【51CTO.com原創(chuàng)稿件】2017年7月21日-22日，由51CTO主辦的以人工智能為主題的WOTI2017全球創(chuàng)新技術(shù)峰會(huì)在北京富力萬(wàn)麗酒店隆重舉行。峰會(huì)期間，30+AI明星，數(shù)十場(chǎng)圍繞人工智能主題的精彩演講與圓桌論壇緩緩揭開(kāi)面紗。除了場(chǎng)內(nèi)的精彩演講，場(chǎng)外還有專門為AI愛(ài)好者搭建的動(dòng)手實(shí)驗(yàn)室和科技體驗(yàn)區(qū)，這一切都讓本次大會(huì)亮點(diǎn)十足。

7月21日下午WOTI2017主會(huì)場(chǎng)，餓了么副總裁張浩進(jìn)行了主題為《AI派來(lái)的外賣送餐員》的精彩演講。以下是演講實(shí)錄，讓我們先睹為快！

[[197646]]
餓了么副總裁張浩

大家下午好！很高興有機(jī)會(huì)和大家分享，也感謝WOTI給的這個(gè)分享平臺(tái)。同行業(yè)者已經(jīng)從最早的外賣走向本地生活，我下面開(kāi)始我的演講。我今天的分享分三個(gè)階段：第一，簡(jiǎn)單介紹一下餓了么。第二，講一講AI在餓了么的應(yīng)用。第三是我的主題，四個(gè)案例，給大家分享一下運(yùn)籌優(yōu)化與機(jī)器學(xué)習(xí)應(yīng)用實(shí)例。

當(dāng)你把APP打開(kāi)以后，首先看到的是交易平臺(tái)，就像咱們?cè)谔詫毢途〇|看到的是一樣的，只不過(guò)搜的不是衣服，主要是以交易為主，搜索、推薦、菜品挖掘等等這些。今天，我要給大家講的更多的是第二部分，本地的物流網(wǎng)絡(luò)。物流到現(xiàn)在很多年了，而且這個(gè)行業(yè)應(yīng)用從運(yùn)籌學(xué)到統(tǒng)計(jì)優(yōu)化，一直到機(jī)器學(xué)習(xí)，這三個(gè)合起來(lái)對(duì)我們現(xiàn)代物流體系有很大幫助。我們的用戶現(xiàn)在已經(jīng)到2.6億，B端商家全國(guó)已經(jīng)是130萬(wàn)，更重要的是我們的配送員，在我們平臺(tái)注冊(cè)的配送員已經(jīng)達(dá)到300萬(wàn)，覆蓋全國(guó)兩千家城市地區(qū)。

互聯(lián)網(wǎng)行業(yè)，衣、食、住、行，淘寶、攜程、滴滴、餓了么分別代表四個(gè)方向，我想做個(gè)鋪墊，因?yàn)檫@個(gè)行業(yè)特點(diǎn)，和其他三家有什么不同的地方和獨(dú)特的挑戰(zhàn)。首先是淘寶，淘寶純粹是以用戶和商戶為主，線下當(dāng)你下了單以后，線下走開(kāi)放平臺(tái)，時(shí)效性通常是以天計(jì)算，所以它的挑戰(zhàn)更多的是能夠把轉(zhuǎn)化率提到最高，很短時(shí)間內(nèi)找到自己想要的東西。而攜程也是一個(gè)純粹以線上用戶和商戶為主的交易平臺(tái)，基本上沒(méi)有線下訂單，不管是訂酒店還是別的都是線上完成，相對(duì)而言，滴滴和餓了么都是O2O的兩個(gè)比較大的方面，這里有不同之處在于，滴滴推薦搜索不是特別重要，不會(huì)上去搜這個(gè)車不喜歡搜另外的車，更多是通過(guò)系統(tǒng)最優(yōu)結(jié)果推薦給你，這是比較大的區(qū)別。另外一個(gè)比較大的區(qū)別是在時(shí)間上的要求，一般我們要求幾分鐘車到達(dá)，但上了車以后就是司機(jī)和乘客的問(wèn)題了，平臺(tái)不會(huì)為此負(fù)責(zé)任。最后是餓了么，線上以用戶和商戶為主，但不同的是線下更為復(fù)雜，更重要的是時(shí)效性比如準(zhǔn)時(shí)達(dá)、30分鐘、40分鐘，一旦超過(guò)這個(gè)時(shí)間，平臺(tái)將為用戶進(jìn)行賠償，這對(duì)我有很大的挑戰(zhàn)。

