正文
完成了前面的搜索之后，如果你愿意发单的话，那下一步就是派单。我们每两秒钟会接到大量需求，我们也知道这两秒之内有多少运力，有多少空车是可以接单的，有些载人车也是可以接的，如果它是拼车单的话。派单是滴滴最核心的一个模块。
刚才讲到，每两秒钟我们就积累了一大批乘客，以及一大批司机，然后做最优的匹配，每个乘客我们会匹配最优的一个司机。那怎么做匹配？我这里讲的大部分是快车，会稍微讲一下顺风车，因为它们的匹配场景不一样。
我们分单有一个历史过程，最早期是抢单，就是我们把每个司机周围的订单都拨给他，所以司机会看到十几个订单，然后司机要选。后来发现这个效率不高。所以从15年我们开始做智能派单。
大部分情况下我们希望找的是最理想的一个乘客，所以就指派了，那这样的话就是一对一的匹配，之前是一对多的。那这样我们matching的精度就更重要了。
这里面就有一个匹配度的问题，就是这个乘客和这个司机匹配度高还是低。最早期的时候滴滴用的是直线距离，因为当时的很多基础功能还不完善。后来我们应该用路面距离，司机实际开过来的距离应该作为一个匹配度。所以从15年开始，路径规划比较完善了，我们就开始用路面距离。我们会先预估出来哪一条路径是最合理的，然后让司机去接乘客。但这个其实还不是最合理的，最合理的应该是时间，比如同样的两公里有情况一和情况二两种选择，比如情况二需要十分钟，情况一的距离可能是类似的，但是时间可能只需要五分钟，因为它的路况更好。最合理的应该是用时间来衡量。
派单里面我们讲到怎么去评估两个匹配的好坏，需要两个核心的算法，一个是路径规划，另外一个是ETA。
说一下分单的挑战。我刚才讲了，我们跟传统的搜索不一样，我们是实时的搜索，每两秒钟做预测，这里牵涉到非常多的地图的应用，比如说路径规划，ETA。因为其实我们不知道哪个司机离你最近，所以我们一般是找到你周围的所有的司机来做匹配，然后做路径规划和ETA。而且这是非拼车的方式，如果你是拼车单，那你们俩还要做匹配，复杂度就成了N的平方。所以这个复杂度特别高，而且要保证实时实施。
刚才我讲到，ETA是滴滴非常重要的一个功能，在预估价、分单等方面都有应用。比如说你从A到B，假设已经知道路径了，应该怎么算时间？我们把它看成一个机器学习问题，label很简单，就是时间。那这里最核心的特征怎么挖掘？这里有一大堆的路网特征，实时路况特征，历史特征，等等。我们从最早期的七八十个特征到最后有几千万的特征，这个特征量越来越大，效果的话是越来越好。误差的话，从15年开始，到我们去年完成大规模的稀疏的模型，误差明显降低。
这里面有几点，一个是数据量越来越大，同样的模型数据量越来越大，自然精度会提高。第二，我们的模型也是越来越智能了。比如最近我们用了深度学习模型来预估时间。
大家都知道深度学习在很多领域已经有非常成功的应用了，比如说在图像、文本、speech等方向。在交通方面其实还很少，所以大家如果对在深度学习探索新的应用感兴趣的话，我觉得交通是比较有潜力的，因为现在工作还非常少。但是深度学习在交通的数据还是非常有前景的。
深度学习我们现在刚刚上线不久，效果还是不错的，一上去模型的精度就完全比之前好了。它的好处是它还有很大的提高空间，数据越大，它的威力越大。我认为这肯定是一个大的趋势。
有了时间和距离之后，这里每一列是一个用户，每一行是一个司机，分别是不同类型的订单，有快车，专车，等等。每个车跟每个订单都有一个匹配度，比如说时间和距离，比如说时间越短的话，匹配度应该越好。这样得到一个大的矩阵，然后做订单的分配，得到最佳匹配。这个已经有很多年的研究，有最优解。
但是更有效的分单还需要考虑未来，找到未来一段时间收益最大化的最优解。最近我们上线了一套算法，用了增强学习。这个就涉及到供需预测，你需要知道比如说在未来半个小时，北京所有的区域大概有多少订单，哪个区域订单比较多，等等。这个就需要供需预测，这个对我们来说是非常重要的事情。去年滴滴举办了第一届算法大赛，主题就是供需预测，预测每一个区域大概会有多少个需求，多少个司机。我们现在的预测精度达到85%。
下面讲一下供需的不平衡。很多情况下打不到车的问题是供需不平衡。图中绿色表示这些区域车的空闲运力比较多，红色区域表示车比较少。怎么解决这个问题？我们第一个方法是做预测，刚才讲过了，我们如果能提前预测，比如说未来半个小时各个地方供需的情况，如果能预测到这个区域缺10辆车，我们提前把它调过去，这是最理想的。
这里面核心的问题是如何保证乘客的体验。
这里我们建立一个机器学习模型，根据历史上发生的大量的拼车单，分析哪一些是乘客投诉说体验很差的，哪一些是大家说好的，然后我们找出特征来。我们需要找出一些重要的特征，能够刻画这个体验。比如说这两单拼成了，我们大概能预测一下这个体验好还是坏，如果预估体验不好的话，我们就不让他们拼车成功。这背后其实是路径规划，相似性，以及体验的预测。
