Pravallikak28/kitchen-prep-time-ml

Zomato 厨房备餐时间 (KPT) 预测 📌 问题 Zomato 等外卖平台深受厨房备餐时间 (KPT) 不准确之苦，导致： 骑手等待时间 配送延误 糟糕的客户体验 💡 解决方案 设计了一个三层信号改进系统： 信号清洗 (基于 GPS 的标签修正) 隐藏信号提取 (订单模式、延误) 外部数据增强 (Google Maps、天气、活动) ⚙️ 核心功能 厨房压力指数 (实时负载检测) 骑手众包高峰检测 作为 Ground Truth 的 GPS 停留时间 硬件构想 (IoT 传感器、CCTV 检测) 📊 结果 (仿真) 标签质量提升 50.4% P50 ETA 误差降低 36.9% P90 ETA 误差降低 47.2% 每日节省 7,097 小时骑手时间 🧠 涉及的技术概念 Machine Learning (预测模型) 特征工程 System Design (可扩展架构) 数据仿真 📂 文件 包含完整的提案文档 🚀 未来工作 实现 ML 模型 (LightGBM) 构建实时 API 集成实时数据源 该项目是作为 Zomathon 风格的解题挑战的一部分而创建的。

标签：Apex, API设计, ETA预测, GPS数据分析, LightGBM, Zomato, 代码示例, 众包数据, 信号处理, 厨房压力指数, 可扩展架构, 备餐时间预测, 外部数据集成, 大数据, 实时系统, 数据分析, 数据模拟, 数据清洗, 时间序列分析, 智能系统, 机器学习, 物流优化, 物联网传感器, 特征工程, 用户体验优化, 目录扫描, 系统设计, 计算机视觉, 负载检测, 逆向工具, 预测模型, 食品配送