中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

希望講的不要太像數學課，enjoy~

派單流程

首先整體看一下司乘及背后的派單邏輯：

我們把乘客打車分成了 3 類場景：

• 立即叫車（A 流程）：用車時間距當前時間小于等于 N 分鐘；
• 非高峰預約用車（B 流程）：用車時間距當前時間大于 N 分鐘，但用車時間非高峰時間段；
• 高峰預約用車（C 流程）：用車時間距當前時間大于 N 分鐘，且用車時間在高峰時間段。

A 流程

用車時間距當前時間小于等于 N 分鐘的用車，會采取「立即派單」的方式：

1. 找到所有符合條件的司機：上班狀態、服務狀態、距離、司機類型等；
2. 司機排序：熱區圍欄號碼、配置距離等；
3. 派單：對于自營司機采取派單制，對于非自營司機采取搶單制。

B 流程

用車時間距當前時間大于 N 分鐘，但用車時間處于非高峰時間段，會采取「叫車成功，到時再派司機」的方式：

1. 是否超出該時段該圍欄的預約上限，若超過會走超預約上限派單流程；
2. 司機篩選、排序同 A 流程；
3. 非當時分配司機的預約單，會有一個失敗后每隔兩分鐘的輪詢機制；
4. 經過三輪輪詢后仍未成功的訂單，會轉進人工處理。

C 流程

用車時間距當前時間大于 N 分鐘，且用車時間在高峰時間段，會采取「預約單，立即派司機」的方式：

1. 司機篩選：除與 B 流程相同的規則外，司機可以選擇是否接聽此類訂單（風險較高）；
2. 高峰訂單主要集中在早、晚、凌晨，所以篩選司機是按照距司機家庭住址距離，而不是距當前位置距離；
3. 也會采取 3 輪的派單輪詢，與 B 流程不同的是，如果無人接單，派單會立即失敗，不會進入人工派單。

熱區排隊

還有一個不得不提的流程是，針對機場火車站這類單大人多的圍欄，這一區域的派單有兩個最大的問題：

• 大家距離都差不多，為啥先派給他，不派給我？
• 司機都希望去撈一票大的，排很久接個小單會很不爽。

1. 首先需要配置若干熱區圍欄，以便于后續規則的設計；
2. 觸發排隊規則包含 3 種場景：空駛入隊、服務入隊、上班入隊；
3. 針對每個圍欄會有圍欄上限，超過上限時僅能排隊，但不能切換到接單狀態（防止司機在圍欄等待過長時間）；
4. 排隊基本按照司機的入隊時間，派單時的司機順序與上述流程大致類似；
5. 接單超時時長：司機主動駛處、接單成功等情況下會駛出熱區，其中針對接單出隊這種情況會設置一個接單超時時長，若司機在此時間范圍內歸隊，則仍能保留原有排號，這樣就解決了司機對接小單的抱怨。

當然，派單中遇到的問題遠不只此，如超出預約上線就不派了么？車型降級怎么兼容？不同城市道路的限行問題 等等就不在此贅述，有時間可以另起一個話題來聊~

調度流程

1. 空車調度系統介紹

系統自動預測當前城市未來半小時之內的車輛與訂單的分布情況，以系統六邊形格子為單位，將缺車區域與富余車輛區域相匹配，將富裕的車調往缺車區域，使該城市的訂單需求能更好地被滿足。

同時司機接到系統發起的空車調度單并按要求到達目的地后，可快速地接到訂單，更好地完成自己的績效。另外，系統調度無需人工干預，由系統經過一系列預測和計算之后，智能的、精準的匹配供需。

2. 調度目標

對每個格子，我們可以預測出其30分鐘后的成功訂單數succOrder，空閑車輛數freeCar。

我們定義：

• 當succOrder大于freeCar時，本格子是需求格子(S)，需求數量為succOrder-freeCar。
• 當succOrder小于freeCar時，本格子是供給格子(D)，供給數量為freeCar- succOrder。

我們的目標就是從D向S調度車，使得全城的需求格子的需求數盡量變為0，即，我們乘客的需求盡量被滿足。在實際問題上，這并不容易，主要是因為以下三個問題。

3. 調度問題

調度主要遇到以下3個問題：

（1）派單距離會大于格子距離，一些調度不需要

六邊形格子相對于傳統的人工圍欄來說，單位面積更小，反映城市的供需情況更加精確，然而帶來的一個問題是，專車下單時，派單半徑較大，可能會覆蓋到周圍的六邊形格子，如圖：

圖中紅色的a塊是缺車區域，鄰近的α、β是多車區域，如果直接按照簡單的調度算法，就可能將α、β塊的車輛調入a塊。但a塊在下單時向周圍輻射的派單半徑將α、β塊都囊括其中，α、β塊中的車輛能夠接到a塊的訂單，所以沒有必要發起空車調度。

