基于出行大数据,滴滴如何将AI融入地图系统中,更好地为出行服务?背后有怎样的AI技术支持?
6月14-15日,滴滴出行地图事业部总经理张弦受邀出席WGDC 2018(全球地理信息开发者大会),并在“开发者星球-AI技术大讲堂”分论坛中详细解释了滴滴地图背后的AI技术。
基于海量实时出行数据,滴滴地图提供ETA(预估到达时间)、路径规划、上下车点、“猜你想去”等基础服务,并且支持滴滴出行平台的运力调度、供需预测、拼车、智能分单等多个业务系统。
面对复杂的业务场景,滴滴广泛使用了机器学习、深度学习算法,来提高应用的准确性和处理能力,提高地图数据更新的有效性和时效性,以更好地为人们提供出行服务。
张弦在演讲中表示,历经过去的发展,滴滴出行将机器学习成功地应用到我们的产品体系中,从基础地图服务到订单调度系统,再到用户体验提升,都离不开机器学习算法的支持。
比如在ETA算法中,滴滴使用了海量实时数据,设计出全新的时间预估算法,从原理上克服了传统算法的缺陷,大幅度提升了时间预估的准确率。
供需预测算法则以数十亿订单数据和平台车主的位置信息为基础,预测任意时间段各个区域的订单需求和供给分布状况,提供最优的出行方案。
而智能分单系统是通过增强学习技术,从车主和乘客的历史数据中习得并不断迭代接单概率模型,提高车主和乘客的匹配程度,利用运力的规模效应实时地从全局上最优化总体交通运输效率和乘客出行体验。
正如张弦在演讲中所说,“要严肃对待每一公里、每一分钟”:当系统定位到乘客的上车地点后,滴滴可以在2毫秒内预测他们的目的地,率先推荐出最可能前往的地点,加快乘客的发单效率。这个“猜你想去”的功能可以达到90%的预测准确率。
通过大数据算法,滴滴能够向乘客推荐附近适合的上车地点,从而有效减少司乘之间的沟通次数,提高行程效率。2017年,滴滴出行对这一基于AI技术的功能进行了强化,目前已达到了在线机器学习的智能程度,能够让App上的推荐上车点动态更新。
目前,平台拥有超过3000万个“推荐上车点”,有75%的用户直接使用推荐上车点发单:以全国地级以上城市的城区总面积来计算,这意味着不到25米乘客就可以抵达一个站点。
△ 地图在滴滴出行中的业务系统与基础服务
在强大技术能力和精细策略的背后,是滴滴出行对人才的重视与培养:目前滴滴有近9000名员工,其中接近一半是大数据科学家和工程师;而地图事业部的人才结构则更为精细:40%来自地图行业、30%专注于机器学习领域、还有30%拥有计算机专业背景。
值得一提的是,张弦在峰会上宣布了“滴滴出行地图开放课题”计划。面向以高校为主的研究机构,滴滴出行将当前或未来面临的行业共性业务难题对外开放,并且提供脱敏数据、计算资源、基金资助,旨在促进高质量研究成果的产出,加速研究成果的产业落地和应用。
此次在WGDC峰会上,滴滴出行率先宣布地图行业相关的三个开放课题,分别是:“智慧交通路径计算”、“基于多传感器的室内定位”和“大规模场景三维重建技术方案”。
具体而言,路径计算研究希望利用静态路网属性信息和动态路况信息,评估路线质量;室内定位研究旨在利用多传感器在室内定位优化上进行前瞻性的技术探索,进而实现较精准的室内步行导航;而三维重建技术研究则基于视觉,使大规模场景的三维重建技术成为可能。
有关滴滴出行开放课题的详情和更多信息,请咨询 gaia@didichuxing.com。
— 完 —
加入社群
量子位AI社群17群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot7入群;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot7,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态