滴滴人工智能调度系统简单学习

腾讯大数据峰会暨 KDD China 技术峰会中，滴滴研究院副院长、密歇根大学终身教授叶杰平博士现场演讲学习。详细见：http://weibo.com/ttarticle/p/show?id=2309351000224058145168203763 下面是自己理解了的部分，如果文章中有错误，please have no hesitate to tell me， 感谢！

---

2015年滴滴成立了机器学习研究院，之后改名为滴滴研究院http://research.xiaojukeji.com/index.html。

1. 滴滴出行APP首页：

（1） 预测目的地 星*

首先精确定位用户的位置，下方列出用户所要去的目的地【猜您要去】。

用户的出行在时间上和空间上大多遵循某种特定的模式，例如：八点从家到公司，18点从公司到家等。利用用户的出行数据从时间和地点中预测用户去的目的地。

（2）估价 星**

有了出发地和目的地预测全程的价格

涉及到路径规划和时间预估（ETA）。找到起点A 到终点B 的最佳路径后计算出距离（图论知识+本城市中的所有出租车司机的出行模式，大多数司机们选择的路径）。估算起点到终点需要的时间。结合路径和时间，给出一个预估价。

（3）拼车 星*

查看所有用户的出行模式，查看此条路线是否为热门路线。

2. 用户点击叫车后

（1） 乘客与司机匹配 星**

做订单匹配，为叫车用户找到最适合的司机。

I. 基本：距离和时间上最近的司机。

II. 个性化搜索，根据用户偏好，满足用户的个性化需求。

III. 如果用户选择拼车，系统如何找到最适合的一辆车：这辆车有可能是空车，也有可能是载人车，与此同时，算出 A 到 B 的时间。？？

（2）. 热力图–针对司机，预测未来的半个小时的人流大的地区，数据融合，例如某处举办大型演唱会等可以聚集大规模人群活动。 星**

（3）. 滴滴人工智能的核心：订单分配

综合考虑路况和堵车等因素，订单最优匹配需要遵循两大核心：做出最优路径规划，预估时间。

3. 其他重要问题

（1）大规模匹配 星**

把滴滴看做是一种搜索引擎，即乘客搜索司机。滴滴数据量特别大，每一个乘客需要跟周围上百个司机匹配。在任何一个时刻，滴滴的匹配量高达千万次以上，且任一时刻要完成实时性非常强千万次的路径规划。

所以滴滴建立起了一个机器学习系统，该系统包含历史数据和实时数据（实时记录车辆行驶的速度和路况)。然后找特征，建立系统，也可用深度学习做路径规划和时间预估。 接下来做最优匹配（可以考虑出租车、快车、专车、豪华车等等多条业务线）。

在北京，高峰期大家打车困难可能会认为是由于运力不够导致，但经过分析发现，在高峰期滴滴的运力其实是足够的，主要是因为车辆分布不合理。为此我们开发了一套系统，把整个地球分割成无数个六边形。每一时刻都在检测每一个六边形，然后在某个六边形里面计算订单数和空车数，计算供需是否平衡。

（2）运力问题解决 星**

动态调价、供需预测、运力调度

（3）预测乘客体验 星**

行程结束后，预测乘客的体验是好是坏。由于历史订单中有些乘客会进行投诉，比如说拼车匹配欠佳、绕路。而有些用户则会给出好评。我们从大量历史数据学习出来哪些特征是导致乘客抱怨的原因，哪些特征会导致好评。综合分析大量乘客的打分和评语数据。

（4）系统可视化 星**