AI 预测配送时间特征工程与模型选型的工程决策一、深度引言与场景痛点预计 30 分钟送达的真实含义在配送场景中预计送达时间ETA是用户体验的核心指标。但 ETA 预测的难度在于影响配送时间的因素太多了。天气、交通、同时配送的订单数、取餐等待时间、目的地的小区门禁、是否有电梯——这些因素叠加在一起让简单的公式距离 ÷ 速度完全失效。更关键的是预测不准的代价是不对称的。预测过于乐观25 分钟送到结果花了 40 分钟会被差评预测过于保守60 分钟实际只要 35 分钟则会让用户选择竞品。好的 ETA 预测需要精准且有一定的安全裕量。二、底层机制与原理深度剖析三、生产级代码实现与最佳实践# 配送时间预测 —— XGBoost 方案 import xgboost as xgb import pandas as pd import numpy as np from sklearn.model_selection import train_test_split class DeliveryTimePredictor: 配送送达时间预测器 为什么选择 XGBoost 而不是深度学习 1. 特征以表格数据为主GBDT 系列模型天然适合 2. 训练速度快方便快速迭代特征 3. 可解释性强Feature Importance便于运营分析 4. 对缺失值鲁棒不需要复杂的填充策略 # 特征定义列表 —— 每一行是一个特征的名称和说明 FEATURES { # 订单维度 order_distance_km: 配送距离公里, order_weight_kg: 订单重量公斤, order_category: 品类餐饮/生鲜/蛋糕/药品, order_item_count: 商品件数, is_rush_hour: 是否高峰期0/1, hour_of_day: 小时0-23, day_of_week: 星期几0-6, is_holiday: 是否节假日0/1, # 骑手维度 rider_experience_days: 骑手注册天数, rider_active_orders: 当前同时配送的订单数, rider_avg_rating: 骑手平均评分, rider_on_time_rate: 骑手准时率, rider_avg_delivery_time: 骑手历史平均配送时间, # 环境维度 weather_condition: 天气状况编码, temperature_celsius: 温度摄氏度, precipitation_mm: 降水量毫米, traffic_index: 实时交通指数, # 空间维度 pickup_area_id: 取货区域 ID, delivery_area_id: 送货区域 ID, is_downtown: 是否市中心0/1, building_type: 建筑类型住宅/写字楼/商场, # 历史统计 hist_area_avg_time: 该区域历史平均配送时间, hist_route_avg_time: 该路线历史平均配送时间, hist_hour_avg_time: 该时段历史平均配送时间, } def __init__(self): self.model None self.feature_columns list(self.FEATURES.keys()) def train(self, df: pd.DataFrame, target_col: str delivery_time_min): 训练模型 Args: df: 训练数据包含所有特征列和目标列 target_col: 目标变量列名配送时间分钟 X df[self.feature_columns] y df[target_col] # 对目标变量进行 log 变换 —— 减小极端值对损失函数的影响 # 配送时间的分布通常是有偏的右偏log 变换后更接近正态分布 y_log np.log1p(y) X_train, X_val, y_train, y_val train_test_split( X, y_log, test_size0.2, random_state42 ) # XGBoost 参数配置 # 这些参数是在大量实验中调优的结果可以根据具体数据调整 params { objective: reg:squarederror, # 回归任务 eval_metric: rmse, max_depth: 7, # 树深太大容易过拟合太小欠拟合 learning_rate: 0.05, n_estimators: 500, subsample: 0.8, # 行采样防止过拟合 colsample_bytree: 0.8, # 列采样 reg_alpha: 1.0, # L1 正则化 reg_lambda: 2.0, # L2 正则化 min_child_weight: 5, random_state: 42, n_jobs: -1, # 使用所有 CPU 核心 } self.model xgb.XGBRegressor(**params) self.model.fit( X_train, y_train, eval_set[(X_val, y_val)], verbose100 # 每 100 轮输出一次评估信息 ) # 输出特征重要性 importance self.model.feature_importances_ feature_importance sorted( zip(self.feature_columns, importance), keylambda x: x[1], reverseTrue ) print(Top 10 特征重要性:) for name, score in feature_importance[:10]: print(f {name}: {score:.4f}) return self def predict( self, X: pd.DataFrame, return_interval: bool True ) - dict: 预测配送时间 Args: X: 预测数据的特征矩阵 return_interval: 是否返回置信区间 Returns: 包含预测值、置信区间等信息的字典 if self.model is None: raise ValueError(模型尚未训练请先调用 train 方法) y_pred_log self.model.predict(X[self.feature_columns]) # 