深度學習在美團配送ETA預估中的探索與實踐

1.背景

ETA（Estimated Time of Arrival，“預計送達時間”），即用戶下單後，配送人員在多長時間內將外賣送達到用戶手中。送達時間預測的結果，將會以"預計送達時間"的形式，展現在用戶的客戶端頁面上，是配送系統中非常重要的參數，直接影響了用戶的下單意願、運力調度、騎手考覈，進而影響配送系統整體成本和用戶體驗。

對於整個配送系統而言，ETA既是配送系統的入口和全局約束，又是系統的調節中樞。具體體現在：

• ETA在用戶下單時刻就需要被展現，這個預估時長繼而會貫穿整個訂單生命週期，首先在用戶側給予準時性的承諾，接着被調度系統用作訂單指派的依據及約束，而騎手則會按照這個ETA時間執行訂單的配送，配送是否準時還會作爲騎手的工作考覈結果。
• ETA作爲系統的調節中樞，需要平衡用戶-騎手-商家-配送效率。從用戶的訴求出發，儘可能快和準時，從騎手的角度出發，太短會給騎手極大壓力。從調度角度出發，太長或太短都會影響配送效率。而從商家角度出發，都希望訂單被儘可能派發出去，因爲這關係到商家的收入。

在這樣多維度的約束之下，外賣配送的ETA的建模和估計會變得更加複雜。與打車場景中的ETA做對比，外賣場景的ETA面臨如下的挑戰：

• 外賣場景中ETA是對客戶履約承諾的重要組成部分，無論是用戶還是騎手，對於ETA準確性的要求非常高。而在打車場景，用戶更加關心是否能打到車，ETA僅提供一個參考，司機端對其準確性也不是特別在意。
• 由於外賣ETA承擔着承諾履約的責任，因此是否能夠按照ETA準時送達，也是外賣騎手考覈的指標、配送系統整體的重要指標；承諾一旦給出，系統調度和騎手都要盡力保證準時送達。因此過短的ETA會給騎手帶來極大的壓力，並降低調度合單能力、增加配送成本；過長的ETA又會很大程度影響用戶體驗。
• 外賣場景中ETA包含更多環節，騎手全程完成履約過程，其中包括到達商家、商家出餐、等待取餐、路徑規劃、不同樓宇交付等較多的環節，且較高的合單率使得訂單間的流程互相耦合，不確定性很大，做出合理的估計也有更高難度。

下圖是騎手履約全過程的時間軸，過程中涉及各種時長參數，可以看到有十幾個節點，其中關鍵時長達到七個。這些時長涉及多方，比如騎手（接-到-取-送）、商戶（出餐）、用戶（交付），要經歷室內室外的場景轉換，因此挑戰性非常高。對於ETA建模，不光是簡單一個時間的預估，更需要的是全鏈路的時間預估，同時更需要兼顧"單量-運力-用戶轉化率"轉化率之間的平衡。配送ETA的演變包括了數據、特徵層面的持續改進，也包括了模型層面一路從LR-XGB-FM-DeepFM-自定義結構的演變。

具體ETA在整個配送業務中的位置及配送業務的整體機器學習實踐，請參看《機器學習在美團配送系統的實踐：用技術還原真實世界》。

2.業務流程迭代中的模型改進

2.1 基礎模型迭代及選擇

與大部分CTR模型的迭代路徑相似，配送ETA模型的業務迭代經歷了LR->樹模型->Embedding->DeepFM->針對性結構修改的路徑。特徵層面也進行不斷迭代和豐富。

• 模型維度從最初考慮特徵線性組合，到樹模型做稠密特徵的融合，到Embedding考慮ID類特徵的融合，以及FM機制低秩分解後二階特徵組合，最終通過業務指標需求，對模型進行針對性調整。
• 特徵維度逐步豐富到用戶畫像/騎手畫像/商家畫像/地址特徵/軌跡特徵/區域特徵/時間特徵/時序特徵/訂單特徵等維度。

