Розробка AI-системи прогнозування часу доставки ETA

У вас 200 кур'єрів — кожен робить 15–25 доставок на день. Третина клієнтів передзвонює в кол-центр: «Де моє замовлення?». Стандартне ETA «до 18:00» дає розкид ±2–3 години. Коли водій запізнюється на годину, клієнт нервує. А якщо замовлення — продукти на вечерю? Результат — скасування, зниження NPS, втрати. Ми будуємо ML-системи, що передбачають час прибуття з точністю 15–30 хвилин, використовуючи LightGBM, LSTM та real-time дані. Накопичений досвід — 20+ проєктів для логістичних операторів. Гарантуємо стабільну роботу моделі в продакшені та підтримку після впровадження.

Ми вже реалізували такі проєкти для 20+ логістичних операторів в Росії та СНД, накопичивши понад 5 років досвіду в ML для логістики. За даними Uber Movement, LightGBM перевершує лінійну регресію в 2–3 рази за точністю на історичних даних. Зниження навантаження на кол-центр на 30–40% економить до 3 млн рублів на рік. Зв'яжіться з нами — ми проведемо аудит ваших даних за 2 дні.

Чому традиційні методи ETA не працюють?

Лінійна регресія за середньою швидкістю та відстанню не враховує:

• Пробки: в години пік швидкість падає в 2–3 рази.
• Погоду: дощ або сніг додають 15–40% часу.
• Операційні затримки: черга на завантаження, час на зупинках.
• Історичні патерни: маршрути з регулярними затримками в певні дні.

Традиційні методи дають MAPE 25–40%. ML-модель знижує MAPE до 10–15%, що економить до 20% логістичних витрат. Для оператора з парком 200 машин економія від зниження невдалих доставок може досягати 5–7 млн рублів на рік.

Як AI підвищує точність ETA?

Feature engineering — ключ. Ми збираємо ознаки з кількох джерел:

Маршрутні дані:

• Дистанція маршруту (Google Maps / HERE / OpenStreetMap OSRM)
• Історичні швидкості по дорогах в різний час доби
• Геофенсинг точки відвантаження та отримувача

Операційні дані:

• Час обробки на складі (pick-pack-ship)
• Поточна черга на завантаження/розвантаження
• Кількість зупинок на маршруті до цільової точки

Зовнішні фактори:

• Погода: дощ/сніг/туман збільшують час на 15–40%
• Дорожні події: ДТП, ремонти, перекриття (TomTom TrafficStats, HERE Traffic API)
• Часові патерни: ранковий пік 08–10, вечірній 17–19

Архітектура моделі

Задача: регресія — передбачити час від відвантаження до доставки в хвилинах.

Feature matrix:

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

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

    # Трафік
    '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,

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

    # Історичні для цього маршруту
    'route_historical_eta': past_mean_eta_for_route,
    'route_eta_std': past_std_eta_for_route
}

Моделі:

• LightGBM Regressor: основна модель для табличних даних.
• Quantile Regression (p10/p50/p90): для ETA з довірчим інтервалом.
• LSTM: якщо доступна послідовність проміжних GPS-точок.

Порівняння моделей для ETA

Real-time оновлення ETA

Статичний прогноз при відвантаженні — недостатньо. ETA має оновлюватися динамічно:

Тригери оновлення:

• GPS трекінг кур'єра кожні 30 секунд.
• Виявлено пробку на маршруті (traffic API polling кожні 5 хв).
• Затримка на попередній точці доставки.
• Погодна подія.

Online learning vs. static model: У production: статична модель перенавчається щоденно на нових даних. Real-time поправки через кінематичну модель руху (швидкість + дистанція → updated ETA) без перезапуску ML-моделі.

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

Порівняння підходів: Last Mile vs. Long Haul

Сповіщення клієнтів

ETA без інтеграції з комунікаційним шаром марний:

Workflow сповіщень:

1. Після відвантаження: "Ваше замовлення в дорозі, очікуваний час: 14:30–15:00".
2. За 60 хвилин до: "Кур'єр прибуде через ~55 хвилин".
3. За 15 хвилин до: "Кур'єр вже близько, прибуде через ~12 хвилин".
4. При затримці > 20% від ETA: автоматичне сповіщення з новим часом та причиною.

Канали: SMS (Twilio/SMS.ru), Push-сповіщення, Email, WhatsApp Business API.

Метрики системи:

• ETA Accuracy: % замовлень доставлених у ±15 хв від ETA.
• ETA MAPE: середня помилка прогнозу у відсотках.
• Proactive notification rate: % затримок, про які клієнт повідомлений до настання.
• CSAT correlation: кореляція точності ETA з оцінкою доставки.

Що входить в розробку системи ETA

• Аудит даних: оцінка якості та повноти історичних даних, налаштування пайплайнів.
• Feature engineering: розробка набору ознак під вашу специфіку (тип вантажу, регіон, сезонність).
• Моделювання: LightGBM / LSTM / Quantile Regression, валідація на крос-валідації.
• Real-time оновлення: інтеграція з GPS-трекером та traffic API.
• Сповіщення: налаштування тригерів та каналів (SMS, Push, Email).
• Дашборд метрик: панель для моніторингу точності та проактивності.
• Підтримка: документація, навчання вашої команди, гарантія 3 місяці.

Терміни: базова ETA модель зі статичним прогнозом — 3–4 тижні. Real-time оновлення + клієнтські сповіщення + метрики — 10–12 тижнів.

Замовте розробку системи ETA — ми оцінимо ваш проєкт за 2 дні. Отримайте консультацію нашого AI-інженера. Зв'яжіться з нами, щоб обговорити деталі.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.