DeepETA: поправка к времени поездки
Маршрутный движок не полностью описывает реальную поездку, а прежний XGBoost стало трудно масштабировать. Нейросеть предсказывает ошибку базового маршрутного прогноза.
Статья · на английском
DeepETA: How Uber Predicts Arrival Times Using Deep LearningTanmay Binaykiya, Xinyu Hu, Olcay Cirit, Ramit Hora · Опубликовано: 10 февраля 2022 г.
Сохранить полезную физическую модель
Маршрутный движок учитывает дорожную сеть и трафик. ML добавляет поправку по месту, времени и типу запроса. Так новые сигналы можно подключать без переделки маршрутизации.
Этот фрагмент в оригиналеТабличные признаки становятся векторами
Числа разбивают на интервалы по квантилям. Координаты кодируют сетками нескольких масштабов и несколькими хешами. Внимание моделирует связи признаков; позиционное кодирование здесь не нужно.
Этот фрагмент в оригиналеТочность ограничена временем ответа
Обычное внимание оказалось слишком медленным. Линейный вариант уменьшил вычисления; большие таблицы векторов сочетали с неглубокой сетью. Разные сценарии обслуживает общий энкодер с дополнительной коррекцией выхода.
Этот фрагмент в оригиналеОшибка зависит от сценария
Завышение и занижение ожидания могут иметь разную цену. Поэтому функция потерь учитывает асимметрию, а качество проверяют по сегментам. Выигрыш архитектуры нельзя оценивать только средним временем вычисления.
Этот фрагмент в оригинале