【每周论文】20210117-eleOFCT_CompactETA_DTInf

Order Fulfillment Cycle Time Estimation for On-Demand Food Delivery

KDD’20

1. 概述

本文主要介绍在线外卖配送(on-demand food delivery,OFD)平台上的订单满足时效预测(Order Fulfillment Cycle Time,OFCT)问题。OFCT要在下单前给出，这既是对用户的服务承诺，也是派单和路径规划的决策依据，很重要。

关于外卖的时效预测，之前的研究没有详细讲解过；而ETA方面，由于OFCT给出时尚不清楚什么人走什么路线配送，同时对应于比较难的基于OD的预测；而经典的VRP的解法，需要先验知识和严格假设，因此并不适用。

本文解构了外卖服务整个工作流程，详细介绍了特征工程内容，最后设计了一个回归的预测模型。

2. Challenge

Significantly more influencing factors：影响因素更多。与传统ETA不同，除了天气、交通、时间、地理信息(OD、Route)外，OFCT还新增了餐馆、食物准备、订单动态指派等因素。

Unavailability of critical information：一些关键因子不可获取。OFCT在下单前给出，因此无法拿到之后的信息，如哪个外卖员(起点不同)、实际走什么路线。

3. 外卖订单生命周期

a. OFCT预估：下单前给出OFCT预估值，并且在整个生命周期不再改变。在下单的同时，系统做“派单”和“路径”决策，其中“派单”还有“合单”操作以提高效率。

• 派单不能简单用贪心方法，需要考虑后续的订单情况。这是一个组合优化问题，包括“物流损失”(总时长、总路程)和“用户体验损失”(超时率)两方面。(合单会提高总体效率，但也会损害个体体验)。

b. 外卖员到餐馆等待取餐：需要等食物准备好，可能一次领多个。

c. 外卖员送餐：送到目的地并结束，注意在配送过程中可能会有新的订单到来。

4. 问题定义

令$\mathcal{O}$为总订单，其中$o\in \mathcal{O}$是其中一个，$r_o$为该订单的餐馆，$d_o$为订单目的地。其中关键时间点有$t_o^{creation},t_o^{arrival},t_o^{departure},t_o^{receival}$。${\mathcal{O}}_o^{\mathbb{H}}\subseteq \mathcal{O}$表示在下单前即完成的订单。

Problem：基于${\mathcal{O}}_o^{\mathbb{H}}$和在$t_o^{creation}$前可获取的信息，预测订单$o$的OFCT值
$$OFC{T}_o=t_o^{receival}-t_o^{creation}$$
另外我们可以将OFCT分为两部分，取餐部分(pickup time,PT)和配送部分(drop-off time,DT)。以及相关的烹饪时间(cook time,CT)
$$\begin{gathered} P{T}_o=t_o^{departure}-t_o^{creation} \\ D{T}_o=t_o^{receival}-t_o^{departure} \\ C{T}_o=t_o^{ready}-t_o^{creatino} \end{gathered}$$

5. 特征工程

5.1 订单信息

• 空间特征：目的地$d_o$和餐馆$r_o$的ID、坐标、所属城市和网格
• 时间特征：当日小时、是否工作日
• 订单大小特征：sku数量、订单价格

5.2 聚合特征

• 对历史订单${\mathcal{O}}_o^{\mathbb{H}}$的DT、PT、OFCT做聚合统计，取[20%、50%、80%]分位数、标准差、均值
• 聚合规则有多种，如按城市、网格、餐馆、时间、最近完成的订单等。

5.3 菜品特征

• 订单的SKU类别集合。每个SKU有一个独立的UID，每个订单$o$包含一个SKU UIDs集合，同时SKU分为116类（类别取自SKU名称过BERT做分类）。

5.4 烹饪时间特征

• 烹饪时间很难获取，没有人力和价值支持去采集这个数据。因此本文从历史数据中找出一些可信的cooking time，${\mathcal{O}}_o^{CT}$(没太看懂，大概是指那些独立的且arrive<ready的订单？)。这个时间再同上做聚合。

• 小件员到店的三种场景。①来早了，等到菜品准备好；②等待所有订单烹饪好再走；③菜品已准备好，来了领取就