已知：M 市 2016 年连续三周每个需预测的时间片前半小时的数据信息
预测：M 市第四周和第五周中某五天的后 10 分钟的供需
这是滴滴的算法大赛在过去三个月留给选手的命题，来自海内外 7664 个团队、11440 人参与了报名。
他们通过提取特征、建模、优化算法等得出结论，然后与真实的情况进行对比，误差最小，算法优秀的团队将胜出。
对于一个经验丰富的司机来说，猜测北京国贸地区在 3 点半左右的打车人数并不难。对于一个连接司机和乘客的算法平台而言，一点儿也不简单。
滴滴出行的 CEO 程维笑称，我们可能未必有最高的工资，但是我们有世界上最难的题目。
根据滴滴方面的数据，滴滴出行平台日均需处理 1100 万订单，需要分析的数据量达到 50TB，路径规划服务请求超过 90 亿。程维说：「我们的用户每发出一个订单，计算量是淘宝的一千倍。」
在这个过程中，运力调度，路径规划等都需要依靠算法来处理，能否高效解决，影响着用户的用车体验。
以运力调度为例，如果能够提前预测一个区域的供给和需求情况，引导司机前往，那么在乘客需要实时出行时，车辆就会及时出现。
这也成为了这次大赛命题——「解决出行行业供需预测问题」的由来。
解决供需问题需要考虑哪些因素
在比赛的过程中，三位来自南京理工大学的学生遇到了算法和逻辑很难解释的问题：下午三点的供需差要比其他时段要大。
「晚上 5，6 点是下班晚高峰，中午司机需要休息、吃饭，这些时间点司机供给不足可以理解。下午三点怎么会出现这种情况呢？」
团队干脆就走到街头，跟滴滴司机聊天，聊到后来才发现，下午三点多，乘坐的客人不多，平台没有什么激励机制，所以司机的接单的意愿不高。
基于此，他们对方案进行了调整和完善。
这也成为团队的加分项，最后，他们以在算法改进，特征工程等方面的创新性改造获得一等奖。
除了获奖团队，参赛团队的很多想法也给了滴滴研究院副院长叶杰平很多启发。「团队挖掘的特征有上千种，比如，他们还会考虑用户在一次订单失败后，第二次，第三次重新提交订单的概率。这是我们之前没有想到的。」
从最早的抢单模式到指派，到现在的极速派单，叶杰平说这背后得益于算法的优化。
为了保证指派给司机的订单是最合适的，距离因素、拥堵状况以及司机的历史行为都会被考虑进去。「司机对价格是否敏感，之前的订单评价如何，是不是经常取消订单等，都是影响因素。」
而这次算法比赛，也有益于他们吸收好的计算结果，应用到现有的系统中去。
考题背后的人工智能是滴滴的下一个故事
通过比赛发现创新性的解决方案，招募人才。滴滴出行对外传达的讯息就是：我们重视和人工智能相关的技术和人才。
和美团王兴的下半场理论相似，滴滴出行的 CEO 程维也认为互联网创业进入到了下半场，不过，他认为下半场的关键在于人工智能。
「滴滴很幸运地拿到了上半场的船票，上半场我们更多的是靠终端的发展，开始是电脑，后来变成了手机。互联网的下半场就是人工智能，之前所有靠连接的红利，靠网民增长发展的企业都碰到了一定的瓶颈，端的发展慢慢会慢下来，云的发展会越来越快，滴滴连接了一千五百万个交通工具，每天有近两千万单发起，下一步是要智能 AI 变得更加的聪明，变得越来越懂人类，变得能够撮合供需之间不平衡的矛盾。」
为此，滴滴出行在 4 月份宣布将机器学习研究院升级为滴滴研究院，并任命何晓飞教授为滴滴研究院首任院长。
程维希望，滴滴出行能够成为一家技术公司，在技术上和国际团队一决高下。这也是继出行和共享经济之后，滴滴正在说的新故事。
iOS下载