雷鋒網(wǎng) AI 科技評論按：本周末，每年一度的數(shù)據(jù)挖掘的頂級會議ACM SIGKDD在加拿大新斯科舍省省會哈利法克斯拉開了序幕，整個會議13號到17號，持續(xù)5天。在異國他鄉(xiāng)的頂尖國際會議上，雷鋒網(wǎng)AI科技評論發(fā)現(xiàn)，不僅在收錄論文列表里頻頻出現(xiàn)中國人的名字，甚至連贊助商都有一系列的中國公司位列前排，其中“滴滴出行”則以鉆石贊助商的身份排在首要位置。這就引起了我們對滴滴在此次會議中活動的特別注意。

通過查找，雷鋒網(wǎng)發(fā)現(xiàn)滴滴在這次大會中共有4個活動:

• 14日下午13:30-14:20，在“城市計算”研討會中，滴滴副總裁、滴滴出行研究院副院長葉杰平將做一個關(guān)于“滴滴出行中的大數(shù)據(jù)”的受邀報告。

• 14日晚上19:00-22:00，論文報告“A Taxi Order Dispatch Model based On Combinatorial Optimization”。

• 15日中午12:30-13:30，滴滴在會展展位將會開啟一場精彩對話。

• 15日下午13:30-17:00，滴滴副總裁葉杰平也將在中國專場做一次報告。

關(guān)注點一： 滴滴出行中的大數(shù)據(jù)

目前滴滴平臺擁有4億用戶，日訂單量超過2000萬。在中國滴滴現(xiàn)在每天新增數(shù)據(jù)量有70TB+，每日處理數(shù)據(jù)4500TB，每日路徑規(guī)劃超200億次。所以滴滴平臺的大數(shù)據(jù)是毋庸置疑。滴滴如何把實時的交通信息整合在一塊，通過背后龐大復(fù)雜的算法和計算平臺做到實時、智能的決策，這將是非常值得關(guān)注的。通過葉杰平在之前的一些演講，我們可以發(fā)現(xiàn)人工智能、機器學習算法在滴滴出行的大數(shù)據(jù)處理中占據(jù)著極為重要的地位。據(jù)了解，最近滴滴更新了一版深度學習，其效果如何或許將在這次會議中對外揭曉。

關(guān)注點二：論文報告

作為其研究成果的論文報告也是非常值得關(guān)注的。在KDD官網(wǎng)上這篇論文《A Taxi Order Dispatch Model based On Combinatorial Optimization》的摘要如下：

出租車的應(yīng)用程序在世界各地非常受歡迎，因為它們?yōu)橛脩籼峁┝丝焖俚捻憫?yīng)時間和便利性。出租車預(yù)訂應(yīng)用程序的關(guān)鍵組成部分是調(diào)度系統(tǒng)，該系統(tǒng)旨在提供駕駛員和車手之間的最佳匹配。傳統(tǒng)的調(diào)度系統(tǒng)依次向乘客派出出租車，其目的是最大化每個獨立訂單的司機接受率。但這種調(diào)度系統(tǒng)不能保證全局的成功率，這就會降低用戶在使用應(yīng)用程序時的體驗。在本文中，我們提出了一個新的調(diào)度系統(tǒng)來優(yōu)化多個訂單下的出租車調(diào)度。這個系統(tǒng)旨在最大化全局調(diào)度的成功率，從而優(yōu)化整體的交通效率，給用戶帶來更好的體驗。為了進一步提升用戶體驗，我們還提出了一種在開啟出租車預(yù)約APP時預(yù)測用戶目的地的方法。這種方法使用了貝葉斯結(jié)構(gòu)來根據(jù)他/她的旅行歷史來對用戶的目的地的分布進行建模。

我們使用A/B測試比較了我們新的出租車調(diào)度方法與從北京收集的數(shù)據(jù)建立的最先進的模型。實驗結(jié)果表明，該方法在全局成功率（從80%增加到84%）方面優(yōu)于其他最先進的模型。此外我們還對其他指標（如用戶的等待時間和接收距離）進行了顯著改善。我們將表明，我們的目標預(yù)測算法優(yōu)于基于KNN方法的基準模型，與精度排名前三的模型相比，我們的精度提升了89% - 93%。這種新的出租車調(diào)度和目的地預(yù)測算法已經(jīng)部署在我們的在線系統(tǒng)中，每天為數(shù)千萬用戶服務(wù)。