目前版本模型在比較了Wide&Deep、DeepFM、AFM等常用模型後，考慮到計算性能及效果，最終選擇了DeepFM作爲初步的Base模型。整個DeepFM模型特徵Embedding化後，在FM（Factorization Machine）基礎上，進一步加入deep部分，分別針對稀疏及稠密特徵做針對性融合。FM部分通過隱變量內積方式考慮一階及二階的特徵融合，DNN部分通過Feed-Forward學習高階特徵融合。模型訓練過程中採取了Learning Decay/Clip Gradient/求解器選擇/Dropout/激活函數選擇等，在此不做贅述。

2.2 損失函數

在ETA預估場景下，準時率及置信度是比較重要的業務指標。初步嘗試將Square的損失函數換成Absolute的損失函數，從直觀上更爲切合MAE相比ME更爲嚴苛的約束。在適當Learning Decay下，結果收斂且穩定。

同時，在迭代中考慮到相同的ETA承諾時間下，在前後N分鐘限制下，早到1min優於晚到1min，損失函數的設計希望整體的預估結果能夠儘量前傾。對於提前部分，適當降低數值懲罰。對於遲到部分，適當增大數值懲罰。進行多次調試設計後，最終確定以前後N分鐘以及原點作爲3個分段點。在原先absolute函數優化的基礎上，在前段設計1.2倍斜率absolute函數，後段設計1.8倍斜率absolute函數，以便讓結果整體往中心收斂，且預估結果更傾向於提前送達，對於ETA各項指標均有較大幅度提升。

2.3 業務規則融入模型

目前的業務架構是"模型+規則"，在模型預估一個ETA值之後，針對特定業務場景，會有特定業務規則時間疊加以滿足特定場景需求，各項規則由業務指標多次迭代產生。這裏產生了模型和規則整體優化的割裂，在模型時間和規則時間分開優化後，即模型訓練時並不能考慮到規則時間的影響，而規則時間在一年之中不同時間段，會產生不同的浮動，在經過一段時間重複迭代後，會加大割裂程度。

在嘗試了不同方案後，最終將整體規則寫入到了TF模型中，在TF模型內部調整整體規則參數。

• 對於簡單的(ab+c)d等規則，可以將規則邏輯直接用TF的OP算子來實現，比如當b、d爲定值時，則a、c爲可學習的參數。
• 對於過於複雜的規則部分，則可以藉助一定的模型結構，通過模型的擬合來代替，過多複雜OP算子嵌套並不容易同時優化。

通過調節不同的擬合部分及參數，將多個規則完全在TF模型中實現。最終對業務指標具備很大提升效果，且通過對部分定值參數的更改，具備部分人工干涉模型能力。

在這裏，整體架構就簡化爲多目標預估的架構，這裏採用多任務架構中常用的Shared Parameters的結構，訓練時按比例採取不同的交替訓練策略。結構上從最下面的模型中間融合層出發，分別在TF內實現常規預測結構及多個規則時間結構，而其對應的Label則仍然從常規的歷史值和規則時間值中來，這樣考慮了以下幾點：

• 模型預估時，已充分考慮到規則對整體結果的影響（例如多個規則的疊加效應），作爲整體一起考慮。
• 規則時間作爲輔助Label傳入模型，對於模型收斂及Regularization，起到進一步作用。
• 針對不同的目標預估，採取不同的Loss，方便進行針對性優化，進一步提升效果。

模型結構在進行預估目標調整嘗試中：

• 嘗試過固定共享網絡部分及不固定共享部分參數，不固定共享參數效果明顯。
• 通常情況下激活函數差異不大，但在共享層到獨立目標層中，不同的激活函數差異很大。

2.4 缺失值處理

在模型處理中，特徵層面不可避免存在一定的缺失值，而對於缺失值的處理，完全借鑑了《美團“猜你喜歡”深度學習排序模型實踐》文章中的方法。對於特徵x進入TF模型，進行判斷，如果是缺失值，則設置w1參數，如果不是缺失值則進入模型數值爲w2*x，這裏將w1和w2作爲可學習參數，同時放入網絡進行訓練。以此方法來代替均值/零值等作爲缺失值的方法。

