滴滴科技開放日：如何利用出行交易中的大數據優化乘客體驗

雷鋒網 AI 科技評論按，2018 滴滴科技開放日上，滴滴產品技術管理團隊與高校學生、專業技術人員展開面對面交流，詳細介紹了滴滴在大數據、人工智慧領域的最新科技成果，重點分享了滴滴在智能派單、地圖、拼車、供需預測、智能客服、語音識別等領域的實踐經驗。

活動現場，滴滴 CTO 張博、滴滴智能出行部負責人郄小虎、滴滴 AI Lab 負責人葉傑平教授分別上台發言，從未來展望、數據智能和 AI 創新三方面分享了滴滴的實踐經驗。值得一提的是，活動也邀請到德國著名機器人學家、德國最高科研獎「萊布尼茨獎」得主、IEEE（電氣和電子工程師協會）機器人與自動化學會主席 Wolfram Burgar，他分享了其團隊在高精度定位、地圖構建、探測及分類、自動導航等方面的試驗和探索。

活動現場，除了精彩的發言，滴滴還宣布成立 AI for Social Good 共創平台，主要關注環境、安全與健康、科技無障礙三大領域方向。滴滴表示，將充分發揮自身在大數據、人工智慧、雲計算等領域的優勢，開放合作，通過整合學術、技術、資金等資源，攜手合作夥伴共同發現、定義問題，並為相應主題研究課題的落地實踐提供全方位、多元化支持。

AI for Translation

滴滴出行 CTO 張博在開場演講中指出，過去二十年，互聯網和移動互聯網的發展基本上解決了信息的流動問題，而滴滴希望解決的是物理世界人和物體的流動問題，滴滴在未來的想法是 AI for Transportation。

在張博看來，滴滴在未來對交通系統的優化分三層結構：

最下面一層是交通基礎設施，這裡包括智慧紅路燈、高清度攝像頭等；中間一層是車輛交通工具本身的變革，滴滴正在合作建設充換電站體系，也在加大力度研發快速充換電站，智能化、新能源化將是趨勢；最上層則是共享出行網路，張博表示，未來會有越來越多的人選擇共享出行。

他提到，滴滴希望給城市規劃部門做一個模擬系統，比如規劃修地鐵、修公路時，可以先事先模擬，這樣的設備會讓人們的出行變得更好。他也表示，滴滴現在正加大力度做拼車，他們希望把共享單位從汽車降為座位。他重點強調到，現在要想解決道路擁堵問題，沒有什麼比拼車更高效的方式。

滴滴 AI Lab 負責人葉傑平教授詳解了滴滴 AI 的三層布局，重點展示了滴滴在智能客服和語音領域的新進展。

他們利用用戶在對話中輸入的文本信息，這裡包括現在和過去的信息，此外還利用用戶的特徵、最近訂單的特徵來建立深度學習模型進行預測，定位用戶潛在的問題。他表示，最近他們也開發了基於知識圖譜的多輪對話。

他也進一步表示，雖然目前語音客服還不能取代人工客服，但在語音輔助這個環節，語音的潛力非常大。基於滴滴的語音技術，他們最近開發了一套語音交互系統，通過這一交互系統，用戶可以通過語音與系統進行交互，實現多種功能，例如收聽音樂，查詢航班信息，查找最近的加油站、充電站等等。

他說道，未來這一套智能語音交互系統會讓出行更加智能、更加安全、更加便捷。

滴滴背後的大數據智能

除了張博和葉傑平所分享的內容，滴滴智能出行部負責人、滴滴出行副總裁郄小虎以《出行交易中的大數據智能》為題，向現場觀眾介紹了滴滴出行交易中的大數據智能。

他表示，滴滴有超過 5 億 5 千萬乘客，有超過 3000 萬司機，在這樣一個龐大的出行交易平台上，從用戶打開滴滴 App 的那一刻，滴滴的大數據技術就開始在背後幫助用戶打造美好的出行體驗。

他詳細描述了滴滴如何為乘客推薦上車點，如何進行路徑規劃，如何預估到達時間等等。他表示，當需求比較緊張的時候，他們還為用戶提供拼車選擇，解決運力短缺問題，這其中涉及到多目標、多模式的優化。以下為雷鋒網 AI 科技評論對這些技術的整理總結。

基於大數據打造美好出行體驗

首先用戶需要表達出行需求，比如需要去哪裡，需要在哪裡上車。之後滴滴會根據用戶的出行需求，為用戶選擇一位最優的司機接駕。在之後的行程中，滴滴還會對司機進行路徑規劃，找到一條最優的路線，用最安全、最便捷的方式，把用戶送到目的地。

