美團“超腦”配送系統的由來
2014年，斯嘉麗·約翰遜主演的科幻片《超體》大火，影片中主人公Lucy由於無意中攝入了大量的代號為“CPH4”的神祕藥物，大腦神經元獲得空前的開發，獲得了異乎尋常的超能力，她能夠對這個世界進行全新的感知、理解和控制（比如控制無線電波），最終跨越時間和空間成為了一個超級個體。
這種對真實世界的深度感知、理解和控制，與配送AI系統對配送場景的感知、理解和配送環節控制的目標非常一致。可以說，美團要建設的AI就是配送系統的“超級大腦”。因此我們內部把配送的AI系統，簡稱為“超腦”配送系統。
即時配送在全球快速發展
最近幾年，以外賣為依託，即時配送業務在全球範圍內掀起了一波快速發展的浪潮，全球各地都出現了很多創業公司，其中國外知名的包括美國的Uber Eats（全球）、英國的Deliveroo、印度的Swiggy、Zomato（分別被美團和阿里投資），印尼的go-jek等等。國內除了美團外賣、餓了麼、滴滴外賣等典型代表外，而還有專注於即時配送服務創業公司，比如閃送、UU跑腿、達達、點我達等。
這種全球爆發的現象說明了兩個問題：
“懶”是人類的天性。平價、方便、快捷的服務是人類的普遍需求，尤其是在“吃”這個事情上，外賣成為了一種高頻的剛需。
外賣的商業模式完全可行。以美團外賣為例，2018年上半年整體收入160億，同步增長90%。根據Uber公佈的資料，Uber Eats在2018第一季度佔整體營業的13%。
即時配送的業務模型
即時配送，是一種配送時長1小時以內，平均配送時長約30分鐘的快速配送業務。如此快速的配送時效，將傳統的線上電商交易與線下物流配送（傳統劃分比較明確的兩條業務）整合為統一整體，形成了使用者、商戶、騎手和平臺互相交錯的四元關係。
其整合力度空前緊密，幾乎滲透到各個環節。以外賣搜尋和排序為例，在下午時段，在使用者搜尋和推薦中可以看到更多的商家，因為此時運力充分，可以提供更遠距離的配送服務，不僅能更好滿足使用者的需求，提高商家的單量，而且能夠增加騎手的收入。
即時配送的核心指標是效率、成本、體驗，這三者也形成了即時配送的商業模型。簡單來說可以分為以下幾步：
首先配送效率提升
- 讓騎手在單位時間內配送更多訂單，產生更多價值。
然後配送成本下降
- 更高的效率，一方面讓騎手收入增加，一方面也讓訂單平均成本下降。
然後使用者體驗提升
- 低成本能夠讓使用者（商戶）以更低的價格享受更好的配送服務，從而保證更好的使用者體驗。
進一步提升效率並形成迴圈
- 更好的使用者體驗，讓更多使用者（商戶）聚集過來，提升規模和密度，進一步提升配送效率。
這樣，就形成了一個正向迴圈，不斷創造更多商業價值。而技術的作用，就是加速這個正向迴圈。
美團“超腦”配送系統
目前網際網路技術，很大部分還是針對線上產品和系統研發，整個流程可以線上上全部完成，而這也正是配送AI技術最大的不同和挑戰。簡單來說，類似搜尋、推薦、圖象和語音識別這種線上產品常用的AI技術幫助不大，因為配送必須線上下一個一個環節的進行，這就要求AI技術必須能夠面對複雜的真實物理世界，必須能深度感知、正確理解與準確預測、並瞬間完成複雜決策。
為了滿足這些要求，我們建設了美團“超腦”配送系統，包含以下幾個方面：
大資料處理和計算能力
- 演算法資料和計算平臺：包括實時特徵計算、離線資料處理、機器學習平臺等。
建立對世界深度感知
LBS系統：提供正確位置（使用者/商戶/騎手）以及兩點之間正確的騎行導航。
多感測器：提供室內定位 、精細化場景刻畫、騎手運動狀態識別
正確理解和準確預測
時間預估：提供所有配送環節時間的準確預估
其他預估：銷量預估、運力預估等
完成複雜決策
排程系統：多人多點實時排程系統，完成派單決策：誰來送？怎麼送？
定價系統：實時動態定價系統，完成定價決策：使用者收多少錢？給騎手多少錢？
規劃系統：配送網路規劃系統，完成規劃決策：站點如何劃分？運力如何運營？