我們需要界定，哪些供給與需求之間需要調車，而哪些不需要。

（2）真實的需求，真實的供給

例如，下圖的三個連續的格子，經過預測，我們得知A區域是需求區域，需要3輛車：D（3），B區域是供給區域S（4），C是D（3）。A的派單距離只能看到B，看不到C。

那么，從A看來，自身的需求可以被派單區域內的B滿足，整體看來應該是S（1）。但是如果我們多看一步，就會發現，B區域還要去滿足C，使得B不能同時滿足A和C。而如果我們“再多看一步”，也許C的旁邊還有個供給區域S（4），也許沒有。

為了計算A區域是否真的“不缺車”，我們“連鎖反應的”考察了其相鄰的相鄰的格子，我們甚至可能要掃描全城的格子。

我們需要找出，如果經過全盤考慮后，那些格子是真實的供給，那些是真實的需求。

（3）最后的供給與需求如何做匹配

假如我們找到了真實的供給和需求后，如何找到一種匹配方法，使得最后供給與需求之間的調度代價（調度距離總和）最小。

例如在下面的例子中，我們的調度應該是（a2-γ1 、b1-δ1）還是（a2-δ1 、b1-γ1）？

4. 調度算法

針對問題1、2，我們使用了抹平算法；針對問題3，我們使用了km匹配算法。

六邊形調度算法的流程可概括如下：預測30分鐘之后的供需分布 → 抹平算法抵消不必要的空車調度 → KM算法計算最小調車成本 → 發起調度。

（1）抹平算法

1）概述

抹平算法的目的是將鄰近六邊形塊的供給和需求相互抵消，避免不必要的空車調度。抹平算法利用了二分圖最大匹配的思想，將供給和需求單位看作左右子圖進行配對，并利用匈牙利算法得到最大匹配。匹配完成后，二分圖里所有邊兩端的頂點視為相互抵消，剩余的頂點即為真正的缺車和多車

2）例子

舉例說明：

假設上圖中，紅色的a、b塊是某城市所有的缺車區域，數字-3、-2代表a塊缺3輛車，b塊缺2輛車。藍色的α、β、γ、δ為多車區域，分別富余2、1、1、1輛車。

對于a、b兩個缺車區域而言，假設派單半徑能夠覆蓋周圍一圈六邊形，那么α能夠直接滿足a塊的訂單需求，β塊能直接滿足b塊的用車需求，所以α塊無需發起向a塊的空車調度，β塊也無需發起對b塊的空車調度，需要進行抹平計算。

給該城市所有缺車需求和富余車輛進行編號，如下圖：

由六邊形塊的鄰近關系得知，α1、α2可直接滿足a塊的用車需求，β1可直接滿足b塊的用車需求，根據這個關系，可以得出一個二分圖如下：

圖中虛線代表了可能的匹配關系，基于以上前提，可以計算一個最大匹配（即盡可能多地將左右子圖兩兩匹配）。利用匈牙利算法，可以求得一個最大匹配，如：

匹配完成后，我們發現左圖剩下了a2、b1，右圖剩下了γ1、δ1 。也就是說a塊和b塊都還有一個需求沒有被滿足，γ和δ塊仍然有多余的車輛：

到此，可以得出a塊和b塊真正的缺車數量為都為1，接下來可對于a、b和γ、δ進行下一步的匹配，生成空車調度單。

3）總結

抹平算法利用了二分圖最大匹配的思想，將全城所有的供給和需求構建二分圖，以六邊形鄰近關系做為二分圖可能的匹配，并計算一個最大匹配來抵消鄰近的供需。匹配完成后，剩余的頂點可視為真正的需求和供給，下一步再利用KM算法，計算調車成本最小的匹配關系。

（2）KM算法

1）概述

空車調度中，利用KM算法的核心目的是，對于多個需求和供給，尋求一種最優匹配，使調度的總成本（行駛距離）最小。

2）例子

上一步抹平算法的例子中，全城的供需分布經過抹平后，剩余a2、b1和γ1、δ1是真正的需求和供給。下一步計算時，就會產生兩種匹配結果，（a2-γ1 、b1-δ1） 和（a2-δ1 、b1-γ1），這兩種結果哪種是最優的呢？

假設他們之間的距離如下圖：

a2距γ1為6km，b1距δ1為7km，a2距δ1為3km，b1距γ1為5km。

如果按照（a2-γ1 、b1-δ1）進行匹配，距離總和為6+7=13km。

如果按照（a2-δ1 、b1-γ1）進行匹配，距離總和為3+5=8km。

所以第二種匹配方案距離總和最低，成本最小。利用km算法可快速計算出距離總和最低的匹配方案。

實操中解的一些有趣的 case

1. 搶單失敗的提示

事情是這樣，在搶單列表中，司機可以點擊搶單按鈕進行搶單，但是，會有多種情況導致搶單失敗，其中有兩類：

1. 點擊搶單時，訂單已經被別人搶走；
2. 點擊搶單時，訂單已經超時（系統有自動派單機制兜底，訂單在 N 分鐘內沒人搶單判定為超時，系統會自動派單）。

對于這樣的情況，在一開始都給司機做出了明確的反饋：

• 訂單已被搶
• 訂單已超時

但是，上線后反饋卻很不好：「明明已經超時了，為什么還要顯示在頁面上讓我們搶，搶又搶不到！」確實，這樣的做法很不好。搶單是一個對效率要求很高的環節，在這樣的反復搶單失敗中，嚴重損害了司機搶單的積極性。

