ETA 的革新：重塑 project44 的预测引擎

每次预计到达时间的延误都会引发连锁反应：码头延误、船员闲置、生产中断以及客户失望。 准确的到货时间对供应链效率至关重要，因为能够更好的规划、协调和资源分配，并在整个物流网络中进行资源分配。

可靠的 ETA 使企业能够预测延误、减少等待时间、优化仓库和码头运营，并按时向客户交付。 其结果是客户满意度提高、运营成本降低，以及生产停工或库存缺货等中断情况减少。 挑战在于，预测卡车货运的 ETA 需要强大的机器学习模型，该模型应捕捉影响 ETA 的诸多细微差别特征，包括天气、交通、季节性、车道差异、运营细微差别甚至人类行为。

解开整车 ETA 问题

与包裹或小包裹运输不同，整车旅程的可变性远超“在路上的时间”。 货运时间表包括：

• 停靠之间的驾驶时间。

• 在设施（如仓库或堆场）等待装载、卸载或文书工作的停留时间。

• 短暂的燃料、用餐或小憩。

• 过夜或长时间休息。

在短途旅行中，单一设施延误可能会扰乱时间表。 在长途运输中，强制性休息或意外停留可能更为重要。 这些只是可控制的因素——交通拥堵、天气事件和堆场拥堵都增加了又一层不确定性。

数据质量差距（GPS信号不稳定、缺少里程碑更新）、数千条航线的车道级别变化性以及承运商和设施之间的运营差异，使问题更加复杂。 简单的基于距离的模型无法捕捉这种复杂性。

我们如何衡量 FTL ETA

为了衡量 ETA 准确性，我们跟踪两个互补指标：实际运行时间和预测运行时间。

这些措施不仅凸显了 ETA 的准确性，还凸显了其提供的提前通知程度，在真实世界运营中平衡了准确性与实际有用性。

为什么预测准确的 ETA 如此困难？

要实现更准确的 ETA，就必须系统地解决以下问题：

• 数据质量问题：ping 覆盖范围存在差距、位置信号质量低，里程碑更新不完整，降低了可靠性。
• 货运路线可变性：路线和行程长度差异很大，多式联运（例如卡车-铁路-卡车）增加了复杂性。 每条线路的行为都不同，因此难以构建一个在多元化网络中表现良好的单一模型
• 计划外停留：司机休息、设施延误或堆场拥堵可能会以不可预测的方式大幅延长行程。
• 外部中断：天气事件和交通拥堵变化很大，难以预测。
• 运营细微差别：承运人/承运商行为、司机习惯的差异以及对设施运营时间的可视化程度低，都影响了结果。
• 系统性错误驱动因素：过度停留区域、错过里程碑、路线偏差和数据差异往往会导致 ETA 持续不准确。

这些挑战凸显出为什么 ETA 建模需要强大的数据管道、自适应模型、持续的错误分析和监控，才能在真实世界物流中保持准确性。

从原始数据到可靠的 ETA：端到端视图

要了解 ETA 预测是如何进行的，您需要从旅程本身开始。 首先，卡车从发点运往目的地，然后随着位置更新或里程碑完成等事件发生，该信息会传输到 project44 跟踪系统。 这些数据主要通过三种方式获取：

1. 卡车上安装的 ELD 设备持续发出 PING。
2. EDI/API 直接与承运商集成。
3. Drive View 移动应用程序，可共享司机手机的位置数据。

所有这些信号都将录入 project44 跟踪平台，然后传递给 ETA 服务，由数据科学模型生成预测。 ETA 服务每次收到新地更新时，都会使用多个专有模型重新计算预测，包括回归器、分类器、变换器和误差纠正框架，由 150 多个输入特征提供动力。

预测的预计到达时间 (ETA) 然后发回 project44 平台，显示在跟踪 UI 中，并通过 webhook 交付给客户，以实现实可视化。

project44 如何以不同的方式处理 ETA

过去一年，我们在 500 多家 FTL 货运商的大型租用计划中试验并部署了多种模式。 我们总共交付了超过10种生产就绪的模型，每种模型都旨在捕捉整车货运的不同变动因素。 其结果是一个分层的ETA引擎，能够适应现实世界的复杂性，并始终如一地提供更高的ETA预测准确性。

1. 集成模型

短途和长途运输方式有很大不同。 短途运输 (<200 公里) 通常在一天内完成，通常由一名司机驾驶，中断时间最少。 但长途运输 (>200 公里) 通常跨越多天，并且包含重要的强制性休息时间，难以预测和建模。 通过训练每种模式的专业模型，并将它们的预测合并到统一的输出中，我们捕捉到了两种旅行类型的独特行为，以提高预测准确性。