在本地物流行業(yè)，或者即時(shí)配送，說(shuō)即時(shí)配送更好一些，因?yàn)槲锪魈罅恕Ｎ覀兿Ｍ?dāng)你下了單以后30分鐘，整個(gè)交易不僅是菜出來(lái)送到你手里，整個(gè)完成過(guò)程我們希望控制在30分鐘。所以這里有幾個(gè)大的不同的地方，純粹線上交易，首先就是運(yùn)籌優(yōu)化，第二才是學(xué)習(xí)，更重要的是大數(shù)據(jù)，我們通過(guò)離線計(jì)算，然后實(shí)時(shí)算法。

這是一個(gè)比較粗略的一覽圖，我們的業(yè)務(wù)里邊算法分三個(gè)部分。第一個(gè)是基于LBS，我們根據(jù)你的定位搜到本地配送范圍，所以LBS是我們最重要的服務(wù)。其次就是machine learning和optimization。對(duì)我們來(lái)說(shuō)，站點(diǎn)網(wǎng)格配送范圍是最重要的，有了這些后面配送才有了最合理的結(jié)果。第二個(gè)是選址，除了餐廳以外，很多同行業(yè)也在做自主餐廳，加盟商在我們廚房里做品牌，選址就非常關(guān)鍵了。

后面的就簡(jiǎn)單了，推薦搜索，我們是交易平臺(tái)。緊接著是供需預(yù)測(cè)、訂單運(yùn)單預(yù)測(cè)，最后我們的物品是通過(guò)人，不管是走動(dòng)還是騎電動(dòng)車，給你送到手里，我們需要提前一個(gè)季度甚至半年做好規(guī)劃，我們需要根據(jù)歷史數(shù)據(jù)依據(jù)算法推測(cè)出，比如夏天北京經(jīng)常下雨，大概需要多少運(yùn)力和運(yùn)單，所以供需預(yù)測(cè)和運(yùn)單預(yù)測(cè)非常重要。用戶商戶分層，這個(gè)精細(xì)化運(yùn)營(yíng)要做到。后面智能補(bǔ)貼、路徑規(guī)劃，這都是實(shí)際物流當(dāng)中非常重要的，動(dòng)態(tài)定價(jià)指的是我們?cè)谂鋯蔚臅r(shí)候，必須根據(jù)當(dāng)時(shí)的運(yùn)力情況調(diào)整和控制流量，同時(shí)對(duì)路徑進(jìn)行規(guī)劃。出餐時(shí)間、送餐時(shí)間的預(yù)估，這幾個(gè)是我下面在算法模塊里詳細(xì)講到的重點(diǎn)，我先跳過(guò)。我分兩個(gè)部分，第一個(gè)是講機(jī)器學(xué)習(xí)在餓了么業(yè)務(wù)的應(yīng)用。第二個(gè)是在機(jī)器學(xué)習(xí)基礎(chǔ)之，上運(yùn)籌優(yōu)化和機(jī)器學(xué)習(xí)在餓了么中的應(yīng)用。

第一個(gè)是出餐時(shí)間預(yù)估，當(dāng)你訂了一個(gè)餐以后，我們希望30分鐘能夠送到，這當(dāng)中包括餐廳出餐時(shí)間，所以對(duì)餐廳的出餐時(shí)間預(yù)估是我們配送環(huán)節(jié)最難的一個(gè)，因?yàn)槲覀儗?duì)它完全沒(méi)有控制，我們不知道它什么時(shí)候能出完。這點(diǎn)和滴滴的出發(fā)時(shí)間預(yù)估差別就在這個(gè)地方，滴滴場(chǎng)景大家可以看到左邊的圖，你在那個(gè)地方，通常希望一到兩公里之內(nèi)就有車到達(dá)，這個(gè)平臺(tái)不用管。

