机器学习在美团配送系统的实践：用技术还原真实世界-笔记

文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书

本文为美团文章学习的笔记整理。

1. 美团“超脑”配送系统的由来

美团内部把配送的AI系统，简称为“超脑”配送系统。

2. 即时配送在全球快速发展

以外卖为依托，即时配送业务在全球范围内掀起了一波快速发展的浪潮，两个问题：

• “懒”是人类的天性。平价、方便、快捷的服务是人类的普遍需求，尤其是在“吃”这个事情上，外卖成为了一种高频的刚需。
• 外卖的商业模式完全可行。以美团外卖为例，2018年上半年整体收入160亿，同步增长90%。根据Uber公布的数据，Uber Eats在2018第一季度占整体营业的13%。

3. 即时配送的业务模型

即时配送，是一种配送时长1小时以内，平均配送时长约30分钟的快速配送业务。如此快速的配送时效，将传统的线上电商交易与线下物流配送（传统划分比较明确的两条业务）整合为统一整体，形成了用户、商户、骑手和平台互相交错的四元关系。

以外卖搜索和排序为例，在下午时段，在用户搜索和推荐中可以看到更多的商家，因为此时运力充分，可以提供更远距离的配送服务，不仅能更好满足用户的需求，提高商家的单量，而且能够增加骑手的收入。

即时配送的核心指标是效率、成本、体验，这三者也形成了即时配送的商业模型。简单来说可以分为以下几步：

首先配送效率提升，让骑手在单位时间内配送更多订单，产生更多价值。然后配送成本下降，更高的效率，一方面让骑手收入增加，一方面也让订单平均成本下降。然后用户体验提升，低成本能够让用户（商户）以更低的价格享受更好的配送服务，从而保证更好的用户体验。进一步提升效率并形成循环，更好的用户体验，让更多用户（商户）聚集过来，提升规模和密度，进一步提升配送效率。

4. 美团“超脑”配送系统

美团“超脑”配送系统，包含以下几个方面：

• 大数据处理和计算能力
  • 算法数据和计算平台：包括实时特征计算、离线数据处理、机器学习平台等。
• 建立对世界深度感知
  • LBS系统：提供正确位置（用户/商户/骑手）以及两点之间正确的骑行导航。
  • 多传感器：提供室内定位以、精细化场景刻画、骑手运动状态识别
• 正确理解和准确预测
  • 时间预估：提供所有配送环节时间的准确预估
  • 其他预估：销量预估、运力预估等
• 完成复杂决策
  • 调度系统：多人多点实时调度系统，完成派单决策：谁来送？怎么送？
  • 定价系统：实时动态定价系统，完成定价决策：用户收多少钱？给骑手多少钱？
  • 规划系统：配送网络规划系统，完成规划决策：站点如何划分？运力如何运营？

5. 机器学习技术挑战

如何构建一个在真实物理世界运行的AI系统，是最大的挑战。具体到机器学习方向而言，挑战包括以下几个方面：

• 精度足够高、粒度足够细
  • 时间要求：一方面是周期性变化，比如早午晚，工作假日，季节变化；一方面是分钟级的精细度，比如一个商圈单量和运力的实时变化。
  • 空间要求：一方面是不同商圈独有特性，比如CBD区域；一方面是要实现楼栋和楼层的精度，比如1楼和20楼，就是完全不同的配送难度。
  • 鲁棒性要求：处理各种不确定的能力，比如天气变化、交通变化等等。
• 线下数据质量的巨大挑战
  • 大噪音：比如GPS定位漂移，尤其是在高楼附近，更不要说在室内GPS基本不可用。
  • 不完备：比如商家后厨数据、堂食数据、其他平台数据，都极难获得。
  • 高复杂：配送场景多样而且不稳定，随着时间、天气、路况等在不断变化。

6. 配送系统的核心参数ETA

ETA（Estimated Time of Arrival，时间送达预估）是配送系统中非常重要参数，与用户体验、配送成本有直接关系，而且会直接影响调度系统和定价系统的最终决策。

通过机器学习方法，将外卖配送几乎所有环节都进行了精准预估预测。

Note: ETA关联了调度系统与定价系统，对所有时间环节都进行预测。

7. 精准到楼宇和楼层的预估：交付时长

交付时长是指骑手到达用户后，将外卖交付到用户手中并离开的时间，实际是需要考虑三维空间内计算（上楼-下楼）。交付时间精准预估，有两点重要的意义，首先是客观的衡量配送难度，给骑手合理补贴；其次，考虑对骑手身上后续订单的影响，防止调度不合理，导致其他订单超时。

交付时长的目标是，做到楼宇和楼层的精准颗粒度，具体可以拆解为以下几步：

1. 地址的精准解析（精确到楼宇/单元/楼层）
   • 地址精度需要在5级之上（4级：街道，5级：楼宇），国内拥有这个级别精细化数据的公司屈指可数。
   • 数据的安全级别很高，我们做了很多脱敏工作，做了各种数据保护与隔离，保证用户隐私和数据安全。
   • 地址信息的多种表达方式、各种变形，需要较强的NLU技术能力。
2. 交付时长预估
   • 通过骑手轨迹进行“入客-离客”识别，并进行大量数据清洗工作。
   • 统计各个粒度的交付时长，通过树形模型实现快速搜索各个粒度的数据。
   • 因为预估精度是楼宇和楼层，数据很稀疏，很难直接进行统计，需要通过各种数据平滑和回归预估，处理数据稀疏和平滑的问题。
3. 下游业务应用
   • 给调度和定价业务，提供楼宇+楼层维度的交付时长。从上图可以看到，在不同楼宇，不同楼层交付时长的区分度还是很明显的。
   • 尤其是楼层与交付时长并不是线性相关，还具体调研过骑手决策行为，发现骑手会考虑等电梯的时间，低楼层骑手倾向于走楼梯，高楼层则坐电梯。

