文章插图
导读：说到滴滴的派单算法 ， 大家可能感觉到既神秘又好奇 ， 从出租车扬召到司机在滴滴平台抢单最后到平台派单 ， 大家今天的出行体验已经发生了翻天覆地的变化 ， 面对着每天数千万的呼叫 ， 滴滴的派单算法一直在持续努力让更多人打到车 ， 本篇文章会着重介绍我们是如何分析和建模这个问题 ， 并且这其中面临了怎样的算法挑战 ， 以及介绍一些我们常用的派单算法 ， 这些算法能够让我们不断的提升用户的打车确定性 。
1. 为什么我们需要更好的派单算法说到滴滴的派单算法 ， 大家可能感觉到既神秘又好奇 ， 从扬召到抢单到派单 ， 我们又是如何演进到今天大家的打车体验的呢 ， 我们首先来看一看 ， 好的派单算法为什么是出行行业不可或缺的能力？
回想几年前 ， 当我们还没有滴滴的时候 ， 只能在寒风或者酷暑中等待可能有、可能没有的扬招出租车 ， 到后来可以从滴滴上呼叫一辆出租车 ， 乘客可以在室内相对舒适的等待车辆的到达 ， 从线上到线下 ， 乘客的确定性得到第一次的提升 ， 然而这还不够 ， 抢单的模式注定我们的应答率天花板不会太高 ， 在15年 ， 滴滴上线快车业务 ， 我们从抢单演进到了派单模式 ， 乘客的应答率有了20个点以上的提升 ， 很多时候能够全天能够高达90+（高峰&局部供需紧张应答率会相对吃紧） ， 乘客确定性再一次得到大幅的提升 ， 由此可见 ， 派单模式为滴滴创造了巨大用户价值 。
再看近年来不断兴起的O2O业务 ， 从国内外的网约车公司 ， 包括我们的友商Uber、Lyft都基于派单的产品形态进行司机和乘客之间的交易撮合 ， Uber上市的时候把派单引擎也作为核心技术能力放在了招股书中；再看我们的国内的外卖平台 ， 核心派单系统的优劣也决定了整个平台的交易效率（单均配送成本）和用户体验（配送时长）；最后 ， 整个大物流行业近年来也不断在进行线上化的改造 ， 如何撮合货物和司机 ， 以及更好的拼单能力也是整个交易环节的关键和商业模式是否成立的前提 。从运人到运物 ， 派单引擎目前越来越多的被应用在现实的商业和生活中 。
2.派单问题初探言归正传 ， 这里我们也来看一下 ， 滴滴网约车平台到底是怎么派单的 。首先 ， 我们来看下我们面对的是什么样的问题？
“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”
这是一个看似简单的 ， 但实际上非常复杂的问题 。说到这 ， 可能有很多人就会问 ， 能否就把 我的订单分配给离我最近的司机就好了？
的确啊 ， 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） ， 据我所知 ， 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 。
我们进一步来看这个问题 ， 如果我们只按照就近分配 ， 先到先得的贪心策略 ， 是不是能最好的满足平台所有乘客和司机的诉求呢？答案是否定的 ， 原因就在于 ， 如果我们只基于当前时刻和当前局部的订单来进行决策 ， 忽视了未来新的订单&司机的变化 ， 还忽视了和你相邻的其他区域甚至整个城市的需求（注：在时序上来看 ， 新的司机&订单的出现会导致 ， 贪心策略反而违背了就近分配的目标） 。这就是为什么这个问题依然是非常复杂的原因 。
这里稍微有点抽象了 ， 不过没关系 ， 我们再来一步一步的拆解一下订单分配的问题 ， 让大家有个更好的理解：
简单看 ， 在我们的平台上 ， 每一个时刻 ， 都有N个订单在被乘客创建 ， 同时有M个司机可以被我们用来进行分配 ， 我们强大的平台能够为派单算法给出司机的实时的地理位置坐标 ， 以及所有订单的起终点位置 ， 并且告诉我们每一个司机接到订单的实时导航距离 。
推荐阅读
- diff算法介绍
- 浅谈茶外茶的作用和功效
- 浅谈中国茶叶零售市场整体发展情况
- Python算法中的时间复杂度
- 十大数据挖掘算法及各自优势
- 了解携程个性化推荐算法原理，让旅行更实惠
- MD5算法全解析
- hash 算法原理及应用漫谈
- 浅谈被执行人“唯一房屋”的执行
- 域名价值算法是怎样的？