科技网

当前位置: 首页 >通讯

滴滴科技开放日如何利用出行交易中的大数据

通讯
来源: 作者: 2019-04-05 23:56:19

导语:当需求比较紧张的时候,他们还为用户提供拼车选择,解决运力短缺问题,这其中涉及到多目标、多模式的优化。

雷锋(公众号:雷锋) AI 科技评论按,2018 滴滴科技开放日上,滴滴产品技术管理团队与高校学生、专业技术人员展开面对面交换,详细介绍了滴滴在大数据、人工智能领域的最新科技成果,重点分享了滴滴在智能派单、地图、拼车、供需预测、智能客服、语音辨认等领域的实践经验。凭仗此次活动,滴滴在雷锋旗下学术频道 AI 科技评论数据库产品「AI 影响因子」上有相应加分。

活动现场,滴滴 CTO 张博、滴滴智能出行部负责人郄小虎、滴滴 AI Lab 负责人叶杰平教授分别上台发言,从未来展望、数据智能和 AI 创新三方面分享了滴滴的实践经验。值得一提的是,活动也约请到德国著名机器人学家、德国最高科研奖“莱布尼茨奖”得主、IEEE(电气和电子工程师协会)机器人与自动化学会主席 Wolfram Burgar,他分享了其团队在高精度定位、地图构建、探测及分类、自动导航等方面的实验和探索。

活动现场,除精彩的发言,滴滴还宣布成立 AI for Social Good 共创平台,主要关注环境、安全与健康、科技无障碍3大领域方向。滴滴表示,将充分发挥本身在大数据、人工智能、云计算等领域的优势,开放合作,通过整合学术、技术、资金等资源,携手合作伙伴共同发现、定义问题,并为相应主题研究课题的落地实践提供全方位、多元化支持。

AI for Transportation

滴滴出行 CTO 张博在开场演讲中指出,过去2十年,互联和移动互联的发展基本上解决了信息的活动问题,而滴滴希望解决的是物理世界人和物体的活动问题,滴滴在未来的想法是 AI for Transportation。

在张博看来,滴滴在未来对交通系统的优化分三层结构:

最下面一层是交通基础设施,这里包括智慧红路灯、高清度摄像头等;中间一层是车辆交通工具本身的变革,滴滴正在合作建设充换电站体系,也在加大力度研发快速充换电站,智能化、新能源化将是趋势;最上层则是同享出行络,张博表示,未来会有愈来愈多的人选择同享出行。

他提到,滴滴希望给城市规划部门做一个摹拟系统,比如计划修地铁、修公路时,可以先事前摹拟,这样的装备会让人们的出行变得更好。他也表示,滴滴现在正加大力度做拼车,他们希望把同享单位从汽车降为坐位。他重点强调到,现在要想解决道路拥堵问题,没有什么比拼车更高效的方式。

滴滴 AI Lab 负责人叶杰平教授详解了滴滴 AI 的三层布局,重点展现了滴滴在智能客服和语音领域的新进展。

他们利用用户在对话中输入的文本信息,这里包括现在和过去的信息,另外还利用用户的特征、最近定单的特点来建立深度学习模型进行预测,定位用户潜伏的问题。他表示,最近他们也开发了基于知识图谱的多轮对话。

他也进一步表示,虽然目前语音客服还不能取代人工客服,但在语音辅助这个环节,语音的潜力非常大。基于滴滴的语音技术,他们最近开发了一套语音交互系统,通过这1交互系统,用户可以通过语音与系统进行交互,实现多种功能,例如收听音乐,查询航班信息,查找最近的加油站、充电站等等。

他说道,未来这一套智能语音交互系统会让出行更加智能、更加安全、更加便捷。

滴滴背后的大数据智能

除张博和叶杰平所分享的内容,滴滴智能出行部负责人、滴滴出行副总裁郄小虎以《出行交易中的大数据智能》为题,向现场观众介绍了滴滴出行交易中的大数据智能。

他表示,滴滴有超过 5 亿 5 千万乘客,有超过 3000 万司机,在这样一个庞大的出行交易平台上,从用户打开滴滴 App 的那一刻,滴滴的大数据技术就开始在背后帮助用户打造美好的出行体验。

他详细描写了滴滴如何为乘客推荐上车点,如何进行路径计划,如何预估到达时间等等。他表示,当需求比较紧张的时候,他们还为用户提供拼车选择,解决运力短缺问题,这其中涉及到多目标、多模式的优化。以下为雷锋 AI 科技评论对这些技术的整理总结。