右邊是餓了么場(chǎng)景，餐廳配餐時(shí)間受很多因素影響，首先是堂食的因素，餐品的品類，烹飪方式，訂單大小，實(shí)際情況當(dāng)中餐廳備完以后他不會(huì)告訴你ready，必須通過(guò)機(jī)器學(xué)習(xí)方法預(yù)測(cè)。我們?cè)趺醋瞿兀课覀儚拈_(kāi)始到現(xiàn)在大概經(jīng)歷了三個(gè)版本，當(dāng)然，任何做機(jī)器學(xué)習(xí)的最開(kāi)始都會(huì)做線性模型，毫無(wú)疑問(wèn)，沒(méi)什么特別講的。

誤差方面，我們當(dāng)時(shí)調(diào)了很多特征，最后平均是6分鐘左右，后來(lái)我們用了非線性模型，誤差240秒左右。最簡(jiǎn)單的統(tǒng)計(jì)特征，這個(gè)餐廳過(guò)去的出餐時(shí)間，他大概有多少人吃飯，今天是周五還是星期天，包括這個(gè)餐廳的菜品品類，比如做云南菜，他的菜品一定會(huì)花的時(shí)間更長(zhǎng)，如果是麥當(dāng)勞，30秒肯定能出來(lái)，這些特點(diǎn)都在里面。另外一個(gè)特點(diǎn)，我們會(huì)用到天氣，尤其天氣這個(gè)比較多。這些都會(huì)對(duì)誤差進(jìn)行影響。我們做到240秒以后很長(zhǎng)一段時(shí)間都難以再提高。

最后一個(gè)，我們今年開(kāi)始用深度學(xué)習(xí)的辦法，因?yàn)槲覀兛梢园殉霾头椒ó?dāng)作時(shí)間序列進(jìn)行處理，采用RNN、LSTN模型來(lái)做，現(xiàn)在誤差是3分鐘，平均時(shí)長(zhǎng)不代表什么，因?yàn)椴蛷d爆單的情況下，或者特殊情況下，誤差會(huì)比較大一點(diǎn)。這是我們用的模型，實(shí)際當(dāng)中會(huì)有不一樣。我們用的是兩層RNN模型，每層大概是1500個(gè)（英文），用了65%的dropout，右上角的圖是我們的公式，會(huì)隨機(jī)根據(jù)當(dāng)時(shí)的概率來(lái)抓取。

第二個(gè)是行程時(shí)間預(yù)估，行程時(shí)間預(yù)估相對(duì)好一些，當(dāng)騎手取到這個(gè)餐以后，開(kāi)始從餐廳出來(lái)一直到客戶手里，整段時(shí)間是行程時(shí)間預(yù)估，因?yàn)槲覀冇蠫PS采樣，所以我們知道他在過(guò)程當(dāng)中花多長(zhǎng)時(shí)間，這里的挑戰(zhàn)在哪里？這里的挑戰(zhàn)在于數(shù)據(jù)是非常難收集的。因?yàn)槲覀兒推渌某鲂行袠I(yè)不一樣，我們整個(gè)過(guò)程有三分之一到一半時(shí)間，尤其大城市，都是在大廈里邊，高峰時(shí)間，上班時(shí)間，我們的白領(lǐng)也在大廈里邊，大廈里邊GPS定位是非常不準(zhǔn)確的。

所以我們和別的公司合作，用WiFi來(lái)提高精確的定位。還有出餐時(shí)間方面，比較困難的是走的方式，不像滴滴Uber這樣開(kāi)到公路上，有的時(shí)候步行等電梯上下樓等多種方式，而且樓宇里邊交通非常復(fù)雜。左邊這個(gè)圖是一個(gè)聚類算法的圖，大家可以看到這些點(diǎn)，這些點(diǎn)是我們收到的GPS位點(diǎn)，這里誤差非常大，如果全部用GPS位點(diǎn)來(lái)做，O點(diǎn)和D點(diǎn)，交通行業(yè)O點(diǎn)是起點(diǎn)，D是終點(diǎn)。

