DeepETA: Uber dự đoán thời gian đến bằng deep learning như thế nào

• Uber sử dụng ETA để tính giá cước, dự đoán thời gian đón, ghép cặp giữa rider và driver, lập kế hoạch thời gian giao hàng, v.v.
• Các engine ETA truyền thống chia mạng lưới đường sá thành các đơn vị nhỏ và tính toán bằng cách gán trọng số trên đồ thị
  → Tìm tuyến đường tối ưu bằng thuật toán đường đi ngắn nhất rồi cộng thêm các trọng số
• Nhưng "bản đồ không phải là thực địa". Đồ thị đường sá chỉ đơn thuần là một mô hình và không thể phản ánh tình huống thực tế
• Ngoài ra cũng không biết rider/driver sẽ chọn tuyến đường nào
• Bằng cách kết hợp dữ liệu lịch sử và tín hiệu thực tế lên trên các suy đoán dựa trên đồ thị đường sá để huấn luyện mô hình machine learning, họ tìm ra ETA tốt hơn
• Trong nhiều năm, Uber đã sử dụng "Gradient-boosted decision tree ensembles" để cải thiện dự đoán ETA
  → Nhưng giờ đây đã chạm tới giới hạn không thể mở rộng thêm bằng Apache Spark + XGBoost
• Vì vậy họ chuyển sang deep learning để giải quyết ba vấn đề chính
  • Latency : tính toán ETA trong vài mili giây
  • Accuracy : cải thiện MAE (Mean Absolute Error, sai số tuyệt đối trung bình) so với mô hình XGBoost
  • Generality : cung cấp dự đoán ETA trên toàn cầu cho mọi mảng kinh doanh của Uber
• Đã thử nghiệm 7 kiến trúc mạng nơ-ron
  → Cuối cùng, kiến trúc Encoder-Decoder sử dụng Self-Attention (Transformer) là chính xác nhất
  → Tuy độ chính xác cao nhưng tốc độ quá chậm, nên họ chọn Linear Transformer với khả năng cải thiện tốc độ tính toán