複雜場景下，如何用AI技術做地圖？

4 人贊了文章

翟庄 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

基於出行大數據，滴滴如何將AI融入地圖系統中，更好地為出行服務？背後有怎樣的AI技術支持？

6月14-15日，滴滴出行地圖事業部總經理張弦受邀出席WGDC 2018（全球地理信息開發者大會），並在「開發者星球-AI技術大講堂」分論壇中詳細解釋了滴滴地圖背後的AI技術。

用AI演算法解決問題

基於海量實時出行數據，滴滴地圖提供ETA（預估到達時間）、路徑規劃、上下車點、「猜你想去」等基礎服務，並且支持滴滴出行平台的運力調度、供需預測、拼車、智能分單等多個業務系統。

面對複雜的業務場景，滴滴廣泛使用了機器學習、深度學習演算法，來提高應用的準確性和處理能力，提高地圖數據更新的有效性和時效性，以更好地為人們提供出行服務。

張弦在演講中表示，歷經過去的發展，滴滴出行將機器學習成功地應用到我們的產品體系中，從基礎地圖服務到訂單調度系統，再到用戶體驗提升，都離不開機器學習演算法的支持。

比如在ETA演算法中，滴滴使用了海量實時數據，設計出全新的時間預估演算法，從原理上克服了傳統演算法的缺陷，大幅度提升了時間預估的準確率。

供需預測演算法則以數十億訂單數據和平台車主的位置信息為基礎，預測任意時間段各個區域的訂單需求和供給分布狀況，提供最優的出行方案。

而智能分單系統是通過增強學習技術，從車主和乘客的歷史數據中習得並不斷迭代接單概率模型，提高車主和乘客的匹配程度，利用運力的規模效應實時地從全局上最優化總體交通運輸效率和乘客出行體驗。

正如張弦在演講中所說，「要嚴肅對待每一公里、每一分鐘」：當系統定位到乘客的上車地點後，滴滴可以在2毫秒內預測他們的目的地，率先推薦出最可能前往的地點，加快乘客的發單效率。這個「猜你想去」的功能可以達到90%的預測準確率。

通過大數據演算法，滴滴能夠向乘客推薦附近適合的上車地點，從而有效減少司乘之間的溝通次數，提高行程效率。2017年，滴滴出行對這一基於AI技術的功能進行了強化，目前已達到了在線機器學習的智能程度，能夠讓App上的推薦上車點動態更新。

目前，平台擁有超過3000萬個「推薦上車點」，有75%的用戶直接使用推薦上車點發單：以全國地級以上城市的城區總面積來計算，這意味著不到25米乘客就可以抵達一個站點。

在強大技術能力和精細策略的背後，是滴滴出行對人才的重視與培養：目前滴滴有近9000名員工，其中接近一半是大數據科學家和工程師；而地圖事業部的人才結構則更為精細：40%來自地圖行業、30%專註於機器學習領域、還有30%擁有計算機專業背景。

三個開放課題

值得一提的是，張弦在峰會上宣布了「滴滴出行地圖開放課題」計劃。面向以高校為主的研究機構，滴滴出行將當前或未來面臨的行業共性業務難題對外開放，並且提供脫敏數據、計算資源、基金資助，旨在促進高質量研究成果的產出，加速研究成果的產業落地和應用。

此次在WGDC峰會上，滴滴出行率先宣布地圖行業相關的三個開放課題，分別是：「智慧交通路徑計算」、「基於多感測器的室內定位」和「大規模場景三維重建技術方案」。

具體而言，路徑計算研究希望利用靜態路網屬性信息和動態路況信息，評估路線質量；室內定位研究旨在利用多感測器在室內定位優化上進行前瞻性的技術探索，進而實現較精準的室內步行導航；而三維重建技術研究則基於視覺，使大規模場景的三維重建技術成為可能。

有關滴滴出行開放課題的詳情和更多信息，請諮詢 gaia@didichuxing.com。

— 完 —

歡迎大家關注我們的專欄：量子位 - 知乎專欄

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位 QbitAI · 頭條號簽約作者

?? ? 追蹤AI技術和產品新動態