基于大数据打造美好出行体验

首先用户需要表达出行需求,比如需要去哪里,需要在哪里上车。以后滴滴会根据用户的出行需求,为用户选择一名最优的司机接驾。在以后的行程中,滴滴还会对司机进行路径计划,找到一条最优的线路,用最安全、最便捷的方式,把用户送到目的地。

为了完成这样一单,背后需要很多大数据的技术,包括如何推荐上车点,如何进行路径规划,如何预估到达时间等等。当需求比较紧张的时候,还需要为用户提供拼车选择,把多个不同的乘客拼在一起。

先从行程开始,滴滴要为用户推荐一个上车点,这是在实际出行中很令大家头疼的一个问题。很多时候由于司机把车停在了一个很难停车,或不能停车的地方,如果乘客晚到了几分钟,司机就要绕一大圈,或调几个头,很多时候会造成行程没有办法完成,这会致使用户体验非常差。但是现在业界并没有一个能解决这个问题的成熟办法,目前已有的地图服务不能告诉我们哪里是一个好的上车点。

为了解决这1问题,在滴滴的平台上大量采取了计算机视觉技术,来分析现实世界中获得的图象信息。滴滴目前的技术可以辨认图像的交规信息,如路面上的划线,是否是公交车站,和路面上有没有隔离的桩,通过这些信息可以判断这个地点是否是合适停车。

在现实世界中这种交规和道路信息是瞬息万变的,如何能够及时收集这些信息,这对推荐上车点有非常重大的影响。滴滴平台的优势,是其在每个城市都有大量的轨迹数据。由于滴滴有很大的覆盖度,所以可以通过大数据发掘的方式,及时监测到交规的变化,这样可以做到接近实时的交通数据的更新,能够保证为用户推荐的上车点是一个最公道的上车点。

推荐上车点只是第一步,那末下一步乘客如何能够找到这个上车点?在现实生活中,如果是在机场、车站、非常复杂的室内场景,经常会遇到很多为难的情况,这时候乘客需要像穿越迷宫一样才能找到上车点,很多时候也会造成很多困难。为了解决这1问题,滴滴正在准备推出一个基于 AR 技术的步行导航,能够引导乘客在复杂的环境下顺利到达上车点。

通过视觉定位和 3D 视觉建模的能力,可以保证定位的精度控制在 1 米以内,这1精度远远优于现在的所有定位技术。WiFi、蓝牙、超宽带和 GPS 等在这样的场景下应当都比较差,滴滴行将推出的方案远远优于现在所有的解决方案。他们近期会在北京的一些场站内开启实景导航服务,大家如果感兴趣,可以进行体验。

滴滴为乘客选择了上车点以后,下一步需要为这个乘客选择司机。如何在海量的乘客和司机之间找到一个最好匹配,这是非常有挑战性的数学问题,也是一个算法问题。

首先需要斟酌这一次分配是要保证乘客有最好体验,每位乘客都希望有一辆离他最近的车,能够在最短的时间以内提供接驾服务。同时,滴滴也希望司机能够在全部行程中,给乘客提供很好的出行体验,保证安全,而且服务达到一定的标准。

从司机的维度来看,滴滴希望通过这类分单的决策,让司机的收入得到优化。在供需不足的场景下,还需要把相似线路和时间的出行需求,通过拼车这样一个产品方式来解决。

拼车匹配问题

拼车是一个非常复杂的匹配问题。在滴滴的出行场景里,有多条产品线,用户可以叫出租车,可以叫快车、优享,和专车。在很多供需不匹配的情况下,如果当前的快车线没有司机,但是优享是有司机接单的,这时候还需要根据供需实时变化,在不同产品之间进行动态分配,以给用户提供更多的选择。

整体来看,这个匹配问题其实是一个多目标、多模式的优化问题。在这里要斟酌用户的发单要求,以及所有不同产品线上供给的情况,来寻求一个最好匹配。根据供需的变化,滴滴也需要对这个算法做动态的调剂。比如说在供需相对平衡的情况下,他们希望每一次分单可以在保证用户体验的同时,能够优化司机的收入。

在滴滴这样一个出行平台上,每个司机、乘客,实际上对应了在格子上的一个点,每一次分单的决策,等于把司机和乘客在这个时空络中从一个点挪到另外一个点。这就像下围棋一样,下棋的每一步会改变棋盘的状态,未来的状态会对以后的棋盘状态产生影响。

因此,每次分单的决策不单单影响了当前这一单,还会对未来一天出行络中的状态产生影响。这其实是一个深度学习需要解决的问题,滴滴团队开发了这样一种算法,它能够针对一天的状态在一个正常时空维度上进行多目标优化。

