打开打车软件，系统告诉你"司机还有3分钟到达"。
这个数字听起来很简单，背后其实是一套很复杂的预测系统。
作为一篇技术科普文章，今天来拆解一下出行APP里的ETA（Estimated Time of Arrival）究竟是怎么算出来的，以及为什么自研这个功能会这么难。
一、最简单的ETA：距离除以速度
最初级的ETA算法是这样的：
ETA = 剩余距离 / 平均速度比如司机距离乘客还有2公里，假设平均车速30km/h，那ETA就是4分钟。
这个方法简单，但在实际使用中误差极大，原因有几个：
- 平均速度不准确：早高峰和深夜的速度完全不同，甚至同一条路不同路段速度差异巨大
- 路况不考虑：遇到红绿灯、拥堵、事故，实际用时可能翻倍
- 路线不是直线：地图上2公里的直线距离，实际开车可能要绕3.5公里
二、进阶版ETA：结合路网和实时路况
更好的ETA算法需要两个关键数据源：
1. 路网数据 把城市道路抽象成图（Graph），每条路段有长度、限速、通行能力等属性。ETA计算本质上是在这张图上做最短路径搜索，同时考虑每段路的实际行驶时间。
2. 实时路况 路网上的每条道路，在不同时间段的实际车速是不同的。好的地图平台会聚合大量车辆探针数据，实时更新路段速度，让ETA计算能反映当前实际状况。
三、更难的问题：司机的行为预测
即使有了好的路网数据和路况数据，ETA还有一个难题：预测司机会怎么开。
同样的起终点，不同司机可能走完全不同的路线，而且司机路线并不一定是算法推荐的最优路线。
所以高质量的ETA系统，还需要：
- 历史轨迹学习：分析该区域司机的历史行驶习惯，预测最可能走的路线
- 动态更新：随着司机实际行驶，不断修正剩余ETA
- 停留检测：识别司机停在等红灯还是接乘客，避免ETA计算错误
四、为什么自研ETA这么难？
ETA系统的质量，高度依赖数据量。
你需要：
- 足够多的历史轨迹数据，才能建好路段速度模型
- 足够多的实时探针，才能反映当前路况
- 足够多的订单数据，才能学到不同区域的行为规律
对于一个从零开始的出行平台来说，这些数据在早期根本积累不了。
这也是为什么滴图这类从滴滴业务中抽离出来的地图服务，在ETA精度上有天然优势------背后跑过数十亿次真实订单的数据训练。
结语
如果你正在开发出行类APP，不建议自研ETA，接入专业的地图服务是更务实的选择。
滴图开放平台：pc-login
邀请码：symkv4，几分钟拿到Key，直接调用经过亿级订单验证的ETA接口。