饿了么青港货运智能调度系统统不理解分单是什么意思

来源：蜘蛛抓取(WebSpider) 时间：2018-06-14 05:52 标签： 外卖智能调度系统
用深度学习取代人工调度，全面解析饿了么方舟智能调度系统
　　本期嘉宾：李佩（高级技术总监，饿了么人工智能与策略部负责人）
　　演讲会议：1024学院旗下品牌iTechClub主办?华东区第十一届互联网技术精英高峰论坛
　　整理编辑：小猿
　　对于大部分企业来讲，业务才是驱动研发的核心因素，而深度学习对业务的支撑，也主要集中在提高效率，降低成本等方面上。
　　饿了么是个业务尤其繁重的企业。饿了么拥有的配送员数量接近300w，每一名配送员的日订单数量都可能达到30-40单,而在这样的业务压力面前，饿了么要保证平均29分钟的配送时间非常困难。
　　在从前，这一切全都靠5000名调度员来分配运转。
　　人工调度的祸水
　　人工调度固然有人工调度的优势，比如人工调度员更熟悉所管辖的配送员，比如人工调度员更熟悉所管辖区域的复杂程度。
　　他们知道哪栋大厦进出困难，他们知道走哪条小路速度最快。
　　但与此同时，人工调度也存在很多问题。
　　业务精英或许能完成高效分配，但大部分人并不是业务精英，个人水平的参差不齐，严重影响了饿了么的配送效率。
　　另外值得注意的一点是，饿了么配送员的收入，是用配送单数来衡量的，这就给调度员和配送员之间的灰色交易创造了土壤。
　　更要命的是，为了维持一个如此庞大的人工调度体系，饿了么每年至少需要烧掉5亿元。
　　正是在这种情况下，名为方舟（Ark）的智能调度系统诞生了。
　　系统主要基于四个开发平台：Spark平台，GPU深度学习平台，特征工程平台，AB测试平台。
　　发展出来的业务方向主要有六个：智慧物流，智能调度，智能营销，智能客服，图像视觉，智能硬件。
　　但系统开发之初，问题暴露出来的复杂度显然足以让一般的技术人员望而却步，这些困难的问题至少可以分为四大类。
　　高难度的业务场景
　　1.运力饱和甚至不足的配送服务，容灾能力极差。业务红火对于老板来说犹如办喜事，对于程序员来说却像办丧事。一旦遇见雨雪等恶劣天气，或者某家店搞了个开业大促，业务压力就会瞬间暴涨。
　　2.单人场景的线下配送，意外无法预估。与顺丰等成体系成规模的配送服务不同，外卖行业的配送服务往往面临很多意外情况。比如配送员的电瓶车突然没电了（这个比较濉承┐笙玫牡缣莼盗耍碳页霾统雎耍鹊取３绦蚶锏淖枞梢杂枚嘟探饩觯滴裨笔敲挥杏胺稚碇醯摹Ｒ淮闻渌腿挝竦淖枞岬贾轮蟮亩嗝着倒桥菩вΑ
　　3,配送员：我就是我，颜色不一样的烟火。要知道负责配送的是人，不是机器人。配送员作为一个独立的个体，行为千奇百怪，根本没有统一的模型。一切机械的安排都只能是纸上谈兵。
　　4.高精度地图规划。北上广深的人民深有体会，海淀区的人民能把海淀区绕明白就很厉害了，乍一到朝阳区就跟第一次来北京没啥大区别。对配送员来说，每一栋摩天大厦都是一座超级迷宫，哪个电梯哪个门，走错一次可能订单就要超时。在这类业务上的地图规划，仅仅标出街道是不够的。要像《碟中谍》一样标出大厦层数，电梯位置和逃生出口等要素。
　　应该说，有能力的程序员不会怕一道复杂的算法题。因为算法题里的输入输出固定，且几乎可以确定存在最优解。
　　但这道题里不存在固定的输入和输出，在一系列固定的解决方案和路径规划里，配送员突然停下来抽根烟或许就能把程序员给气死。
　　因此，饿了么的智能调度大脑整整历经了五个大版本的迭代。
　　Version 1：
　　逐单分配：当前时刻最优
　　在这个分配系统的算法里，主要考虑的因素有：1.运单剩余时长。2.骑手已有负载。3.骑手绕路距离。4.运单与骑手已有负载的夹角。
　　抽象出来的问题模型是：带时间窗的路径规划问题。
　　但基于我们前面提到的困难问题第三类，这个解决方案显然过于简单了。
