近日，阿里本地生活智慧物流團隊的一篇論文——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(lèi)會(huì )議，數據挖掘L域會(huì )議，2020 年的口頭報告接受率為 5.8%）。

外賣(mài)履約時(shí)間預估（OFCT：Order Fulfillment Cycle Time）問(wèn)題相比一般的時(shí)間預估問(wèn)題而言更為復雜，其中存在餐廳與用戶(hù)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(wèn)題。在論文中我們向學(xué)術(shù)界次詳細介紹外賣(mài)履約時(shí)間預估這一問(wèn)題，并給出了有效的解決方案，后得到了審稿人的一致認可。

通過(guò)逐步拆解整個(gè)外賣(mài)履約（履約：餓了么平臺保障騎手能夠將外賣(mài)準時(shí)送達給用戶(hù)）的過(guò)程，我們分析了外賣(mài)履約時(shí)間預估相比常見(jiàn)的其他送達時(shí)間問(wèn)題（例如打車(chē)）的顯著(zhù)差異，并針對影響履約時(shí)間長(cháng)短的特征進(jìn)行了解釋和說(shuō)明。對于用戶(hù)而言可能只是看到外賣(mài)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(lái)保證履約時(shí)間預估的準確性。我們將這些影響因素輸入深度神經(jīng)網(wǎng)絡(luò )來(lái)推斷它們和履約時(shí)長(cháng)的關(guān)系，同時(shí)我們進(jìn)一步引入了餐廳、用戶(hù)地址以及騎手的隱向量來(lái)增強模型的預測性能。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(wàn)用戶(hù)。

背景介紹

履約時(shí)間預估模型預估的是從用戶(hù)下單到騎手將訂單送達用戶(hù)手上的這段時(shí)間（即預計送達時(shí)間）。餓了么平臺每天產(chǎn)生千萬(wàn)J訂單量，時(shí)間預估作為即時(shí)配送的其中一環(huán)，既影響用戶(hù)體驗同時(shí)也涉及到騎手履約，因此其準確性對平臺而言至關(guān)重要，既不能預估的太長(cháng)（影響用戶(hù)體驗），也不能預估的太短（騎手無(wú)法按時(shí)完成配送）。下圖為時(shí)間預估涉及的各個(gè)環(huán)節。

主要環(huán)節包括：

用戶(hù)：用戶(hù)從下單到訂單送達其手中。對于每一位用戶(hù)而言，肯定是希望能夠準時(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(hù)也會(huì )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。其中包括騎手到達餐廳，然后從餐廳處取走訂單對應的餐品。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(huì )離開(kāi)并進(jìn)行配送。

平臺：餓了么平臺需要從中協(xié)調用戶(hù)、餐廳、騎手并兼顧配送效率。這其中包括訂單指派與路徑規劃。訂單指派是指將訂單分給附近合適的騎手，而路徑規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。

下圖即為大家日常在餓了么上面點(diǎn)外賣(mài)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)間預估模型計算出的。Estimated Time of Arrival (ETA)即“預估送達時(shí)間”，一般預估的是從出發(fā)地到目的地的時(shí)間，打車(chē)場(chǎng)景中的預估送達時(shí)間即為一類(lèi)典型的ETA問(wèn)題。

本文提出的外賣(mài)履約時(shí)間預估模型，預估的是從用戶(hù)下單開(kāi)始到騎手將餐品送達用戶(hù)手中所花的時(shí)間，用戶(hù)在餓了么點(diǎn)了外賣(mài)以后，訂單在平臺開(kāi)始流轉的過(guò)程如下圖所示。

外賣(mài)履約時(shí)間預估相比預估送達時(shí)間而言更為特殊，主要體現在以下兩方面：

1  需要考慮更多影響因素

一般的預估送達時(shí)間問(wèn)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(mài)履約時(shí)間預估問(wèn)題除了考慮此類(lèi)信息外，還需考慮餐廳的地理位置，餐廳訂單備餐時(shí)間以及調度系統派單等信息。

2  無(wú)法獲取關(guān)鍵信息

用戶(hù)下單成功時(shí)餓了么已經(jīng)為用戶(hù)預估出預計送達時(shí)間，而此時(shí)訂單并未被騎手接單，騎手需要被系統指派才能開(kāi)始取餐和配送，因此我們無(wú)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(mài)履約時(shí)間預估問(wèn)題的準確性帶來(lái)J大的挑戰。

外賣(mài)履約時(shí)間預測一般需要哪些特征

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

空間特征：包括大量id類(lèi)特征，例如用戶(hù)所在區域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：包括訂單對應的菜品數量以及訂單價(jià)格等。

大家應該會(huì )好奇訂單價(jià)格會(huì )對外賣(mài)時(shí)間長(cháng)短造成什么影響？當用戶(hù)下單的金額較G時(shí)通常餐品對應的重量或體積較大，比如用戶(hù)預訂了蛋糕或者集體點(diǎn)了很多杯奶茶，這種總金額G的訂單對于騎手而言屬于難配送訂單，因此需要花費較長(cháng)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G低在一定程度上可以刻畫(huà)出訂單是否難配送的隱含信息。

供需關(guān)系對履約時(shí)長(cháng)的影響

從平臺角度看，用戶(hù)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(cháng)會(huì )造成J大影響。

在介紹供需特征構造的工作前，先為大家介紹外賣(mài)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，該分組則為騎手當前配送的波次。針對供需變化，我們構造了基于時(shí)段的供需比和完成率等特征。當供需比越G時(shí)波次的平均長(cháng)度會(huì )變長(cháng)，此時(shí)履約時(shí)間越長(cháng)。