3.長尾問題優化

3.1 模型預估結果+長尾規則補時

基礎模型學習的是整體的統計分佈，但對於一些長尾情形的學習並不充分，體現在長尾情形下預估時間偏短（由於ETA擁有考覈騎手的功能，預估偏短對騎手而言意味着很大的傷害）。故將長尾拆解成兩部分來分析：

• 業務長尾，即整體樣本分佈造成的長尾。主要體現在距離、價格等維度。距離越遠，價格越高，實際送達時間越長，但樣本佔比越少，模型在這一部分上的表現整體都偏短。
• 模型長尾，即由於模型自身對預估值的不確定性造成的長尾。模型學習的是整體的統計分佈，但不是對每個樣本的預估都有“信心”。實踐中採用RF多棵決策樹輸出的標準差來衡量不確定性。RF模型生成的決策樹是獨立的，每棵樹都可以看成是一個專家，多個專家共同打分，打分的標準差實際上就衡量了專家們的“分歧”程度（以及對預估的“信心”程度）。從下圖也可以看出來，隨着RF標準差的增加，模型的置信度和準時率均在下降。

在上述拆解下，採用補時規則來解決長尾預估偏短的問題：長尾規則補時爲 <業務長尾因子 , 模型長尾因子> 組合。其中業務長尾因子爲距離、價格等業務因素，模型長尾因子爲RF標準差。最終的ETA策略即爲模型預估結果+長尾規則補時。

4.工程開發實踐

4.1 訓練部分實踐

整體訓練流程

對於線下訓練，採取如下訓練流程：

Spark原始數據整合 -> Spark生成TFRecord -> 數據並行訓練 -> TensorFlow Serving線下GPU評估 -> CPU Inference線上預測

整個例行訓練億級數據多輪Epoch下流程持續約4小時，其中TF訓練中，考慮到TF實際計算效率並不是很高，有很大比例在數據IO部分，通過Spark生成TFRecord部分，在此可將速度加速約3.6倍。而在數據並行訓練部分，16卡內的並行度擴展基本接近線性，具備良好的擴展性。由於PS上參數量並未達到單機無法承受，暫時未對參數在PS上進行切分。Serving線下GPU評估部分，是整個流程中的非必需項，雖然在訓練過程中Chief Worker設置Valid集合可有一定的指標，但對全量線下，通過Spark數據調用Serving GPU的評估具備短時間內完成全部流程能力，且可以指定大量複雜自定義指標。

數據並行訓練方式

整個模型的訓練在美團的AFO平臺上進行，先後嘗試分佈式方案及單機多卡方案。考慮到生產及結果穩定性，目前線上模型生產採用單機多卡方案進行例行訓練。

• 分佈式方案：

採用TF自帶的PS-Worker架構，異步數據並行方式，利用tf.train.MonitoredTrainingSession協調整個訓練過程。整個模型參數存儲於PS，每個Step上每個Worker拉取數據進行數據並行計算，同時將梯度返回，完成一次更新。目前的模型單Worker吞吐1~2W/s，億級數據幾輪Epoch耗時在幾小時內完成。同時測試該模型在平臺上的加速比，大約在16塊內，計算能力隨着Worker數目線性增加，16卡後略微出現分離。在目前的業務實踐中，基本上4-6塊卡可以短時間內完成例行的訓練任務。

• 單機多卡方案：

採用PS-Worker的方案在平臺上具備不錯的擴展性，但是也存在一定的弊端，使用RPC的通訊很容易受到其他任務的影響，整個的訓練過程受到最慢Worker的影響，同時異步更新方式對結果也存在一定的波動。對此，在線上生產中，最終選取單機多卡的方案，犧牲一定的擴展性，帶來整體訓練效果和訓練速度的穩定性。單機多卡方案採取多GPU手動指定OP的Device，同時在各個Device內完成變量共享，最後綜合Loss與梯度，將Grad更新到模型參數中。

TF模型集成預處理

模型訓練過程中，ID類特徵低頻過濾需要用到Vocab詞表，連續型特徵都需要進行歸一化。這裏會產生大量的預處理文件，在線下處理流程中很容易在Spark中處理成Libsvm格式，然後載入到模型中進行訓練。但是在線上預測時，需要在工程開發端載入多個詞表及連續型特徵的歸一化預處理文件（avg/std值文件等），同時由於模型是按天更新，存在不同日期版本的對齊問題。