不得已，只能在待搶單列表中增加了定時刷新的機制，每隔1分鐘刷新列表。這樣可以過濾掉部分已經被搶或已經超時的訂單，但還是有部分訂單因為超時而搶單失敗。最后只能做了一個小小的欺騙：將訂單已超時和訂單已被搶的提示都統一成了「手慢了，訂單已被搶」。上線后客服收到的此類反饋驟降，但其實搶單結果上沒有任何差別~

從心理學來說：人們在歸因的時候，更容易得出自己想得到的結論，而不一定是真實的結論。并且出于心理上的自我保護，人們會將導致失敗的外界原因放大，而將自己個人的原因淡化。

當因為訂單超時導致搶單失敗時，司機會抱怨產品的設計問題（外部因素），但是同樣的結果（問題本質并沒有得到改善），“欺騙”司機是因為自己手速慢了，導致訂單被搶，卻沒人再抱怨了（個人因素）。不但沒有抱怨了，反而看到訂單的時候都及時去搶單了，不再挑三揀四，訂單處理的整體效率還得到了提升……

2. 如何在拼車定價時做到大家都滿意

機場火車站是一個任何時候都需求旺盛的地方，在網約車政策越來越收緊的情況下，供給越來越跟不上需求，因此在非專車品類也推出了拼車這種形式。

但是，拼車天然會有一個問題，那就是拼車的人該如何分擔拼車費用呢？舉個栗子大家就明白啦~

熊大、熊二和光頭強都下了飛機打車回家，按照三者的目的地，計算出拼車總價是 18 元，如果不拼車，熊大需要 6 元、熊二需要 11 元、光頭強需要 15 元。

光頭強說：咱們各出 6 塊吧！

熊大聽了怒了：我自己打車回家就 6 塊，跟你倆貨拼還是 6 塊，憑啥！

熊大琢磨了一會：要不這樣吧，第一段的錢咱們 3 個人平分，第二段的錢你們兩個人平分，最后一段就光頭強自己掏了吧。

熊二和光頭強一聽笑了：我倆為了你繞道，居然還要幫你平分你那部分的錢，不拼啦！不拼啦！

熊二說：用我清華池學的博弈論給一個方案吧，假設熊大打車回家途中先后遇到我和光頭強，當然也有可能先遇到光頭強，再遇到我，可能出現的情況如下：

補充一下，從熊大家到光頭強家直線距離的價格為 11 元。

這里的計算思路是：誰先來的誰付錢，后來的補上多出來的錢。

那么以 Case 2 來舉例：

熊大先要回家，所以熊大要付 6 元；這時光頭強加入了，就要補上從熊大家到光頭強家的 11 元；最后熊二只要付 18 -（6+11）= 1 元。

同理可以推導出 6 種情況下每個人的支付金額：

因為每一種情況出現的概率都是相等的，所以平均計算后，熊大需要支付 2.83 元、熊二需要支付5.33 元、光頭強需要支付 9.83 元。

熊二講完，大家都服了~

這個理論其實是博弈論三位大神之一 Shapley 的經典理論，稱為沙普利值（Shapley value），通過考慮各個代理（agent）做出的貢獻，來公平的分配合作收益。代理 i 的沙普利值是 i 對于一個合作項目所期望的貢獻量的平均值。

具體來說，一個合作項目 C=<Ag,v> 是由一些代理（Ag={1,2,…,n},n≥2），和每個代理在這個合作項目中所做的貢獻量的特征方程 v(C)=k（(∑i∈C) xi）表示。

3. 派單 or 搶單，哪種才是對平臺司機乘客更好的方式

與滴滴相反，我們是經歷了一個先是全部走平臺派單，后來部分改為搶單的過程。

因為早期，全部是自營司機，領取的是基本工資+績效，他們的每天的工作都是按照拼臺的安排來進行，采取派單能將平臺的效率最大化。

后來，接入了兼職、優駕、出租車等非自營司機，這部分司機習慣于多平臺聽單，如果還是強制派單，很容造成流失，所以針對這一部分采取的搶單。

相較而言，滴滴早期切入市場時，采取的搶單，具有絕對話語權，就改為派單了~

作者：小明，不入流產品汪。寫文章是為了督促自己獨立思考，也想看看自己能堅持多久。

本文由 @小明 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自unsplash，基于CC0協議