2. 分类器模型

虽然整体模型改善了 ETA 预测，但在可变性高的情况下仍举步维艰，例如不一致 dwell 行为或车道级别差异，因为它生成了单点估计。 为解决这一问题，我们设计了基于分类器的方法。 该模型不会预测一个确切的 ETA，而是以参考 ETA（例如历史运输时间中位数或预定时段的中点）为起点。 然后，我们计算残差（实际 ETA 和参考值之间的差异），并将这些残差归入范围。

分类器的工作是预测最终 ETA 将归入的类别（或类）。 识别桶后（例如 BKT2），预计到达时间 (ETA) 的计算公式为：

最终 ETA = 参考 ETA + 预测桶的中点

这种桶式方法使模型能够更好地捕捉变化性，并在部署时合理提高准确性。

3. 变压器模型

深度学习为 ETA 预测提供了明显的优势，尤其是大规模模拟复杂模式的能力。 Transformer 模型根据近一年的货运数据训练，非常自然地契合。 它们的关键优势在于注意力机制，使该模型能够专注于最相关的信号，例如交通高峰、停留热点或路线偏差，这些信号对 ETA 的准确性影响最大。

与独立处理特征的基于树的方法不同，Transformer 在上下文中动态权衡每个 ping 和事件的重要性。 这一功能显著提高了准确性，并使模型能够泛化到数千条车道。 由于这些收益，Transformer 现在成为我们未来 ETA 开发的基准架构。

4. 错误纠正模型

纯驾驶时间模型的局限性，例如停留、中断和设施延迟，可以通过学习残余误差来解决。 我们首先使用伪确定性 HERE Maps 基准，以估计理想条件下的纯驾驶时间。 然后，辅助机器学习模型预测因停留、承运人/承运商行为或中断事件引起的残余延误。 在 Transformer 模型上叠加误差校正，使准确率额外提高 8–10 个百分点。

我们取得的成就

过去一年，我们已为 500 多家 FTL 货运商部署了 10 余款生产就绪的模型。 成果：在 10 小时预测范围内（±2 小时窗口期）准确性提高了 28 个百分点。

对于货运商而言，这一改进意味着规划更可靠、意外情况更少、以及足够的交货时间来做出主动决策，无论是重新分配码头劳动力、调整库存，还是重新安排货运路线以避免中断。

关键客户的绩效

虽然全球 ETA 模型适用于许多货运商，但一些客户的运营模式独特，需要量身定制的方法。 以下几个示例展示了灵活建模如何实现实际影响：

高容量短途托运人（欧洲）：
该客户每天的卡车全运量非常高。 这些旅行主要由相同的司机沿用一致的路线，导致变动性较低。 我们观察到基于 HERE Maps 的残差分布非常紧密，并部署了变压器模型用于预测残差。 该解决方案显著提高了准确性，将准确性提高了 20-25 个百分点。

多站托运人（北美）：
这家客户的独特之处在于，他们的货运涉及多站运输，有时多达 14 个站点。 这种行为与我们的主要模型训练时的情景有很大不同。 我们试验了多种方法，最终开发出一个启发式模型来预测每个停留。 利用 HERE Maps 运输时间和基于启发式计划停留模型的综合预测，准确率提升了超过 35 个百分点。

长途隔夜承运人/承运商（北美）：
这家关键客户运营了非常长的隔夜旅行，并且在计划地点有较长的停留时间。 我们通过将具有相似长途旅行和多站模式的租户进行分组，开发了专用模型。 我们设计了与停留时间相关的功能，例如停留时间中位数和特定于车道的停留特性。 这种专业模型的总体准确率提高了 8 个百分点。

到目前为止，我们学到了什么？

展望未来

即使准确率提升了 +28pp，我们也不会止步于此。 旨在进一步推动 ETA 绩效的几项举措已启动：

• 租户感知后处理。 我们正在增加一个轻量级层次，将单一的全球模型调整为租用计划，为相似的货运商微调输出，而不是为每个货运商制定单独的模型。
• 租用计划配置器。 一个新模块将通过共享运营模式（车道、服务级别、停留行为）来聚类相似的租户，为上层的后处理层提供支持。
• 大规模分布式训练。 我们正在投资分布式训练框架，以实现跨节点学习的并行化，从而使模型能够在更大的历史语料库上进行训练，更快地收敛并更好地泛化。
• 更深入的可解释性。 我们正在扩展可解释性堆栈，以清晰显示预测或更改的原因（例如“由于长时间停留，ETA 调整后 +3 小时”），从而建立透明度和信任。

这些举措通过强大的机器学习运营纪律和情境解释补充了核心模型，进一步提高了 ETA 的准确性。

请继续关注，未来几周将对上述每个主题进行更深入的探讨。