雷鋒網按：葉杰平，男，美國明尼蘇達大學博士，現任滴滴研究院副院長。美國密歇根大學的終身教授，密歇根大學大數據研究中心管理委員會成員。葉杰平是機器學習領域國際領軍人物，主要從事機器學習、數據挖掘和大數據分析領域的研究，尤其在大規模稀疏模型學習中處于國際領先地位。

滴滴研究院副院長葉杰平在KDD演講

8月17日北京消息，國際頂級數據挖掘會議KDD2016日前在美國舊金山開幕，包括Google、Facebook、微軟、Amazon、阿里巴巴、騰訊、百度及滴滴出行等在內的科技公司參加了本次會議，滴滴研究院副院長葉杰平在該會議上發表了如何利用大數據進行智能調度和供需預測的演講。

問題與挑戰

葉杰平：“滴滴最大資產是每天產生的大量出行大數據，我們每日處理超過70TB數據，90億次路徑規劃請求，90億次地圖定位90億次地圖定位以及10億次派單，這還是我們收購Uber中國之前的數據。對我們來說，如何利用總量如此龐大的交通出行數據是個重大挑戰。”

挑戰1：等待時間長——訂單量巨大

葉杰平：“滴滴出行成立于2012年，目前提供出租車、專車、快車、順風車等業務，我們去年完成了14.3億次出行訂單，差不多是美國2015年全部出租車訂單的兩倍。2016年3月，我們實現了新的里程碑，即日出行訂單量超過1000萬，相當于美國單日分享出行訂單總量的5到6倍。”

挑戰2：交通擁堵——車輛密度高

葉杰平：“交通擁堵是一個大問題，中國也不例外，全球車輛密度最高的十個城市，前8個來自中國，后面緊隨東京和紐約。”

挑戰3：打車難——供需不平衡

葉杰平：“人們可能很難在高峰時段打到車，這就是供需不平衡導致的。”

基于人工智能的解決之道

葉杰平：“我們用機器學習模型從海量的出行數據中尋找規律。最核心是找到解決ETA問題最有效的機器學習模型以及特征挖掘，剛開始為ETA建模的時候我們花了很多時間去找特征，現在我們準備不斷優化我們的模型，將預估的精度不斷提高，更好的服務用戶。”

滴滴出行是國內第一家把機器學習成功應用到ETA的公司，這是解決“訂單高效匹配”和“司機運力調度”的關鍵技術。

智能派單

智能派單是滴滴運營的核心技術之一，葉杰平表示：“每一秒，我們都要匹配成千上萬的乘客和司機。乘客和司機之間的距離或車程時間是衡量派單質量的主要指標。我們需要用到兩項關鍵的地圖技術，即路徑規劃劃和ETA（預估任意起終點所需的行駛時間），來完成派單。”

如何實現智能派單

傳統方法一般通過路況和每段路的平均速度計算出時間，然后加上可能的等待時間，得到整體所需時間，而滴滴則是利用機器學習來計算時間，大幅提升了用戶體驗。根據這一技術，目前滴滴出行平臺上已經可以實時更新所剩余的距離以及到達終點的時間。

供需預測

對于供需不平衡的問題，葉杰平表示：“可能更好的解決方案是對供需情況進行預測，以便提前對司機進行智能調度，比如我們預測到某個區域將會有很大供需不平衡，我們將會派司機到這一區域，避免用戶乘車需求無法滿足。實現供需預測將帶來三大好處，供需得到平衡、乘客用車體驗提升，以及司機收入增加。”

智能調度

邏輯上是為每個司機建立畫像， 包括其接單習慣，接單區域，把合適的訂單最快匹配到司機手里去，保證司機和用戶都找到自己喜歡、適合的服務。

如何實現智能調度

本次KDD會議上，葉杰平還透露公司正在研發一款名為“九霄”的可視化系統Duse-eye，“該系統可以呈現過去發生了什么以及正在發生什么，比如告訴我們哪里有交通擁堵以及當前的供需情況等。”

智能拼車方案

針對打車難的另一種解決辦法是拼車，葉杰平表示可以通過機器學習來智能優化拼車方案，他提到：“拼車降低了人們的出行成本和汽車燃油成本，但關鍵問題是，需要將所有乘客多耗費的時間最小化。很明顯，乘客之間的路線越相似，多出的時間就越少。此外，如何進行拼車定價也是個問題，關鍵是計算每單的預期利潤，如果預期利潤很高，我們將給予較高的折扣。這實際上也是個機器學習的問題。”

滴滴的雄心

滴滴研究院是滴滴出行全新的創新性研究機構，也是滴滴出行的“大腦”。未來一切有助于提高移動出行效率的技術創新，都將在這里孵化出來。

目前，滴滴研究院的研究方向包括：機器學習、計算機視覺、人工智能、數據挖掘、最優化理論、分布式計算等。滴滴研究院與業務線緊密結合，每一項研究成果都能以最快的速度應用到相應的產品上，給千萬用戶帶去便捷。

合并Uber中國，網約車合法，滴滴出行在解決市場競爭和營運問題后，正準備用技術突破繼續領跑出行領域，滴滴研究院正是其積極布局人工智能的產物。在未來的DT時代，趕上人工智能浪潮的滴滴出行，一定大有可為。

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。