滴滴章文嵩：我們比AlphaGo面臨的問題要複雜很多很多倍

【AI科技大本營導讀】4 月 14 日，知名職業棋手柯潔發微博稱自己的鑰匙和護照落在了一輛剛剛乘坐過的滴滴車裡，一個多小時沒能聯絡上司機。滴滴客服在瞭解情況後“建議去報警”。

這引來了各路網友關於滴滴叫車安全、訂單指派策略等話題的廣泛討論。

在去年的一次演講中，滴滴出行副總裁文嵩將滴滴平臺派單演算法的複雜度和 Google 的人工智慧棋手 AlphaGo 作對比，強調滴滴派單是一個極為複雜的時空排程問題，而圍棋的規則很確定。在問題搜尋空間上，出行平臺派單要比圍棋大得多。

下面是文嵩演講，內容轉載自造就（公眾號ID：xingshu100）：

滴出行高階副總裁

智慧交通專案負責人

大家好，我是滴滴的章文嵩。今天非常高興有機會來跟大家分享滴滴共享出行和滴滴的智慧交通。

中國的交通問題是世界級的挑戰。

 

我們的城市人口密度非常高，超過一百萬人口的城市有142個，美國只有9個，大概是他們的16倍。

中國的道路資源非常緊張，過去十年私家車每年的增速是13%左右，而道路資源每年只增加1%左右，供應遠遠趕不上需求的增長速度，所以擁堵在中國是普遍現象。

 

但是，這個問題既是挑戰，也是機會。

 

滴滴非常幸運，趕上了這個機會。經過過去五年多的高速發展，滴滴已經成為全球最大的一站式出行平臺。

在這個過程中，我們積累了大量的資料，在國內已經覆蓋了400多個城市，有4億多使用者，並且目前還在國際化的程式中。

 

實際上，滴滴是一家科技驅動的大資料公司，這是我們當初創業也沒有想到的。我們正在通過“科技+資料”的方式，讓人們的出行體驗變得更美好。

 

▌一張快車訂單是如何生成的？

 

滴滴平均一天要做兩百億次路徑規劃，高峰時段，嘀嗒一秒鐘，規劃一百萬次，這是巨大的運算量，都是為了不斷提升我們的效率和使用者體驗。

 

我們最複雜的系統就是派單系統。派單可能是大家以為的最簡單的事情，有些公司也是這麼做的，一個訂單冒出來，那找最臨近的司機，派給這個司機了，實際上他不一定是最優的，哪怕僅隔1毫秒的時間。

 

比如給A使用者派了離他最近的一個司機，假設在兩公里之外，但是一毫秒之後，離這個司機只有幾百米的地方，有一個B使用者冒出來了，就一毫秒，那麼剛剛派的單就不是最優的。怎麼辦呢？

 

平臺會讓請求等待兩秒鐘，在兩秒鐘裡面，攢了足夠的訂單需求和可用的司機，接著，相互之間兩兩構成一個巨大的係數舉證，進行一次撮合。

這裡面要考慮他們之間的物理距離，路徑規劃，接駕時間，司機的服務分，還有乘客的喜好等等，綜合各種因素，最終，加權歸一到0～1之間的值，如果值越大，表示相關性越高，最終求這個撮合對。

 

撮合對的這個相關係數的累加和最大，那至少就做到了兩秒鐘最優，但這兩秒鐘最優還不夠。

滴滴面臨的問題，是不同區域的供需不平衡，有些區域司機多，乘客少，就供過於求，司機的效率沒發揮起來；有些區域是供不應求，訂單特別多，但司機少，使用者體驗就差，這種情況下，我們任何當前兩秒鐘的排程，都會影響到未來的狀態。

 

這個問題複雜到什麼程度呢？

（編者注：請看下面這個視訊，它詳細解釋了滴滴進行交易撮合配對的技術原理，這樣的乾貨千載難逢。）

一天有86400秒，如果以兩秒鐘撮合一次計算，我們要考慮43200步（每一步都包含以上提到的計算量）。圍棋格子裡面只有19層棋局，最多361步，而且都有確定性的解，是贏，還是輸，還是平局，但我們這個排程的最優解是在不停變化的，所以這個問題比Alpha Go面臨的問題要複雜很多很多倍，需要非常強大的科技手段和計算能力。

 

因此，滴滴已經成長為一個“物·移·大·智·雲”綜合平臺的典型代表。

 

▌共享出行資料，共建智慧交通

 

現在我們國家也在提倡用網際網路+交通，大資料，雲端計算，人工智慧的技術，多方位地來改善交通，因為滴滴掌握了非常寶貴的軌跡資料，在這一方面，滴滴已經完全有能力幫助實現。

 

過去交警往往是通過路口的檢測器，攝像頭，卡口，地磁這些方式取得軌跡資料，但將這些資料放在地圖上面只是一個個的點，而路口與路口之間是一條邊，邊上的資料是沒有的。

由於滴滴的業務發展，我們得到了邊上的資料，把點和邊彙集到一起，就可以看到全域性的交通景象。

 

