滴滴共享两轮车供需策略探讨

叁歲伎倆 2022-10-06 04:59 140阅读 0赞

共享两轮车作为短途出行的重要工具，为用户的城市出行提供了极大便捷。由于用户的骑行会使得车辆在城市中的分布产生差异，所以为了更好地服务、满足用户的短途出行需求，需要一线运维同学对车辆进行调度，从而适应城市的供需状态变化。本篇文章将针对两轮车供需策略中的一个问题进行展开和探讨。

**1. 前言**

在短途出⾏场景中，共享两轮⻋是⼀种“所⻅即所得”的出⾏⽅式，⼀个地点是否有⻋，对于⽤户的使⽤体验和⽤户的需求满⾜来说尤其重要，但是我们并不能“饱和式”的进⾏⻋辆投放， 那么如何将可被调拨的有限⻋辆资源在时空内重新进⾏分配，从⽽带来更多的⻋辆价值，满⾜⽤户的短途出⾏需求是我们需要亟待解决的重要问题，本⽂将针对两轮⻋供需策略中点位上的⻋辆调度量预估问题进⾏展开和探讨。

**2. 基础时序建模**

![v2-33dfb52c0cd8c7d8c0cbe911845a811c\_b.jpg][v2-33dfb52c0cd8c7d8c0cbe911845a811c_b.jpg]

在对城市点位上车辆的骑入、骑出及其需求缺口数进行预测时，最基本的想法是借助用户、车辆、路网、天气、时间、行为序列等平台上所有相关可知的数据特征，来进行特征工程的构建，进而在点位上对未来车辆的流转情况进行预测，从而得到该点位未来的需求缺口、骑入、骑出（不同时间颗粒度下的目标，由业务目标决定），那么根据目标的预测情况，我们就知道用户的骑入是否能够满足骑出的需求，如果车辆的自运转无法满足当前时间段的需求，那么需要线上生成“工单”进行指引调度车辆（最终调度不以单一此目标决定，下文同此）。

![v2-9cf25046261a819c1e586cbeb11052ee\_b.jpg][v2-9cf25046261a819c1e586cbeb11052ee_b.jpg]

![v2-153aa348cf0a42853e68a428292b5411\_b.jpg][v2-153aa348cf0a42853e68a428292b5411_b.jpg]

**3.** 多任务学习建模

![v2-33dfb52c0cd8c7d8c0cbe911845a811c\_b.jpg][v2-33dfb52c0cd8c7d8c0cbe911845a811c_b.jpg]

上述的时间序列建模中，我们对多个目标进行分拆建模，这样更灵活高效，但是只专注于单个模型可能会忽略一些相关任务中可能提升目标任务的潜在信息造成一定的偏差，同时骑入、骑出、及其需求缺口数等目标之间也存在前后&相关关系，多任务学习也能提升模型的泛化性与表现，至于多任务学习的优缺点这里就不再赘述了。

在两轮车的出行场景中，城市点位上的用户需求的表达主要由两个基本模块组成，即用户的骑入和用户的骑出，当用户的骑入大于用户的骑出时，点位的车辆可能存在“闲置”，反之，则存在需求缺口，潜在的用户需求并没有得到满足，只有准确的预估车辆的流转情况，才能发挥车辆的最大价值，满足用户的需求。

![v2-15be48b49a5a82686d1b16b5e33a25c8\_b.jpg][v2-15be48b49a5a82686d1b16b5e33a25c8_b.jpg]

![v2-af6e2f1075909f041c60b5db1507a0eb\_b.jpg][v2-af6e2f1075909f041c60b5db1507a0eb_b.jpg]

![v2-15e7832bde352a44ab29922f538eba1c\_b.jpg][v2-15e7832bde352a44ab29922f538eba1c_b.jpg]

![v2-b9fcb806d63ccf7580c772bedf3b472b\_b.jpg][v2-b9fcb806d63ccf7580c772bedf3b472b_b.jpg]

![v2-a26772c4f670ec885f58e41cfb16f295\_b.jpg][v2-a26772c4f670ec885f58e41cfb16f295_b.jpg]

**4.** 图卷积网络的探索

![v2-33dfb52c0cd8c7d8c0cbe911845a811c\_b.jpg][v2-33dfb52c0cd8c7d8c0cbe911845a811c_b.jpg]

在上面的介绍里，我们在两轮车出行网络（点和边组成）中提取复杂拓扑结构的空间性信息显然是不够的，同时两轮车的出行场景显然也不具备规则的空间结构，属于**Non Euclidean data**，难以选取固定的卷积核来适应整个骑行网络的不规则性，如邻居节点数量的不确定和节点顺序的不确定。下面我们主要通过图卷积神经网络来提取拓扑图的空间特征，获取车辆在空间中的信息，本文此次将主要基于频域（谱域）的图卷积神经网络（GCN）来展开介绍其原理和应用。

![v2-f0f4803b309a5ae50f70fdf0d763ddde\_b.jpg][v2-f0f4803b309a5ae50f70fdf0d763ddde_b.jpg]

![v2-6bfb52440c40348db57c1cbeaa7a8d00\_b.jpg][v2-6bfb52440c40348db57c1cbeaa7a8d00_b.jpg]

