美团把配送预测搬进固定潜空间:新出现的配送热点不必重训也能预测,线上MAPE降12.38%
核心概要
美团上线GLIDE,把规模效应热点(SEH,即一组可合并配送的物流流)的订单量预测改为在固定大小的潜空间里做归纳式学习:任意规模的物流子图先被压成固定数量的潜令牌,再在潜空间上做时序建模,因此训练时没见过的热点也能直接预测。在美团三个城市的数据上,GLIDE在12项指标中10项最优;线上工作日关键区间的MAPE比现役基线降低12.38%。事件扰动则靠离线大模型构建的知识库做乘性修正,冻结主干、不重训。
深度剖析
配送需求预测的对象从固定节点集合改为不断生灭的物流热点,模型因此能对训练阶段从未出现的热点直接给出预测。 此前的传导式图模型(如STGCN、DSTSGNN)把参数或表示绑定在固定节点身份上,必须为每个子图单独训练,无法泛化到新出现的SEH。 在美团三个城市、工作日与周末共12项MAE/RMSE指标中,GLIDE有10项最优;City A工作日RMSE为1.691,STGCN为1.899。
跨城市零样本迁移时,GLIDE的误差接近在目标城市全监督训练的版本。 以City A为源域直接用于City B工作日,GLIDE零样本MAE为1.048,通用时空基础模型UniFlow为1.221,City B自身全监督为1.055。 同一组迁移对照中,City A到City C工作日GLIDE零样本MAE为1.022,UniFlow为1.196。
线上部署后,工作日关键区间的MAPE相对现役工业基线下降12.38%,周末MAPE为0.444、基线为0.484。 现役基线是当前用于流量预测的集成模型,工作日关键区间MAPE为0.404。 同一张线上对照表中,工作日全区间MAE由2.354降到2.191,周末全区间RMSE由3.715升到3.770。
事件期的系统性偏差由冻结主干上的乘性修正来抵消,不需要在线调用大模型,也不需要重训。 把事件特征直接注入主干再重训,既可能破坏已学到的规律,也因新事件类型频繁出现而难以操作。 City A回测中,劳动节CRPS改善7.3%、清明5.0%、持续高温1.6%;七夕是唯一负例,为-0.7%。
启示与展望
演示范围是美团平台2025年7月1日至2026年7月1日的三个城市数据,以及美团生产调度系统上的线上A/B测试;预测目标是每个SEH在30分钟规划区间内的订单量。线上动态生成的子图通常少于300个节点,离线基准中的子图规模从1到5915个节点不等。
事件修正并非处处为正:七夕的CRPS变化为-0.7%,作者归因于知识库中该事件的影响向量高估了需求偏移。周末全区间RMSE由3.715升到3.770,改善主要体现在MAPE。六个需求分档的原始订单量阈值因商业保密未披露。