在供给相对充足的情况下,滴滴会优化用户的体验,尽可能为乘客派一辆离他最近的车辆。

在供需非常不足的情况下,滴滴提供了排队的解决方案。他们的系统会实时检测,在哪个区域当前的运力极端紧缺,这时候所有乘客的发单要求会自动进入排队系统。

下图这幅图显示了北京的排队情况,如果是红色,表示这个地区的乘客都在排队,运力极端缺乏。如果是蓝色,说明运力相对充足。

当系统进入排队情况的时候,滴滴也会通过调度的方式,让更多的司机、更远的司机过来,满足这些用户的需求。他们会给乘客一些选择,比如通过打表来接等这样的方式,调度更远的运力。

如果只是为一个乘客分配一辆车,还不能够真正解决运力短缺的问题,也不能够充分利用现在的道路和运力资源。所以,拼车是一个非常有效的满足更多乘客需求的方式。

如果能够同享车辆资源,可以用更少的运力来满足乘客的出行体验。这里一个核心的问题是,如何把在时间、空间、目的地相近的出行需求组合在一起。通过这样的组合可以增加资源利用率,同时也为乘客提供一个更加便宜的出行解决方案。

拼车背后是一个更加有挑战性的技术问题,这里不但需要斟酌一个司机和乘客之间的匹配,同时也要考虑多个不同的出行要求之间的相似度。在这里,一个核心问题是路径计划,它和传统的路径规划有很大的区分。在传统的路径计划当中,重点斟酌的是这条路径的行驶时间,和距离等等。但是在这里,需要斟酌在这一条路径上,可能载到下一个乘客的几率有多大。

当系统判断出有多个乘客的需求可能会被拼到一单的时候,还要决定接驾顺序。比如在下图的例子里,如果有 A、B 两位乘客,路径计划应该是先接 A,然后再接 B。先把 A 送到目的地,再送B。这只是两个乘客的情况,3 个、4 个会有更多的排列组合。路径的计划和拼车算法都需要解决排队组合和算法的问题,而且它的难度会随着拼车的范围出现指数级增长。

预估到达时间

行程开始以后,滴滴需要为用户提供到达时间预估。预估到达时间是一个相对在业界已被研究很多年的问题。业界通用的衡量预估时间的一个指标叫做 MAPE,它是平均预估偏差。在很长一段时间以内,这个指标是没有甚么变化的。因为大家都是用了一种线性方式来预估到达时间。

滴滴是国内首家通过机器学习的方式来解决预估时间问题的企业。这1技术的上线显著降低了预估时间的偏差,提高了准确率。

路径计划是一个传统的图论算法问题,也有很多启发式的算法来解决。滴滴用了一个全新的角度来看路径规划,由于其有大量的历史、轨迹数据,他们把路径规划问题转化成一个搜索和排序问题。系统会不断学习,根据司机的行驶轨迹去发掘。如果一个司机没有走滴滴为他规划的路径,那说明这条路径可能有一些大家不知道的特点。通过不断的学习,历史数据会愈来愈丰富。

当把这些数据召回以后,可以针对当前的路况,根据当前的时间,和用户的偏好等等,为其选取一条最优路径。路径规划需要现实世界中的路况数据,这1数据也是瞬时在变化的。如何准确体现现实世界中路况分分秒秒发生的变化,这里也用到了在滴滴平台上大量的轨迹数据。

这些大数据的技术让每单的出行体验变得更好,但是在全部出行平台当中,最要调剂的一个问题还是供给和需求不匹配,这1问题的解决需要在宏观上对供给和需求在时间和空间上进行调整,让它们更加一致。

如下图所示,这幅图显示北京在供给和需求之间的差距。这里把北京大概分成了 1 万个格子,每个格子的色彩显示了供给的不平衡。如果是红色,说明运力极度缺少。如果是绿色,说明司机相对充足。这里体现出非常强的潮汐效应,每天在高峰期,在一些核心区域,运力极度缺少。

如何解决这1问题,首先需要对供给和需求作出非常精准的预测。在这方面,滴滴通过机器学习和大数据算法,投入了大量工作,目前已到达很高的准确度。在预测的条件下,还需要利用调度算法,让司机出现在乘客最需要的地方。

从上面这幅图里可以知道很多区域是缺司机的,但是有些区域的运力是充足的。在调度决策上,滴滴开发了一套算法来计算在每一个时空节点上,增加一个司机所产生的边界效应。在这个时空节点上,如果有一个司机出现,他能够带来多少单的改变。那末在这样一个司机的边界模型之下,可以开发出一套优化算法,协同各个时空节点进行全局的运力调配,从而更好地解决供需失衡的问题。

(完)

雷锋

痛经可以吃止痛药吗
经期延长不能吃什么
痛经快速的止疼办法

相关推荐