滴滴派单算法

paper：A Taxi Order Dispatch Model based On Combinatorial Optimization

背景

• 业务场景：一个订单被派给多个司机，司机根据自己的喜好选择接受或拒绝
• 目标：最大化一次派单成单率
• 关键问题：estimate the probability of each driver's acceptance of an order
• 算法方案：步骤1，估计每个司机的接单概率；步骤2，将各个司机接单率作为输入，最大化派单成功率

司机接单率模型

• 订单-司机关联特征：接驾里程、订单推送给多少个司机、订单是否与司机当前驾驶方向一致
• 订单特征：起点到终点的距离、ETA、终点类型（医院、机场、学校、商务区等）、规划路线的路况、目的地历史上的订单频率
• 司机特征：历史接单率、司机活跃地点、接驾里程偏好、最近接单率等
• 补充特征：特征日、特征小时、司机数、附近运单数

使用LR和GBDT模型，LR模型比GBDT略好一些，北京市的准确率为0.7822，AUC是0.8680；上海市的准确率是0.7632，AUC是0.8470。

约束表示，一个司机一个时刻最多只能派一单

目标是使这一批订单这一次派单的总体成单率最高。

使用启发式算法解上述问题。

初始解：对每个司机，派给他接单率最大的订单，然后计算每一单的成单率，得到平均成单率

迭代：对运单i，找到没有被派到i的司机集合U，对U的每个司机k，如果把i派给k，平均成单率提高，则改派

评估方案

指标：

• 成单率
• 平均接驾时长
• 平均派单时长
• 取消率
• 人均单量

案例：