0
雷鋒網(wǎng)按：騰訊大數(shù)據(jù)峰會(huì)暨 KDD China 技術(shù)峰會(huì)中，滴滴研究院副院長(zhǎng)、密歇根大學(xué)終身教授葉杰平博士非常全面地解密了機(jī)器學(xué)習(xí)在滴滴中的大規(guī)模應(yīng)用，其中包括：出行目的地預(yù)測(cè)、路徑規(guī)劃、拼車最優(yōu)匹配、訂單分配、估價(jià)、運(yùn)力調(diào)度、評(píng)分系統(tǒng)等。雷鋒網(wǎng)根據(jù)現(xiàn)場(chǎng)演講整理成文，并由葉杰平博士與滴滴 CTO 張博親自審文。
葉杰平：
滴滴研究院副院長(zhǎng)，美國(guó)密歇根大學(xué)的終身教授。葉杰平是機(jī)器學(xué)習(xí)領(lǐng)域國(guó)際領(lǐng)軍人物，其主要從事機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和大數(shù)據(jù)分析領(lǐng)域的研究，尤其在大規(guī)模稀疏模型學(xué)習(xí)中處于國(guó)際領(lǐng)先地位。
雷鋒網(wǎng)了解到，去年滴滴成立了機(jī)器學(xué)習(xí)研究院，之后改名為滴滴研究院。
滴滴研究院做的事情是結(jié)合大數(shù)據(jù)與機(jī)器學(xué)習(xí)，搭建滴滴交通大腦。滴滴交通大腦需要收集每個(gè)城市、每一時(shí)刻的所有交通出行相關(guān)數(shù)據(jù)，然后做出最優(yōu)的決策（匹配、導(dǎo)航等），從而提高出行效率。接下來我來分享一下滴滴過去一年在大數(shù)據(jù)和人工智能方面的探索。
打開滴滴出行 App，首頁中就包含很多人工智能：
預(yù)測(cè)目的地
我們先會(huì)精確定位用戶的位置，下方是用戶所要去的目的地。很多情況下我們能夠預(yù)測(cè)到用戶去哪里：因?yàn)楹芏喑鲂惺潜容^有規(guī)律的：早上上班、晚上回家。我們利用用戶的出行數(shù)據(jù)從時(shí)間和地點(diǎn)中預(yù)測(cè)用戶去的目的地，這是人工智能的一種體現(xiàn)。
估價(jià)
我們常見的價(jià)格預(yù)估背后其實(shí)也有著非常復(fù)雜的計(jì)算過程，涉及到路徑規(guī)劃和時(shí)間預(yù)估（ETA）。其中從起點(diǎn)到終點(diǎn)的路徑規(guī)劃是非常核心的一部分，找到最佳路徑后，我們需要計(jì)算出 A 到 B 的距離。隨后著手解決行程所需的時(shí)間估算：起點(diǎn)到終點(diǎn)需要 20 分鐘還是 30 分鐘。結(jié)合路徑和時(shí)間，我們給出一個(gè)預(yù)估價(jià)。
拼車
拼車選項(xiàng)也是非常復(fù)雜的機(jī)器學(xué)習(xí)問題，我們需要計(jì)算用戶點(diǎn)擊拼車后從起點(diǎn)到終點(diǎn)過程中找到一個(gè)拼友的概率。如果概率不大，這名乘客就很可能得一個(gè)人從頭坐到尾，而滴滴給出的折扣也會(huì)低一些，如九折等。如果這條是熱門路線，路途中很可能會(huì)有其他乘客與你在同一時(shí)間去同一個(gè)或附近的地方。這種情況下，我們可以打一次力度稍微較大的折扣。
乘客與司機(jī)匹配
當(dāng)用戶確認(rèn)叫車后，滴滴需要做訂單匹配，找到最適合接該用戶的司機(jī)。這一流程也是一系列的機(jī)器學(xué)習(xí)問題。
