- Uber nutzt ETA für die Fahrpreisberechnung, die Vorhersage von Abholzeiten, das Matching zwischen Fahrgast und Fahrer sowie die Planung von Lieferzeiten
- Traditionelle ETA-Engines teilen das Straßennetz in kleine Einheiten auf und berechnen es, indem sie einem Graphen Gewichtungen zuweisen
→ Mit einem Kürzeste-Wege-Algorithmus wird die optimale Route gefunden und um Gewichtungen ergänzt
- Aber: „Die Karte ist nicht das Gelände“. Der Straßengraph ist nur ein Modell und bildet die reale Situation nicht vollständig ab
- Außerdem ist nicht bekannt, welche Route Fahrgäste/Fahrer tatsächlich wählen werden
- Auf Basis dieser Vermutungen aus dem Straßengraphen werden historische Daten und reale Signale kombiniert, um ein Machine-Learning-Modell zu trainieren, das bessere ETA-Vorhersagen liefert
- Uber hat über mehrere Jahre hinweg „Gradient-boosted decision tree ensembles“ eingesetzt, um die ETA-Vorhersage zu verbessern
→ Doch inzwischen ist mit Apache Spark + XGBoost eine Grenze erreicht, über die sich das System nicht weiter skalieren ließ
- Deshalb wurde auf Deep Learning umgestellt, um drei zentrale Probleme zu lösen
- Latenz : ETA-Berechnung innerhalb weniger Millisekunden
- Genauigkeit : Verbesserung des MAE (Mean Absolute Error, mittlerer absoluter Fehler) gegenüber dem XGBoost-Modell
- Allgemeingültigkeit : ETA-Vorhersagen weltweit für alle Geschäftsbereiche von Uber bereitstellen
- Sieben verschiedene neuronale Netzwerkarchitekturen wurden getestet
→ Am Ende war eine Encoder-Decoder-Architektur mit Self-Attention (Transformer) am genauesten
→ Da die Genauigkeit zwar hoch, die Geschwindigkeit aber zu gering war, fiel die Wahl auf den Linear Transformer, der die Berechnung deutlich beschleunigt
Noch keine Kommentare.