基於這些資料，政府部門、學術單位、第三方公司都可以利用它們來做一些相應的挖掘，多方共建，開發出更多的服務，實現“讓出行更美好”的理念，這是滴滴“智慧交通”的使命，也是我們正在做的事情，優化出行結構，讓整個交通系統可持續發展。

 

那麼，如何優化出行結構，提升運力效率呢？

 

首先就是將所有的出行方式線上化。我們有步行的方式，還有自行車、公交車、地鐵，計程車、自駕車，將它們都線上化之後，根據這些資料，政府部門可以對道路進行科學規劃，對交通進行有效監管，企業可以據此降低成本，提高服務質量，形成一站式出行，給老百姓更多的選擇。

 

滴滴在智慧交通裡面的優勢，一方面是前面所講的資料的優勢，其次還有技術的優勢。

 

我們目前已經建立了一個智慧交通的平臺，名叫“滴禹平臺”，“滴禹”就是滴滴大禹的簡稱，希望能像大禹治水那樣，通過智慧交通來疏導交通，讓交通變得更通暢一些。

 

基於滴滴豐富而高質量的資料，我們做了全國四五十個重點城市的整體交通執行報告，除了排名和熱點分析之外，我們還提供每一個城市的實時交通執行指數（TPI）。每一個城市都細分到每一個區每一條街。

 

我們可以看到哪些道路是最擁堵的，某個商圈怎麼樣，因為這些軌跡流都是實時的，只要指數出現異常，我們就能第一時間知道的，可能是路上有交通事故了，或者路邊亂停車了，導致車速不快，所以我們會第一時間跟交警聯動起來，交警可以及時去處理。

 

另外一個跟交警合作的事情是查酒駕。因為城市裡面很多交通事故都跟酒駕有關，滴滴上代駕的訂單量是全國最大的，所以我們有代駕熱力圖。

代駕熱點附近往往餐館特別多，大家吃飯，喝酒之後，要叫代駕，那我們知道這些車是經過哪些路徑的，所以這些資訊交警都可以獲得，可以精準的抓酒駕，當然這個不是為了罰款，更多的是為了交通安全。

 

影響交通的還有一個關鍵：訊號燈。國內的很多訊號燈設定非常不合理，能不能儘可能讓車在啟動之後，一路暢行無阻，而不是每一個路口都要停一下？

我們通過軌跡流量的動態變化，每一個方向的綠信比（交通燈一個週期內可用於車輛通行的時間比例），不同路口之間的相位差，可以測算出幹道、區域的優化模型，調整訊號燈的週期來改善這個問題。

這個模型目前已經在全國六個城市240多個路口鋪開，未來還會不斷迭代，精益求精，爭取更大規模地複製到更多的路口上面去，實現區域式集中“綠”化。

 

這是我們在濟南的潮汐車道上運作了一個月多的拉鍊車。什麼是潮汐車道？在很多城市都有這種情況，區域屬性非常明顯，比如工作區，住宅區，那麼早高峰的時候，大家都從住宅區往工作區去，反方向的車流量特別少，晚上就反過來，形成潮汐車道。

所以當一個反向車流量特別大，另一個方向車流量特別小的時候，通過隔一條車道，給車流量更多的地方，這個實際上收效也是不錯。

 

▌宜行城市：一站式出行，個性化服務

 

在公共交通領域我們也做很多創新，比如基於大資料，對現有路網進行評價並作出相應的規劃，然後根據一些熱點，做跟公交集團一起做定製巴士和跳站小巴，創造多樣性的公共交通服務，最終將所有的出行方式都打通並且線上化以後，通過滴滴的APP，我們可以對出行作出更加高效、細緻、實惠的規劃。

 

例如在一個城市內，人們從A點到B點，我們可能有幾十條路徑規劃，快車直達是一種選擇，快車到一個地鐵站，坐機場快線去機場，也是一個選擇，騎ofo自行車，去公交站乘坐公共汽車也是一個選擇……

這裡面不光是把這個組合排列出來，還會為你實時計算路上的交通狀況，有可能路上已經堵車了，這時候是不是根據使用者的畫像結合實際的路況，給使用者做一個更精準有效的推薦？

 

我們相信，在一個城市裡，如果我們把這個做好，會是一個很大的創新。當真正把所有交通工具打通之後，未來的出行平臺，會像一個你個人的出行祕書一樣，甚至有可能和你的日程表連線起來，你每天要去什麼地方，它都幫你把所有路徑規劃和出行方式都安排好。

 

我想這就是未來交通，這就是我們真正要去的地方，真正實現為大眾服務，以人為本的智慧交通。

 

謝謝大家。

招聘

AI科技大本營現招聘AI記者和資深編譯，有意者請將簡歷投至：gulei@csdn.net，期待你的加入！

AI科技大本營讀者群（計算機視覺、機器學習、深度學習、NLP、Python、AI硬體、AI+金融、AI+PM方向）正在招募中，和你志同道合的小夥伴也在這裡！關注AI科技大本營微信公眾號，後臺回覆：讀者群，新增營長請務必備註姓名，研究方向。

AI科技大本營公眾號ID：rgznai100

☟☟☟點選 | 閱讀原文 | 檢視更多精彩內容