我們首先有一個(gè)聚類，把那些誤差比較大的先去掉，然后通過(guò)聚類以后把GPS位點(diǎn)弄到POI上，match到一個(gè)點(diǎn)上。我們做同樣的事情，去掉絕大多數(shù)噪音。第二個(gè)是軌跡聚類，當(dāng)你知道行程起點(diǎn)和終點(diǎn)以后必須要知道軌跡，右邊的圖剛好是一條河，這個(gè)很討厭，我們很多時(shí)候不知道，也無(wú)法預(yù)測(cè)騎手怎么走，有的可能走小路，有的不知道走大路，所以預(yù)測(cè)的時(shí)候比較困難。軌跡聚類也有一些心得體會(huì)。

其中我們把GPS位點(diǎn)噪音點(diǎn)去掉，讓軌跡更加精準(zhǔn)一些。下一個(gè)是講開(kāi)單場(chǎng)景，組合優(yōu)化的問(wèn)題，你不會(huì)從一個(gè)點(diǎn)只拿一個(gè)單，是很多的單，當(dāng)你決定把這個(gè)單配給誰(shuí)的時(shí)候，你要靠服務(wù)。還有行程時(shí)間預(yù)估，惡劣天氣，各種活動(dòng)，還有節(jié)假日，如果是周末或者節(jié)假日，這些也是有影響的。

第二個(gè)，機(jī)器學(xué)習(xí)與運(yùn)籌優(yōu)化算法組合在餓了么應(yīng)用場(chǎng)景，最重要的是智能分單，什么叫智能分單？在沒(méi)有智能分單以前，分單是人來(lái)做的，整個(gè)分單過(guò)程是基于當(dāng)?shù)匾粋€(gè)網(wǎng)絡(luò)，所以這個(gè)單不會(huì)全程分，以前都是人來(lái)做的，當(dāng)你每天可能只有幾十單、幾百單的時(shí)候，有一個(gè)地圖，能看到誰(shuí)和誰(shuí)離單比較近，很快來(lái)解決問(wèn)題。但是當(dāng)量上來(lái)以后人是不可靠的，也做不到最優(yōu)，體量比較大的時(shí)候這是非常困難的。和其他推薦系統(tǒng)比，它的角色會(huì)更多，除了商家還有騎手，騎手還有用戶和團(tuán)隊(duì)的區(qū)別，復(fù)雜度也更高。

大家可以看看右邊這個(gè)圖，一個(gè)騎手通常同時(shí)送五到十個(gè)餐，所以分單的時(shí)候是指數(shù)級(jí)的問(wèn)題，我們需要知道他身上已有三到五單，是不是再給他另外五單，在時(shí)效性和準(zhǔn)確性上要求比較高。這是我們做的第一個(gè)版本，當(dāng)我們拿到這個(gè)問(wèn)題的時(shí)候很自然就想到這是很經(jīng)典的路徑規(guī)劃問(wèn)題，因?yàn)槟銖倪@個(gè)點(diǎn)出發(fā)要經(jīng)歷這么多訂單，最后還要回到起點(diǎn)，因?yàn)橥ǔ４蠹視?huì)聚集在一個(gè)地方，這是很傳統(tǒng)的車輛路徑規(guī)劃問(wèn)題，這里輸入是訂單、騎手、騎手容量、成本，輸出是訂單和騎手間的匹配以及行走路線。優(yōu)化目標(biāo)是最小化時(shí)間或者行駛距離，約束條件，比如騎手背單數(shù)，騎手?jǐn)?shù)量，最晚到達(dá)時(shí)間等，當(dāng)你下一個(gè)單的時(shí)候，我們說(shuō)40分鐘到，這是最晚到達(dá)時(shí)間，我們希望99%都能在40分鐘到。

VRP問(wèn)題，你到了目的地之后還需要把你的東西拉回來(lái)，左邊TSPB的問(wèn)題，還有TSPTW的問(wèn)題，當(dāng)你有多個(gè)車的時(shí)候是MTSP，在此基礎(chǔ)上演進(jìn)一下VRP的變種，比如最遠(yuǎn)不超過(guò)多少，這些都是這個(gè)問(wèn)題的變種，對(duì)我們完全不是新的東西。

