化妆品公司网站设计,wordpress 主题 前端,郑州h5网站建设,设计公司网站价格简介#xff1a; 本文是#春招专栏#系列的第1篇#xff0c;根据高德机器学习研发部负责人damon在AT技术讲坛所分享的《AI在出行领域的应用实践》的内容整理而成。 前言#xff1a;又到春招季#xff01;作为国民级出行服务平台#xff0c;高德业务快速发展#xff0c;大量…简介 本文是#春招专栏#系列的第1篇根据高德机器学习研发部负责人damon在AT技术讲坛所分享的《AI在出行领域的应用实践》的内容整理而成。 前言又到春招季作为国民级出行服务平台高德业务快速发展大量校招/社招名额开放欢迎大家投递简历详情见文末。为帮助大家更了解高德技术我们策划了#春招专栏#的系列文章组织各业务团队的高年级同学以科普应用实践为主要内容为大家做相关介绍。 AT技术讲坛(Amap Technology Tribune)是高德发起的一档技术交流活动每期围绕一个主题我们会邀请阿里集团内外的专家以演讲、QA、开放讨论的方式与大家做技术交流。
damon根据用户在出行前出行中和出行后如何使用导航服务分别选取了几个典型的业务场景来介绍AI算法在其中的应用最后对未来做了一些展望。 以某位同学周末和朋友相约去“木屋烧烤”店撸串为例假设这位同学选择驾车前往目的地我们来看下AI算法是如何在导航过程中起到作用的。
出行前先做路线规划ETA预估到达时间不要迟到出行中最怕的就是遇到突发动态事件而影响到出行时间出行后到目的地餐馆是否还在正常营业也需要通过技术挖掘帮助用户提前规避白跑一趟的风险。
下面分别介绍。
出行前-路线规划
路线规划和网页搜索商品搜索的推荐算法很相似为用户推荐一条符合个人喜好的优质路线。推荐的路线要符合以下几个条件
能走此路能通按照路线可以到达终点。好走路线质量在当前地点时间下确保优质。千人千面不同用户在保证路线优质的前提下个性化调整更符合用户偏好。
同时在不对用户产生误导的前提下提供更多的对比参考给用户来选择
优质相比首路线/主路线有一定的、用户可感受到的优势。多样相比首路线/主路线尽可能有自己的特长。
路线规划算法的特点
从用户产生出行需求到需求得到满足。在用户搜索的时候上传的Query除了有起终点和导航策略也会像其他搜索一样有隐含的需求比如个性化和场景化。在导航业务里面个性化可以拆分成熟路和偏好两个维度熟路比较容易理解偏好是指用户对时间、距离、红绿灯、收费等不同维度上的偏好。
那么对应的解决方案我们引入用户ID存储记忆了用户的起终点对应的熟路信息。对用户的偏好类似DIN的网络结构对用户历史导航序列进行建模获取用户偏好信息。
在用户提交搜索需求之后对导航引擎来说也分为召回排序和过滤几部分。
对于导航的召回对性能要求比较高所以目前召回的结果较少。对排序来说同样是多目标而且多目标之间要进行平衡的业务。类比到电商推荐领域不仅希望用户更多地对商品进行点击浏览还希望用户在看完商品介绍之后进行购买提高GMV。
对于地图出行不仅希望用户更多的使用导航且按照推荐的路线走还希望实走时间要尽可能短用户反馈尽量好。
而且和其他领域类似多个目标之间会存在冲突比如电商CTR和GMV。在导航领域让用户尽可能的走封闭道路没有出口那肯定实走覆盖率就上升了但是这样规划的路线会绕远时间和距离都变差。
多目标的平衡如何在“帕累托最优”的情况下进行多个目标之间的取舍、平衡是大家一直在探索的问题我们目前采用的是带约束的最优化问题来进行建模就是保证其他指标不变差的情况下把某个指标最优化。
最后用户拿到导航引擎返回的路线结果特点是信息少用户只能看到整条路线的总时间、总距离和收费等统计信息对于这条路好不好走能不能走很难知道。
而且大部分用户是在陌生场景下用导航对导航依赖很重很难决策走哪条路更好这就导致排序在首条的方案选择率很高达到90%以上这个偏置是很严重的在训练实走覆盖率的时候我们设计了偏置网络来吸收用户这种倾向。
