预估配送时间

1. 问题描述

构建一个模型，根据订单详情（如订单大小、餐厅位置、客户位置）、市场状况（如天气、活动、节假日）以及实时交通状态（如道路封闭、拥堵程度），预估总配送时间。

为简化问题，本练习中不考虑批量处理（即不在餐厅合并多个订单）。

配送时间 = 取餐时间 + 点对点行驶时间 + 送达时间

2. 指标设计与需求

指标

• 离线指标：使用均方根误差（RMSE）来衡量预测配送时间与实际配送时间之间的差异。目标 RMSE 应小于 10-15 分钟，以确保预估的准确性。

  $\sqrt{\sum_{k=1}^n\frac{(predict-y)^2}{n}}$

  其中，

  $n$ 表示样本总数，

  $predict$ 表示预估等待时间，

  $y$ 表示实际等待时间。

• 在线指标：通过 A/B 测试监控 RMSE（均方根误差），同时关注用户参与度（下单完成率）和留存率（复购订单），确保模型提供的配送时间预估可靠且有用。

需求

训练阶段

• 训练过程中需处理大量数据，因此训练流水线应具备高吞吐能力。为此，可将数据组织为 Parquet 文件格式。
• 模型需要每隔几小时重新训练一次。由于配送业务处于动态环境中，受交通、天气等外部因素影响较大，模型必须能够持续学习并适应新环境。例如比赛日时，某些区域的交通状况可能恶化，若不及时重训，模型将持续低估配送时间。调度器负责在一天内多次触发模型重训。
• 平衡高估与低估问题。为缓解此问题，需每日多次重训模型，以快速适应市场动态和交通变化。

推理阶段

• 对每笔配送订单，系统需尽可能频繁地进行实时预估。为简化起见，可假设每次配送需要进行约 30 次预测。
• 支持近实时更新，任何状态变更（如餐厅开始备餐、骑手出发）都应尽快进入模型重新打分。
• 当配送状态发生变化时，模型需重新计算预估时间，并向用户发送更新通知。
• 采集近实时聚合统计信息，例如特征流水线从多个来源（Kafka、数据库）汇聚数据，以降低延迟。
• 推理延迟要求在 100ms 到 200ms 之间。

总结