DoorDash Delivery ETA Prediction (HistGradientBoostingRegressor)
AVISO IMPORTANTE: Este modelo é experimental e não está pronto para uso em produção real. Trata-se de um modelo conservador de referência treinado exclusivamente com atributos confirmados no momento da criação do pedido, apresentando
R² = +0,0288no conjunto de teste.
Descrição e Objetivo
Pipeline de Machine Learning (ColumnTransformer + HistGradientBoostingRegressor) desenvolvido para prever a duração total de entrega de pedidos de delivery (delivery_duration_minutes) a partir de informações disponíveis no momento do checkout.
- Repositório de código e notebooks (GitHub): https://github.com/CarvalhoAdryan/DeliveryETA
- Artefato do modelo:
final_hgb_eta_pipeline.joblib
Dataset e Origem
- Origem:
historical_data.csvdisponibilizado pela StrataScratch no exercício DoorDash Delivery Duration Prediction (197.428linhas ×16colunas originais;197.421válidas após remoção de7registros semactual_delivery_time). - Redistribuição: O dataset bruto não é redistribuído neste repositório.
- Variável-alvo:
delivery_duration_minutes = (actual_delivery_time - created_at).dt.total_seconds() / 60.0.
Features Utilizadas (21 variáveis confirmadas)
O modelo utiliza exclusivamente atributos com disponibilidade confirmada no instante de criação do pedido (store_id foi excluído do One-Hot Encoding por alta cardinalidade — 6.743 níveis — e variáveis operacionais/rota de disponibilidade incerta foram mantidas fora do modelo conservador):
- Metadados (One-Hot Encoding):
market_id,store_primary_category,order_protocol,created_time_block - Carrinho e valores:
total_items,subtotal,num_distinct_items,min_item_price,max_item_price,average_item_price,item_price_range,invalid_item_price_range,distinct_item_ratio,is_single_item,is_large_order - Temporais (horário registrado, aparente UTC):
created_hour,created_dayofweek,created_month,created_is_weekend - Histórico causal e protocolo:
estimated_order_place_duration,historical_store_order_count
Algoritmo, Hiperparâmetros e Validação Temporal
- Algoritmo:
sklearn.ensemble.HistGradientBoostingRegressor - Hiperparâmetros congelados (Etapa 06.2):
loss="absolute_error"(escolhida para robustez a outliers> 24hsem excluí-los do treino)learning_rate=0.08max_iter=20(definido via validação interna temporal 90/10 dentro do treino)max_leaf_nodes=63min_samples_leaf=30l2_regularization=0.0early_stopping=Falserandom_state=42
- Divisão Temporal com Embargo (Etapa 05, cortes às
10:00:00UTC):- Treino:
138.572registros (created_at < 2015-02-10 10:00:00, entregas concluídas antes do corte) - Validação:
28.808registros (2015-02-10 10:00:00a2015-02-14 10:00:00) - Teste (isolado até a Etapa 07):
30.041registros (created_at >= 2015-02-14 10:00:00)
- Treino:
Resultados (Validação e Teste Final)
| Conjunto | Modelo | MAE (min) | RMSE (min) | MedAE (min) | P90_AE (min) | R² | Mean Bias |
|---|---|---|---|---|---|---|---|
Validação (n=28.808) |
Baseline (Median) | 12,8201 | 18,6790 | 9,9000 | 25,6667 | -0,0341 | -3,3927 |
Validação (n=28.808) |
HGB Congelado | 12,1142 | 17,9219 | 9,2317 | 24,7196 | +0,0480 | -2,8943 |
Teste (n=30.041) |
Baseline (Median) | 14,1955 | 38,1036 | 10,4667 | 29,0833 | -0,0195 | -5,2643 |
Teste (n=30.041) |
HGB Congelado | 12,7797 | 37,1903 | 9,2282 | 25,9125 | +0,0288 | -4,6494 |
- Ganho sobre o baseline no teste:
-9,97%em MAE (-1,4158 min),-11,83%em MedAE (-1,2385 min),-10,90%em P90_AE (-3,1708 min) e-2,40%em RMSE (-0,9133 min). - Tempo de treino:
4,12 s| Inferência no teste (30.041):0,124 s.
Interpretabilidade
Por Permutation Importance na validação (neg_mean_absolute_error, n=28.808), as variáveis mais relevantes para reduzir o MAE foram:
created_hour(+0,77159 min)subtotal(+0,41535 min)market_id(+0,13144 min)created_dayofweek(+0,09240 min)estimated_order_place_duration(+0,08987 min)
(Importância preditiva não implica causalidade.)
Limitações e Possíveis Aplicações
- Limitações:
- Baixo poder explicativo (
R² = +0,0288no teste) por usar apenas atributos estáticos de checkout. - Superestimação em entregas rápidas (
<= 30 min: Mean Bias+15,62 minno teste) e forte subestimação em atrasos (> 120 min: Mean Bias-135,20 minno teste). - Janela curta (~1 mês em 2015), timestamps em provável UTC sem fuso local por mercado e ausência de sinais em tempo real confirmados (congestionamento e distância de rota).
- Baixo poder explicativo (
- Aplicações adequadas: Estudo de portfólio, referência de baseline conservador com validação temporal rigorosa e ponto de partida para uma v2 com variáveis operacionais validadas e target encoding causal por loja.
Como Carregar e Prever
import joblib
import pandas as pd
pipeline = joblib.load("final_hgb_eta_pipeline.joblib")
sample = pd.DataFrame([{
"market_id": "1",
"store_primary_category": "american",
"order_protocol": "1",
"total_items": 3,
"subtotal": 2500,
"num_distinct_items": 2,
"min_item_price": 600.0,
"max_item_price": 1200,
"estimated_order_place_duration": 446,
"created_hour": 2,
"created_dayofweek": 5,
"created_month": 2,
"created_is_weekend": 1,
"created_time_block": "00-05h_reg",
"average_item_price": 833.33,
"item_price_range": 600.0,
"invalid_item_price_range": 0,
"distinct_item_ratio": 0.6667,
"is_single_item": 0,
"is_large_order": 0,
"historical_store_order_count": 25,
}])
eta_minutes = pipeline.predict(sample)[0]
print(f"ETA previsto: {eta_minutes:.2f} minutos")
Uso de Ferramentas de IA
Ferramentas de inteligência artificial foram utilizadas como apoio ao longo do desenvolvimento deste projeto nas atividades de pesquisa técnica, auxílio na escrita/depuração de código, discussão de resultados exploratórios e organização da documentação. Todas as decisões metodológicas, verificações de integridade e resultados foram validados diretamente pela execução real dos experimentos.

