【“群雁计划”解读第08期】共享出行解决方案-滴滴共享出行平台

点击上方“蓝色字体”，选择“置顶公众号”

精彩内容，即刻送达

导语

滴滴智能出行开放平台是滴滴在“群雁计划”中打造的，面向智能出行领域的人工智能开放平台。在该平台上，滴滴将积累的AI 技术、服务、算力以及多元化的解决方案进行全方位的开放。本系列解读将详细解读滴滴智能出行开放平台的整体架构及未来规划。

系列目录：

滴滴的共享出行平台作为全球领先的智能出行解决方案，平台积累了丰富的出行服务经验和技术，其中最具代表性的共享出行平台智能预测与派单的关键技术，包括到达时间估计技术（ETA）、路径规划、供需预测、订单智能匹配等。

01

到达时间估计技术（ETA）

在滴滴的共享出行平台中，ETA是一项必不可少的基础服务。无论是行程前的预估接驾时间、预估价格显示，还是派单、调度、拼车等系统决策，亦或是行程中的预计到达终点的时间计算等，离不开高精度ETA的辅助。ETA不仅需要考虑交通系统的空间特性，比如途径红绿灯的个数、道路的限速、是否可以绕远走快速路；还要考虑交通系统的时间特性，比如早晚高峰的规律性拥堵和交通事故导致的偶发性拥堵等。同时，因为交通系统的运行需要人和车作为主体来参与，也少不了外部因素的影响，因此时间预估问题还需要引入对个性化特征和外部特征的建模，比如司机驾驶习惯、雨天雾天对行车速度的干扰等。ETA是极具复杂性和挑战性的问题。

滴滴共享出行平台采用基于深度学习的ETA技术。通过将ETA建模成一个时空回归问题，构建了一个丰富有效的特征体系，进一步提出Wide-deep-recurrent（WDR）模型，能在给定出发时间和路线的情况下更加准确地预测。

Wide-deep-recurrent（WDR）模型

在WDR模型中， Wide和Deep模块对行程的整体信息进行建模， Recurrent模块对行程的轨迹进行细致的建模，以捕捉到每条link、每个路口的信息。在汇总时，Wide模块通过仿射变换把输出变到合适维度，Deep模块直接把顶层hiddenstate作为输出，而Recurrent模块将LSTM的最后一个hiddenstate作为输出。三个模块的输出向量被拼接起来，进入最终的Regressor进行预测，得到ETA值。

WDR利用多基础模型对稠密特征／大规模稀疏特征进行融合，突破深度神经网络的广义非线性模型的ETA技术，使模型有效地利用了低维密集特征、高维稀疏特征以及各路段序列的局部特征，同时使用具有自适应步长和动量的随机梯度下降法Adam有效提高了模型性能。模型ETA准确率核心指标MAPE（单均归一化误差）接近11.5%，即1小时的行程，预估到达时间偏差在8分钟以内。

02

智能派单技术

移动出行的本质是在乘客和司机之间建立连接。在滴滴，平台日订单达 3000 万，高峰期每分钟接收超过 6 万乘车需求，如何设计一个更高效的匹配算法来进行司机和乘客的撮合也成为非常核心的问题。出行场景下的司乘匹配非常复杂。一方面，高峰期出行平台每分钟会接到大量出行需求，一方面车辆会在路上不停地移动，可能几秒后这个司机就通过了一个路口，或是行驶上了高速路；不仅如此，每一次派单的决定也都在影响未来的司机分布。

这些都对派单算法提出更高的要求: 不仅需要足够高效，能快速地对司机和乘客进行动态、实时的匹配，秒级做出决策，同时还要能基于未来情况的预测，考虑匹配算法的长期收益。此外还要在考虑司机收入的同时保障用户体验，全局优化总体交通运输效率。

滴滴共享出行平台采用了融合强化学习和组合优化的框架技术解决智能派单问题。平台下发派单决策需要在秒级做出，同时每次决策的优化目标均为提升长期收益。由于该问题自然形成了序列决策 (Sequential Decision Making) 的定义，使用马尔可夫决策过程 (MDP) 进行建模，并用强化学习求解; 针对司乘间多对多的匹配，建模成一个组合优化问题，以获得全局最优。通过将二者结合，即将组合优化中的司机和乘客的匹配价值，用强化学习得到的价值函数 (Value Function) 来表示，即得到了所述的模型，其流程如下图所示。

智能派单模型

滴滴共享出行平台的智能派单技术实现了快速地对司机和乘客进行动态、实时的匹配，秒级做出决策，同时还能基于未来情况的预测，考虑匹配算法的长期收益，从而保障用户体验，优化全局总体交通运输效率。

03

供需预测技术

区域级需求预测是共享出行平台的重要任务。准确的乘车需求预测可以指导车辆调度，提高车辆利用率，减少等待时间，并缓解交通拥堵。由于区域之间的时空依赖性非常复杂，这项任务具有挑战性。滴滴共享出行平台采用时空多图卷积网络（ST-MGCN），一种用于乘车需求预测的新型深度学习模型解决需求预测问题。该模型将城市时空预测问题定义为非规则网格上的时空预测问题，借助城市中的多模态数据，如地理临近程度，POI相似度与路网连通规则为区域间建立了非欧式关系，并用图卷积神经网络（GCN）对这种关系进行建模。

时空多图卷积网络（ST-MGCN）模型

滴滴共享出行平台利用基于回归逻辑的目的地预测模型。通过对平台大量数据进行挖掘统计，提出基于贝叶斯模型，融合用户历史旅行时间分布，通过互信息选择主要特征的方法，对用户未来出行目的地进行预测。

目前，滴滴共享出行平台对15分钟后的需求预测准确率达到85%。目的地预测准确率达到90%。

04

滴滴共享出行平台为逾5.5亿用户提供出租车、快车、专车、豪华车、公交、小巴、代驾、企业级等全面的出行和运输服务。滴滴共享出行网络覆盖全球五个国家超1000多座城市。这为走出国门的国人和来中国旅游的游客提供极大便捷，带动了移动互联网业务的繁荣，实现共享出行产品规模化应用，带来巨大的经济和社会效益。2019年4月智利总统塞巴斯蒂安-皮涅拉和滴滴CEO程维共商进入智利市场，为智利公众提供跨语言、本土化的共享出行服务。滴滴将持续积极响应了“一带一路”倡议，将构建的共享出行平台解决方案和技术，输出到海外，赋能全球交通出行。

相关阅读

编辑 | 洛羽