最后用的是第二个算法，也是一种基于大量函数的组合算法。
左下角是个矩阵，每一行是一个订单，每一列是一个骑手，我们希望通过一些规则和一些机器学习的算法算出来，右边是一个定单匹配的结果。
最优匹配就是 KM 算法。调度算法的演进最早是 VRP。
后来是 KM 算法，但是这个基础框架界定了以后，还有很多工作量需要做。订单实际上有相似性，因为订单是可以打包的，一个人稍微等几分钟，也许这个订单出来跟那个订单很相似的性质，就是去同一个地方，就可以把订单给同一个人拿走。所以订单打包和吸水是我们做的第一件事情，但是订单靠什么规则在高峰期和非高峰期的时候是不一样的，存在两个方向的路和两个方向的夹角不一样的地方，所以定单匹配模型是在 2.2 版本之上做出来的，用机器学习通过历史数据来训练，在这里我们也碰到一些挑战，由于在不同的站点配送员习惯不一样，我们推广的时候会遇到一个问题，在 A 站点大家觉得是 OK，但是在 B 站点不行，我们现在做到千站千面的东西，根据类似的站点历史过去分担一些情况，我们把这些模型用来做训练，做到类似的站点它有类似分单的方式。所以不会出现说你特别不喜欢这个分单的方式，多多少少有一点类似性，所以做到了 2.3 这个版本。现在做的版本就是增强学习，我们根据实时的情况来进行动态地调整。
餐厅选址就不详细讲了，我们自己其实也和商家开始合作开一些餐厅，我们都希望选最好的地方，餐厅覆盖最多的用户，菜品不一样，用户群不一样，所以这个选址是很重要的。
The End
我今天主题是应用实践，我个人感受，我做机器学习做了十几年，工作挑战是来自于基础数据的完整性和准确性。刚才讲到数据不准确，餐厅不规则的情况，我们无法知道一些准确的情况，我们花了大量时间来做基础数据的调整。第二点我讲到算法的提升和对人的行为的理解比较重要，因为在外卖行业都需要人去执行，以前人工分配通过打电话，有大量沟通在里面，现在机器一下子分摊了，他们难以理解，而且机器考虑全局最优而不是局部最优，人是做不到这点。在算法提升和产品运营综合起来，才能把这个事情最后推下去让大家形成习惯。第三点优化算法与机器学习在我们行业是相辅相成的，不仅是机器学习，跟重要的是我们在这么短时间怎么样把人力分布最好，在最少的时间情况下把订单完成。谢谢大家!
如果您有想法的话，可在底部留言。谢谢!
作者介绍
张浩，饿了么技术副总裁，负责人工智能与大数据建设。带领团队将机器学习应用在物流调度、压力平衡、美食推荐等场景，通过数据挖掘建立完整的数据运营体系，用数据和智能驱动业务发展。拥有十余年机器学习、数据挖掘、分布式经验，曾任滴滴研究院高级总监、美国 Uber 大数据部、LinkedIn 搜索与分析部、Microsoft Bing 语音组等从事机器学习与大数据工作。
免责声明：科技狗对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。 本网站转载图片、文字之类版权申明，本网站无法鉴别所上传图片或文字的知识版权，如果侵犯，请及时通知我们，本网站将在第一时间及时删除：yzl_300@126.com