导航还有一个特点一旦出错对用户伤害特别大比如遇到小路用户的车可能会出现刮蹭遇到封路用户可能就得绕路付出相当的时间和金钱成本。这往往会比信息搜索给用户带来的影响和伤害更大。所以我们在过滤阶段对Badcase的过滤也是严格作为约束要求的。
路线规划召回算法
路线规划算法经典的是教科书上的Dijkstra算法存在的问题就是性能比较差线上实际应用都做了优化这里就不展开介绍了。
当起终点距离超过500公里性能基本就不可接受了虽然有启发式A star算法但是A star算法有可能丢最优解并不是完美解决性能问题的方法。
解决性能问题的思路一个是分布式一个是Cache而最短路线搜索并不像网页搜索分布式并不能很好的解决性能问题所以目前工业界实际使用的算法都是基于Cache的方法。
Cache的方法就是提前把一些起终点对之间的最短路线计算好Shortcuts在用户请求过来的时候利用好这些Shortcuts达到加快求路的目的简单举例子比如从北京到广州如果提前计算好了从北京到济南济南到南京南京到广州的最短路径那就可以在计算北京到广州的时候利用这些提前计算好的最短路线。
其中最为经典的一个算法就是CH算法(Contraction Hierarchies)在预处理阶段对所有节点进行了重要性排序逐渐把不重要的点去掉然后增加ShortcutsQuery查询阶段从起点和终点分别开始双向求路只找重要性高的点来达到加速的目的。
既然是Cache就会面临一个更新的问题比如原始路网的路况变化了或者原始路网某条路封路了那么提前缓存好的Shortcuts也需要更新。
这个时候CH的算法由于Shortcuts结构设计不够规律更新就很慢无法响应实时路况的变化。于是路线规划算法推进到了下一代CBR算法Cell based Routing这个算法通过分而治之的思想在预处理阶段把全国路网切分成n个子图切分的要求是子图之间连接的边边界边尽可能的少。
在每个子图内再继续往下切分进而形成金字塔结构预处理阶段就是把边界边之间的最短路径都提前算好Cache下来求路的时候就可以利用这些Shortcuts了。
CBR的优点是在预处理阶段路网的切分是分层的每一层都足够小在更新这一层的Shortcuts的时候可以把数据都放到CPU的L1 Cache里去所以计算速度特别快。
总结一下CBR和CH的区别
Query查询性能CH更快CH是0.1ms级别CBR是1-2ms级别。Shortcuts更新性能CH全国路网更新最快能做到10分钟而CBR能做到15秒更新全国可以满足实时路况变化和路网实时更新的需求。CH的Shortcuts不规律导致不同策略之间躲避拥堵高速优先等不能很好的复用Shortscuts的起终点结构所以不同策略需要单独重建Shortcuts内存占用非常大。这是我们排序的网络结构左边是用户偏置网络把路线排序的顺序以及引导路线之间的相似度信息输入进去期望尽可能消除掉偏置带来的影响。中间输入的用户历史统计信息和用户导航序列信息用来提取用户的个性化偏好。优化的主要目标是实走覆盖率。
新一代的路线规划算法要求提供随时间推演的能力。比如8:00从起点出发后面要走 1 2 3 ..n条路到达目的地假设8:10走到第2条道路8:20走到第3条道路那么我们在8:00计算Shortcuts的时候就不能只用到8:00的路况需要把后续进入某个道路的时刻考虑进来用那个时刻的路况来计算这就是TDR求路算法目前是高德首创的能真正实现躲避未来的拥堵并利用未来的畅通来规划路径。
出行前-ETA预估到达时间 上面三幅图选取的是北京西单金融街附近的区域展示了在三个相邻时间点上的交通状况。其中绿色、黄色、红色代表交通路况不同的状态。
假设现在是18点整路况预测的目标就是预估未来时刻的交通状况需要依赖每条道路的历史信息以及周边邻居的道路拥堵信息对时空两个维度进行建模。
对时间序列的建模用RNNLSTM等SEQ2SEQ的序列也有采用CNNTCN等。对空间信息的建模目前主流的方法是用GRAPH.
