DoorDash如何使用ML和最佳化解決訂單派送的排程問題

訂單派送目標
讓我們首先定義我們在排程 Dashers 時要實現的目標。我們的目標有兩個： 

• 儘可能高效地向 Dashers 提出報價，以便他們最大限度地提高賺錢機會。
• 快速準時交付訂單，讓消費者和商家對他們的體驗感到滿意。 

尋找最好的Dasher 
要找到交付訂單的最佳 Dasher，我們需要考慮許多不同的因素。最重要的因素是Dashers 的地理位置。我們通常希望找到儘可能靠近商店的 Dasher，以儘量減少總派送時間。
我們考慮的第二個因素是確保 Dasher 會在正確的時間到達。如果我們過早派遣 Dasher，他們將不得不等待訂單準備就緒。如果我們發貨太晚，食物會放置太久並可能變冷，而商家和消費者會因為食物沒有儘快交付而感到不安。
另一個因素是批處理，透過尋找機會，儘可能有效地利用 Dasher，單個 Dasher 可以在同一家商店（或附近的一組商店）提取多個訂單。
 

考慮市場條件
還有其他我們無法控制的市場條件會影響我們選擇哪個 Dasher 的決定。最重要的是任何特定市場的供需平衡。雖然我們努力確保有足夠的 Dashers 來完成訂單，但有時我們可能沒有足夠的 Dashers 來處理所有訂單。在這些供不應求的情況下，我們必須權衡現在和以後接受哪些訂單。在這些情況下，如果單個 Dasher 能夠同時提取多個訂單，那麼尋找批處理機會也是有益的，消費者可以更快地獲得訂單。我們還需要檢視天氣和交通等條件，這些條件可能會影響交貨時間或導致 Dashers 以高於我們通常預期的速度拒絕訂單。
 

解決派送問題
處理如此複雜的問題是一個兩階段的過程：
首先，我們構建了一個複雜的排程服務，該服務利用許多 ML 和最佳化模型來了解市場狀態，並向 Dashers 提供最佳報價以滿足我們市場的需求。
第二階段是建立模擬和實驗平臺，使我們能夠不斷改進我們的排程服務。
這兩種方法都幫助我們實現目標，並每天繼續進步 1%。在以下部分中，我們將介紹我們的排程系統的架構以及它如何處理樣品交付。然後我們將描述我們如何利用我們的模擬和實驗平臺來改進我們的決策。 
 

構建 DeepRed：我們的排程服務 
在高層次上，排程引擎建立在兩組數學模型之上。第一組模型是 ML 模型，經過訓練可以估計如果我們將訂單提供給特定的 Dasher，訂單將如何展開。這些模型專注於對每個訂單、商店和 Dasher 進行預測。
 一旦做出估計，它們就會被送入我們的第二個建模層，我們的混合整數最佳化模型。最佳化模型最終建議將哪些訂單提供給哪些 Dashers。ML 層專注於對每個訂單進行單獨估計，而最佳化層則專注於為整個市場做出系統範圍的決策。
總之，ML 模型和最佳化層從我們的市場中提取數百萬個資料點，形成一組排程決策，以確保將每個訂單提供給 Dasher，後者可以儘可能高效地將其從商店交付給消費者。
 

訂單的配送過程
理解我們如何解決排程問題的最好方法是考慮單個訂單如何透過 DeepRed 的複雜系統工作。我們將看看訂單如何透過 DeepRed 的多個層，從我們的報價候選生成器開始，繼續到我們的 ML 層，該層估計這些報價在現實世界中的表現，然後透過我們的最佳化層，得出最終建議。
 

構建潛在的報價
當新訂單到達我們的排程引擎時，我們首先更新我們對市場當前狀態的理解以及該訂單如何與 Dashers 和其他訂單互動。我們正在尋找附近有哪些 Dasher 可以領取新訂單。這些 Dashers 可能正在等待他們的下一個訂單，在這種情況下，我們可以立即為他們提供新訂單，或者他們可能正在完成另一個訂單，在這種情況下，我們可以計劃在他們完成訂單後立即向他們提供新訂單當前交貨。
我們在此階段的重點不僅限於哪些 Dashers 可用：我們還會檢視其他哪些訂單正在等待接收。如果在與我們的訂單相同的商店或同一街區有另一個訂單被提取，則將兩個訂單提供給同一個 Dasher 可能是有意義的。如果在我們的訂單需要交付的地方附近還有另一個交付需要下車，情況也是如此。
透過檢視可用的 Dasher 和其他訂單，我們能夠為我們的新訂單構建潛在的報價：該訂單可以提供給的一組 Dasher，以及可能由同一個 Dasher 提取的其他訂單。然後，這些潛在的報價被髮送到 ML 層，在那裡我們預測這些報價在現實世界中可能會發生什麼。
 
更多點選標題見原文