4. 特征工程（上）

在ETA预测模型中，原始数据（订单时间、起终点坐标、路径长度）无法直接用于机器学习算法。特征工程是将原始数据转化为模型可理解、可学习的数值化特征的过程。本章聚焦于三大核心特征体系：时间特征、距离特征与路况特征，并提供可直接复用的Python代码实现。

4.1 时间特征提取：从时间戳到周期性编码

原始时间戳（如 2025-03-15 08:30:00）对模型是离散字符串。我们需要将其分解为具有物理意义和周期性的数值特征。

4.1.1 基础时间切片

4.1.2 周期性时间编码（Sin/Cos变换）

小时、星期、月份等特征具有周期性。例如，23点与0点虽然数值相差23，但在时间意义上仅相隔1小时。直接使用原始数值会误导模型认为它们差异巨大。解决方案是使用正弦/余弦变换将时间映射到单位圆上。

import pandas as pd
import numpy as np

def add_cyclical_time_features(df, time_col='pickup_time'):
    """
    对时间列添加周期性编码特征。
    参数:
        df: 包含时间戳的DataFrame
        time_col: 时间戳列名
    返回:
        添加了sin/cos特征的DataFrame
    """
    df[time_col] = pd.to_datetime(df[time_col])
    
    # 提取小时并编码
    df['hour'] = df[time_col].dt.hour
    df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
    df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)
    
    # 提取星期并编码
    df['day_of_week'] = df[time_col].dt.dayofweek
    df['dow_sin'] = np.sin(2 * np.pi * df['day_of_week'] / 7)
    df['dow_cos'] = np.cos(2 * np.pi * df['day_of_week'] / 7)
    
    # 提取月份并编码
    df['month'] = df[time_col].dt.month
    df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
    df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)
    
    return df

# 使用示例
df = pd.DataFrame({'pickup_time': ['2025-03-15 08:30:00', '2025-03-15 23:45:00']})
df = add_cyclical_time_features(df)
print(df[['hour', 'hour_sin', 'hour_cos']].head())

4.2 距离特征提取：从经纬度到路网距离

ETA预测中最核心的距离特征包括：直线距离（Haversine）、路网距离（OSRM/Dijkstra）以及距离衍生特征。

4.2.1 Haversine直线距离

作为基准特征，Haversine公式计算地球表面两点间的最短弧线距离。虽然实际行驶路径更长，但它是路网距离的强相关代理，且计算成本极低。

import numpy as np

def haversine_distance(lat1, lon1, lat2, lon2):
    """
    计算两点间的Haversine距离（单位：公里）。
    """
    R = 6371  # 地球平均半径（公里）
    dlat = np.radians(lat2 - lat1)
    dlon = np.radians(lon2 - lon1)
    a = np.sin(dlat/2)**2 + np.cos(np.radians(lat1)) * np.cos(np.radians(lat2)) * np.sin(dlon/2)**2
    c = 2 * np.arctan2(np.sqrt(a), np.sqrt(1-a))
    return R * c

# 批量计算示例
df['straight_distance_km'] = haversine_distance(
    df['pickup_lat'], df['pickup_lng'],
    df['dropoff_lat'], df['dropoff_lng']
)

4.2.2 路网距离与距离比

通过地图API（如OSRM、Google Maps）获取实际行驶距离。由于API调用有成本与延迟，通常在生产环境中使用预计算缓存或离线路网数据。

4.3 路况特征提取：从静态到动态

路况是影响ETA精度的最大变量。路况特征可分为静态路况（道路等级、限速）与动态路况（实时拥堵指数、历史平均速度）。

4.3.1 静态路况特征

• 道路等级：将路径按高速公路、主干道、次干道、支路分类，统计各等级道路占比。
• 红绿灯密度：路径上每公里红绿灯数量，影响停车等待时间。
• 限速特征：路径平均限速、最低限速段长度。

4.3.2 动态路况特征

def extract_traffic_features(row, historical_speed_lookup):
    """
    提取路况特征。
    参数:
        row: 单行数据，包含路径分段信息
        historical_speed_lookup: 历史速度查找表 {(road_id, hour, day_of_week): avg_speed}
    返回:
        路况特征字典
    """
    features = {}
    road_id = row['road_id']
    hour = row['hour']
    dow = row['day_of_week']
    
    # 历史平均速度
    key = (road_id, hour, dow)
    if key in historical_speed_lookup:
        features['historical_avg_speed'] = historical_speed_lookup[key]
    else:
        features['historical_avg_speed'] = 40.0  # 默认值（km/h）
    
    # 实时拥堵指数（假设已从API获取）
    features['congestion_index'] = row.get('realtime_congestion', 1.0)
    
    # 速度折扣因子
    features['speed_factor'] = features['historical_avg_speed'] / features['congestion_index']
    
    return features

4.4 特征组合与工程落地要点

4.4.1 特征工程流水线代码框架

def build_eta_feature_pipeline(df):
    """
    完整的ETA特征工程流水线。
    输入: 原始DataFrame（包含时间戳、经纬度、路径信息）
    输出: 特征工程后的DataFrame
    """
    # 1. 时间特征
    df = add_cyclical_time_features(df)
    df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)
    df['is_peak_hour'] = ((df['hour'] >= 7) & (df['hour'] <= 9) | 
                          (df['hour'] >= 17) & (df['hour'] <= 19)).astype(int)
    
    # 2. 距离特征
    df['straight_distance_km'] = haversine_distance(
        df['pickup_lat'], df['pickup_lng'],
        df['dropoff_lat'], df['dropoff_lng']
    )
    # 假设road_distance已通过API获取
    df['distance_ratio'] = df['road_distance'] / (df['straight_distance_km'] + 0.1)
    df['log_distance'] = np.log1p(df['road_distance'])
    
    # 3. 路况特征（简化示例）
    df['congestion_level'] = pd.cut(df['realtime_congestion'], 
                                     bins=[0, 1.5, 2.5, 10], 
                                     labels=[0, 1, 2])  # 0:畅通, 1:缓行, 2:拥堵
    
    # 4. 组合特征
    df['peak_long_distance'] = ((df['is_peak_hour'] == 1) & 
                                (df['straight_distance_km'] > 10)).astype(int)
    df['congestion_time_interaction'] = df['congestion_level'] * df['hour_sin']
    
    return df

4.4.2 特征重要性快速验证

在进入模型训练前，建议使用LightGBM或随机森林进行快速特征重要性排序，剔除无效特征。以下为典型特征重要性分布（基于历史项目经验）：