将其归纳为以下几个步骤，我们用以下几个图来相对形象的表示这个过程（依次为：反转==>>平移==>>滑动求和）：

![v2-e6e4cf968a067aa590ea8cc30aece88a\_b.jpg][v2-e6e4cf968a067aa590ea8cc30aece88a_b.jpg]

![v2-9b92dc0520147647b00122695f10166d\_b.jpg][v2-9b92dc0520147647b00122695f10166d_b.jpg]

![v2-7753e9230603e12069f6b7d8f4e245f5\_b.jpg][v2-7753e9230603e12069f6b7d8f4e245f5_b.jpg]

容易推导的是，拉普拉斯矩阵有如下性质：

![v2-b18b840ee87c482331ea418660873665\_b.jpg][v2-b18b840ee87c482331ea418660873665_b.jpg]

由以上性质可知，拉普拉斯矩阵一定能进行特征值分解(谱分解)，我们可以这样理解：拉普拉斯矩阵就是图上的拉普拉斯算子，也可以描述为离散的拉普拉斯算子:

![v2-2deeebb057a7ceecd3228b9675bb9719\_b.jpg][v2-2deeebb057a7ceecd3228b9675bb9719_b.jpg]

![v2-4f6e05af81c43a0fe7bbe7cd4afd4432\_b.jpg][v2-4f6e05af81c43a0fe7bbe7cd4afd4432_b.jpg]

![v2-50e7320902d223fd4a5078ffedfb2670\_b.jpg][v2-50e7320902d223fd4a5078ffedfb2670_b.jpg]

综上，我们发现可以通过傅立叶变换将卷积变为乘积，因此根据上述的推导，我们会得到两条非常有用的结论，下面的公式推导会用到这个结论：

![v2-77cfc08bf6c0fce69cbecb13b65a8774\_b.jpg][v2-77cfc08bf6c0fce69cbecb13b65a8774_b.jpg]

![v2-87173c41b79fd7dd7a02181396406a71\_b.jpg][v2-87173c41b79fd7dd7a02181396406a71_b.jpg]

![v2-a75d41ab8f8aa767304e85434120d175\_b.jpg][v2-a75d41ab8f8aa767304e85434120d175_b.jpg]

![v2-509045ba254ed3d0112b29fdcab45dce\_b.jpg][v2-509045ba254ed3d0112b29fdcab45dce_b.jpg]

![v2-78ea9e43c3a11eac5ec550b484018035\_b.jpg][v2-78ea9e43c3a11eac5ec550b484018035_b.jpg]

![v2-52ccfd70de23d2b83385dffcba33fcdd\_b.jpg][v2-52ccfd70de23d2b83385dffcba33fcdd_b.jpg]

GCN我们可以认为是一个工具，在了解其原理后我们可以做很多的尝试，不管是改造还是做Embediing，嵌入多任务学习框架，还是融入其他方案中使用都是可以的，例如融入时间序列中（T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction）

![v2-36059f0a14d289f3609fb66d6fa27a99\_b.jpg][v2-36059f0a14d289f3609fb66d6fa27a99_b.jpg]

综上，GCN能够提取复杂拓扑结构的空间性信息，同时其权值共享、参数共享，具有局部性，因为每次聚合的只是一阶邻居，而且随着卷积层的增加，从远处邻居的信息也能传递过来（不是层数越多越好，因为两轮车是短途出行场景，对于附近停车点的信息显然更为关注，当然也可以采取一些残差连接），当然GCN也存在许多需要改进解决的问题，例如：无法直接处理有向图，但是节点连接经过处理后也是可以表示有向图，其实我认为最关键的是对于同阶的邻域上分配给不同的邻居的权重是完全相同的，归其原因其实就是共享参数带来的，所以也有人在研究不共享参数形式的GCN网络，目前使用比较广泛的图神经网络还有GAT、GraphSAGE等。

**5.** 总结

![v2-33dfb52c0cd8c7d8c0cbe911845a811c\_b.jpg][v2-33dfb52c0cd8c7d8c0cbe911845a811c_b.jpg]

本文对两轮车出行场景的供需算法方向之一（骑入、骑出、及其需求缺口数预测）的使用方法进行了简要的介绍，其实在算法工作中并不是算法模型越复杂越好，而是要适应当前的业务场景、业务阶段以及最终的业务效果，毕竟算法是为了更好的解决问题，欢迎大家随时跟我们互动交流，一起探讨各种各样的解决方案，更好地用技术驱动业务的发展。

**6. 滴滴开源项目推荐**

1、滴滴夜莺是一套分布式高可用的运维监控系统，最大的特点是混合云支持，既可以支持传统物理机虚拟机的场景，也可以支持K8S容器的场景。  
滴滴夜莺Github：[https://z.didi.cn/4Wur][https_z.didi.cn_4Wur]

2、滴滴开源的kafka运维管理平台—滴滴Logi-KafkaManager，一经开源便获得了社区用户广泛的认可及一致好评，目前项目Star达到2.4k且与多家知名企业达成商业化合作。

