时间预知术：ETA（Estimated Time of Arrival）技术如何改变我们的生活

发布时间：2025-04-13 18:36

科技预测：5G网络将如何改变我们的日常生活。 #生活常识# #科技资讯#

前言：外卖是怎么做到准时送达? 打车软件是怎么做到精准预估司机到达时间？地图APP又是怎么计算出出行时间？……这些数字背后的时间预知术到底是如何实现的？

一、ETA的定义

ETA（Estimated Time of Arrival），即预计到达时间，是指某个物体或某个人从出发地点到达目的地点的预计时间。ETA在多个行业和场景中有广泛的应用，特别是在物流、运输、餐饮配送、共享出行等领域中。准确的ETA不仅可以提高运营效率，还能提升用户体验。

二、应用场景

在每个人日常生活中，我们都是预计到达时间（ETA）技术发展的受益者。出行交通、外卖配送、快递运输……通过这个预计时间，我们能够更高效地安排自己的时间，也避免了不必要的等待和时间浪费。

在经过一番了解之后，更是进一步发现，除了我们日常所能见到的，ETA在我们高效便捷的现代生活背后的许多看不见的角落，也同样发挥着重要的作用。

1. 交通出行

日常生活中的公共交通、高铁火车以及航空飞行等场景，通过ETA技术，乘客和交通管理者能够获得准确的到达时间预估，从而提高出行体验和交通效率。

出行安排：乘客可以通过应用程序或站点显示屏实时查看车辆的预计到达时间，从而合理安排出行，减少等待时间。交通管理：交通管理部门可以利用ETA数据分析交通流量，优化信号灯时间设置，缓解交通拥堵，提高整体交通效率。地图导航：导航应用可以利用ETA数据为驾驶者提供最佳路线建议，避免拥堵路段，提高出行效率和安全性。突发事件响应：在交通事故或突发事件发生时，ETA数据可以帮助交通管理部门迅速调整应对措施，减少对交通流的影响。而作为普通使用者，也可以通过地图软件的通知，及时避开事故发生路段。公共交通运营：公交车、地铁等公共交通工具可以根据ETA数据优化运营调度，减少乘客等待时间，提高车辆周转效率。 2. 共享出行

在共享出行领域，ETA被广泛应用于诸如Uber、滴滴等平台。乘客可以实时查看司机的预计到达时间，从而更好地安排出行计划。

乘客等待时间管理：乘客在下单后，可以通过ETA了解司机到达的时间，从而更合理地安排自己的出行时间，减少等待焦虑。路线规划和优化：司机可以根据ETA选择最佳路线，避开拥堵路段，提高接客和送客的效率。动态调度：平台可以根据实时ETA数据，动态调整车辆调度，确保运力平衡，减少空驶率。客户服务和满意度：提供准确的ETA信息，可以提高客户满意度，减少因延误带来的投诉和不满。 3. 餐饮配送

美团和饿了么等餐饮配送平台依赖ETA来提供精准的送餐时间预估，确保用户能及时享受到新鲜的餐品。

订单管理：商家可以根据ETA安排备餐时间，确保餐品在最佳状态下送达用户手中。骑手调度：平台可以根据不同订单的ETA，优化骑手的配送路线和顺序，最大化配送效率。用户通知：用户可以实时查看ETA，了解餐品的配送进程，从而安排取餐时间。服务质量评估：平台可以通过ETA数据，评估骑手的配送效率和服务质量，提供针对性的培训和激励措施。 4. 物流

物流公司如顺丰和FedEx使用ETA来预测包裹的送达时间，提高物流效率并提升客户满意度。

运输路线优化：物流公司可以根据ETA数据，优化运输路线，减少运输时间和成本。仓储和库存管理：根据ETA预测，仓库可以提前安排货物的出入库，优化库存管理。客户通知和跟踪：客户可以实时查看包裹的ETA，安排收货时间，提高客户体验。异常处理：通过ETA监控，物流公司可以及时发现并处理运输过程中的异常情况，如延误或丢失，提高服务可靠性。供应链协同：通过共享ETA数据，供应链各环节可以更好地协同工作，提高整体供应链的效率和响应速度。