Note: 交付时长是一个特别精细的工作，从美团的文章来看，交付时长非常重要，还有一篇单独的文章来介绍这个工作。

8. 配送中最重要的数据之一：地图

配送地图的目标可以概括为以下两点：

• 正确的位置
  • 实时部分：骑手实时位置。
  • 静态部分：用户和商户准确的地址和位置。
• 正确的导航
  • 两点之间正确的距离和路线。
  • 突发情况的快速反应（封路、限行）。

在即时配送业务中，骑行地图的重要性非常之高，同时很多问题确实非常具有行业特色，通过驾车地图的技术无法很有效的解决。

Note: 地图是一个非常庞大的业务，需要有充足的资源再考虑。

9. 基于签到数据的位置校正：交付点

目前主要问题：用户位置信息有很多错误，比如：

• 用户选择错误，在订单发送到配送系统的时候，需要做一次用户坐标纠正，引导骑手到达正确的位置。
• POI数据不精细，用户选择了比较粗的位置信息。现实中在一个小区里面，找到一个具体xx栋楼还是非常困难的。造成这种原因，一方面可能是用户选择不精细，还有一种可能，就是地图上没有具体楼栋的POI信息。

在实际配送中，会要求骑手在完成交付后进行签到，这样就会积累大量的上报数据，对于后续进行精细化挖掘非常有帮助。这其中蕴含着极高的价值，具体来说有三方面：

• 数据量大
  • 每天几千万订单，几十亿的轨迹数据。
  • 可以充分覆盖每一个小区/楼栋/单元门。
• 维度多样
  • 除了骑手签到和轨迹数据，我们还有大量的用户、商户和地图数据。
  • 多种数据维度可以交叉验证，有效避免数据的噪音，提高挖掘结果精度。
• 数据完备
  • 在局部（用户和商户）数据足够稠密，置信度比较高。

Note: 要求骑手完成订单签到是一种非常棒的操作，可以收集完整的订单信息（订单完成时间），修正用户位置。

10. 交付点挖掘的技术实战：挑战

在数据挖掘实际过程中，整个挖掘过程，分为以下几个步骤：（1）基于地址分组；（2）数据去噪；（3）数据聚合；（4）置信度打分。其中主要技术挑战，主要在各种场景中保证数据挖掘质量和覆盖率，具体来说主要有三个挑战：

• 数据去噪
  • 数据噪音来源比较多样，包括GPS的漂移、骑手误操作、违规操作等各种。一方面是针对噪音原因进行特殊处理（比如一些作弊行为），另一方面要充分发挥数据密度和数据量的优势，在保证尽量去除Outlier后，依然保持可观的数据量。能够同时使用其他维度的数据进行验证，也是非常重要的，甚至可以说数据多样性和正交性，决定了我们能做事情的上限。
• 数据聚合
  • 不同区域的楼宇密度完全不一样，具有极强的Local属性，使用常规聚类方法，比较难做到参数统一，需要找到一种不过分依赖样本集合大小，以及对去噪不敏感的聚类算法。
• 重名问题
  • 这个属于POI融合的一个子问题，判断两个POI信息是否应该合并。这个在用户地址中比较常见，用户提供的地址信息一样，但实际是两个地方。这种情况下，我们的处理原则是一方面要求纠正后坐标更符合骑手签到情况，另一方面新坐标的签到数据要足够稠密。

交付点挖掘的技术实战：效果

目前效果上看还是非常明显的。包括几个方面：

• 骑手交付距离明显降低
• 单元门级别的高精度位置
• 目前的问题以及后续的优化点 如何提升其作为POI挖掘和发现手段的准确率？这里面有很多优化点，比如去重（交付点-位置信息的一一映射），POI信息补全和更新。 如何扩大数据渠道并做到信息整合？目前主要渠道还是骑手签到和轨迹数据，这个明显有更大的想象空间，毕竟每天在全国大街小巷，有几十万骑手在进行配送，除了前面（以及后面）提到的通过手机被动采集的数据，让骑手主动采集数据，也是不错的建设思路。只不过想要做好的话，需要建立一个相对闭环数据系统，包括上报、采集、清洗、加工、监控等等。

Note: 这是一个很精细的工作，初期不太用考虑。

11. 更精细化的配送场景识别：感知

地图技术，只能解决在室外场景的位置和导航问题。但配送在商家侧（到店、取餐）和用户侧（到客、交付）两个场景中，其实是发生在室内环境。在室内的骑手位置是在哪里、在做什么以及用户和商家在做什么，如果了解这些，就能解决很多实际问题。

“情景感知”具体方向：

情景感知的目标就是做到场景的精细刻画（上图的上半部分），包含两个方面工作：

1. 配送节点的精确刻画 在ETA预估中已经展示过一些，不过之前主要还是基于骑手上报数据，这显然无法做到很高精确，必须引入更客观的数据进行描述。目前，我们选择的是WIFI和蓝牙的地理围栏技术作为主要辅助。
2. 配送过程的精确刻画 骑手在配送过程中经常会切换方式，比如可能某个小区不让骑电动车，那骑手必须步行，再比如骑手在商家发生长时间驻留，那应该是发生了等餐的情况（用户侧同理）。目前，选择使用基于传感器的运动状态识别作为主要辅助。

Note: 这是属于一个锦上添花的功能，初期不太用考虑。

Reference

1. 机器学习在美团配送系统的实践：用技术还原真实世界