路线调配中的人工智能在送人和送外卖方面都是怎么运用的?

  • 回答 (9)
  • 关注 (0)
  • 查看 (228)

送人和送外卖都是运营到了路线调配,那在其中的人工智能都是怎么运用的?送人和送外卖有区别吗?如果有,区别大吗?如果没有,那共同的核心是什么?

MyLoveMyLove提问于
林光宇回答于

刚好前几天刚看完x家的外卖分析,那我简要来描述一下整个外卖配送中的核心技术。

核心技术竞争力依托三级火箭技术:云计算、大数据和人工智能,实现了智能物流调度、个性化推荐、精准营销和反作弊等核心项目在外卖业务的成功落地,为外卖构建了强大的技术壁垒及核心技术竞争力。智能调度系统是外卖物流的最核心环节,依托千万级历史订单数据、骑士定位数据、精准的商户特征数据,针对骑士实时情景(任务量、配送距离、并单情况、评级),对订单进行智能匹配,实现自动化调度以及资源的全局最优配置,在保证系统效率的前提下,最大限度地提高用户体验。

  • 大数据技术

运用大数据技术,配送场景下数据指标统计、挖掘和建模。

每天百万级的订单量,为大数据技术提供了理想的应用场景;大数据技术实现了不同配送场景下数据指标的统计、挖掘和建模,也为智能调度算法进一步优化提供了重要动力。

细分了骑士、商圈、用户和商户四大配送场景,分别构建了各自独特的数据指标体系。调度系统可以实时掌握到骑士的能力状态,是新手还是熟手;商圈是白领集中还是生活住宅区,对配送时间要求高不高;用户是在上班还是住家,能否很快出门接餐;商户是高档餐厅还是大众快餐,能在多久时间内制作出餐品。

有了大数据的指引,调度系统才能明察秋毫、运筹帷幄。就像侦察兵配合炮兵,做到指到哪、打到哪、打得准。

  • 计算能力

分布式大容量计算资源,每秒钟亿级的调度运算能力,承载海量实时计算需求

图源网络,调度计算

无论是复杂的调度规划,还是海量的数据建模,或是实时的平台响应,都需要有强大的计算能力在背后支撑。否则不管设计时考虑得有多全面,如果实际的计算能力不能在秒级,甚至毫米级得到正确答案,使用者的糟糕体验都会成为决定最后成败的那根稻草。

举例来说,为了得到最合适的订单调配,指派时机可能有多个。每个指派时机上各种可能的组合也会随着商圈订单规模的增大而呈指数级膨胀。为了尽可能地选择最优指派时机,系统还可能会做多种预测,尝试各种分支副本情况下的优化空间。如此一来,后台系统需要的计算能力就会非常高。可以说,物理上计算能力的容量,决定了系统最终效果能做到的天花板。

依托云计算积累下来的技术优势,结合实际应用场景,就可以设计了分布式、高并发、大容量的流式计算框架,尽可能将独立的计算任务拆分到不同的机群上运行,得到整体上最优的计算效果。经测算,目前的计算框架完全可以支撑未来每天千万级订单的动态调度、数据建模和实时平台响应的运算规模。

穿鞋跑得快python php回答于

在“送人”也就是打车方面的人工智能层面的技术主要是,行程设计:总金钱价值、时间总量及构成、内容信息服务、自动分发订购提醒等服务一体化。

主营业务的供应链管理效能问题.把时空轨迹处理成驻留点轨迹,用长周期驻留轨迹数据分析出行需求,基于这个用供应链管理原理可以做的应用范围至少涵盖了3个层次的业务.

1.基于中长周期海量数据离线分析(月表,至少分析6-12个月数据),输出大区域通道总出行规模及各类出行方式构成,根据区域产业规划、人口变动趋势等变量做中长期预测,对接规划部门,服务于长周期大资金规模的交通供给投入决策:如是否新建轨道交通路线,新建公路、新增航线。这个层面的供需分析滴滴的数据不是最适用的数据,这层业务理论上跟滴滴没有多大关系。

2.基于中周期数据离线分析(月表),输出社区、街区、园区、商业中心、写字楼群级别的od模型,服务于中周期运营固定资产投入(对应存货管理):如公交车规模、出租车、专车、列车、飞机规模是否匹配当下及未来一个折旧周期的市场需求。听说滴滴打算开始自营业业务,这层用得上,而且以目前高达80%-90%+的租约车应用市场占有率,用数据推断租约小车出行这个市场的总体面貌是比较靠谱的。

