免费一级片观看,日韩99在线,欧美另类视频,第四色播日韩第一页

創(chuàng)澤機(jī)器人
CHUANGZE ROBOT
當(dāng)前位置:首頁(yè) > 新聞資訊 > 機(jī)器人知識(shí) > 履約時(shí)間預(yù)估:如何讓外賣更快送達(dá)

履約時(shí)間預(yù)估:如何讓外賣更快送達(dá)

來源:阿里機(jī)器智能     編輯:創(chuàng)澤   時(shí)間:2020/6/9   主題:其他 [加盟]
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(huì)議,數(shù)據(jù)挖掘領(lǐng)域頂級(jí)會(huì)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(tái)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(duì)影響履約時(shí)間長(zhǎng)短的特征進(jìn)行了解釋和說明。對(duì)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(zhǎng)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(cè)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(wàn)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(tái)每天產(chǎn)生千萬(wàn)級(jí)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(duì)平臺(tái)而言至關(guān)重要,既不能預(yù)估的太長(zhǎng)(影響用戶體驗(yàn)),也不能預(yù)估的太短(騎手無(wú)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(duì)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(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(dá)餐廳,然后從餐廳處取走訂單對(duì)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(huì)離開并進(jìn)行配送。

平臺(tái):餓了么平臺(tái)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。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(chǎng)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(tái)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(wú)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(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(cè)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(duì)應(yīng)的菜品數(shù)量以及訂單價(jià)格等。

大家應(yīng)該會(huì)好奇訂單價(jià)格會(huì)對(duì)外賣時(shí)間長(zhǎng)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(duì)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(duì)于騎手而言屬于難配送訂單,因此需要花費(fèi)較長(zhǎng)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(duì)履約時(shí)長(zhǎng)的影響

從平臺(tái)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(duì)實(shí)際配送時(shí)長(zhǎng)會(huì)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(duì)于騎手身上的一組訂單,對(duì)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(duì)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(zhǎng)度會(huì)變長(zhǎng),此時(shí)履約時(shí)間越長(zhǎng)。

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(huì)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(zhǎng)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(zhǎng)。

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(duì)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(tái)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(tái)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(duì)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(duì)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(huì)偏長(zhǎng)。

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(tái)數(shù)量有限,相應(yīng)的灶臺(tái)只會(huì)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(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(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(duì)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(duì)這些數(shù)據(jù)我們?cè)谟?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(tái)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(huì)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(duì)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(duì)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(huì)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(cè)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(wú)法很好的處理長(zhǎng)尾不規(guī)律case,可能會(huì)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(zhǎng)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(yǔ)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(yǔ)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(duì)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(duì)長(zhǎng)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(zhǎng)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(zhǎng)而模型沒有學(xué)習(xí)到,針對(duì)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(duì)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:






多尺度圖卷積神經(jīng)網(wǎng)絡(luò):有效統(tǒng)一三維形狀離散化特征表示

解決了傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)中圖節(jié)點(diǎn)學(xué)習(xí)到的特征對(duì)圖分辨率和連接關(guān)系敏感的問題,可以實(shí)現(xiàn)在低分辨率的三維形狀上學(xué)習(xí)特征,在高低分辨率形狀之上進(jìn)行測(cè)試,并且保持不同分辨率特征的一致性

OpenAI發(fā)布了有史以來最強(qiáng)的NLP預(yù)訓(xùn)練模型GPT-3

2020年5月底OpenAI發(fā)布了有史以來最強(qiáng)的NLP預(yù)訓(xùn)練模型GPT-3,最大的GPT-3模型參數(shù)達(dá)到了1750億個(gè)參數(shù)

達(dá)摩院金榕教授113頁(yè)P(yáng)PT詳解達(dá)摩院在NLP、語(yǔ)音和CV上的進(jìn)展與應(yīng)用實(shí)踐

達(dá)摩院金榕教授介紹了語(yǔ)音、自然語(yǔ)言處理、計(jì)算機(jī)視覺三大核心AI技術(shù)的關(guān)鍵進(jìn)展,并就AI技術(shù)在在實(shí)際應(yīng)用中的關(guān)鍵挑戰(zhàn),以及達(dá)摩院應(yīng)對(duì)挑戰(zhàn)的創(chuàng)新實(shí)踐進(jìn)行了解讀

重構(gòu)ncnn,騰訊優(yōu)圖開源新一代移動(dòng)端推理框架TNN

新一代移動(dòng)端深度學(xué)習(xí)推理框架TNN,通過底層技術(shù)優(yōu)化實(shí)現(xiàn)在多個(gè)不同平臺(tái)的輕量部署落地,性能優(yōu)異、簡(jiǎn)單易用。騰訊方面稱,基于TNN,開發(fā)者能夠輕松將深度學(xué)習(xí)算法移植到手機(jī)端高效的執(zhí)行,開發(fā)出人工智能 App,真正將 AI 帶到指尖

知識(shí)圖譜在個(gè)性化推薦領(lǐng)域的研究進(jìn)展及應(yīng)用

新加坡國(guó)立大學(xué)NExT中心的王翔博士分析了知識(shí)圖譜在個(gè)性化推薦領(lǐng)域的應(yīng)用背景,并詳細(xì)介紹了課題組在個(gè)性化推薦中的相關(guān)研究技術(shù)和進(jìn)展,包括基于路徑、基于表征學(xué)習(xí)、基于圖神經(jīng)網(wǎng)絡(luò)等知識(shí)圖譜在推薦系統(tǒng)中的融合技術(shù)