機器學習技術挑戰
如何構建一個在真實物理世界執行的AI系統，就是我們最大的挑戰。具體到機器學習方向而言，挑戰包括以下幾個方面：
精度足夠高、粒度足夠細
時間要求：一方面是週期性變化，比如早午晚，工作假日，季節變化；一方面是分鐘級的精細度，比如一個商圈單量和運力的實時變化。
空間要求：一方面是不同商圈獨有特性，比如CBD區域；一方面是要實現樓棟和樓層的精度，比如1樓和20樓，就是完全不同的配送難度。
魯棒性要求：處理各種不確定的能力，比如天氣變化、交通變化等等。
線下資料質量的巨大挑戰
大噪音：比如GPS定位漂移，尤其是在高樓附近，更不要說在室內GPS基本不可用。
不完備：比如商家後廚資料、堂食資料、其他平臺資料，都極難獲得。
高複雜：配送場景多樣而且不穩定，隨著時間、天氣、路況等在不斷變化。
配送系統的核心引數ETA
ETA（Estimated Time of Arrival，時間送達預估）是配送系統中非常重要引數，與使用者體驗、配送成本有直接關係，而且會直接影響排程系統和定價系統的最終決策。
一個訂單中涉及的各種時長引數(如上圖右側所示），可以看到有十幾個關鍵節點，其中關鍵時長達到七個。這些時長涉及多方，比如騎手（接-到-取-送）、商戶（出餐）、使用者（交付），要經歷室內室外的場景轉換，因此挑戰性非常高。
通過機器學習方法，我們已經將外賣配送幾乎所有環節都進行了精準預估預測。使用者感知比較明顯是預計送達時間，貫穿多個環節，商家列表（從配送時長角度讓使用者更好選擇商家）、訂單預覽（給使用者一個準確的配送時間預期）、實時狀態（下單後實時反饋最新的送達時間）。當然這裡面還有很多使用者看不到的部分，比如商家出餐時間、騎手到店時間、交付時間等。其中交付時長，與使用者關係比較大，也很有意思，下文會詳細展開。
精準到樓宇和樓層的預估：交付時長
交付時長是指騎手到達使用者後，將外賣交付到使用者手中並離開的時間，實際是需要考慮三維空間內計算（上樓-下樓）。交付時間精準預估，有兩點重要的意義，首先是客觀的衡量配送難度，給騎手合理補貼；其次，考慮對騎手身上後續訂單的影響，防止排程不合理，導致其他訂單超時。
交付時長的目標是，做到樓宇和樓層的精準顆粒度，具體可以拆解為以下幾步：
地址的精準解析（精確到樓宇/單元/樓層）
地址精度需要在5級之上（4級：街道，5級：樓宇），國內擁有這個級別精細化資料的公司屈指可數。
資料的安全級別很高，我們做了很多脫敏工作，做了各種資料保護與隔離，保證使用者隱私和資料安全。
地址資訊的多種表達方式、各種變形，需要較強的NLU技術能力。
交付時長預估
通過騎手軌跡進行“入客-離客”識別，並進行大量資料清洗工作。
統計各個粒度的交付時長，通過樹形模型實現快速搜尋各個粒度的資料。
因為預估精度是樓宇和樓層，資料很稀疏，很難直接進行統計，需要通過各種資料平滑和迴歸預估，處理資料稀疏和平滑的問題。
下游業務應用
給排程和定價業務，提供樓宇+樓層維度的交付時長。從上圖可以看到，在不同樓宇，不同樓層交付時長的區分度還是很明顯的。
尤其是樓層與交付時長並不是線性相關，我們還具體調研過騎手決策行為，發現騎手會考慮等電梯的時間，低樓層騎手傾向於走樓梯，高樓層則坐電梯。
可以看到，真實世界中影響決策因素非常多，我們目前做的還不夠。比如交付時長也可以進一步細化，比如準確預估騎手上樓時間、下樓時間和等待時間，這樣其實能夠與商家取餐環節保持一致，之所以沒這麼做，主要還是資料缺失，比如騎手在商家其實有兩個運算元據（到店、取餐），這樣能支援我們做精細化預估的，但是在使用者環節只有（送達）一個操作。
舉這個例子，其實是想說明，資料的完備性對我們到底有多重要。資料方面的挑戰，線下業務與線上業務相比，要高出好幾個等級。
配送中最重要的資料之一：地圖
地圖對配送的重要性毋庸置疑（位置和導航都不準確，配送如何進行？），前面提到的5級地址庫只是其中一部分。配送地圖的目標可以概括為以下兩點：