我們使用的一種方法是模擬退火算法，大家看看左邊的圖，稍微講下背景。這是一種很傳統(tǒng)的運(yùn)籌優(yōu)化問(wèn)題，方法有很多，當(dāng)我們量大的時(shí)候，比如動(dòng)態(tài)優(yōu)化，大家都知道VRP問(wèn)題，或者通常組合問(wèn)題，是很難找到最優(yōu)的解，所以更多的是用（英文）。這是隨機(jī)迭代算法，還有別的算法，這里文獻(xiàn)就特別多了，大家如果搜的話有上千篇文章，書(shū)有很多本，有興趣大家可以看看。我們采用的一種算法是模擬退火算法，是隨機(jī)的最優(yōu)算法。

看看右邊的圖，首先是隨機(jī)產(chǎn)生一些解，我們定義下來(lái)目標(biāo)函數(shù)，這里最關(guān)鍵的是隨機(jī)的對(duì)當(dāng)前的解，跟物理退火一樣，找到最優(yōu)解，沒(méi)有最優(yōu)解沒(méi)關(guān)系，數(shù)量有一個(gè)上限。這是概率算法，不一定找到最優(yōu)，所以下面的判斷是是否達(dá)到迭代次數(shù)，因?yàn)槲覀兛赡軣o(wú)限次解下去，達(dá)到以后就終止。這是整個(gè)算法的過(guò)程，現(xiàn)在這個(gè)模擬算法已經(jīng)成熟了，更多挑戰(zhàn)是規(guī)模比較大的時(shí)候，分布式計(jì)算怎么更有效一些，這個(gè)也有很多文獻(xiàn)可以看。用的方案也比較多，比如大型模擬，生產(chǎn)調(diào)度，控制工程，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)，信號(hào)控制等等。

現(xiàn)在我們的方案用的是2.0，基于代價(jià)函數(shù)的優(yōu)化問(wèn)題。VRP方案遇到的挑戰(zhàn)在哪里？剛才講到計(jì)算復(fù)雜度問(wèn)題，這只是一個(gè)方面，更重要的是我們對(duì)每個(gè)（英文），整個(gè)結(jié)果就完全的不符合邏輯，這是我們遇到的最大困難。時(shí)間預(yù)估的不準(zhǔn)確性，造成從A點(diǎn)到B點(diǎn)預(yù)估時(shí)間是不準(zhǔn)確的，這個(gè)時(shí)候做出的結(jié)果往往很差，尤其小城鎮(zhèn)，大城市還好，因?yàn)橛凶銐虻臉颖玖浚热绫本梢源蟾殴烙?jì)一下時(shí)間。但小城市很難，很多時(shí)候POI都到了鎮(zhèn)政府，而不是餐廳，所以這種情況下我們的VRP完全沒(méi)有用。除此之外，還有基礎(chǔ)的送餐習(xí)慣，很多時(shí)候騎手不會(huì)按照你推薦的送，他會(huì)這個(gè)先送那個(gè)后送，影響比較大。

所以我們現(xiàn)在的方案是這樣的。簡(jiǎn)單講，這是一個(gè)代價(jià)矩陣，我們有N個(gè)訂單包，N個(gè)騎手，這么一個(gè)二維的矩陣，我們希望能夠把每個(gè)訂單包都分到一個(gè)人身上，中間的就是代價(jià)矩陣，希望輸出的是訂單包和騎手之間最優(yōu)匹配。這里的代價(jià)定義和計(jì)算方法也經(jīng)過(guò)幾版的迭代，最開(kāi)始毫無(wú)疑問(wèn)的，當(dāng)你決定把一個(gè)單分給騎手的時(shí)候，代價(jià)是其他單不會(huì)因此受影響，也不希望他距離跑太長(zhǎng)，因?yàn)殡妱?dòng)車跑兩公里送一單肯定是最壞的選擇。所以我們最開(kāi)始用規(guī)則的方法，通過(guò)大量的離線分析，比如大概20個(gè)特征，這些特征每個(gè)權(quán)重多少，算出來(lái)以后，后面是優(yōu)化問(wèn)題，最后的結(jié)果是得到右邊的矩陣。一個(gè)訂單分給了這個(gè)騎手，匹配用的什么算法？我們用的是比較成熟的最優(yōu)匹配KM算法，KM算法求的是完備匹配下最大權(quán)匹配，KM算法也有很多流程，和開(kāi)始的VRP解決方案比較接近，不斷優(yōu)化。最開(kāi)始算法流程初始化可行頂標(biāo)的值，用匈牙利算法尋找完備匹配。