基于網(wǎng)格圖特征的琵琶指法自動(dòng)識(shí)別

根據(jù)各種指法的具體特點(diǎn),對(duì)時(shí)頻網(wǎng)格圖、時(shí)域網(wǎng)格圖、頻域網(wǎng)格圖劃分出若干個(gè)不同的計(jì)算區(qū)域,并以每個(gè)計(jì)算區(qū)域的均值與標(biāo)準(zhǔn)差作為指法自動(dòng)識(shí)別的特征使用,用于基于機(jī)器學(xué)習(xí)方法的指法自動(dòng)識(shí)別

利用時(shí)序信息提升遮擋行人檢測(cè)準(zhǔn)確度

Tube Feature Aggregation Network(TFAN)新方法,即利用時(shí)序信息來輔助當(dāng)前幀的遮擋行人檢測(cè),目前該方法已在 Caltech 和 NightOwls 兩個(gè)數(shù)據(jù)集取得了業(yè)界領(lǐng)先的準(zhǔn)確率

京東姚霆:推理能力,正是多模態(tài)技術(shù)未來亟需突破的瓶頸

姚霆指出,當(dāng)前的多模態(tài)技術(shù)還是屬于狹隘的單任務(wù)學(xué)習(xí),整個(gè)訓(xùn)練和測(cè)試的過程都是在封閉和靜態(tài)的環(huán)境下進(jìn)行,這就和真實(shí)世界中開放動(dòng)態(tài)的應(yīng)用場(chǎng)景存在一定的差異性

看高清視頻,如何做到不卡頓

優(yōu)酷智能檔突破“傳統(tǒng)自適應(yīng)碼率算法”的局限,解決視頻觀看體驗(yàn)中高清和流暢的矛盾

基于真實(shí)環(huán)境數(shù)據(jù)集的機(jī)器人操作仿真基準(zhǔn)測(cè)試

通過使用仿真和量化指標(biāo),使基準(zhǔn)測(cè)試能夠通用于許多操作領(lǐng)域,但又足夠具體,能夠提供系統(tǒng)的有關(guān)信息

億級(jí)視頻內(nèi)容如何實(shí)時(shí)更新

基于內(nèi)容圖譜結(jié)構(gòu)化特征與索引更新平臺(tái),在結(jié)構(gòu)化方面打破傳統(tǒng)的數(shù)倉(cāng)建模方式,以知識(shí)化、業(yè)務(wù)化、服務(wù)化為視角進(jìn)行數(shù)據(jù)平臺(tái)化建設(shè),來沉淀內(nèi)容、行為、關(guān)系圖譜,目前在優(yōu)酷搜索、票票、大麥等場(chǎng)景開始進(jìn)行應(yīng)用

深度解析大規(guī)模參數(shù)語(yǔ)言模型Megatron-BERT

NVIDIA解決方案架構(gòu)師王閃閃講解了BERT模型原理及其成就,NVIDIA開發(fā)的Megatron-BERT
資料獲取
機(jī)器人知識(shí)
== 最新資訊 ==
ChatGPT:又一個(gè)“人形機(jī)器人”主題
ChatGPT快速流行,重構(gòu) AI 商業(yè)
中國(guó)機(jī)器視覺產(chǎn)業(yè)方面的政策
中國(guó)機(jī)器視覺產(chǎn)業(yè)聚焦于中國(guó)東部沿海地區(qū)(
從CHAT-GPT到生成式AI:人工智能
工信部等十七部門印發(fā)《機(jī)器人+應(yīng)用行動(dòng)實(shí)
全球人工智能企業(yè)市值/估值 TOP20
創(chuàng)澤智能機(jī)器人集團(tuán)股份有限公司第十一期上
諧波減速器和RV減速器比較
機(jī)器人減速器:諧波減速器和RV減速器
人形機(jī)器人技術(shù)難點(diǎn) 高精尖技術(shù)的綜合
機(jī)器人大規(guī)模商用面臨的痛點(diǎn)有四個(gè)方面
青島市機(jī)器人產(chǎn)業(yè)概況:機(jī)器人企業(yè)多布局在
六大機(jī)器人產(chǎn)業(yè)集群的特點(diǎn)
機(jī)械臂-高度非線性強(qiáng)耦合的復(fù)雜系統(tǒng)
== 機(jī)器人推薦 ==
迎賓講解服務(wù)機(jī)器人

服務(wù)機(jī)器人(迎賓、講解、導(dǎo)診...)

智能消毒機(jī)器人

智能消毒機(jī)器人

機(jī)器人開發(fā)平臺(tái)

機(jī)器人開發(fā)平臺(tái)


機(jī)器人招商 Disinfection Robot 機(jī)器人公司 機(jī)器人應(yīng)用 智能醫(yī)療 物聯(lián)網(wǎng) 機(jī)器人排名 機(jī)器人企業(yè) 機(jī)器人政策 教育機(jī)器人 迎賓機(jī)器人 機(jī)器人開發(fā) 獨(dú)角獸 消毒機(jī)器人品牌 消毒機(jī)器人 合理用藥 地圖
版權(quán)所有 創(chuàng)澤智能機(jī)器人集團(tuán)股份有限公司 中國(guó)運(yùn)營(yíng)中心:北京 清華科技園九號(hào)樓5層 中國(guó)生產(chǎn)中心:山東日照太原路71號(hào)
銷售1:4006-935-088 銷售2:4006-937-088 客服電話: 4008-128-728