那么如何權(quán)衡訂單合不合適，可以有多種辦法解決：比如距離和時(shí)間上離你最近的司機(jī)。當(dāng)然，權(quán)衡訂單問題背后也包含個(gè)性化搜索，如個(gè)別用戶可能只喜歡某一類車型、某一種類型的司機(jī)。尤其是女性用戶在深夜十一二點(diǎn)，可能對(duì)車型和司機(jī)的要求比較高，這需要進(jìn)行個(gè)性化匹配。
如果用戶選擇拼車，系統(tǒng)如何找到最適合的一輛車：這輛車有可能是空車，也有可能是載人車，與此同時(shí)，算出 A 到 B 的時(shí)間。
熱力圖
這里會(huì)遇到一種情況，新司機(jī)希望空駛時(shí)間越少越好，但往往不知道去哪接單，這時(shí)候滴滴會(huì)給到一個(gè)熱力圖，告訴司機(jī)哪些區(qū)域未來的半個(gè)小時(shí)，有可能有很多訂單需求。
滴滴研究院目前做的最核心的事情是訂單分配。在某個(gè)時(shí)刻有成千上萬的乘客，同時(shí)也有成千上萬的空閑車輛，我們要完成司機(jī)和乘客的最優(yōu)匹配，權(quán)衡標(biāo)準(zhǔn)是匹配度。計(jì)算匹配度最簡(jiǎn)單的方法是用距離進(jìn)行評(píng)估，滴滴在前幾年均是用距離進(jìn)行匹配。但路面距離計(jì)算仍存在很多不合理的地方，因?yàn)楦鱾€(gè)路段的狀況不同，有些地方特別堵，有些則相反，同樣是一公里但行駛所耗時(shí)間可能完全不同。這里就急需增加時(shí)間這一維度。而計(jì)算時(shí)間又是一大難題，比預(yù)估距離還要難。
所以滴滴實(shí)現(xiàn)訂單最優(yōu)匹配需要遵循這兩大核心：做出最優(yōu)路徑規(guī)劃，預(yù)估時(shí)間。
大規(guī)模匹配
計(jì)算出某個(gè)訂單的時(shí)間和距離后，會(huì)遇到一個(gè)問題：由于滴滴數(shù)據(jù)量特別大，每一個(gè)乘客不只是讓一個(gè)司機(jī)去匹配，而是需要跟周圍上百個(gè)司機(jī)匹配。在任何一個(gè)時(shí)刻，滴滴的匹配量高達(dá)千萬次以上，在一兩秒鐘完成上千萬次的路徑規(guī)劃，這是一項(xiàng)非常大的挑戰(zhàn)。
這項(xiàng)決策與搜索不同，用 Google 搜索出結(jié)果后，再過 10 分鐘結(jié)果依舊與之前相同。而滴滴在匹配時(shí)，哪怕滯后兩秒鐘這個(gè)司機(jī)就可能過了某個(gè)十字路口，使得路徑規(guī)劃狀況完全不同。我們現(xiàn)在建立起一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，該系統(tǒng)包含歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，只要在有滴滴的地方，我們就知道車輛行駛的速度和路況。然后找特征，建立系統(tǒng)，也可用深度學(xué)習(xí)做路徑規(guī)劃和時(shí)間預(yù)估。
滴滴研究院最近建立了一套深度學(xué)習(xí)系統(tǒng)，然后加上路況和其他信息去進(jìn)行預(yù)測(cè)，這是滴滴在深度學(xué)習(xí)領(lǐng)域的一次嶄新嘗試。簡(jiǎn)單對(duì)比下結(jié)果，去年開始用機(jī)器學(xué)習(xí)再到最近的深度學(xué)習(xí)使誤差大概降低了70%左右。
接下來需要做最優(yōu)匹配，這里有很多不同的方法。滴滴有出租車、快車、專車、豪華車等等多條業(yè)務(wù)線，滴滴能否把各個(gè)業(yè)務(wù)線打通？比如用戶叫了快車，但周圍可能沒有快車司機(jī)來接用戶，那有沒有可能利用算法去做決策，在這個(gè)時(shí)刻讓專車或出租車司機(jī)來接這位用戶，該調(diào)度方案要做一個(gè)全局的最優(yōu)匹配，充分發(fā)揮滴滴優(yōu)勢(shì)。
