Uberは6月15日(米国時間)、「How Trip Inferences and Machine Learning Optimize Delivery Times on Uber Eats|Uber Engineering Blog」において、Uber Eatsにおいて駐車時間、待ち時間、移動時間などを含む配達にかかるトータルの時間を削減するためにどのようなモデルを構築したか、どのように機械学習を活用してデータを分析したのかを説明した。

  • ノイズの多い入力観測において変更点を発見するシーケンスモデル - 資料: Uber提供

    ノイズの多い入力観測において変更点を発見するシーケンスモデル - 資料: Uber

  • Androidアクティビティ認知APIで定義されている8つのアクティビティ型 - 資料: Uber提供

    Androidアクティビティ認知APIで定義されている8つのアクティビティ型 - 資料: Uber

  • センサーデータパイプライン - 資料: Uber提供

    センサーデータパイプライン - 資料: Uber

  • 待機状態、歩行状態、駐車場対の平均時間例 - 資料: Uber提供

    待機状態、歩行状態、駐車場対の平均時間例 - 資料: Uber

Uber Eatsでは、まずレストランが注文を受けてから料理が完成するまでの時間、配送車の移動手段(歩く、走る、自動車など)、駐車場が必要な場合はレストランから駐車場までの距離、こうした条件を加味した上で、どの配送者に配達を依頼するのがベストなのかを判断する必要がある。

これまではGPSによる位置情報をこうした推測の根拠としてきたが、都市部においてGPSデータだけでは判断できる内容に限界があるとし、位置データにさらにスマートフォンが提供しているアクティビティデータを追加。機械学習モデルを通して増えたデータを整理し、ルート推測に活用したと説明している。

Uberは今後の課題として、リアルタイムで処理を行い最適なルートの提案に結び付けていきたいとしている。