21、有轨电车延误预测模型：部署、优化与拓展

有轨电车延误预测模型：部署、优化与拓展

1. 模型部署与维护

1.1 模型再训练频率考量

在一个良好的开发环境中，从下载最新原始数据到部署更新后的模型，整个端到端的过程不到一小时。鉴于此低成本，可以每月对模型进行再训练，但这是否有必要呢？之前的数据探索显示，有轨电车延误存在一些长期趋势，如延误时间变短但频率增加，且各月之间没有巨大波动。因此，每季度刷新一次模型或许就足够了。不过，为确保准确性，需要通过将预测结果与新月份的实际延误数据进行比较来监控模型。

1.2 模型训练实验

可以尝试仅使用近期数据来训练模型，例如采用三年滚动窗口的训练数据，而非使用自 2014 年 1 月以来的整个数据集。

1.3 用户反馈收集

为用户提供直接反馈终端应用体验的方式也很重要。部分用户的直接反馈能够揭示监控过程中被忽略的模型问题。

1.4 模型部署方式

• 简单 Web 部署 ：可以使用 Python 的 Flask 网络框架库和一组 HTML 页面实现模型的最小化部署。用户在网页中输入有轨电车行程的详细信息，即可获得行程是否会延误的预测结果。背后的原理是，训练好的深度学习模型根据行程细节生成预测，并将其准备好显示在网页上。
• Facebook Messenger 部署 ：若想提供更流畅的用户体验，可以结合 Rasa 聊天机器人框架和 Facebook Messenger 来部署训练好的深度学习模型。部署完成后，用户可以在 Facebook Messenger 中向聊天机器人发送