delivery-eta: prazo de entrega com LightGBM quantílico + conformal

Modelos que preveem o tempo de entrega de pedidos de comida e definem o prazo prometido ao cliente, com a meta de 90% das entregas dentro do prazo.

Arquivos

Arquivo O que é
lgb_q50.txt LightGBM, quantil 0,5: tempo previsto (mediana)
lgb_q90.txt LightGBM, quantil 0,9: base do prazo prometido
config.json lista de features, categorias, ajuste conformal inicial e métricas de teste

O prazo prometido é q90(pedido) + ajuste. O ajuste conformal é recalculado a cada hora, com as entregas concluídas nas últimas 24h (veja conformal_online no repositório).

import lightgbm as lgb
q90 = lgb.Booster(model_file="lgb_q90.txt")
# X: DataFrame com as features de config.json (gerado por eta.features.build)
prazo = q90.predict(X) + ajuste

Avaliação

Semana de teste: 12 a 18/02/2015, 50.210 entregas, sem nenhuma decisão tomada com esses dados.

Método Pontualidade (meta 90%) Prazo médio Atraso > 10 min No prazo, pior faixa de pedido
Regra (estimativas da plataforma + margem) 88,7% 69,8 min 5,6% 70,6%
LightGBM mediana + margem 89,8% 65,9 min 4,4% 86,5%
LightGBM quantílico + conformal (este modelo) 89,8% 66,4 min 4,1% 89,1%

O MAE da mediana é de 10,3 min, contra 12,9 min da regra.

Dados

DoorDash ETA Prediction: teste técnico público do DoorDash, com 197 mil entregas de 21/01 a 18/02/2015 em 6 mercados dos EUA e ruído adicionado pela empresa.

Limitações

  • Treinado com dados de 2015 de uma única plataforma. Use como referência de método, não pra produção.
  • A garantia de pontualidade é em média e pressupõe que as próximas horas se pareçam com as últimas 24h.
Downloads last month
26
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Space using JulioBuzzi/delivery-eta 1