滴滴调度算法小结

什么是订单分配问题？

订单分配 即是在派单系统中将 乘客发出的订单 分配给 在线司机 的过程”。

就近原则

  实际上目前滴滴的派单算法最大的原则就是 “就近分配” （70%~80%的订单就是分配给了最近的司机），目前世界上其他的竞品公司（包括Uber），也均是基于这个原则分单的。 然而，在实际生活中仅仅考虑空间上的就近原则是不够的，会出现时序问题。时序问题可以用下面的例子说明：
  如果是有2个司机可以为1个订单提供服务，其如下图所示：

当订单发出时，B司机已经在线并空闲，但是A司机还没有出现（没有上线，或者还在送乘客），但再过1s，离得更近的A司机突然出现可被分单了，假设我们使用先到先得的贪心策略，那么B司机就会被分给这个订单，那就违背我们希望就近分单的目标了，所以看上去简单，但实际情况下，算法还需要变的更好一些，这个问题我们把它叫做派单中的时序问题，我们后面再来看怎么解决。

延迟集中分单

  派单策略中最为基础的部分，就是为了解决上一节所提到的时序问题。这个算法几乎是所有类似派单系统为了解决这个问题的最基础模型，在Uber叫做Batching Matching，滴滴内部也叫做“全局最优” 或者 “延迟集中分单”。

延迟集中分单的思想是：先让乘客和司机稍等一会，待收集了一段时间的订单和司机信息后，再集中分配。这样，有了相对较多、较密集的订单、司机后，派单策略即可找到更近更合理的派单方式了。

找寻司机和订单分配的全局最优是一个 二分图匹配问题 (bipartite graph matching) ，一边是乘客、一边是司机，可用运筹优化中各种解决Matching问题的方法进行求解。

  由于用户的等待时间容忍度有限，往往短短的几秒钟即会使用户对平台丧失信心，从而取消订单。故实际上我们只累积了几秒钟的订单和司机信息进行集中分单，而这在大局上来说仍可近似看做时间维度上的贪婪策略。
  若想即时的获得最优派单结果，唯一的方法是利用对未来的预测，即进行基于供需预测的分单。这种想法说来玄妙，其实核心内容也很简单：如果我们预测出未来一个区域更有可能有更多的订单/司机，那么匹配的时候就让这个区域的司机/订单更多去等待匹配这同一个区域的订单/司机。

连环派单

  基于供需预测的分单有很大意义，但由于预测的不确定性，其实际效果很难得到保证。为此，我们使用了一种更有确定性的预测方式来进行派单，即 连环派单。

“连环派单，即将订单指派给 即将结束服务 的司机，条件为如果司机的终点与订单位置很相近”

与预测订单的分布相反，连环派单预测的是下一时刻空闲司机的所在位置。由于高峰期空闲司机多为司机完成订单后转换而来，预测司机的位置就变成了一个相对确定性的问题，即：监测司机到目的地的距离和时间。当服务中的司机距终点很近，且终点离乘客新产生的订单也很近时，便会命中连环派单逻辑。司机在结束上一单服务后，会立刻进入新订单的接单过程中，有效地压缩了订单的应答时间、以及司机的接单距离。