　　基于有的没的、合理的不合理的等千奇百怪的原因，配送员往往不按照系统给出的最优路径来配送。有时候可能因为他的电动车要没电了，有时候仅仅因为他觉得走另一条路比较拉风。
　　所以这个获取当前订单最优解的方案，虽然卓有成效，但还是满足不了业务需求。
　　Version 2：
　　蓄水分单：蓄水时长内最优
　　在第二个版本里，饿了么开发团队引入了buffer的概念。
　　既然但一个体的独特性，会影响分配算法的效率。那么干脆抛弃掉个体概念，该用一个时间区间的维度来考虑问题。
　　关键词是“全局最优”。
　　在这个版本里，算法主要考虑的是：1、运单特征: 起点, 终点, 路面距离。2、骑手特征: 负载, 能力, 绕路比, 最大夹角。3、生成运单骑手匹配度矩阵。4、基于匹配度矩阵做全局最优匹配。
　　做完这个版本，算法工程师们长舒一口气，欣慰地说道：“卧&……”
　　然而基于上面提到的困难问题第一类，问题还是没有彻底解决。问题的本质是：饿了么的运力是不足的！配送人员的招聘速度是跟不上的！
　　一旦碰见高峰期，配送速度还是足够让顾客抓狂。
　　于是就……
　　Version 3：
　　波次并单与多级调控
　　波次并单指的是，在同一波次内尽可能的并单，最大化同时背单数。
　　而多级调控是通过算法，建立了一个运单紧急度模型，分为紧急单分配、低相似运单分配等等，保证最紧急的订单最快出单。
　　实际上，走到这一步，传统算法设计几乎已经无力再继续优化了。
　　实际线下环境的复杂度远远超乎我们的想象。数据有时候看起来是莫名其妙的，因为生产这个数据的原因可能就是莫名其妙的。
　　为了继续优化饿了么的配送体验，第四个版本出世了。
　　Version 4：
　　机器学习分单
　　采用了机器学习的调度系统，建立了五个模型：
　　运单相似度模型，骑手背单能力模型（通过机器学习评估人类员工能力的实例），骑手路径规划模型，骑手行程时间预估模型，骑手楼内时间预估模型。
　　这是整个系统的迭代过程中，深度学习第一次参与模型构建。
　　理论上，只要模型优化的足够好，支撑业务是没有问题的。但同样，调度结果及其依赖算法模型，如果人工智能成了“人工智障”，下游业务人员就会怨声载道。
　　为此，算法工程师专门开赴一线，实地观察配送员的配送行为，对算法模型进行了大量优化。同时也直接催生了第五个版本。
　　Version 5：
　　深层神经网络与多场景智能适配分单
　　在第五个版本里，深度学习深入到智能调度的各个关键环节，甚至是路径规划。
　　理论上来讲，路径规划是不需要深度学习的，是存在理论最优解的。
　　但考虑到，“不一样的烟火型”配送小哥，深度学习的全方位应用就成了必然。
　　于是，深度学习在这个系统里承担了几乎所有的预测工作，包括不同骑手在送餐过程中的路径选择，以及未来15、30分钟的负载压力。
　　为了增加调度系统的“智能”，算法团队首先为调度场景划分了详细的场景，包括：午高峰，平峰，爆单，大厦，小区等特殊场景，根据场景适配多个模型：效果有限分单、等级优先分单等等……
　　接下来主要对训练数据进行了优化，从普通一线配送行为的数据采集，提升到采集“专家级”配送小哥配送数据。
　　目前这套系统还在稳定的为饿了么全国配送服务提供支持。
　　未来配送
　　在演讲的结尾，李总展望了一下未来的配送场景，顺便透露了一个小新闻：
　　饿了么正在研发无人机配餐！
　　单一行业的提效降本，往往是硬件和软件两方面决定的，在算法层面紧跟住人工智能、深度学习前沿之后，最大的提升就是配送方式了。
　　这点从行业头部企业的主要动向上就可见一斑，阿里也要搞无人家配送，顺丰也要搞无人机配送，亚马逊也要搞无人机配送，你们这是要干啥呀！
　　不说了，小猿去买大疆的股票了。闃块噷浜戜汉宸ユ櫤鑳紼T鍏ヨ亴楗夸簡涔堟媴浠昏皟搴﹀憳
銆怲echWeb鎶ラ亾銆

我要回帖

更多关于 外卖智能调度系统 的文章

 

随机推荐