App 說司機 5 分鐘到，你通常會現在下樓，還是再滑一下手機？

多數人會再滑一下。結果有時司機兩分鐘就到，在門口打電話催你，你一邊穿鞋一邊衝下樓；有時你乖乖站在路邊，地圖上那台小車卻在對街繞了十分鐘，你只能在風裡看著它原地轉圈。

那個捉摸不定的「5 分鐘」到底是怎麼來的？

地圖不等於馬路

Uber 算車資、估上車時間、配對司機、規劃外送，都要用到抵達時間預測（ETA，Estimated Time of Arrival），也就是 App 上「還要多久才到」的那個數字。

傳統做法是交給路線引擎（Routing Engine），也就是導航背後負責算路的程式。它把路網切成很多小段，每段估一個通過時間，找出最好的路線，再全部加起來。就像你估通勤：走到捷運站 5 分鐘、搭車 20 分鐘、出站再走 3 分鐘，加起來 28 分鐘。

但 Uber 工程團隊 2022 年在官方部落格說：地圖只是模型，抓不到路上真實的狀況；而且也不知道司機和乘客實際會走哪條路。你的 28 分鐘也一樣，沒算到那條路塞到兩個紅綠燈也過不去。

所以 Uber 在這個加總之上又疊了一層，用機器學習（Machine Learning）預測「地圖算的時間」和「實際花的時間」差多少。機器學習的意思是，規則不是人（工程師）定出來的，而是讓電腦看大量例子，自己找出規律。這層模型叫 DeepETA，已經上線，用在全球四輪車的 ETA。

從過去，猜下一次

這裡的概念是預測模型（Predictive Model）：用大量歷史資料，學會從已知條件猜出一個數字。拆開來看，有三個步驟。

第一步，決定要看哪些線索。DeepETA 收到的是：起點、終點、叫車的時間、即時路況，還有這趟是送外送還是接乘客。這些線索在機器學習裡叫特徵（Feature）。

第二步，從過去學。模型看過大量已經跑完的行程，每一趟都知道地圖當初估多少、實際花了多少。看多了，它就能學到類似「平日傍晚從這一區出發，地圖通常少估兩分鐘」的規律。這個學的過程叫訓練（Training）。

第三步，猜這一次。你按下叫車，模型拿你這趟的線索，套用學到的規律，把差距補回地圖算的時間，給出最後的 ETA。

這一步要很快。Uber 說，DeepETA 是公司裡被呼叫最頻繁的模型，每次最多只能花幾毫秒。人眨一次眼大約要一兩百毫秒，大概是你眨一次眼，它已經完成了十次計算。路況會變，模型也會定期重新訓練，用新跑完的行程再學一次。

猜得準不準，怎麼算？

猜完要打分數。Uber 看的是平均絕對誤差（MAE，Mean Absolute Error）：每一趟預測差了幾分鐘，不管早到或晚到都當成正數，再平均。

舉個例子：三趟行程，第一趟比預測早到 2 分鐘，第二趟晚到 1 分鐘，第三趟晚到 3 分鐘。不分早晚，差距是 2、1、3，平均就是 2 分鐘。為什麼要不分早晚？如果早到算負、晚到算正，「早 3 分」和「晚 3 分」一加就變成 0，看起來完美，其實兩趟都不準。（沒看懂的話，再看一次 xD）

注意，這是「平均」。平均差 2 分鐘，你今天這一趟還是可能差 6 分鐘。（例如 0、6、0）

寧可說晚，還是說早？

既然一定有誤差，就得決定要錯在哪一邊。訓練模型時，要先給它一套扣分規則，告訴它猜錯多少要扣幾分，這叫損失函數（Loss Function）；模型學習的目標，就是讓扣分越少越好。

Uber 的部落格提到，DeepETA 用的扣分規則可以調整「估太短」和「估太長」各罰多重，因為有些情況下，晚到一分鐘比早到一分鐘更糟。算車資要的，則是不被少數極端行程拉走的平均估計：一趟碰上車禍、多塞了四十分鐘的行程，不該把同一條路的估計整個拉長。

往「說久一點」調，你比較少在路邊乾等；調過頭，App 寫 12 分鐘、車子 5 分鐘就到，換司機在樓下等你，或你乾脆不叫了。哪一種錯比較能忍，要顧司機還是乘客，我覺得對 Uber 來說，兩邊都不能惹。

所以，剩五分鐘要不要先下樓？

App 上的 5 分鐘，是路線引擎先加總一次，預測模型再拿無數趟跑完的行程修一次，比單看地圖準得多。它做不到的，是預先知道只有這一趟才會發生的事：司機在下一個路口轉錯、你住的社區要繞到後門才進得來。這些沒出現在線索裡的事，模型就猜不到。

所以那個數字不是承諾，是一個「通常差不多這樣」的最佳猜測，背後還有人替它決定好，寧可錯在哪一邊。下次看到「5 分鐘到」，把它讀成「大概 5 分鐘，前後可能差個幾分鐘」；真的趕時間，就先把鞋穿好，到路邊邊滑邊等吧。

延伸討論

你的工作裡，有哪一個數字你最希望能事先被準確預測出來？

來源（查證日 2026/11/08）：

• DeepETA: How Uber Predicts Arrival Times Using Deep Learning（Uber Blog）（在新分頁開啟）・2022/02/10
• DeeprETA: An ETA Post-processing System at Scale（arXiv）（在新分頁開啟）・2022/06/05
• 線性迴歸：損失（Google 機器學習速成課程）（在新分頁開啟）

文／上哲（ChatGPT 協力）