三、技术发展历程

ETA预测技术的发展经历了多个阶段，每个阶段都利用了当时最先进的技术和方法来提高预测的准确性和实时性。以下简单总结了ETA预测技术的主要发展阶段：

早期阶段（基于GPS定位）：

技术基础：最初的ETA预测技术主要依赖于GPS全球定位系统。车辆或物体配备GPS接收器，通过卫星信号确定位置和速度。预测方法：基于当前位置、目的地坐标和已知速度，通过简单的距离除以速度计算来估计到达时间。这种方法简单直接，但预测精度受限于GPS信号的准确性和更新频率。

引入实时数据和算法（结合交通数据）：

技术基础：随着交通传感器和实时数据的普及，ETA预测技术开始整合交通流量、道路状态等信息。预测方法：引入实时交通数据后，预测模型可以考虑当前道路的拥堵情况和历史数据，例如使用时间序列分析和统计方法来预测到达时间。这使得预测更加动态和精准。

机器学习和深度学习时代：

技术基础：随着机器学习和深度学习技术的兴起，ETA预测技术开始应用更复杂的算法和模型。预测方法：利用决策时、XGBoost、神经网络等机器学习模型，预测系统可以处理大量非线性关系和多变量因素，提高预测的准确性和鲁棒性。这种方法能够从历史数据中学习，并自动调整预测模型以适应不同的环境条件。

综合多源数据（大数据时代）：

技术基础：进入大数据时代后，ETA预测技术可以综合多种数据源，如历史行程数据、天气状况、事件信息等。预测方法：使用大数据技术和实时数据流处理，预测系统能够快速响应信息更新，并结合复杂的算法如增强学习或集成学习，以优化预测结果。这种方法能够更精确地预测到达时间，并提供实时调整策略。

ETA预测技术的发展从基于GPS定位的简单方法到整合多源数据和复杂算法的现代化系统。每个阶段都在提高预测精度和实时性上取得了显著进展，为物流、交通管理等领域带来了巨大的效益和便利。

四、企业的探索实践

为了了解各企业是如何探索和应用ETA技术，我选择了两个最贴近我们日常生活的应用场景——打车和外卖，查阅了Uber和美团的公开技术文章，了解这两个公司在ETA领域上的探索。

Uber

在ETA预测技术上，Uber从依赖传统路由引擎的基础ETA估算，到引入机器学习模型（如梯度提升决策树、XGBoost），并在深度学习领域的不断探索，最后，开发了名为DeepETA ——一种用于全球 ETA 预测的低延迟深度神经网络架构。

下图是DeepETA之前，使用 ML 模型的 ETA 后处理混合方法：
![[时间预知术：ETA技术如何改变我们的生活-20240711135800703.webp]]

为了实现实时预测，DeepETA面临三个主要挑战：1）必须在几毫秒内返回结果，2）准确性需比现有的 XGBoost 模型显著提高，3）且模型必须具有通用性，可服务于全球范围内的所有业务线。

DeepETA测试调整了7种不同的神经网络架构，最后发现自注意力机制和编码器-解码器模型提供了最佳的准确性，再结合地理空间嵌入和特征哈希技术，来精细化调整和优化ETA预测。通过这些技术，Uber显著提高了ETA的准确性和响应速度，同时保持了服务的低延迟和高通用性，以满足全球不同业务线的需求。

DeepETA 模型结构图示如下：
在这里插入图片描述

美团

外卖配送时间的预估难度在于：一次配送全链路的时间是由多个节点组成的。(如下图右侧所示）每一单外卖配送涉及多方，比如骑手（接-到-取-送）、商户（出餐）、用户（交付），要经历室内室外的场景转换，因此挑战性非常高。此外，还需要考虑”单量-运力-用户体验”之间的平衡。