Github：[https://z.didi.cn/4newP][https_z.didi.cn_4newP]

免费体验地址：[http://117.51.150.133:8080][http_117.51.150.133_8080]

账号/密码：admin/admin

如果大家在使用滴滴夜莺及Logi-KafkaManager的过程中出现问题，或者有疑问需要与开发者交流的，都可以扫描下方二维码进入滴滴夜莺、Logi的开源用户群，在群中提问。  
  
群内有滴滴夜莺、Logi-KafkaManager项目负责人：滴滴高级专家工程师—秦晓辉、张亮等技术大咖，在线为大家解答问题，欢迎大家长按下方二维码加小助手进群。

![v2-2e5b5b99580122433d7f255892e46bc7\_b.jpg][v2-2e5b5b99580122433d7f255892e46bc7_b.jpg]

[v2-33dfb52c0cd8c7d8c0cbe911845a811c_b.jpg]: /images/20221005/dfe114268bf241dd84241a9466b39eed.png
[v2-9cf25046261a819c1e586cbeb11052ee_b.jpg]: /images/20221005/601f3ce6723e45f5a707469194d89964.png
[v2-153aa348cf0a42853e68a428292b5411_b.jpg]: /images/20221005/611fdbbeb7e2484bba7b06aba0c4ac11.png
[v2-15be48b49a5a82686d1b16b5e33a25c8_b.jpg]: /images/20221005/b4b484e60d5741189cdf4265745def85.png
[v2-af6e2f1075909f041c60b5db1507a0eb_b.jpg]: /images/20221005/05dac5e17fc24b78bfef55d1dfa85651.png
[v2-15e7832bde352a44ab29922f538eba1c_b.jpg]: /images/20221005/f02e64f377c54939a0d2673d0c601a18.png
[v2-b9fcb806d63ccf7580c772bedf3b472b_b.jpg]: /images/20221005/4f9b7c27393e4020b377213f0c08f8df.png
[v2-a26772c4f670ec885f58e41cfb16f295_b.jpg]: /images/20221005/6850690ff8ff46d48781e767b3d53370.png
[v2-f0f4803b309a5ae50f70fdf0d763ddde_b.jpg]: /images/20221005/a2ca072787494b36a1e7fc9f9cb64c4d.png
[v2-6bfb52440c40348db57c1cbeaa7a8d00_b.jpg]: /images/20221005/898eb9b298a844e5a99fd79c94df612c.png
[v2-e6e4cf968a067aa590ea8cc30aece88a_b.jpg]: /images/20221005/9730576103734ee5bfa7f673c358a2d0.png
[v2-9b92dc0520147647b00122695f10166d_b.jpg]: /images/20221005/d7cececcd7924213a1dfac1a2f9f1ec2.png
[v2-7753e9230603e12069f6b7d8f4e245f5_b.jpg]: /images/20221005/274ea290970242cab6ce67e95129f6c8.png
[v2-b18b840ee87c482331ea418660873665_b.jpg]: /images/20221005/670dc24fac6a4a28947ff734600b1737.png
[v2-2deeebb057a7ceecd3228b9675bb9719_b.jpg]: /images/20221005/91e1dff1fab349e78c7025aab2e27887.png
[v2-4f6e05af81c43a0fe7bbe7cd4afd4432_b.jpg]: /images/20221005/3ce9543ccefd4be89591182315cf0658.png
[v2-50e7320902d223fd4a5078ffedfb2670_b.jpg]: /images/20221005/b21bd2c89cda46878d30504b89e75845.png
[v2-77cfc08bf6c0fce69cbecb13b65a8774_b.jpg]: /images/20221005/4f2ccb5666514465841442d4176ec6af.png
[v2-87173c41b79fd7dd7a02181396406a71_b.jpg]: /images/20221005/5d3cf9a6139f47f3b43ed6b11a83c69c.png
[v2-a75d41ab8f8aa767304e85434120d175_b.jpg]: /images/20221005/416e870160db472da9fa3f2e7bbaa1c7.png
[v2-509045ba254ed3d0112b29fdcab45dce_b.jpg]: /images/20221005/3b99d007d56144c79ed5727969dd0c24.png
[v2-78ea9e43c3a11eac5ec550b484018035_b.jpg]: /images/20221005/2285a0860ed6471381d52d2b5d7239e5.png
[v2-52ccfd70de23d2b83385dffcba33fcdd_b.jpg]: /images/20221005/f9c6070fdb544d57a2c158dd2b0cfac6.png
[v2-36059f0a14d289f3609fb66d6fa27a99_b.jpg]: /images/20221005/62eb3417164949dd9685e9bb42b5150b.png
[https_z.didi.cn_4Wur]: https://link.zhihu.com/?target=https%3A//z.didi.cn/4Wur
[https_z.didi.cn_4newP]: https://link.zhihu.com/?target=https%3A//z.didi.cn/4newP
[http_117.51.150.133_8080]: https://link.zhihu.com/?target=http%3A//117.51.150.133%3A8080
[v2-2e5b5b99580122433d7f255892e46bc7_b.jpg]: /images/20221005/76590850f25a40ac83ea3617263f12d3.png