Problema Enquadramento & Negócios Trade-offs

Na engenharia de machine learning de produção, enquadrar uma tarefa de previsão requer alinhar modelos estatísticos com os principais objetivos de negócios. Para o sistema de previsão de demanda de táxi de Nova York, abordamos um clássico desafio de alocação de recursos e otimização de roteamento espacial na mobilidade urbana.

1. O objetivo do negócio & o impacto operacional

O objetivo de alto nível é o utilização do motorista (reduzir o tempo de pesquisa de passageiros) e tempo de espera dos passageiros (latência de despacho). Ao prever a demanda de carona nas zonas da NYC Taxi and Limousine Commission (TLC), os despachantes da frota podem recomendar proativamente o posicionamento do motorista antes.

Trade-offs de custo-benefício em erros de previsão

Em um sistema de despacho do mundo real, os erros de previsão não são simétricos em seu impacto operacional:

  • Superestimando a demanda (falsos positivos / alta previsão):
    • Consequência Operacional: Os motoristas são encaminhados para zonas onde a demanda não se materializa, fazendo com que fiquem ociosos.
    • Penalidade Empresarial: Aumenta a frustração do motorista, desperdiça combustível / eletricidade, aumenta as milhas vazias do veículo percorridas (eVMT) e reduz os ganhos do motorista por hora, o que aciona diretamente o churn do motorista da plataforma.
  • Subestimando a demanda (negativos falsos / baixa previsão):
    • Consequência Operacional: Veículos insuficientes são posicionados em zonas ativas, deixando as solicitações de passageiros sem serem atendidas.
    • Penalidade Empresarial: Os passageiros experimentam altos tempos de espera, levando a cancelamentos de carona e rotatividade do cliente para plataformas concorrentes. Também causa picos localizados de "preços de alta" que podem afetar negativamente a percepção da marca.

Seleção Horizon Temporal

Prevemos a demanda em um Resolução temporal de 1 hora.

  • Por que não 5 minutos? Uma janela de 5 minutos é muito curta para os veículos se reposicionarem fisicamente entre zonas distantes de Nova York, levando a um alto atrito de roteamento e loops de feedback.
  • Por que não 1 dia? Uma previsão diária não consegue capturar rápidas transições matinais / noturnas de horas de ponta e mudanças climáticas em tempo real.
  • Conclusão: Um horizonte de 1 hora corresponde à latência de roteamento físico dos carros de passageiros em todos os bairros, mantendo-se altamente sensível às mudanças de demanda temporal.

2. Formulação da tarefa de aprendizado de máquina

Nós enquadramos isso como um tarefa de regressão supervisionada espaço-temporal:

  • Alvo: Preveja a contagem absoluta de embarques de táxi amarelos em uma zona TLC específica zz durante a hora de destino t+1t+1.
  • Características: Contagem horária histórica de embarques, características do calendário (ciclos diurnos, padrões semanais, indicadores de fim de semana e sazonalidade mensal).

Definição de Alvo Matemático

Dada uma ID da zona TLC z∈1,…,263z \in {1, \dots, 263} e uma janela de hora tt, a variável alvo yz,t+1y_{z, t+1} é definida como:

yz,t+1=PickupCount(z,t+1)y_{z, t+1} = \text{PickupCount}(z, t+1)

Ao mudar os registros históricos de transações para trás em uma hora, enquadramos isso como prevendo o passo futuro imediato t+1t+1 usando recursos conhecidos até o passo tt.

3. Objetivo do Projeto & Arquitetura de Pipeline

This project implements a production-grade, end-to-end MLOps pipeline to serve this model with strict validation. The workflow is split into a local developer setup (relying on DuckDB for analytics and SQLite for metadata store) and standard cloud adapters, showcasing the CD4ML (Continuous Delivery for Machine Learning) lifecycle including Feature Store serving, experiment tracking, and automated quality gates.

driftCollectPreprocessFeature engineeringTrainTuneEvaluateDeployMonitor