![[ETA Prediction-20240614153634827.webp]]

美团技术团推在机器学习上不断探索，“配送ETA的演变包括了数据、特征层面的持续改进，也包括了模型层面一路从LR-XGB-FM-DeepFM-自定义结构的演变。”

除了对于数据、特征以及模型的不断改进，技术团队还采用共享参数（Shared Parameters)的方式将业务规则融入模型中。

![[ETA Prediction-20240614154355350.webp]]

“通过调节不同的拟合部分及参数，将多个规则完全在TF模型中实现。最终对业务指标具备很大提升效果，且通过对部分定值参数的更改，具备部分人工干涉模型、对骑手体验做兜底保障的能力。”

模型准确性的平衡

两个技术团队在不断改进提升技术的同事，都不约而同地考虑到了预测准确度和其他业务因素之间的平衡，比如模型的响应速度、通用性以及用户感受。

1、是否要提供准确的ETA时间？
提供准确的ETA时间是提升用户体验的关键，但过于准确的ETA可能会导致用户对小的延误产生不满。因此，需要在精度和稳定性之间找到平衡。

2、如何平衡用户和服务提供方的感受？
预留时间：可以根据历史数据和当前交通状况，为ETA预留一定的缓冲时间。这个缓冲时间需要通过实验和用户反馈不断调整，以找到最佳平衡点。
乘客与司机：乘客和司机的ETA可能需要有所不同。乘客需要看到更保守的ETA，以避免由于不可预见的延误导致的不满，而司机则需要更准确的ETA来优化接单和路线选择。
用户与骑手：在模型预估时间的基础上，美团增加了三层缓冲的弹性时间。

在这里插入图片描述

3、如何提高模型的通用性？
在这个问题上，两个企业使用了不同的技术手段。Uber的DeepETA通过偏置调整解码器和非对称Huber损失函数来适应不同业务线的需求，并处理不同分布的数据。而美团则是通过共享参数（Shared Parameters)的方式将业务规则融入模型中。

五、AI赋能下的ETA预测提升

随着AI技术的发展，ETA预测的准确性得到了显著提升。以下是一些新的方法和手段：

实时数据融合：结合实时交通、天气、事件等多种数据源，利用大数据分析技术提高ETA预测的准确性。例如，通过实时交通状况数据调整预测模型。

强化学习：利用强化学习算法，可以在不断迭代的过程中，优化ETA预测模型，以处理复杂的城市交通动态和多变的路况，实现更加精确和可靠的ETA预测。

自动化特征工程：使用自动化机器学习（AutoML）技术，可以自动生成并选择最优的特征，提高模型的预测能力。

多模态数据融合：结合图像、文本、传感器等多种数据，利用多模态深度学习模型，进一步提升ETA预测的准确性。

总之，随着数据科学和人工智能技术的不断进步，ETA预测的准确性和可靠性将不断提高。这不仅有助于提高运营效率，还能大幅提升用户体验。

参考资料

外卖几点到？美团首次公开配送时间算法：“时间点”改为“时间段”DeepETA: How Uber Predicts Arrival Times Using Deep Learning | Uber Blog[2206.02127] DeeprETA: An ETA Post-processing System at Scale深度学习在美团配送ETA预估中的探索与实践 - 美团技术团队机器学习在美团配送系统的实践：用技术还原真实世界 -美团技术团队What is Estimated Time of Arrival (ETA)?

本文内容为个人整理分享，已同步至公众号上，可戳链接查看，欢迎留言讨论！

网址：时间预知术：ETA（Estimated Time of Arrival）技术如何改变我们的生活 https://www.yuejiaxmz.com/news/view/864173

上一篇：比开跑车更拉风的七款出行黑科技你

下一篇：车轮转不动齿轮，哈啰出行缺的不止