滴滴演算法大賽賽題「供需預測」最終要解決什麼樣的實際問題?

比賽官網是: 演算法大賽


瀉藥

利益相關: 運力調度項目組碼農(RD兼PM)

TL;DR 通過「供需預測「可以的指導運力調度(提前安排空閑司機去響應未來的訂單)。

青姐(柳青)在Bloomberg是這麼吹牛的[1]:

下個階段我們的目標在日訂單1100萬的規模基礎上,加大對人工智慧和機器學習的投資。如此大的體量,不應該再人為地制定策略,而是讓機器來做決策,我們的智能調配網路每天都通過自我學習不斷進步。這樣說是因為在中國,我們目前正面臨供應側的短缺。例如,在彭博社的大樓里,這一秒發出了50個打車訂單,所有人都希望能在5分鐘里動身,一刻也等不了,但如果周圍只有20輛車,那麼會怎麼樣?你永遠無法匹配這樣的需求。網路可以自動學習,從而更加智能,甚至在乘客發出訂單前,就預測到彭博社大樓需求的數量和動向,提前調配足夠的司機來這裡。因此,如果你有需求,我們就可以即時滿足。網路會逐步學習演進,了解每個特定地區,例如有多少訂單即將發出,如何及時安排司機去響應你的訂單。

在Apple投資滴滴的時候,滴滴的PR團隊(?)是這麼吹牛的[2]:

滴滴出行目標是建立一個移動的智能出行網路。這是一個完整的系統,其中包括隨區域、時間變動的定價、訂單的高效匹配、根據供需預測之後的司機運力調度等等。對於一個具體區域來說,滴滴「數據大腦」已經實現了提前15分鐘時間達到超過88%準確率的預測,根據預測結果,可以選擇要不要對司機運力進行調度,使在附近的司機可以提前到達運力緊缺的區域,以緩解可能發生的擁堵。

我準備這麼吹牛(怎麼看都覺得自己吹的牛聽起來沒前面的兩者爽):

目前,在司機缺口大運力不足的區域,我們是通過動態調價壓抑了乘客的一部分出行需求(有可能乘客嫌貴就不打車或者選擇晚點再走)。雖然這個方法有助於篩選出行的剛需,而使得這些人的出行需求可以得到保證。但是我們的希望的更好的解決問題的方法是通過把附近的空閑司機調過來盡量多的完成乘客的出行需求。所以我們調度團隊內部的願景是:讓旁邊做動調的同學轉職——逐步降低動調倍數,直至消失!

[1] 蘋果投資滴滴前,柳青在彭博社說了這些

[2] 滴滴獲蘋果10億美金投資 移動出行技術競爭戰局已定


滴滴做人工智慧,歸根結底是要匹配乘客和司機,如果說能夠智能的匹配,那麼效率的提升將是非常顯著的,而效率的提升就對應著司機的收入的提升,公司的盈虧改善,可以說模型的指標很可能就會影響到公司的生死。

動調實際上是扼殺需求,實際上公司是不希望扼殺需求的,乘客當然也不開心。補貼是為了鼓勵司機在早晚高峰出來接單,宏觀的補充運力,公司當然也不滿意,因為畢竟在燒錢。

而從後台的數據可以看到,不管什麼時候,即使是早晚高峰,也有相當多的一部分司機處於空閑狀態,這就說明相比於補貼和動調,供需預測的想像力更為大,如果這個做准了,補貼和動調都可以撤了。


從我的理解角度來看,供需預測所要解決的實際問題是通過對用戶需求的預測實現城市車輛的實時調度,以便於滿足不同區域的打車需求。原理類似於可以變動的潮汐道路,但是要比潮汐道路更智能,更複雜。潮汐道路只有兩個變數,大部分是早高峰和晚高峰,在兩個峰值上通過改變道路的可行或者不可行來滿足不同時段的需求。這只是一個物理上的改變,相當於是在一條線上做改變。而滴滴演算法的「供需預測」最終要實現的是在一個網中做改變,更加智能,變數無數,錯綜複雜,彼此交叉,所以更需要人工智慧。


didi的一切策略優化終極目的都是提升單位時間內成交量。

然後,車就這麼多,要提升成交,大家最好都在拉客中,乾等啊空車接客啊什麼的越少越好。

然後剩下的邏輯是個明白人都能分析出來了,我就不說了。


滴滴主營業務的供應鏈管理效能問題.

