【论文】出餐时间预估

深度学习订单出餐时间概率预测 美团2022 KDD

背景

外卖出餐时间（Food Prepare Time) 的预估在订单指派和取餐时间推荐两个产品功能上十分重要。面临的主要困难有

1. label不完整：
   label分为两类，真实label（precise label，PL）和区间label（range-label，RL）。商家主动上报的出餐时间，或者骑手在商家等待一段时间后才取到外卖的取餐时间，我们将这一部分认为是PL，大概占总订单的不到70%。其余订单只能获取到其上下界。我们可以这样定义：出餐时间 $\in$ [骑手因等太久放弃取餐的时间，取餐时间], 如果没有明确判定理由，下界设置为0。
2. 数据不确定性。收到商家供给、食物准备流程、堂食环境等多方面因素影响，传统的预估方式很难准确。

本文尝试预估FPT的概率分布（PF probabilistic forecasting), 给不确定性决策提供更多有效的信息。

related work review:

1. 贝叶斯/非贝叶斯方法，参数方法/非参数方法
   
2. CRPS
   

问题定义

D: 订单里菜品的合集
m: 订单里不同的菜品的个数
d_i：订单里的第i个不同的菜品
num_i: 订单里的第i个不同的菜品的个数

方法

PL和RL订单的聚合

因为有RL样本，直接计算label的均值和方差的方法无效。本文使用离散累计概率DCP（Discrete Cumulative Probabilities）的方法。

$DC{P}_z$表示在z这个等距离散时间点（够长 fpt不会跨越）前，有多少订单的出餐时间没有到达，一个计算的例子：

上下界穿越z的订单不计算，所以分母是5，分子是2。近似平均值的算法：

特征提取

S-CRPS and S-Quantile Loss

这一部分是为了定义模型的loss

1. CRPS（连续排序概率分数）已经在PF中被广泛应用，基本公式为：F是累计函数，y是观测值（observation) 。也就是x<y的时候如果想减小loss就要减小F， x>y时要增大F
   
   ps. 更好理解的版本：
   

2. 把crps和分位点loss(ql) 结合起来
   
   
   $F^{-1}$是累计函数的逆函数（相当于已知概率求事件），为了方便计算(3）式会直接用 sum over discrete q = 0.01 … 0.99 来计算

3. 本文的创新- SCRPS, 更适合RL数据，能产生更sharp的分布。不确定明确的label, 充分利用上下界
   
   对于range label数据，处于上下界之间的样本不计算损失：
   
   

模型

1. 结构

平平无奇DCN高维交叉 + Attention计算dishes的影响权重。模型的输出是一串递增的数据，表示概率分布。

值得一提的是，在预测阶段(a) 为了保证随着分位数的增加，预测概率同步增加，采用全连接softplus激活函数，$softplus(x)=log(1+e^x)$, 每个分位数得到一个非负数，然后在Cumsum环节对前置各中间结果进行累加。最终输出$F^{-1}(q_i)$。

2. 训练
   
3. 评估

概率预测的目标是在满足 calibration（校准） 的前提下尽可能提高预测的 sharpness。
所谓的 calibration 指的是预测分布和观测值在统计上的一致性，而 sharpness（锐度） 则是指预测分布的集中程度。
用本文的非参数方法对比高斯分布/伽马分布（保持模型结构不变，只改变最后一层为分布的参数）