【论文】When Recommender Systems Meet Fleet Management: Practical Study in Online Driver Repositioning

原创 已于 2023-01-08 20:32:51 修改 · 563 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

于 2022-12-10 23:14:23 首次发布
本文探讨了滴滴司机调度系统的优化方案，旨在解决供需错配问题，通过个性化推荐接单点来提高司机收入和平台效率。文章详细介绍了调度任务的定义、建模方法、任务打分机制及其实验评估。

调度论文

滴滴司机调度

《When Recommender Systems Meet Fleet Management: Practical Study in Online Driver Repositioning System》

背景

解决供需错配，为空闲司机个性化推荐接单点。
目标：优化司机体验，同时提高平台效率
挑战：

  1. 司机体验满意度：失败的调度会增加司机对平台的质疑，降低信任度。 -> 要确保能接到单
  2. 获取丰富的实时供需信息，以上帝视角协调多司机协作

总结

  1. 定义司机调度问题，提供工业界解法
  2. 设计“调度任务”
  3. 建模，解最优化问题
  4. 收益：司机收入+2%

调度任务

  1. 向空闲司机提供一个建议的指定地点with更高可能性接到单，并同时提供导航和eta
  2. 定义是否调度成功：
    去了相反方向 -> 0
    向目的地走，并在途中接到单 -> 1
    向目的地走，到达后xmin内接到单 -> 1
    向目的地走，到达后xmin内未接到单 -> 0
  3. 失败补偿，建立司机和平台的信任