把時空軌跡處理成駐留點軌跡,用長周期駐留軌跡數據分析出行需求,基於這個用供應鏈管理原理可以做的應用範圍至少涵蓋了3個層次的業務.

1.基於中長周期海量數據離線分析(月表,至少分析6-12個月數據),輸出大區域通道總出行規模及各類出行方式構成,根據區域產業規劃、人口變動趨勢等變數做中長期預測,對接規劃部門,服務於長周期大資金規模的交通供給投入決策:如是否新建軌道交通路線,新建公路、新增航線。這個層面的供需分析滴滴的數據不是最適用的數據,這層業務理論上跟滴滴沒有多大關係。

2.基於中周期數據離線分析(月表),輸出社區、街區、園區、商業中心、寫字樓群級別的od模型,服務於中周期運營固定資產投入(對應存貨管理):如公交車規模、計程車、專車、列車、飛機規模是否匹配當下及未來一個折舊周期的市場需求。聽說滴滴打算開始自營業業務,這層用得上,而且以滴滴目前高達80%-90%+的租約車應用市場佔有率,用滴滴的數據推斷租約小車出行這個市場的總體面貌是比較靠譜的。

3.短周期准實時數據分析,用於日內運力調度,租約車應用迅速普及靠的是實時廣播車輛位置這件事,做的是實時撮合有效供需,出行群眾降低了錯過的概率,司機理論上可降低空載率,但如果區域內絕對有效供需不平衡則無力解決空載和打不到車的問題。在運營車輛總量一定的條件下,以前計程車公司調節這個問題靠的是計程車司機自身的經驗和智慧,多收點板板錢可以壓榨出儘可能大的智慧....滴滴大概可能想使用技術手段准實時控制城市小區塊內車輛規模,盡量促成小區塊內供需平衡。

還有一個層面的應用,跟螞蜂窩和攜程的業務有重疊。這個應用算人工智慧層面的技術了,行程設計:總金錢價值、時間總量及構成、內容信息服務、自動分發訂購提醒等服務一體化。

實際上如果學習出有效的需求構成,就算新發現一個極小的細分市場需求都至少可以為增加一個有效的運營策略。


標記用戶的需求是相對恆定的~非標記用戶的需求有隨機性強,但是隨著用戶規模的提高,預測準確性會增加不少~目前燒錢補貼大戰依舊火熱,然而用戶粘度較低~如果準確率高了,會有正向促進作用~


為什麼看不了排名了??


滴滴是阿里巴巴集團公司智能時代的一個代表性智能化管理體制改革和發展中的趨勢!它不但引領了時尚的氣息還代表了智能時代的跨越和發展浪潮.完美的完善了滴滴的不足與需求!完善了需求與供給!不但增進科技的應用和社會增長的不足!還補足和供應了滴滴的應用系統開發的新帶動力!新推動性!新的直擊現場導向力! 滴滴的開發研製!方案和供應!應以各個領域開拓市場需求增加群眾建議著手!實施實用簡潔方便快捷的理念觀、在進行可取可圈可點的同步同意識形態推進進化過程、爭取最快最省時間,節約成本的提升跨平台整合服務!希望滴滴體系盡快完善!在此預祝完美成功!謝謝各位對於阿里巴巴旗下滴滴的認可與厚愛,支持與幫助??


如何自學人工智慧?人工智慧是什麼?


推薦閱讀:

人工智慧演算法會不會是最了解你的?可以完全信任演算法的推薦嗎?
那些深度學習《面試》你可能需要知道的
大數據背後的神秘公式—貝葉斯公式
能否訓練一個AI,能夠自動製作OSU!的鋪面?
機器學習初學者該如何選讀適合自己水平的論文?

TAG:推薦演算法 | 人工智慧演算法 | 滴滴演算法大賽 |