為了完成這樣一單，背後需要很多大數據的技術，包括如何推薦上車點，如何進行路徑規劃，如何預估到達時間等等。當需求比較緊張的時候，還需要為用戶提供拼車選擇，把多個不同的乘客拼在一起。

先從行程開始，滴滴要為用戶推薦一個上車點，這是在實際出行中很令大家頭疼的一個問題。很多時候因為司機把車停在了一個很難停車，或者不能停車的地方，如果乘客晚到了幾分鐘，司機就要繞一大圈，或者調幾個頭，很多時候會造成行程沒有辦法完成，這會導致用戶體驗非常差。但是現在業界並沒有一個能解決這個問題的成熟辦法，目前已有的地圖服務不能告訴我們哪裡是一個好的上車點。

為了解決這一問題，在滴滴的平台上大量採用了計算機視覺技術，來分析現實世界中獲取的圖象信息。滴滴目前的技術可以識別圖象的交規信息，如路面上的劃線，是不是公交車站，以及路面上有沒有隔離的樁，通過這些信息可以判斷這個地點是不是適合停車。

在現實世界中這種交規和道路信息是瞬息萬變的，如何能夠及時採集這些信息，這對推薦上車點有非常重大的影響。滴滴平台的優勢，是其在每一個城市都有大量的軌跡數據。因為滴滴有很大的覆蓋度，所以可以通過大數據挖掘的方式，及時監測到交規的變化，這樣可以做到接近實時的交通數據的更新，能夠保證為用戶推薦的上車點是一個最合理的上車點。

推薦上車點只是第一步，那麼下一步乘客如何能夠找到這個上車點？在現實生活中，如果是在機場、車站、非常複雜的室內場景，經常會遇到很多尷尬的情況，這時候乘客需要像穿越迷宮一樣才能找到上車點，很多時候也會造成很多困難。為了解決這一問題，滴滴正在準備推出一個基於 AR 技術的步行導航，能夠引導乘客在複雜的環境下順利到達上車點。

通過視覺定位以及 3D 視覺建模的能力，可以保證定位的精度控制在 1 米之內，這一精度遠遠優於現在的所有定位技術。WiFi、藍牙、超寬頻以及 GPS 等在這樣的場景下應該都比較差，滴滴即將推出的方案遠遠優於現在所有的解決方案。他們近期會在北京的一些場站內開啟實景導航服務，大家如果感興趣，可以進行體驗。

滴滴為乘客選擇了上車點之後，下一步需要為這個乘客選擇司機。如何在海量的乘客和司機之間找到一個最佳匹配，這是非常有挑戰性的數學問題，也是一個演算法問題。

首先需要考慮這一次分配是要保證乘客有最佳體驗，每位乘客都希望有一輛離他最近的車，能夠在最短的時間之內提供接駕服務。同時，滴滴也希望司機能夠在整個行程中，給乘客提供很好的出行體驗，保證安全，而且服務達到一定的標準。

從司機的維度來看，滴滴希望通過這種分單的決策，讓司機的收入得到優化。在供需不足的場景下，還需要把相似路線和時間的出行需求，通過拼車這樣一個產品方式來解決。

拼車匹配問題

拼車是一個非常複雜的匹配問題。在滴滴的出行場景里，有多條產品線，用戶可以叫計程車，可以叫快車、優享，以及專車。在很多供需不匹配的情況下，如果當前的快車線沒有司機，但是優享是有司機接單的，這時候還需要根據供需實時變化，在不同產品之間進行動態分配，以給用戶提供更多的選擇。

整體來看，這個匹配問題其實是一個多目標、多模式的優化問題。在這裡要考慮用戶的發單請求，以及所有不同產品線上供給的情況，來尋求一個最佳匹配。根據供需的變化，滴滴也需要對這個演算法做動態的調整。比如說在供需相對平衡的情況下，他們希望每一次分單可以在保證用戶體驗的同時，能夠優化司機的收入。

在滴滴這樣一個出行平台上，每一個司機、乘客，實際上對應了在格子上的一個點，每一次分單的決策，等於把司機和乘客在這個時空網路中從一個點挪到另外一個點。這就像下圍棋一樣，下棋的每一步會改變棋盤的狀態，未來的狀態會對之後的棋盤狀態產生影響。

因此，每次分單的決策不僅僅影響了當前這一單，還會對未來一天出行網路中的狀態產生影響。這其實是一個深度學習需要解決的問題，滴滴團隊開發了這樣一種演算法，它能夠針對一天的狀態在一個正常時空維度上進行多目標優化。