爲了簡化工程開發中的難度，在模型訓練時，考慮將所有的預處理文件寫入TF計算圖之中，每次在線預測只要輸入最原始的特徵，不經過工程預處理，直接可得到結果：

• 對於ID類特徵，需要進行低頻過濾，然後製作成詞表，TF模型讀入詞表的list_arr，每次inference通過ph_vals，得到對應詞表的ph_idx。

tf_look_up = tf.constant(list_arr, dtype=tf.int64)
table = tf.contrib.lookup.HashTable(tf.contrib.lookup.KeyValueTensorInitializer(tf_look_up, idx_range), 0)
ph_idx = table.lookup(ph_vals) + idx_bias

• 對於連續型特徵，在Spark處理完得到avg/std值後，直接寫入TF模型計算圖中，作爲constant節點，每個ph_in經過兩個節點，得到相應ph_out。

constant_avg = tf.constant(feat_avg, dtype=tf.float32, shape=[feat_dim], name="avg")
constant_std = tf.constant(feat_std, dtype=tf.float32, shape=[feat_dim], name="std")
ph_out = (ph_in - constant_avg) / constant_std

4.2 TF模型線上預測

配送機器學習平臺內置了模型管理平臺，對算法訓練產出的模型進行統一管理和調度，管理線上模型所用的版本，並支持模型版本的切換和回退，同時也支持節點模型版本狀態的管理。

ETA使用的DeepFM模型用TensorFlow訓練，生成SavedModel格式的模型，需要模型管理平臺支持Tensorflow SavedModel格式。

實現方案
S
線上服務加載TensorFlow SavedModel模型有多種實現方案：

• 自行搭建TensorFlow Serving CPU服務，通過gRPC API或RESTful API提供服務，該方案實現比較簡單，但無法與現有的基於Thrift的模型管理平臺兼容。
• 使用美團AFO GPU平臺提供的TensorFlow Serving服務。
• 在模型管理平臺中通過JNI調用TensorFlow提供的Java API TensorFlow Java API，完成模型管理平臺對SavedModel格式的支持。

最終採用TensorFlow Java API加載SavedModel在CPU上做預測，測試batch=1時預測時間在1ms以內，選擇方案3作爲實現方案。

遠程計算模式

TensorFlow Java API的底層C++動態鏈接庫對libstdc++.so的版本有要求，需要GCC版本不低於4.8.3，而目前線上服務的CPU機器大部分系統爲CentOS 6, 默認自帶GCC版本爲4.4.7。如果每臺線上業務方服務器都支持TensorFlow SavedModel本地計算的話，需要把幾千臺服務器統一升級GCC版本，工作量比較大而且可能會產生其他風險。

因此，我們重新申請了幾十臺遠程計算服務器，業務方服務器只需要把Input數據序列化後傳給TensorFlow Remote集羣，Remote集羣計算完後再將Output序列化後返回給業務方。這樣只需要對幾十臺計算服務器升級就可以了。

線上性能

模型上線後，支持了多個業務方的算法需求，遠程集羣計算時間的TP99基本上在5ms以內，可以滿足業務方的計算需求。

總結與展望

模型落地並上線後，對業務指標帶來較大的提升。後續將會進一步根據業務優化模型，進一步提升效果：

• 將會進一步豐富多目標學習框架，將取餐、送餐、交付、調度等整個配送生命週期內的過程在模型層面考慮，對訂單生命週期內多個目標進行建模，同時提升模型可解釋性。
• 模型融合特徵層面的進一步升級，在Embedding以外，通過更多的LSTM/CNN/自設計結構對特徵進行更好的融合。
• 特徵層面的進一步豐富。

作者簡介

• 基澤，美團點評技術專家，目前負責配送算法策略部機器學習組策略迭代工作。
• 周越，2017年加入美團配送事業部算法策略組，主要負責ETA策略開發。
• 顯傑，美團點評技術專家，2018年加入美團，目前主要負責配送算法數據平臺深度學習相關的研發工作。