反 log 变换 —— 将预测结果转换回原始分钟数 y_pred np.expm1(y_pred_log) result { predicted_minutes: round(float(y_pred[0]), 1), p50: round(float(y_pred[0]), 1), } if return_interval: # 简单的置信区间估计基于预测值的百分比 # 更精确的方案需要使用分位数回归或 quantile XGBoost result[p10] round(float(y_pred[0] * 0.7), 1) # 乐观估计 result[p90] round(float(y_pred[0] * 1.4), 1) # 悲观估计 # 对用户展示用 P90 值给予充分预期 result[display_eta] result[p90] return result # 特征工程函数 def engineer_features(raw_order: dict, raw_rider: dict, env: dict, historical: dict) - pd.DataFrame: 从原始数据构建特征 特征工程是模型效果的核心。同样的模型 不同的特征决定了大半的准确率差异。 关键原则 1. 每个特征必须有业务含义 2. 避免目标泄漏使用未来信息预测过去 3. 特征编码要与模型匹配 features {} # 订单特征 features[order_distance_km] _haversine( raw_order[pickup_lat], raw_order[pickup_lng], raw_order[delivery_lat], raw_order[delivery_lng] ) / 1000 features[order_weight_kg] raw_order.get(weight_kg, 0) features[order_category] _encode_category(raw_order[category]) features[order_item_count] raw_order.get(item_count, 1) # 时间特征 order_time pd.Timestamp(raw_order[created_at]) features[hour_of_day] order_time.hour features[day_of_week] order_time.dayofweek features[is_rush_hour] int( order_time.hour in [7, 8, 9, 11, 12, 13, 17, 18, 19] ) features[is_holiday] int(order_time.date() in HOLIDAYS) # 骑手特征 features[rider_experience_days] raw_rider.get(experience_days, 0) features[rider_active_orders] raw_rider.get(active_orders, 0) features[rider_avg_rating] raw_rider.get(avg_rating, 4.5) features[rider_on_time_rate] raw_rider.get(on_time_rate, 0.9) features[rider_avg_delivery_time] raw_rider.get(avg_delivery_time, 25) # 环境特征 features[weather_condition] env.get(weather_code, 0) features[temperature_celsius] env.get(temperature, 20) features[precipitation_mm] env.get(precipitation, 0) features[traffic_index] env.get(traffic_index, 1.0) # 空间特征 features[pickup_area_id] _geo_to_area( raw_order[pickup_lat], raw_order[pickup_lng] ) features[delivery_area_id] _geo_to_area( raw_order[delivery_lat], raw_order[delivery_lng] ) # 历史统计特征从离线计算的特征表中获取 features[hist_area_avg_time] historical.get(area_avg_time, 25) features[hist_route_avg_time] historical.get(route_avg_time, 30) features[hist_hour_avg_time] historical.get(hour_avg_time, 28) return pd.DataFrame([features])四、边界分析与架构权衡模型交付的工程化考虑模型训练完成后最大的挑战不是模型准不准而是如何在生产环境中低延迟、高可靠地提供预测服务在线预测 vs 离线批量配送场景需要在线预测50ms 延迟需要将模型部署为 RPC 服务模型更新每周重新训练一次用新数据替代旧数据防止模型老化特征一致性训练阶段和预测阶段必须使用完全相同的特征计算逻辑实时特征 vs 离线特征特征分为两类实时特征订单距离、骑手当前负载、天气——在预测时实时计算离线特征历史平均配送时间、骑手准时率——每日预计算存储在特征表中一个好的特征工程系统需要同时管理这两类特征并确保它们的更新时效性。五、总结配送时间预测是一个典型的特征驱动问题。模型本身不是关键XGBoost/LightGBM 都够用关键的是你能不能把影响配送时间的信息都合理地编码为特征。三个最重要的经验时空特征是核心区域 ID、时段、节假日这些是预测配送时间的硬特征历史统计是基础个人/区域/时段的历史平均配送时间是最强的基线log 变换处理偏态配送时间分布是偏态的log 变换让模型训练更稳定对用户来说他们看到的只是一个数字——预计 30 分钟。但这个数字背后是一个融合了几十个特征的机器学习模型在实时运算。而这种让复杂的事情变简单正是 AI 在工程中的核心价值。