在供給相對充足的情況下，滴滴會優化用戶的體驗，盡量為乘客派一輛離他最近的車輛。

在供需非常不足的情況下，滴滴提供了排隊的解決方案。他們的系統會實時檢測，在哪一個區域當前的運力極端緊缺，這時候所有乘客的發單請求會自動進入排隊系統。

下圖這幅圖顯示了北京的排隊情況，如果是紅色，表示這個地區的乘客都在排隊，運力極端缺乏。如果是藍色，說明運力相對充足。

當系統進入排隊情況的時候，滴滴也會通過調度的方式，讓更多的司機、更遠的司機過來，滿足這些用戶的需求。他們會給乘客一些選擇，比如通過打表來接等這樣的方式，調度更遠的運力。

如果只是為一個乘客分配一輛車，還不能夠真正解決運力短缺的問題，也不能夠充分利用現在的道路以及運力資源。所以，拼車是一個非常有效的滿足更多乘客需求的方式。

如果能夠共享車輛資源，可以用更少的運力來滿足乘客的出行體驗。這裡一個核心的問題是，如何把在時間、空間、目的地相近的出行需求組合在一起。通過這樣的組合可以增加資源利用率，同時也為乘客提供一個更加便宜的出行解決方案。

拼車背後是一個更加有挑戰性的技術問題，這裡不僅需要考慮一個司機和乘客之間的匹配，同時也要考慮多個不同的出行請求之間的相似度。在這裡，一個核心問題是路徑規劃，它和傳統的路徑規劃有很大的區別。在傳統的路徑規劃當中，重點考慮的是這條路徑的行駛時間，以及距離等等。但是在這裡，需要考慮在這一條路徑上，可能載到下一個乘客的概率有多大。

當系統判斷出有多個乘客的需求可能會被拼到一單的時候，還要決定接駕順序。比如在下圖的例子里，如果有 A、B 兩位乘客，路徑規劃應該是先接 A，然後再接 B。先把 A 送到目的地，再送B。這只是兩個乘客的情況，3 個、4 個會有更多的排列組合。路徑的規劃和拼車演算法都需要解決排隊組合和演算法的問題，而且它的難度會隨著拼車的規模呈現指數級增長。

預估到達時間

行程開始之後，滴滴需要為用戶提供到達時間預估。預估到達時間是一個相對在業界已經被研究很多年的問題。業界通用的衡量預估時間的一個指標叫做 MAPE，它是平均預估偏差。在很長一段時間之內，這個指標是沒有什麼變化的。因為大家都是用了一種線性方式來預估到達時間。

滴滴是國內首家通過機器學習的方式來解決預估時間問題的企業。這一技術的上線顯著降低了預估時間的偏差，提高了準確率。

路徑規劃是一個傳統的圖論演算法問題，也有很多啟發式的演算法來解決。滴滴用了一個全新的角度來看路徑規劃，因為其有大量的歷史、軌跡數據，他們把路徑規劃問題轉化成一個搜索和排序問題。系統會不斷學習，根據司機的行駛軌跡去挖掘。如果一個司機沒有走滴滴為他規劃的路徑，那說明這條路徑可能有一些大家不知道的特點。通過不斷的學習，歷史數據會越來越豐富。

當把這些數據召回之後，可以針對當前的路況，根據當前的時間，以及用戶的偏好等等，為其選取一條最優路徑。路徑規劃需要現實世界中的路況數據，這一數據也是瞬時在變化的。如何準確體現現實世界中路況分分秒秒發生的變化，這裡也用到了在滴滴平台上大量的軌跡數據。

這些大數據的技術讓每一單的出行體驗變得更好，但是在整個出行平台當中，最要調整的一個問題還是供給和需求不匹配，這一問題的解決需要在宏觀上對供給和需求在時間和空間上進行調整，讓它們更加一致。

如下圖所示，這幅圖顯示北京在供給和需求之間的差距。這裡把北京大概分成了 1 萬個格子，每一個格子的顏色顯示了供給的不平衡。如果是紅色，說明運力極度缺乏。如果是綠色，說明司機相對充足。這裡體現出非常強的潮汐效應，每天在高峰期，在一些核心區域，運力極度缺乏。

如何解決這一問題，首先需要對供給和需求作出非常精準的預測。在這方面，滴滴通過機器學習和大數據演算法，投入了大量工作，目前已經達到很高的準確度。在預測的前提下，還需要利用調度演算法，讓司機出現在乘客最需要的地方。

從上面這幅圖裡可以知道很多區域是缺司機的，但是有些區域的運力是充足的。在調度決策上，滴滴開發了一套演算法來計算在每一個時空節點上，增加一個司機所產生的邊界效應。在這個時空節點上，如果有一個司機出現，他能夠帶來多少單的改變。那麼在這樣一個司機的邊界模型之下，可以開發出一套優化演算法，協同各個時空節點進行全局的運力調配，從而更好地解決供需失衡的問題。

（完）

雷鋒網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！