摘要
末端配送的预计到达时间（ETA）模型通常在单一数据源内进行评估，这导致其跨数据集分布偏移下的可靠性特征尚未得到充分刻画。本研究以五个LaDe-D城市作为源域，以两个国家的一个独立计划路线与实际路线数据集作为目标域，评估了内部泛化性、独立外部迁移能力、有限目标域监督下的表现、支持集敏感性以及不确定性校准。研究使用统一的21特征Common-Core表示，对CatBoost、LightGBM、XGBoost以及一个不确定性感知神经网络参考模型（DG-UCETA）进行了评估。尽管内部误差显著较低，外部零样本平均绝对误差（MAE）仍达到150.76至185.47分钟。预定义的1%目标支持条件将MAE降至57.60至64.87分钟，但五种独立支持集选择揭示了在这种超低数据量体制下存在显著的不稳定性；当支持集比例提升至5–10%时，性能显著趋于稳定。一项匹配的目标域对照实验进一步表明，源域预训练仅在16个模型-支持集组合中的4个改善了MAE，说明观察到的性能恢复大部分来源于接触目标域标注数据本身，而非源域初始化。分组特征消融实验还定位了Common-Extended的负迁移效应主要集中于速度派生变量，速度历史特征使外部MAE相对于Common-Core增加了28.02分钟。保形校准虽改善了覆盖率，但未能纠正系统性点预测偏差。这些发现表明，可靠的目标域部署比单纯依赖架构复杂度更关键的因素在于目标域代表性监督、特征兼容性和适应性稳定性。