建模

召回 rep=<d,g,f,r>

  1. 司机召回（D*）：等待时长>x
  2. 目的地召回（G*）：distance < a && eta< b。 临近位置（如.附近三圈13层格子）/ 路网结构容易到达的 （如. 有高速）/ 全城热点
  3. 失败率控制（F）：使用调度失败概率模型进行过滤，模型刻画司机在当前供需场景下对调度路线
最低0.47元/天 解锁文章
Citroooon
关注
DEAR: Deep Reinforcement Learning for Online Advertising Impression in Recommender Systems
sinat_41679123的博客
01-04 926
21-aaai-DEAR: Deep Reinforcement Learning for Online Advertising Impression in Recommender Systems
Recommender-Systems-Paper:推荐系统（RS）必读论文
05-18
推荐系统（RS） ...7，学习排名（LTR） 7.1成对LTR 7.2 Listwise LTR 8，基于图的推荐 8.1异构信息网络 8.2图神经网络 9，社会推荐 10.跨域推荐 11，团体推荐 ...[1994 CSCW] UserCF： GroupLens：一种用于Netnews协同...
滴滴司机调度系统实践
DiDi_Tech的博客
07-16 4558
桔妹导读：如何解决供需不平衡问题呢？一个自然的想法就是调度空闲的在线司机到需求较多的区域。滴滴网约车团队近期发表在万维网大会WWW 2020 Research Track的Oral长文《...
转 滴滴数据仓库指标体系建设实践 学习
qq944603255的博客
07-07 744
1. 什么是指标体系▍1.1 指标体系定义指标体系是将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。它主要由指标和体系两部分组成。指标是指将业务单元细分后量化的度量值，它使得业务目标可描述、可度量、可拆解，它是业务和数据的结合，是统计的基础，也是量化效果的重要依据。指标主要分为结果型和过程型：结果型指标 用于衡量用户发生某个动作后所产生的结果，通常是延后知道的，很难进行干预。结果型指标更多的是监控数据异常，或者是监控某个场景下用户需求是否被满足过程型指标 用户在
【吐槽】《Practical Recommender Systems实用推荐系统》
Toby的博客
08-03 1036
在踩坑推荐系统的同学们，如果读过了项量的《推荐系统实践》，那么下面这本书《Practical Recommender Systems实用推荐系统》你就不要去读了。 看过这么多本书，这是唯一一本让我忍不住吐槽“TMD啰嗦”的一本。寻找有用的知识点就像大海里涝针一样。知识浓度顶多一百页，竟然洋洋洒洒的写了400多页。 我习惯并非常喜欢像数学一样简洁明了并富有技巧式的教科书，希望每一页都能收获惊喜。 但这本书实在是全是作者的口水。太可怕了。想要总结出有点用的东西都不知道要过滤掉多少废话。（如果你没有推荐系统
机器学习- 吴恩达Andrew Ng Week9 知识总结 Recommender Systems
AI架构师易筋
07-03 460
Coursera课程地址 因为Coursera的课程还有考试和论坛，后续的笔记是基于Coursera https://www.coursera.org/learn/machine-learning/home/welcome Recommender Systems 推荐系统 1. 问题制定 Problem formulation 推荐是目前非常流行的机器学习应用。 假设我们正在尝试向客户推荐电影。我们可以使用以下定义 n(u) = 用户数 n(m) = 电影数量 r(i,j) = 1 如果用户 j 对电
论文阅读——Making recommender systems forget: Learning and unlearning for erasable recommendation
weixin_49384702的博客
03-26 1114
模型LASER属于精确Unlearning摘要：现在的法规要求数据驱动的系统，例如推荐系统，允许用户删除个人隐私数据。这促使机器学习模型中的关键数据不学习，从而使未被充分研究的机器Unlearning问题变得更加突出。尽管机器学习模型在现代推荐系统中得到了广泛的应用，但在这种背景下的Unlearning却缺乏关注。现有的Unlearning方法在保存跨用户和跨项目的协同信息方面存在不足。为了弥补这个缺陷，我们提出了LASER：一个模型不可知的可擦除推荐框架。
AutoField: Automating Feature Selection in Deep Recommender Systems 阅读笔记
pocket_eight的博客
07-17 2681
特征质量对推荐性能有重要影响。因此，特征选择是开发基于深度学习的推荐系统的关键过程。然而，大多数现有的深度推荐系统都专注于设计复杂的神经网络，而忽略了特征选择过程。通常，他们只是将所有可能的特征输入到他们提出的深度架构中，或者由人类专家手动选择重要特征。前者导致非平凡的嵌入参数和额外的推理时间，而后者需要大量的专家知识和人力。在这项工作中，我们提出了一个AutoML框架，该框架可以以自动方式自适应地选择基本特征字段。具体来说，我们首先设计了一个可微控制器网络，它能够自动调整选择特定特征场的概率；......
Recommender-systems-webinar:推荐系统的传统方法概述
03-11
在这个“Recommender-systems-webinar: 推荐系统的传统方法概述”主题中，我们将深入探讨推荐系统的基础概念、传统算法以及开源工具的应用。 首先，推荐系统主要分为两种基本类型：基于内容的推荐和协同过滤推荐。...
Recommender systems based on graph embedding techniques
09-22
本综述论文“Recommender systems based on graph embedding techniques”由电子科技大学的研究者撰写，全面回顾了图嵌入技术在推荐系统中的应用。论文分为三部分，分别探讨了二部图、一般图和知识图谱的嵌入技术在...
Practical Recommender Systems
02-20
Online recommender systems help users find movies, jobs, restaurants—even romance! There’s an art in combining statistics, demographics, and query terms to achieve results that will delight them. ...
【算法】day6 双指针补充
2401_86272648的博客
10-16 746
hot。
强化学习【Monte Carlo Learning][MC Basic 算法]
4AM_明朝百晓生
10-17 283
状态转移概率往往是未知的，在这种情况下，我们通常会采用蒙特卡洛（Monte Carlo）方法进行求解（该方法本质上是通过大数定律来计算数学期望）。在使用基于模型（model-based）的强化学习方法，特别是进行策略迭代时，我们通常会通过上述公式来求解。在 Policy iteration 的时候计算了 state-action 的均值（大数定律里面的切比雪夫不等式）值迭代（value-iteration）和策略迭代（policy iteration）。蒙特卡洛 ε-贪婪算法（MC ε-greedy)
前端面试题+算法题（三）
最新发布
申小兮和林小兮的博客宝
10-17 465
力扣算法题：724. 寻找数组的中心下标、733. 图像渲染；面试题：1、JS 变量在内存中的堆栈存储了解多少？、2、变量提升与函数提升哪个优先级更高？、3、setTimeout 与 setInterval 实现倒计时有什么区别？、4、事件循环
1032 挖掘机技术哪家强
张口口的博客
10-14 611
作者 CHEN, Yue 单位 浙江大学为了用事实说明挖掘机技术到底哪家强，PAT 组织了一场挖掘机技能大赛。现请你根据比赛结果统计出技术最强的那个学校。
IAR移植CoreMark算法记录
W546556的博客
10-13 1436
2025 .10.11 记录 在公司自研芯片上移植下载算法背景：项目需要提供CoreMark 跑分值，在keil 中经过优化跑分数据不够高，想在 IAR 编译环境下重新试下。想通过 C-SPY 将固件直接下载到Flash 是不被允许的，通常是将固件放到RAM 缓存中 ，然后通过 Flash Loader 将程序从RAM 搬运到 Flash 中，第一步要解决的就是这个 Flash Loader 下载算法。Flash Loader 下载算法Exe: 指向. out 文件。
【原理】[碰撞检测]中的相位划分与算法应用
设计 AI 玩游戏🎮
10-14 2391
游戏物理引擎的碰撞检测通常分为宽相、中相和窄相三个阶段。宽相检测通过AABB包围盒、空间划分或Sweep and Prune算法快速排除不可能碰撞的物体；中相检测使用OBB或k-DOP等更精确的包围盒进一步优化结果；窄相检测则采用GJK、SAT或EPA等算法进行精确几何判断。实际应用中，2D游戏常用Sweep and Prune算法，3D开放世界则采用动态AABB树以提高效率。Unity等引擎还结合LOD机制动态调整检测精度，平衡性能与准确性。
硅基计划4.0 算法 递归
Pluchon的博客
10-15 765
主要介绍了递归的经典应用，帮助我们初步认识递归算法
Recommender Systems资源精选集：掌握推荐算法的必备清单
从提供的文件信息中，我们可以提取出“Recommender Systems”（推荐系统）这个主题的知识点。下面将详细解读推荐系统领域的相关知识点。 推荐系统是一种信息过滤技术，它能够预测用户可能感兴趣的产品或信息。这些...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值