另一方面當完成率越G時(shí)可以推斷出騎手完成配送的訂單越多，此時(shí)騎手可以繼續承接系統接下來(lái)分派的訂單。

此外，我們通過(guò)餐廳當前待取餐單量（餐廳接單后等待騎手來(lái)取的訂單數）來(lái)刻畫(huà)餐廳的繁忙程度，當餐廳接單數變多而產(chǎn)能受限時(shí)會(huì )導致訂單積壓，此時(shí)如果騎手已經(jīng)到達餐廳則需要花費較長(cháng)的等待時(shí)間才能取到餐品，相應的當餐廳變繁忙時(shí)，模型預估的履約時(shí)間將變長(cháng)。

餐廳的出餐時(shí)間

訂單的出餐時(shí)間是外賣(mài)履約時(shí)間預估模型的一個(gè)重要影響因素，這個(gè)特征我們是通過(guò)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(wèn)題對出餐時(shí)間計算的準確性帶來(lái)J大考驗，主要包括：

餐廳在備餐完成后缺乏人力來(lái)逐單點(diǎn)擊出餐按鈕，導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采集的騎手點(diǎn)擊出餐數據來(lái)標記餐廳的真實(shí)出餐時(shí)間。

餓了么平臺目前主要計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據，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)間具有較大的隨機性。例如餐廳針對某些餐品可能會(huì )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(hù)下單時(shí)餐廳需要現做的餐品，騎手到達餐廳后可能需要等待一段時(shí)間才能取到餐，這部分現做的訂單真實(shí)出餐時(shí)間將會(huì )偏長(cháng)。

訂單的先后順序不一定表示餐廳出餐的先后順序。由于餐廳灶臺數量有限，相應的灶臺只會(huì )處理固定的菜品，因此在一批訂單中如果出現相同的菜品，后廚會(huì )選擇一起做，這種情況下部分訂單的出餐時(shí)間會(huì )明顯偏短。

在實(shí)際運用時(shí)，我們是根據商家接單時(shí)間到騎手實(shí)際點(diǎn)擊取餐時(shí)間來(lái)計算商戶(hù)的真實(shí)出餐時(shí)間，而這其中存在一部分噪音數據：

騎手接單后即刻點(diǎn)擊到達餐廳

騎手接單后即刻點(diǎn)擊取餐按鈕

此外，對于一部分訓練樣本，我們認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。針對這些數據我們在計算餐廳出餐時(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”為小單元的不同區域，每個(gè)蜂鳥(niǎo)配送站點(diǎn)內的騎手會(huì )服務(wù)于站點(diǎn)周邊范圍內固定的若干個(gè)網(wǎng)格，騎手對站點(diǎn)輻射的網(wǎng)格內的商圈或者小區的熟悉程度決定了其配送效率。從下圖大家可以看到，因為騎手對餐廳所在位置、用戶(hù)所在小區都比較熟悉，因此在取餐或者配送的過(guò)程中并沒(méi)有發(fā)生繞路的情況。

而用戶(hù)下單成功時(shí)餓了么App會(huì )立刻為用戶(hù)顯示外賣(mài)預估履約時(shí)間，此時(shí)訂單指派給具體哪位騎手來(lái)配送是未知的。為了充分利用與騎手相關(guān)的影響因素，我們根據騎手取餐距離、騎手當前接了多少訂單等特征來(lái)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(mài)履約時(shí)間預估模型中，隨后利用注意力機制提取騎手序列信息，以此來(lái)增強模型的預測能力。

多維度相似訂單的配送段 ETA

配送段ETA指的是預估騎手到達目的地（用戶(hù)所在位置）附近下車(chē)后將餐品送到用戶(hù)手中所花的時(shí)間，是騎手配送的終環(huán)節。

為了估算配送段ETA，我們理論上可以直接采用回歸模型來(lái)學(xué)習，但是常用的回歸模型通常將輸入轉化為一系列的特征，并且通過(guò)有監督學(xué)習找到這些影響因素和輸出目標之間的關(guān)系，為了方便學(xué)習和提G模型泛化能力通�；�于神經(jīng)網(wǎng)絡(luò )和集成樹(shù)模型將這些關(guān)系參數化為一個(gè)平滑的函數，但這種平滑假設的缺點(diǎn)是無(wú)法很好的處理長(cháng)尾不規律case，可能會(huì )影響用戶(hù)體驗。例如當騎手送餐需要乘坐G層電梯時(shí)，如果遇上G峰期，可能需要等待很長(cháng)的時(shí)間，而系統很難做到這種實(shí)時(shí)的預判。從下圖可以看出，騎手送餐時(shí)在樓內花了7.6分鐘。

為了部分緩解這種問(wèn)題，我們借鑒了近期基于記憶的語(yǔ)言模型[1]的思想，將歷史訂單作為配送段時(shí)間預估的語(yǔ)料，通過(guò)構造多維特征來(lái)表征每個(gè)歷史訂單，當新的訂單產(chǎn)生時(shí)我們基于K近鄰來(lái)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)間做加權平均，以此作為新訂單的預估配送段時(shí)間。終我們將基于K近鄰搜索出的預估配送段時(shí)間作為特征輸入外賣(mài)履約時(shí)間預估模型中。

針對長(cháng)尾數據如何解決

時(shí)間預估本質(zhì)上屬于回歸問(wèn)題，在訓練模型的過(guò)程中我們發(fā)現模型收斂較慢且交叉驗證的表現偏離預期，通過(guò)分析原因我們發(fā)現模型擬合的數據分布與真實(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(cháng)尾的分布，相當于有一小部分訂單真實(shí)的配送時(shí)間偏長(cháng)而模型沒(méi)有學(xué)習到，針對此問(wèn)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(mài)履約時(shí)間預估模型的擬合結果進(jìn)行縮放和變換，用于改善模型的收斂速度和準確度。此后處理算子可描述為：

查看更多相似文章