Разработка AI-системы прогнозирования времени доставки ETA

У вас 200 курьеров — каждый делает 15–25 доставок в день. Треть клиентов перезванивает в колл-центр: «Где мой заказ?». Стандартное ETA «до 18:00» даёт разброс ±2–3 часа. Когда водитель опаздывает на час, клиент нервничает. А если заказ — продукты на ужин? Результат — отмена, снижение NPS, потери. Мы строим ML-системы, предсказывающие время прибытия с точностью 15–30 минут, используя LightGBM, LSTM и real-time данные. Накопленный опыт — 20+ проектов для логистических операторов. Гарантируем стабильную работу модели в продакшене и поддержку после внедрения.

Мы уже реализовали такие проекты для 20+ логистических операторов в России и СНГ, накопив более 5 лет опыта в ML для логистики. По данным Uber Movement, LightGBM превосходит линейную регрессию в 2–3 раза по точности на исторических данных. Снижение нагрузки на колл-центр на 30–40% экономит до 3 млн рублей в год. Свяжитесь с нами — мы проведём аудит ваших данных за 2 дня.

Почему традиционные методы ETA не работают?

Линейная регрессия по средней скорости и расстоянию не учитывает:

• Пробки: в часы пик скорость падает в 2–3 раза.
• Погоду: дождь или снег добавляют 15–40% времени.
• Операционные задержки: очередь на погрузку, время на остановках.
• Исторические паттерны: маршруты с регулярными задержками в определённые дни.

Традиционные методы дают MAPE 25–40%. ML-модель снижает MAPE до 10–15%, что экономит до 20% логистических затрат. Для оператора с парком 200 машин экономия от снижения неудачных доставок может достигать 5–7 млн рублей в год.

Как AI повышает точность ETA?

Feature engineering — ключ. Мы собираем признаки из нескольких источников:

Маршрутные данные:

• Дистанция маршрута (Google Maps / HERE / OpenStreetMap OSRM)
• Исторические скорости по дорогам в разное время суток
• Геофенсинг точки отгрузки и получателя

Операционные данные:

• Время обработки на складе (pick-pack-ship)
• Текущая очередь на погрузку/разгрузку
• Количество остановок на маршруте до целевой точки

Внешние факторы:

• Погода: дождь/снег/туман увеличивают время на 15–40%
• Дорожные события: ДТП, ремонты, перекрытия (TomTom TrafficStats, HERE Traffic API)
• Временные паттерны: утренний пик 08–10, вечерний 17–19

Архитектура модели

Задача: регрессия — предсказать время от отгрузки до доставки в минутах.

Feature matrix:

features = {
    # Маршрут
    'distance_km': route_distance,
    'n_stops': stops_remaining,
    'route_complexity': turns_per_km,

    # Время
    'hour_of_day': departure_hour,
    'day_of_week': departure_dow,
    'is_holiday': holiday_flag,
    'month': departure_month,

    # Трафик
    'historical_avg_speed': avg_speed_for_route_time,
    'current_traffic_index': live_traffic_score,  # 1.0 = нормально, 2.0 = пробки
    'weather_delay_factor': weather_impact_estimate,

    # Операционные
    'shipment_weight_kg': weight,
    'vehicle_type': truck_van_bike,
    'driver_experience_days': driver_tenure,

    # Исторические для этого маршрута
    'route_historical_eta': past_mean_eta_for_route,
    'route_eta_std': past_std_eta_for_route
}

Модели:

• LightGBM Regressor: основная модель для табличных данных.
• Quantile Regression (p10/p50/p90): для ETA с доверительным интервалом.
• LSTM: если последовательность промежуточных GPS-точек доступна.

Сравнение моделей для ETA

Real-time обновление ETA

Статический прогноз при отгрузке — недостаточно. ETA должен обновляться динамически:

Триггеры обновления:

• GPS трекинг курьера каждые 30 секунд.
• Обнаружена пробка на маршруте (traffic API polling каждые 5 мин).
• Задержка на предыдущей точке доставки.
• Погодное событие.

Online learning vs. static model: В production: статическая модель переобучается ежедневно на новых данных. Real-time поправки через кинематическую модель движения (скорость + дистанция → updated ETA) без перезапуска ML-модели.

def update_eta_realtime(current_position, destination, remaining_stops, base_eta, traffic_api):
    remaining_distance = calculate_distance(current_position, destination, via=remaining_stops)
    current_speed = traffic_api.get_current_speed(current_position, destination)
    historical_speed = get_historical_speed(current_position, destination, datetime.now())
    traffic_factor = historical_speed / current_speed
    remaining_time = (remaining_distance / historical_speed) * traffic_factor * 60
    return remaining_time

Сравнение подходов: Last Mile vs. Long Haul

Уведомления клиентов

ETA бесполезен без интеграции с коммуникационным слоем:

Workflow уведомлений:

1. После отгрузки: "Ваш заказ в пути, ожидаемое время: 14:30–15:00".
2. За 60 минут до: "Курьер прибудет через ~55 минут".
3. За 15 минут до: "Курьер уже близко, прибудет через ~12 минут".
4. При задержке > 20% от ETA: автоматическое уведомление с новым временем и причиной.

Каналы: SMS (Twilio/SMS.ru), Push-уведомления, Email, WhatsApp Business API.

Метрики системы:

• ETA Accuracy: % заказов доставленных в ±15 мин от ETA.
• ETA MAPE: средняя ошибка прогноза в процентах.
• Proactive notification rate: % задержек, о которых клиент уведомлён до наступления.
• CSAT correlation: корреляция точности ETA с оценкой доставки.

Что входит в разработку системы ETA

• Аудит данных: оценка качества и полноты исторических данных, настройка пайплайнов.
• Feature engineering: разработка набора признаков под вашу специфику (тип груза, регион, сезонность).
• Моделирование: LightGBM / LSTM / Quantile Regression, валидация на кросс-валидации.
• Real-time обновление: интеграция с GPS-трекером и traffic API.
• Уведомления: настройка триггеров и каналов (SMS, Push, Email).
• Дашборд метрик: панель для мониторинга точности и проактивности.
• Поддержка: документация, обучение вашей команды, гарантия 3 месяца.

Сроки: базовая ETA модель со статическим прогнозом — 3–4 недели. Real-time обновление + клиентские уведомления + метрики — 10–12 недель.

Закажите разработку системы ETA — мы оценим ваш проект за 2 дня. Получите консультацию нашего AI-инженера. Свяжитесь с нами, чтобы обсудить детали.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.