在北京，高峰期大家打車?yán)щy可能會(huì)認(rèn)為是由于運(yùn)力不夠?qū)е?，但?jīng)過分析發(fā)現(xiàn)，在高峰期滴滴的運(yùn)力其實(shí)是足夠的，主要是因?yàn)檐囕v分布不合理。
此我們開發(fā)了一套系統(tǒng)，把整個(gè)地球分割成無數(shù)個(gè)六邊形。每一時(shí)刻都在檢測(cè)每一個(gè)六邊形，然后在某個(gè)六邊形里面計(jì)算訂單數(shù)和空車數(shù)，計(jì)算供需是否平衡。
運(yùn)力問題解決
司機(jī)沒有在他應(yīng)該在地方是我們需要解決的一大問題，如果有一個(gè)平臺(tái)可掌握所有信息，這樣使其能做出最優(yōu)決策、最優(yōu)調(diào)度以及導(dǎo)航?jīng)Q策。解決這個(gè)問題的第一種方法就是動(dòng)態(tài)調(diào)價(jià)。我們也在探索另外兩種解決方式：
供需預(yù)測(cè)、運(yùn)力調(diào)度：如何完成預(yù)測(cè)，我們先來還原一個(gè)場(chǎng)景，比如說某個(gè)大會(huì)大致在晚上 6 點(diǎn)結(jié)束后，很多人會(huì)有打車需求，這就是預(yù)測(cè)的一種體現(xiàn)。此外，我們之前也提到人們出行普遍是有規(guī)律的，所以能預(yù)測(cè)某一時(shí)刻、某一區(qū)域可能缺多少輛車，這樣我們就提前 15 分鐘或半小時(shí)做調(diào)度，把過剩的運(yùn)力從周圍調(diào)過去，緩解供需問題。這里牽涉到供需預(yù)測(cè)，供需預(yù)測(cè)本質(zhì)上就是一個(gè)時(shí)間序列的預(yù)測(cè)問題。
拼車：如果兩個(gè)乘客的行程和出行時(shí)間類似，就無需兩個(gè)司機(jī)去接，而是把兩個(gè)訂單整合為一個(gè)組合訂單，用一個(gè)司機(jī)來接。拼車中涉及到一項(xiàng)非常重要的問題就是用戶體驗(yàn)：用戶體驗(yàn)體現(xiàn)在兩個(gè)維度，一是價(jià)格便宜，二是在接另外一個(gè)人時(shí)繞的路程和時(shí)間不要太多。我們希望把兩個(gè)訂單整合起來后，這個(gè)行程路徑是相似的。為此，我們建立了幾個(gè)機(jī)器學(xué)習(xí)模型估計(jì)路徑匹配度的高低。
行程結(jié)束后，我們也需要去預(yù)測(cè)乘客的體驗(yàn)是好是壞。由于歷史訂單中有些乘客會(huì)進(jìn)行投訴，比如說拼車匹配欠佳、繞路。而有些用戶則會(huì)給出好評(píng)。我們從大量歷史數(shù)據(jù)學(xué)習(xí)出來哪些特征是導(dǎo)致乘客抱怨的原因，哪些特征會(huì)導(dǎo)致好評(píng)。
拼車最核心的一點(diǎn)是定價(jià)，里面用的也是機(jī)器學(xué)習(xí)優(yōu)化算法。核心想法非常簡(jiǎn)單，如果乘客發(fā)了拼車單，我們會(huì)預(yù)測(cè)這個(gè)乘客起點(diǎn)到終點(diǎn)系統(tǒng)為它找到拼友的概率大不大，匹配度如何？如果預(yù)測(cè)出他很大概率自己一個(gè)人會(huì)從頭到尾走到底的話，折扣相對(duì)就會(huì)更低，反之則會(huì)高一些。
除此之外，我們也做了很多圖像方面的工作。比如駕照?qǐng)D像檢測(cè)，識(shí)別證件號(hào)碼等，讓司機(jī)的很多手續(xù)無需要到滴滴辦公室即可解決。
