眾所周知的「打車難」，你不知道的「黑科技」

上周五一大早，我被滯留家門口了。雖然北京暴雨預報持續了好幾天，但是「首堵」的交通並沒有準備好。

「滴滴、首汽、神州都打不到車。」「我從家到公司不到三公里，計程車加價20元。」一時間，朋友圈被花樣吐槽刷屏。

最惹眼的是，作家六六發文批評滴滴的動態加價行為，甚至以此定義滴滴是流氓公司。六六文中論述的事實是「一段20公里左右的叫車，上浮1.5倍車資，估價163元。」「專車載我去陸家嘴，我從家走過去也就4.5公里，收費40。」

乍一看，身為用戶的我們都忍不住想對正在回歸的「打車難」吐槽幾句，但是看完滴滴的回應，似乎有些背後的故事正在被掩蓋。

滴滴在回應中，還原了六六文中的情景，訂單的時間正值出行早高峰，系統預測總行程需花費42分鐘，其中擁堵32分鐘。當時發單附近半徑3公里內共有289人通過滴滴叫車，對應的空車僅有56輛，屬於嚴重的供不應求，致使訂單觸發了動態調價，擁堵導致時長費增加。

看似簡單的回應，其背後既有市場經濟簡單的邏輯，即由市場供求決定價格，進而引導資源的自由流動，使社會資源得到合理配置；亦能看出，滴滴動態調價背後隱藏的「黑科技」。

打車有多難？

只用了五年，滴滴重塑了每個人的出行習慣。但是如果我們回到起點，在滴滴出現之前，「打車難」可謂是找不到答案的「世紀難題」。

時間回溯到2012年的12月20日，北京降下入冬的第一場雪，新京報的一則報道里，選取了北京蒲黃榆、廣渠門等6個地點，分別體驗早晚高峰、非高峰期的打車情況。發現早晚高峰時，在這些地點打上車普遍需要半個小時左右。

當天晚上9點左右，在東直門有十餘輛計程車待客，其中一車到廣安門要價150元，路程僅16公里，並稱「沒票，不議價，不打表」。而當年的大望路，市民們早晚成群結隊在路邊等待打車是一個老大難的問題，但經過的多輛計程車均已載有乘客。有錢也打不到車，是滴滴出現前的普遍情況。

糾其原因，2012年新加坡麻省理工學院實驗室研究認為，大雨天路況、行人都有很多不確定性，司機不願意冒風險繼續工作，而是停在路邊或停車場，研究人員的數據來自8000萬次計程車司機的GPS。

與此相對應的，是美國普林斯頓大學的經濟學家亨利?費伯的一項研究，其認為下雨天難打車是市場供需不平衡帶來的。下雨天計程車司機的每小時收入並沒有顯著增加，因為計程車乘客的單位乘車時間上升了4.8%，每小時的行車距離下降了2.4%，與晴天相比，單位時間內路上的計程車下降了7.1%。

回歸到中國市場，出行困境持續多年。

滴滴出現後，在傳統的打車計劃經濟的體制下，一方面引入了市場經濟，在極端天氣或時間點，需求大於供給的時候，提高價格，讓更緊急或對價格不敏感的乘客能打上車，滿足剛需人群的需求；通過動態調價，滴滴也要考慮司機的權益，通過提價彌補司機的損失，從而願意上路，形成良性循環。另一方面，也在傳統出行的市場上，通過引入快車、專車、順風車、公交等多形態的出行方式，為用戶做增量的選擇，滿足不同出行需求。

但是，作為一家成立僅僅五年的公司，滴滴想要完美解決龐雜、複雜的出行難題，依然需要時間，除了更合理的價格運營體系，更需要「黑科技」的支撐。這條漫長的賽道，滴滴如何跑下去？

唯一的答案？

毫無疑問，科技是每一個互聯網公司深藏不露的殺手鐧。當年滴滴剛成立時，滴滴出行創始人兼ＣＥＯ程維從百度挖來技術大牛張博，曾在整個互聯網圈內傳為佳話。

傳統的互聯網公司，如百度、淘寶、谷歌、亞馬遜甚至包括騰訊的QQ等，其對技術的要求，都是相對靜態的，用戶搜索信息、產品交易和溝通，都相對是靜態的。而到了移動互聯網時代，以滴滴為代表的Ｏ２Ｏ創業公司，其技術的難度，不止上了幾個台階。以滴滴出行為例，看似簡單的用戶通過手機叫車，司機端應答的匹配，實際背後的演算法複雜而龐雜。

首先，從平台效率和用戶體驗看。在滴滴平台上，用戶每次發出打車需求，都需要藉助技術匹配相應的司機，計算出最近的司機、最佳的行駛路線，以達到司機接到乘客時間最短、路線最合理。

其次，對未來的路況和用戶需求端的預測看。司機的車輛一直在不停地移動，因此乘客需求和車輛位置始終是在實時變化的，可能過幾秒鐘，司機經過一個路口或者行駛到了高速路，就無法按合理的路徑接到乘客。這對滴滴平台的匹配和計算的要求就提出預測未來的更高要求。

這樣來看，上述兩個關鍵點對滴滴來說都極具挑戰性。那麼，如此高難度的演算法，滴滴後台是如何運轉的？我們來看兩組數字對比。

2秒和3萬。在滴滴平台，每2秒做一次訂單匹配，而在高峰期時，平台每分鐘接收超過3萬的乘車需求。

1個和成百上千。滴滴平台每分鐘接收3萬的乘車需求，正常情況是1個乘客和成百上千的司機做快速匹配。難度更大的是，司機的數量呈現動態浮動，司機接收到的乘客發單量，還會受到周圍運力的影響。滴滴平台總會計算出最優，實時匹配；如果有拼車的情況，還需要兩兩組合，複雜度就是N的平方。

如此複雜的技術要求，滴滴後台如何解決？（敲黑板，開始畫知識點）

兩大武器是，大數據挖掘和機器學習。通過對海量的用戶行駛數據進行挖掘和學習，滴滴圍繞最低的價格、最高司機效率和最佳交通運行效率，設計出了全新的智能路徑規劃演算法，能夠對未來路況做出準確預測，整體考慮司機未來所有可能的走法，毫秒級算出A到B點的最優路徑。

更高、更複雜的出行需求，也促使滴滴把機器學習、深度學習應用到現實，當前滴滴的ETA技術可以預測每一單出行的時長，預估在每一個路口前的等待時長，從而準確預估出從A到B需要的時間。

雖然有著強勁的技術，滴滴平台由於受政策和現實司機不足等影響，依然無法達到供需平衡，但是，滴滴的黑科技如今已經實現了對用戶需求的預測，可以提前調度空閑司機準備響應未來即將發生的訂單。驚人的是，滴滴對15分鐘後的需求預測準確率已達85%，說不定，在你每天下班前１５分鐘，滴滴就已經安排好幾位司機準備接你回家了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！