當(dāng)然，我們還有很多的不足，我們大概解決了基本的問(wèn)題，但后來(lái)我們意識(shí)到，分單如果有一個(gè)訂單來(lái)了，馬上分給一個(gè)騎手去接，這往往不是最優(yōu)選擇，如果你再等兩分鐘，同樣餐廳同樣路線上會(huì)出現(xiàn)更多的單，所以就出現(xiàn)了蓄水，也許等兩分鐘，等更多的單。蓄水之后我們通過(guò)兩個(gè)單打包出來(lái)，這是2.1版本。打包的時(shí)候還有很多不足之處，任何做機(jī)器學(xué)習(xí)都要用規(guī)則來(lái)，什么樣的包可以打在一起，同取同送，GPS不準(zhǔn)的情況下同取同送帶來(lái)的結(jié)果就是訂單完成不了，比如這棟樓A座和這棟樓B座。所以2.2版本，去掉了打包規(guī)則，我們用機(jī)器學(xué)習(xí)方法學(xué)習(xí)，人工調(diào)度的時(shí)候，什么樣的單人工分成什么樣的包和模型，用訂單相似度模型，但是這還不夠。

因?yàn)槲覀兺茝V過(guò)程當(dāng)中發(fā)現(xiàn)，在不同的地方有不同的習(xí)慣，而這個(gè)習(xí)慣會(huì)造成對(duì)騎手滿意度和推廣難度很大的影響。所以我們又出了一個(gè)新的叫訂單與騎手匹配模型，我們來(lái)定什么樣的是好的，剛才講的更多是我們通過(guò)離線算出來(lái)的，用一個(gè)公式去match全國(guó)幾千個(gè)站點(diǎn)分單邏輯，這是做不到的，用這種規(guī)則一定做不好。所以我們做了訂單與騎手匹配模型，把數(shù)據(jù)按照當(dāng)?shù)卣军c(diǎn)取出來(lái)，我們進(jìn)行學(xué)習(xí)，學(xué)到人工調(diào)度習(xí)慣，我們機(jī)器學(xué)習(xí)抓住這個(gè)特征，真正做到當(dāng)?shù)鼗⒈镜鼗@是我們2.3標(biāo)準(zhǔn)。每個(gè)站每個(gè)地區(qū)都是獨(dú)特的模型。我們正在做的是3.0版本，增強(qiáng)學(xué)習(xí)，大家對(duì)這個(gè)也比較熟悉。

2.3的時(shí)候在模型上就很難再提高了，但不管怎么說(shuō)，模型更新一定是離線過(guò)程，可能一個(gè)星期，可能一天，我們希望變得更快，怎么更快？現(xiàn)在比較流行的增強(qiáng)學(xué)習(xí)，我們通過(guò)在線反饋，騎手喜不喜歡，如果不喜歡會(huì)換單，這個(gè)信號(hào)我們?cè)?jīng)抓到了，但是通過(guò)離線進(jìn)行補(bǔ)償，通過(guò)增強(qiáng)學(xué)習(xí)在線上自動(dòng)學(xué)習(xí)，還在開(kāi)發(fā)過(guò)程中。