尽管模型在不断升级越来越复杂但是对于突发事件导致的拥堵根据历史统计信息很难预测精准比如去年9月份在上海世博园区举行外滩大会世博园平时很少有人去历史路况都是畅通而在开会期间车很多导致很堵。
这个时候靠历史信息是很难预测准确我们需要一个能代表未来的信号才能预测这就是路线规划的信息如果想去世博园的人很多那么规划的量就会很多我们根据规划的量就能知道未来有很多人想要去世博园就会导致世博园拥堵。 所以我们把规划的量通过一个流量往时间域的转换引入到路况预测模型效果取得明显提升尤其是在突发拥堵的时候高德的这个研究成果被KDD2020收录并且已经在业务场景中得到了应用有兴趣的同学可以详细查看我们的论文。
行中-用文本数据挖掘动态交通事件
继续向餐馆前进导航途中最怕遇到拥堵封路等事件所以高德会想尽一切办法挖掘这些动态事件帮助用户规避开。现在高德用到了多个维度的数据源其中的行业和互联网情报都是文本数据要用到NLP的技术来挖掘。
介绍一下怎么用AI算法来挖掘动态事件。
下面一段文本就是典型的来自于网络媒体的信息 G0612西和高速南绕城路段西山隧道ZK33844兰州方向应急车道停一辆故障大客车暂时封闭行车道和超车道正常通行请车辆注意避让、减速慢行。
这段信息是非结构化的需要我们做预处理要素提取再进行事件的组织组织成架构化的信息才能自动化的应用。
很自然的针对要素提取我们用BERT模型建模但是BERT模型太复杂性能比较差线上实际应用带来很大的挑战。 我们采取了知识蒸馏的方法训练一个简单的Student的网络来解决性能问题。知识蒸馏最主要的是如何捕捉潜在语义信息。高德在业界率先提出了用对比学习框架进行知识蒸馏同时在计算样本之间距离的时候提出COS-距离代替欧氏距离的方法能够让模型有效的学习到潜在语义表达信息。 对于Student表达的特征向量与Teacher特征向量距离靠近而要远离负例。使用余弦距离比如欧式距离能够更好适应Teacher网络和Student网络输出的特征向量长度分布不一致的问题这个工作成果发表在了AAAI2021上。
出行后-POI数据过期增强现势性的问题
人们在高德地图上会看到很多地理位置兴趣点Point of Interest缩写为POI例如餐厅、超市、景点、酒店、车站、停车场等。对POI数据的评价维度包括现势性、准确性、完备性和丰富性。
其中现势性就是地图所提供的地理空间信息反映当前最新情况的程度简而言之增强现势性就是指尽可能快速地发现已停业、搬迁、更名、拆迁的过期冗余POI数据并将其处理成下线状态的过程。这部分可以参考我们之前发布的文章《高德地理位置兴趣点现势性增强演进之路》。
以上仅是AI算法在出行场景应用的一些举例更多的技术方案欢迎大家来和我们一起探讨。
出行前景-全局调度
对网页搜索来说结果是信息可以无限复制互不影响对电商搜索来说结果是商品可以认为商品足够多不够再生产所以也可以认为互不影响。
不同的是导航搜索出来的道路资源是有限的你用的多了我就用的少。比如一条路畅通我们把人导过去那么这条路就堵死了所以我们要做全局调度提高道路资源的使用率。
我们希望全局调度系统能和交通信号灯打通在一个交通仿真的环境下用多智能体强化学习的方法学习到更大规模的交通系统上如何统筹协调车辆、交通灯充分利用道路资源进一步缓解拥堵。我们一起来探索
作者高德技术小哥
原文链接
本文为阿里云原创内容未经允许不得转载
