行的配送考核指标，保障骑手体验和收益。图1ETA的商业价值近年来，ETA在互联网行业的应用取得了长足的进步，其中外卖和打车行业最为受关注。不过，与打车行业相比，ETA在外卖行业的业务场景更为复杂。如图2所示，从业务要素来看，打车涉及乘客和司机两方，而外卖行业涉及骑手、商家和用户三方，这使得处理问题成为一个数量级更加困难。从业务环节来看，网约车分为派单、取车、派送三个环节。取餐、送餐四个环节是用户、骑手、商家来回交叉的场景。业务环节的增加带来了更多的复杂性和不确定性。比如骑手运营的各个环节都有很多不可控因素，商家送餐可能比较慢。此外，产能规划和天气因素也存在不确定性。这直接导致外卖ETA采用了端到端（order-to-order）的预估方式，比拆分成四个环节分别预估更容错。无论是业务涉及的要素还是业务环节，外卖业务的复杂度远高于打车业务，估计ETA的难度也更大。图2.ETA架构图ETA中比较常用的模型有基于GBDT（GradientBoostDecisionTree，梯度提升决策树）、RF（RandomForest，随机森林）和线性回归的回归预测模型。GBDT利用DTBoosting的思想，通过梯度求解来跟踪残差，最终达到利用弱分类器（回归器）构建强分类器（回归器）的目的。RF在DTBagging的基础上，通过加入样本随机性和特征随机性，引入了更多的随机性，解决了决策树泛化能力弱的问题。线性回归作为一种线性模型，易于并行化，处理数亿训练样本不成问题。但是，线性模型的学习能力是有限的，需要大量的特征工程来提前分析出有效的特征和特征组合，从而间接增强线性回归的线性学习能力。在回归模型中，特征组合非常重要，但仅仅依靠业务理解和人的经验不一定能提高效果，从而导致在实际应用中存在特征缺失的问题。因此，如何发现、构造、组合有效的特征，弥补人工经验的不足成为ETA的重要内容。GBDT构建特征的现状Facebook2014年的文章介绍了使用GBDT解决LR的特征组合问题。[1]GBDT的思想对于发现多种区分特征和组合特征具有天然的优势，可以用来构造新的组合特征。Facebook的文章中会根据样本在GBDT中的输出节点索引位置构造0-1特征，实现特征丰富。在新构建的0-1特征中，每一个特征都对应着样本在每棵树中可能的输出位置，它们代表着某些特征的某种逻辑组合。例如，一棵树有n个叶节点。当样本在第k个叶子节点输出时，第k个特征输出1，其余n-1个特征输出0，如图3所示。图3.GBDT（GradientBoostDecisionTree）特征构建方法至于尺度构建新特征，需要根据具体的业务规模来确定。当GBDT中树的数量较多或树深度较深时，构造特征的规模也会显着增加；当业务使用的数据规模较小时，大规模构建新特征会导致后续训练模型过拟合。可能的。所以构建特征的尺度需要足够合理。GBDT构建特征在ETA场景中的应用方案在ETA场景中，由于业务场景的复杂性，特征的丰富程度决定了ETA最终效果的上限。目前的特征中，在特征工程的基础阶段，我们依靠业务理解、人工分析和经验总结来构建特征。但是，在功能层面仍然存在不足。需要丰富特征，??挖掘特征之间的潜在价值。基本特征构造图4.基本特征构成特征作为ETA的重要组成部分，决定了ETA的上限。我们基于人类经验和业务理解构建不同的离线特征和在线特征。(1)离线功能商户画像：商户平均配送时间、到货时间、取餐时间、配送状态、订单量、品类偏好、客单价、平均配送距离。b.配送区域画像：区域运力平均水平、骑手规模、订单规模、平均配送距离。(2)在线功能商户实时特征：商户挤单状态、近N分钟订单量、近N分钟订单量。b.区域实时特征：实时值班骑手规模、区域挤（未接）订单、运力负荷状态。C。订单特征：交货距离、价格、类型、时间段。d.天气数据：温度、气压、降水量。其中，地域和商户的实时性特点与配送能力密切相关，是决定配送时效和用户体验的重要因素。GBDT模型训练和特征构建利用基本特征训练GBDT模型构建新特征。