論文下載：A Taxi Order Dispatch Model based On Combinatorial Optimization

關(guān)注點三：合作論文

此外，還有一篇入選論文《The Simpler The Better: A Unified Approach to Predicting Original Taxi Demands based on Large-Scale Online Platforms》，雖然不在滴滴的活動列表中，但有滴滴副總裁葉杰平和Jie Wang的參與研究（其他研究者還有北航的Yongxin Tong, 第四范式的陳雨強，蘇黎世聯(lián)邦理工的Zimu Zhou，香港科大的陳雷和楊強）。摘要如下：

Author(s): Yongxin Tong (Beihang University);Yuqiang Chen (4Paradigm Inc.);Zimu Zhou (ETH Zurich);Lei Chen (Hong Kong University of Science and Technology);Jie Wang (Didi Research);Qiang Yang (Hong Kong University of Science and Technology);Jieping Ye (Didi Research)

出租車應(yīng)用程序現(xiàn)在越來越受歡迎，因為它們能有效地為有需要的乘客派遣空閑的出租車。為了更精確地平衡出租車的供應(yīng)和需求，在線出租車平臺必須預(yù)測單元出租車需求（UOTD），也即單位時間（例如每小時）、單位面積（例如每POI）發(fā)起的出租車需求數(shù)。UOTD的預(yù)測對于大型在線出租車平臺來說是沒有意義的，因為對它們來說精確性和靈活性是至關(guān)重要的。復(fù)雜的非線性模型（如GBRT和深度學習）通常是精確的，但在情景變化（例如新的規(guī)定導(dǎo)致的額外限制）后就需要大量的工作來重新設(shè)計模型了。為了精確地預(yù)測UOTD，同時保持靈活的情景變化，我們提出了LinUOTD，這是一個具有超過200萬維特征的統(tǒng)一線性回歸模型。這個簡單的模型結(jié)構(gòu)消除了模型重設(shè)計的需要，而且高維特征有助于精確地預(yù)測UOTD。此外，我們設(shè)計了一系列優(yōu)化技術(shù)用于高效的模型訓(xùn)練和更新。我們使用了兩個來自在線出租車平臺的大型數(shù)據(jù)集進行的評估證明了LinUOTD在精確性方面優(yōu)于流行的非線性模型。我們認為我們在UOTD預(yù)測中使用地高維特征的簡單的線性模型可以作為一個試點研究，它可以應(yīng)用到深入了解其他工業(yè)大規(guī)模時空預(yù)測的問題當中。

論文下載：The Simpler The Better: A Unified Approach to Predicting Original Taxi Demands based on Large-Scale Online Platforms

2015年5月，滴滴正式成立機器學習研究院，將機器學習大規(guī)模應(yīng)用在出行領(lǐng)域；2016年4月，滴滴機器學習研究院升級為滴滴研究院, 目前其研究項目包括ETA、動態(tài)調(diào)價、智能分單、拼車、供需預(yù)測、運力調(diào)度、熱力圖等核心項目，研究方向則包括機器學習、計算機視覺、人工智能、數(shù)據(jù)挖掘、最優(yōu)化理論、分布式計算等。在今年3月滴滴出行又宣布在美國加州硅谷成立滴滴美國研究院，把挖人的觸角直接伸到了美國硅谷。從2012年的微不足道，短短五年已至如此，其成長不可謂不迅猛。

SIGKDD 2017大會將有更多精彩呈現(xiàn)，雷鋒網(wǎng)AI科技評論將從一線帶來精彩報道及內(nèi)容。

相關(guān)文章：

KDD 2017在即，Keynote內(nèi)容搶先看｜KDD 2017

KDD 2017現(xiàn)場探營：務(wù)實、豐富，數(shù)據(jù)大爆炸的盛會即將開啟 | KDD 2017

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。