我們可以把滴滴看做是一種搜索引擎，即乘客搜索司機(jī)。與百度搜索信息不同，在百度搜索結(jié)束后，就沒有其他后續(xù)問題。但乘客在滴滴中搜索好司機(jī)后，滴滴需要保證安全和出行體驗(yàn)。于是我們?cè)诮谝胍惶讬C(jī)器學(xué)習(xí)系統(tǒng)，預(yù)測(cè)司機(jī)的服務(wù)質(zhì)量和服務(wù)態(tài)度，衡量服務(wù)好還是壞需要通過分析大量乘客的打分、評(píng)語數(shù)據(jù)。
以往 滴滴和 Uber 都采用星級(jí)打分制，后來我們發(fā)現(xiàn)該功能并不完美。現(xiàn)實(shí)情況是用戶要么不打分，要么給較高的五分或四分，使得星級(jí)評(píng)分功能不夠有效。
這本質(zhì)上是用戶習(xí)慣問題，為了讓評(píng)分系統(tǒng)更加全面，平臺(tái)把乘客留下的所有痕跡都整合起來，然后給出一個(gè)分?jǐn)?shù)評(píng)判。比如乘客打出星級(jí)后，又進(jìn)行文字評(píng)價(jià)態(tài)度很差、繞路等，針對(duì)乘客給出的兩個(gè)維度信息，我們?cè)俑鶕?jù)軌跡等多項(xiàng)數(shù)據(jù)，然后給出綜合的分?jǐn)?shù)。分?jǐn)?shù)越高，滴滴也會(huì)保證司機(jī)的收入越高，推動(dòng)司機(jī)主動(dòng)提高服務(wù)質(zhì)量。
這里存在另外一個(gè)問題，就是乘客惡意給司機(jī)寫差評(píng)。針對(duì)這一情況我們建立了一個(gè)判責(zé)機(jī)器學(xué)習(xí)系統(tǒng)，該模型能夠判差評(píng)的背后是司機(jī)的責(zé)任，還是乘客的責(zé)任。如果責(zé)任不在司機(jī)，我們就不會(huì)降低它的分?jǐn)?shù)。判責(zé)系統(tǒng)上線后滴滴平臺(tái)司機(jī)滿意度有了顯著提高。
系統(tǒng)可視化
最后我們提一下非常重要的系統(tǒng)可視化性，這套系統(tǒng)能夠看到歷史訂單行程中發(fā)生了什么事情，如哪些區(qū)域是我們比較感興趣的、成交率高的，訂單多的。其次是區(qū)域變化情況，如早高峰時(shí)訂單量漲了，晚高峰訂單量跌了，應(yīng)答率可能在早晚高峰非常低，平時(shí)可能非常高，我們可以迅速知道每個(gè)區(qū)域、每個(gè)時(shí)刻的情況。
上述為區(qū)域，我們也可以有一個(gè)城市的維度，比如這個(gè)城市大概有多少訂單？大概有多少司機(jī)？乘客發(fā)出訂單需求成交率大概有多少？我們也能掌握過去和現(xiàn)在的情況，司機(jī)實(shí)時(shí)看到熱區(qū)所處的位置，引導(dǎo)司機(jī)沿著熱區(qū)去走，減少空駛時(shí)間、提高平臺(tái)效率。
除此之外，我們也能實(shí)時(shí)看到跨城情況，尤其是春節(jié)之前等節(jié)假日，因?yàn)橛泻芏嗳藭?huì)拼車回家。為此，我們也會(huì)找到一些比較特殊的區(qū)域，單獨(dú)去分析它發(fā)生了什么事。
可視化系統(tǒng)也能讓大家看到全城各個(gè)時(shí)刻供需不平衡情況：哪些區(qū)域供大于求，哪些區(qū)域求大于供，哪些區(qū)域供需平衡，以及現(xiàn)在和過去發(fā)生了什么事。針對(duì)這些現(xiàn)象，我們需找到應(yīng)答率低、成交率低的原因。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