在GBDT中，我们每次训练一棵CART（ClassificationAndRegressionTrees）回归树，根据本轮CART树的损失函数的反梯度，拟合下一棵CART树，直到满足要求。(1)超参数选择首先，对于节点分裂的质量和随机性，分裂时使用的最大特征数为√n。b.GBDT迭代次数（树数）。树的数量决定了后续构造特征的尺度，对应学习率。通常学习率设置得较小，但如果设置得太小，会导致迭代次数大幅增加，使得新构建的特征尺度过大。通过GridSearch+CrossValidation，找到最合适的迭代次数和学习率的组合。C。GBDT树的深度需要足够合理，通常4~6比较合适。虽然增加树的数量和深度可以增加新构造的特征尺度。但是如果树的深度太大，模型会过拟合，新构造的特征会过于稀疏。(2)训练程序随机抽取50%的训练数据，一分为二。前50%用于训练GBDT模型，后50%的数据通过GBDT输出样本在每棵树中输出的叶子节点的索引位置，记录和存储用于后续构建和编码新功能，以及后续模型。火车。例如样本x通过GBDT输出后，得到的形式为：x→[25,20,22,....,30,28]，列表表示样本的叶子节点索引位置GBDT的每棵树中的输出。OneHotEncoder(newfeaturehotencoder)图5.OneHotEncoder(newfeaturehotencoding)使用方法样本通过GBDT输出后得到的x→[25,20,22,....,30,28]是一组newfeatures，但是由于这组新特征是叶子节点的ID，其值不能直接表达任何信息，所以不能直接用于ETA场景的预估。为了解决上述问题，避免训练过程中无用信息对模型造成负面影响，需要通过OneHotEncoder编码对新特征进行处理，将新特征转化为可用的0-1特征。以图5中的第一棵树和第二棵树为例。第一棵树有三个叶子节点，样本将在三个叶子节点中的一个输出。因此，样本在树中可能输出三种不同的分类值，需要3个比特值来表达样本输出在树中的含义。图中，样本在第一棵树的第一个叶子节点输出，one-hot代码表示为{100}；而第二棵树有四个叶节点，样本在第三个叶节点输出，即{0010}。将每棵树中样本的one-hot编码拼接在一起，表示为{1000010}，即通过两棵CART树构建7个特征，构建特征的规模与叶节点规模直接相关GBDT中的CART树。新特征基于one-hotencoding编码后，加上原有的基础特征，特征规模达到1000+以上，实现了特征丰富。评价指标与实际效果评价指标不同于传统的回归问题。ETA与实际业务深度耦合，因此需要根据业务因素考虑更多的评估指标，以满足各端（C端、R端）用户的利益。①N分钟准确率：订单实际送达时间与预估时间绝对误差在N分钟以内的概率。1.业务含义：在N分钟的准确率中，N的确定方法来自于绝对误差与用户满意度的关系曲线。通常绝对误差在一定范围内，用户满意度不会有明显波动。如果发现当误差大于K分钟时，用户满意度明显下降，那么可以将K作为N分钟准确率中N取值的依据。预估时长相当于C端用户对平台提供的配送速度的心理预期。如果N分钟的准确率越高，证明预估时长越接近用户的心理预期，说明C端用户体验越好。2、计算方法：Xi：样品i的绝对误差=abs（实际交货时间-预计时间）。计算每个样本的误差是否在N分钟以内，统计概率P(Xi<=N)，如图6和图7所示。图6图6.判断订单估计是否准确的计算方法图7图7N分钟准确率计算方法②N分钟业务准时率：实际送达时间与预估时间相差在N分钟以内的概率。1、业务含义：N分钟业务准点率中N的确定方法与N分钟准确率类似。N分钟业务准时率是合理评价骑手、保障骑手业绩效益的指标。与其他回归情景相比，ETA情景不仅估算准确，而且估算合理。N分钟准确率虽然可以有效量化C端用户体验指标，但无法衡量R端骑手体验。因此，N分钟业务准点率是一个很好的补充指标。2、计算方法：Xi，样品i的偏差值=（实际交货时间-预计时间）。如果xi<0，则表示骑手提前送货，相当于商家准时。如果0