- 正確的位置 - 實時部分：騎手實時位置。 - 靜態部分：使用者和商戶準確的地址和位置。 - 正確的導航 - 兩點之間正確的距離和路線。 - 突發情況的快速反應（封路、限行）。
如果橫向對比配送、快遞、叫車等行業對地圖的要求，其實是一件很有意思的事情，這個對於配送地圖技術建設來說，是一件非常有幫助的事情。
即時配送 VS 物流快遞：即時配送對地圖的依賴程度明顯高於物流快遞
即時配送 VS 出行行業：地圖廠商在車載導航的優勢和積累，在即時配送場景較難發揮
從這兩方面對比可以看到，在即時配送業務中，騎行地圖的重要性非常之高，同時很多問題確實非常具有行業特色，通過駕車地圖的技術無法很有效的解決。這樣就需要建設一套即時配送業務地圖的解決方案。
基於簽到資料的位置校正：交付點
如前文所述，配送地圖的方向有很多，這次我重點講一下使用者位置相關的工作“交付點挖掘”。首先看一下目前主要問題：使用者位置資訊有很多錯誤，比如：
使用者選擇錯誤
上圖左，一個小區會有1期2期~N期等，使用者在選擇POI的時候就可能發生錯誤（比如1期的選了2期），兩者地理位置相差非常遠，很容易造成騎手去了錯誤的地方。這樣在訂單傳送到配送系統的時候，我們需要做一次使用者座標糾正，引導騎手到達正確的位置。
POI資料不精細
上圖右，使用者本來在xx區xx棟，但是隻選了xx區這個比較粗的位置資訊。現實中在一個小區裡面，找到一個具體xx棟樓還是非常困難的，大家可以想想自己小區中，隨便說一個樓號你知道它在哪個角落嗎，更別說如果是大晚上在一個你不熟悉的小區了。造成這種原因，一方面可能是使用者選擇不精細，還有一種可能，就是地圖上沒有具體樓棟的POI資訊。
在實際配送中，我們都會要求騎手在完成交付後進行簽到，這樣就會積累大量的上報資料，對於後續進行精細化挖掘非常有幫助。大家可以先看看我們收集的原始資料（上圖），雖然還是非常凌亂，但是已經能看到這其中蘊含著極高的價值，具體來說有三方面：
資料量大
每天幾千萬訂單，幾十億的軌跡資料。
可以充分覆蓋每一個小區/樓棟/單元門。
維度多樣
除了騎手簽到和軌跡資料，我們還有大量的使用者、商戶和地圖資料。
多種資料維度可以交叉驗證，有效避免資料的噪音，提高挖掘結果精度。
資料完備
- 在區域性（使用者和商戶）資料足夠稠密，置信度比較高。
交付點挖掘的技術實戰：挑戰
在資料探勘實際過程中，其實並沒有什麼“高大上”的必殺技，無法使用流行的End2End方法，基本上還是需要對各個環節進行拆解，紮紮實實的做好各種基礎工作，基本整個挖掘過程，分為以下幾個步驟：（1）基於地址分組；（2）資料去噪；（3）資料聚合；（4）置信度打分。其中主要技術挑戰，主要在各種場景中保證資料探勘質量和覆蓋率，具體來說主要有三個挑戰：
資料去噪
- 資料噪音來源比較多樣，包括GPS的漂移、騎手誤操作、違規操作等各種。一方面是針對噪音原因進行特殊處理（比如一些作弊行為），另一方面要充分發揮資料密度和資料量的優勢，在保證儘量去除Outlier後，依然保持可觀的資料量。能夠同時使用其他維度的資料進行驗證，也是非常重要的，甚至可以說資料多樣性和正交性，決定了我們能做事情的上限。
資料聚合
- 不同區域的樓宇密度完全不一樣，具有極強的Local屬性，使用常規聚類方法，比較難做到引數統一，需要找到一種不過分依賴樣本集合大小，以及對去噪不敏感的聚類演算法。
重名問題
- 這個屬於POI融合的一個子問題，判斷兩個POI資訊是否應該合併。這個在使用者地址中比較常見，使用者提供的地址資訊一樣，但實際是兩個地方。這種情況下，我們的處理原則是一方面要求糾正後座標更符合騎手簽到情況，另一方面新座標的簽到資料要足夠稠密。
交付點挖掘的技術實戰：效果
目前，我們已經上線了一版交付點，對使用者位置進行主動糾正，讓騎手可以更準確更快的找到使用者。目前效果上看還是非常明顯的。包括幾個方面：
騎手交付距離明顯降低
