其他行业 · AI应用
机器学习用于食品配送时间预测
Swiggy（斯威吉）使用深度学习在用户下单前预测配送时间。这是一个复杂的机器学习问题，涉及实时数据、不确定性、多个预测目标以及智能神经网络架构。Swiggy 预测五个部分：O2A（订单到分配——分配配送员的时间）、FM（第一英里——配送员到达餐厅的时间）、WT（等待时间——配送员在餐厅等待的时间）、LM（最后一英里——从餐厅到客户的配送时间）和 O2R（订单到送达——从下单到食物送达的总时间）。Swiggy 使用了多输入多输出（MIMO）深度学习模型，该模型接受多种输入类型（数字、类别、历史数据、实时数据）并同时给出多个输出。模型使用实体嵌入处理高基数类别，如餐厅 ID、客户区域和城市。特征包括食物准备时间、可用配送员与订单数量之比、历史时间指标、实时交通速度、距离计算以及基于时间的移动平均等。
训练内存减少 50%
未披露
训练时间缩短至原来的 1/5
未披露
O2A 准确率提升 30%（有助于更快的配送员分配）
未披露
01
业务背景
Swiggy（斯威吉）使用深度学习在用户下单前预测配送时间。这是一个复杂的机器学习问题，涉及实时数据、不确定性、多个预测目标以及智能神经网络架构。Swiggy 预测五个部分：O2A（订单到分配——分配配送员的时间）、FM（第一英里——配送员到达餐厅的时间）、WT（等待时间——配送员在餐厅等待的时间）、LM（最后一英里——从餐厅到客户的配送时间）和 O2R（订单到送达——从下单到食物送达的总时间）。Swiggy 使用了多输入多输出（MIMO）深度学习模型，该模型接受多种输入类型（数字、类别、历史数据、实时数据）并同时给出多个输出。模型使用实体嵌入处理高基数类别，如餐厅 ID、客户区域和城市。特征包括食物准备时间、可用配送员与订单数量之比、历史时间指标、实时交通速度、距离计算以及基于时间的移动平均等。
02
遇到的问题
03
AI 解决方案
04
实施结果
训练内存减少 50%：
训练时间缩短至原来的 1/5：
O2A 准确率提升 30%（有助于更快的配送员分配）：
整体配送预测（O2R）准确率提升 5%：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。