拿出手机，点几下，输入目的地，下单。
几分钟后，一位出租车司机准时出现在楼下等你。
这个操作已经为亿万用户所熟悉。
看似简单的流程背后，其实是一个处理问题的多层次过程。
在此期间，一系列复杂的智能算法模型正在默默地为您提供服务，快速进行超大规模的计算。
事实上，与在搜索引擎中寻找自己想要的网页相比，在巨大的车流量中匹配车辆带你到达目的地会更加复杂。
毕竟网页可以持续显示一整天，甚至半个月；但车辆在高速行驶，乘客和司机的相对位置一直在实时变化。
匹配的过程和方法也极其重要。
在一个特定的地区，有许多乘客和许多车辆。
系统需要全局考虑区域内的需求和供给，以毫秒速度计算，实时进行最合理的订单分配。
最大化用户的出行效率和出行体验。
在滴滴出行，从乘客下单，到向周围的出租车司机汇报订单，再到司机成功接听，所需的时间被压缩到极短的时间。
这背后最大的功臣就是基于组合优化的滴滴打车订单拆分模型。
该模式投入使用后，滴滴打车的打车成功率比以前进一步提高。
为了进一步改善用户叫车时的体验，滴滴还开发了目的地预测模型，可以在用户打开软件时2毫秒内向用户推荐最有可能的地点。
目前该特征的预测准确率超过90%。
相关论文《A Taxi Order Dispatch Model based On Combinatorial Optimization》也被国际数据挖掘顶级会议KDD收录。
接下来是论文的中文解释： 1.我们的工作：优化分单时的整体成交率。
早期，打车软件的订单分配主要集中在每个订单与每个出租车司机之间的关联算法。
当乘客发起请求时，系统会尝试匹配并调度最近的司机，力求尽量减少接送时间。
不过，这个时候往往会忽视司机是否更适合其他的顺序。
业界此前提出了基于多智能体架构的NTuCab新模型，旨在最大限度地减少乘客的等待时间和接送距离。
该模型将每个智能体视为一个计算单元，同时处理N个订单和司机的比赛，但一个订单只会匹配一个出租车司机。
如果出租车司机拒绝该命令，系统会将其转发给下一个司机。
但这些方法往往调度时间较长、成功率较低。
对此，滴滴出行提出了一种新的组合优化方法。
在这个模型中，命令将被广播给几个出租车司机。
当多个出租车司机接到同一份订单时，最先抢到订单的人将获得订单。
如果命令没有得到答复，则进入下一轮命令，直到出租车司机答复或乘客取消为止。
该模型的目标是最大化订单完成率，从而保证司机和乘客的出行体验。
实验数据还显示，该模式下打车整体成功率比同类模式高出4%。
我们工作的一个重大改进是使用了“整体”的概念，即把当前时刻所有司机和待分配的订单组的多对多匹配问题作为一个整体来考虑。
以优化成交率为目标，通过司机和乘客的整体配置，提升乘客订单的整体成交率。
2.Logistic回归模型计算司机的接受概率。
尽管定义了模型的目标和解决方案，但仍然有一个关键因素。
我们需要考虑司机是否愿意接受这个命令。
司机接受订单的概率往往取决于很多因素，比如订单的值、行驶距离、方向角、行驶方向等。
这些信息可以被编码成特征向量。
我们用它来表示司机DJ对订单oi的接受概率。
关于这个概率的计算，我们借鉴了计算广告中的CTR估算方法，使用逻辑回归模型来计算。
我们在北京进行了严格的AB测试，并将我们的模型与业界常用的另外两个模型进行了比较。
以成交率、平均取货时间、订单响应时间、取消率等关键业务指标作为核心评价指标。
。
实验结果表明，我们的模型具有更好的性能，总体订单完成率提高了 4%。
3. 预测目的地：循环正态分布下的概率计算。
在寒冷多风的冬季，用户战战兢兢地进入目的地并不是一种好的体验。
如果你能在用户下订单之前推荐他最有可能去的地方，往往可以显着减少他操作软件的时间。
基于滴滴平台的海量历史数据，我们发现人们的出行往往遵循一定的模式，用户往往会在相似的时间到达同一个目的地；分析订单所在位置还可以帮助精准推荐用户的实时目的地。