- 從上圖左側部分看到，在上線前（綠色）交付距離>100M的佔比很高（這個距離會導致實際位置差幾棟樓，甚至不同小區），也就是使用者自己選著的位置錯誤率比較高，導致騎手交付難度較高，對效率影響比較大。上線後（紅色），交付距離明顯縮短（均值左移），同時>100M的長尾比例明顯下降。
單元門級別的高精度位置
- 上圖右側部分看到，我們挖掘的交付點基本上能與樓宇的單元門對應。而且沒有明顯偏差比較大的部分。這個質量基本達到我們之前設定目標，也證明配送大資料的巨大潛力。
目前的問題以及後續的優化點
如何提升其作為POI挖掘和發現手段的準確率？這裡面有很多優化點，比如去重（交付點-位置資訊的一一對映），POI資訊補全和更新。
如何擴大資料渠道並做到資訊整合？目前主要渠道還是騎手簽到和軌跡資料，這個明顯有更大的想象空間，畢竟每天在全國大街小巷，有幾十萬騎手在進行配送，除了前面（以及後面）提到的通過手機被動採集的資料，讓騎手主動採集資料，也是不錯的建設思路。只不過想要做好的話，需要建立一個相對閉環資料系統，包括上報、採集、清洗、加工、監控等等。
更精細化的配送場景識別：感知
前面提到的地圖技術，只能解決在室外場景的位置和導航問題。但配送在商家側（到店、取餐）和使用者側（到客、交付）兩個場景中，其實是發生在室內環境。在室內的騎手位置是在哪裡、在做什麼以及使用者和商家在做什麼，如果瞭解這些，就能解決很多實際問題。比如：
這個技術方向可以統稱為“情景感知”，目標就是還原配送場景中（主要是室內以及GPS不準確），真實配送過程發生了什麼，具體方向如下圖所示：
情景感知的目標就是做到場景的精細刻畫（上圖的上半部分），包含兩個方面工作：
配送節點的精確刻畫
- 在ETA預估中已經展示過一些，不過之前主要還是基於騎手上報資料，這顯然無法做到很高精確，必須引入更客觀的資料進行描述。目前，我們選擇的是WiFi和藍芽的地理圍欄技術作為主要輔助。
配送過程的精確刻畫
- 騎手在配送過程中經常會切換方式，比如可能某個小區不讓騎電動車，那騎手必須步行，再比如騎手在商家發生長時間駐留，那應該是發生了等餐的情況（使用者側同理）。目前，我們選擇使用基於感測器的運動狀態識別作為主要輔助。
這些資料，大部分來至於手機，但是隨著各種智慧硬體的普及，比如藍芽裝置，智慧電動車、智慧頭盔等裝置的普及，我們可以收集到更多資料的資料。WiFi/藍芽技術，以及運動狀態識別的技術比較成熟，這裡主要說一下概況，本文不做深入的探討。
對於配送系統來說，比較大的挑戰還是對識別精度的要求以及成本之間的平衡。我們對精度要求很高，畢竟這些識別直接影響定價、排程、判責系統，這種底層資料，精度不高帶來的問題很大。
考慮成本限制，我們需要的是相對廉價和通用的解決方案，那種基於大量感測器硬體部屬的技術，明顯不適用我們幾百萬商家，幾千萬樓宇這種量級的要求。為此，在具體技術方面，我們選用的是WiFi指紋、藍芽識別、運動狀態識別等通用技術方案，就單個技術而言，其實學術界已經研究很充分了，而且也有很多應用（比如各種智慧手環等裝置）。對於我們的挑戰在於要做好多種感測器資料的融合（還包括其他資料），以確保做到高識別精度。當然為了解決“Ground Truth”問題，部署一些穩定&高精度的智慧硬體還是必須的，這對技術迭代優化和評估都非常有幫助。
總結
美團外賣日訂單量超過2400萬單，已經佔有了相對領先的市場份額。美團配送也構建了全球領先的即時配送網路，以及行業領先的美團智慧配送系統，智慧排程系統每小時路徑計算可達29億次。如何讓配送網路執行效率更高，使用者體驗更好，是一項非常困難的挑戰，我們需要解決大量複雜的機器學習和運籌優化等問題，包括ETA預測，智慧排程、地圖優化、動態定價、情景感知、智慧運營等多個領域。過去三年來，美團配送AI團隊研發效果顯著，配送時長從一小時陸續縮短到30分鐘，並且還在不斷提升，我們也希望通過AI技術，幫大家吃得更好，生活更好。