整個(gè)算法過(guò)程是這樣的，但最大的問(wèn)題是我們的基礎(chǔ)數(shù)據(jù)，剛才我反復(fù)提到POI點(diǎn)，不管算法怎么分，它看到的是我們告訴它從這個(gè)點(diǎn)到那個(gè)點(diǎn)，POI的準(zhǔn)確性一直以來(lái)是最大的挑戰(zhàn)，所有以LBS為服務(wù)的任何公司，POI相當(dāng)于地址庫(kù)，就像Google map為什么值錢，因?yàn)樗腜OI做的好，導(dǎo)航算法是你優(yōu)化的，光有算法沒(méi)用，重點(diǎn)在POI的準(zhǔn)確性，當(dāng)然，Google不僅僅在美國(guó)，他在全世界做的都比較好，這是他的財(cái)富，就是數(shù)據(jù)。我們自己也在不斷積累POI。ETA、出餐時(shí)間預(yù)測(cè)、騎手模型、餐廳畫(huà)像，這些都需要長(zhǎng)期提升。騎手模型講的是這個(gè)騎手他的習(xí)慣、他的能力，對(duì)路線的熟悉程度，包括比如給他五個(gè)單他能不能準(zhǔn)時(shí)送到，什么時(shí)候單可以分給某個(gè)人，他比較靠譜。餐廳畫(huà)像也很重要。

最后一個(gè)是最優(yōu)餐廳選址問(wèn)題，這個(gè)跟菜鳥(niǎo)搞倉(cāng)儲(chǔ)的不同，但意思是一樣的，比如菜鳥(niǎo)決定在全國(guó)建主站網(wǎng)，倉(cāng)庫(kù)負(fù)責(zé)哪個(gè)區(qū)域，從A倉(cāng)庫(kù)到B倉(cāng)庫(kù)怎么設(shè)計(jì)路線，這是比較經(jīng)典的FACILITY LOCATION PROBLEM。在城市里面我們希望餐廳有交錯(cuò)，能夠囊括最大的用戶。左邊的公式，從兩個(gè)點(diǎn)之間他們的代價(jià)也最小，這個(gè)是我們現(xiàn)在還在經(jīng)營(yíng)的業(yè)務(wù)，叫未來(lái)餐廳，我們希望自己能夠在最便宜地點(diǎn)選到最大化潛在的最多GMV增長(zhǎng)。

最后是總結(jié)。很多朋友不太清楚，實(shí)際上本地生活場(chǎng)景算法非常大，可能送外賣比較多，但想象它不是外賣，而是運(yùn)籌優(yōu)化，尤其因?yàn)槭潜镜厣钊?wèn)題導(dǎo)致很多不規(guī)則的東西，所以挑戰(zhàn)非常非常多，不比任何一家互聯(lián)網(wǎng)公司小。第一個(gè)問(wèn)題，基礎(chǔ)數(shù)據(jù)的完整性和準(zhǔn)確性，這點(diǎn)沒(méi)有人幫到我們，因?yàn)樾袠I(yè)特點(diǎn)是靠自己，長(zhǎng)期通過(guò)人來(lái)收集這些數(shù)據(jù)，餐廳、騎手，甚至電梯難易程度對(duì)我們的算法都有影響。

還有對(duì)人的行為理解，人的行為理解，在我們分單的時(shí)候覺(jué)得這樣是最好的，但實(shí)際運(yùn)營(yíng)當(dāng)中我們受到很多阻力，別人不喜歡這樣做。比如追單，在五樓接了一個(gè)單，剛剛到樓下同樣分一個(gè)餐廳的單，騎手不喜歡，好不容易下來(lái)的不想再取單了，我們發(fā)現(xiàn)你這個(gè)時(shí)候再回去總的時(shí)間會(huì)更少，但騎手不喜歡，他覺(jué)得跑上去麻煩，很多時(shí)候要等電梯，或者有各種他不喜歡的行為。這都是我們后來(lái)意識(shí)到，很多時(shí)候需要和業(yè)務(wù)結(jié)合才能有一個(gè)完整的解決方案。最后一個(gè)，優(yōu)化算法與機(jī)器學(xué)習(xí)的結(jié)合，在物流場(chǎng)景更多的是成本優(yōu)化，機(jī)器學(xué)習(xí)更多是對(duì)因素的學(xué)習(xí)。所以優(yōu)化算法和機(jī)器學(xué)習(xí)只有結(jié)合起來(lái)才能完美解決我們的這些問(wèn)題。我的內(nèi)容就分享到此，謝謝大家！

51CTO記者將持續(xù)為您帶來(lái)WOTI2017全球創(chuàng)新技術(shù)峰會(huì)前方精彩報(bào)道，敬請(qǐng)期待！

【51CTO原創(chuàng)稿件，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文作者和出處為51CTO.com】