3.短周期准实时数据分析,用于日内运力调度,租约车应用迅速普及靠的是实时广播车辆位置这件事,做的是实时撮合有效供需,出行群众降低了错过的概率,司机理论上可降低空载率,但如果区域内绝对有效供需不平衡则无力解决空载和打不到车的问题。在运营车辆总量一定的条件下,以前出租车公司调节这个问题靠的是出租车司机自身的经验和智慧,多收点板板钱可以压榨出尽可能大的智慧.大概可能可以使用技术手段准实时控制城市小区块内车辆规模,尽量促成小区块内供需平衡。

挺问中原给自己先定一个小目标,先TM赚1k成长回答于

其实乍一看上去这俩区别也不是特别大。一个是送人,一个是送外卖。

打车本来做的就是路线调配,人是分散运动的,外卖点是固定的,能送人肯定也能送外卖。

人是移动的应该是指要实时更新用户位置,以防走动,或者有的地点不方便上下车需要行人走动,也是需要实时更新地点,以免更方便联系上。

外卖本来做的就也是路线调配,外卖最讲究时效性,多一分钟都不能等,能送外卖肯定也能送人。

其实这两方面可以一起做,并不仅局限于表面配送功能和要求一样,而是内在的核心技术是差不多的。高时效的路线调配,需要大量云计算,有了人工智能的帮助就会好很多。

除了人工智能,还需要数学建模。本来计算机里的算法就是离不开数学的,人工智能更是建立在大数据之上。

对实际问题进行数学建模,抽象成多目标动态优化问题,选择求解算法。

影响订单分配的因素很多,从订单生成那一刻开始,调度系统就要考虑到订单的目的地址、用户的地址、商圈内的骑士或者的哥数量和状态、订单的预期送达时间。每一个订单并不是孤立存在的,要想得到全局最优的配送方案,还要考虑到这一时段内其他订单的配送情况,尽可能做合并,提高整体的配送效率。如果再考虑到不同城市、商圈、天气、节假日、工作日和商圈骑士运力配置等情况,事情就变得更加复杂起来。

对于这样一个极其复杂的多目标动态优化问题,采取逐层建模的方式来降低复杂度就非常有必要了。其基本逻辑是,越是通用的参数变量,越需要在底层作为基础约束条件进行采集,实现降维的目标。越是多变的场景变量,越是要在高层作为调优参数进行优化,实现特化的目标。中间连接两者的是动态规划算法,由机器算法完成最核心的求解过程。

所以总体上来说,这两方面都是很相似的,如果相互渗透我觉得也是不足为奇。如果能相互扶持,变得更好那才是我们希望看到的局面。

离岛爱编程,爱画画回答于

智能系统替代人工劳动这是一个发展趋势。

在案例实施前的人工调度阶段,也会出现某个调度员由于熟悉商圈,头脑灵活而表现出很高的调度效率。在智能调度替换人工调度的初始阶段,就会出现种种不适,甚至认为还不如退回到人工调度状态。

智能系统可能不会比最聪明的人更能干,但能替代大多数人的工作。而且会随着系统的不断升级而得到加强。个别优秀人的经验,则很难复制给其他中等资质的人,而且有可能随着人员流失、新业务开展而发挥不了作用。反复强调这点,是线下推动执行的关键。

朝朝回答于

打车做人工智能,归根结底是要匹配乘客和司机,如果说能够智能的匹配,那么效率的提升将是非常显著的,而效率的提升就对应着司机的收入的提升,公司的盈亏改善,可以说模型的指标很可能就会影响到公司的生死。

动调实际上是扼杀需求,实际上公司是不希望扼杀需求的,乘客当然也不开心。

而从后台的数据可以看到,不管什么时候,即使是早晚高峰,也有相当多的一部分司机处于空闲状态,这就说明相比于补贴和动调,供需预测的想象力更为大,如果这个做准了,补贴和动调都可以撤了。这个时候就可以根据以往数据形成预测,再使用人工智能实现动态调配。

乌鸦病人出院后,症状未消除。回答于

以后不会出现载人的的车上还放着份外卖吧……

藕丝空间人称受程序员思维影响深刻的闷骚大叔。回答于

楼上两位想多啦,怎么可能呢~虽然相互渗透,但是部门还是分开各做各的啊

SQL GM热爱数据库的小工匠回答于

细思恐极,以后打的叫来了一辆外卖小哥???

Sunde设计师回答于

送人和送外卖肯定有区别的,送人如果不是拼车的话值计算一个最优路径就好,送外卖肯定不止是一个,所以要最优计算多个路径来规划。

扫码关注云+社区

领取腾讯云代金券