阿里云与饿了么合作全球最大实时调度系统后，我们和研发团队聊了聊

大数据文摘作品，转载要求见文末

大数据文摘记者 | 魏子敏

1月11日，饿了么对外透露正和阿里云合作，研发人工智能调度外卖引擎。

饿了么作为国内最大的在线外卖和即时配送平台，每天配送订单超过300万。巨大的数据量催生了全球最大实时调度系统的诞生。

而人工叫单存在巨大痛点，骑手们看到哪个单就派哪个单，全靠经验，送单不及时时有发生。目前，阿里云同饿了么合作研发出ET新的调度引擎，正全面推行到外卖送餐领域，利用人工智能调度180万骑手。

饿了么某站点实时调度系统

阿里云人工智能团队科学家闵万里很看好这样的调度引擎在未来的应用。在此之前，人工智能调度工作也有其他领域的应用：

在广州白云机场，天池选手为ET开发算法用于调度1000多架飞机。ET可以将近机位乘客的比例从77%提高到94%，减少乘客再坐摆渡车的烦恼，临时机位的使用率减半，跑道冲突率从42%减少到5%。

同样在广州，ET通过观察路面车辆对红绿灯进行调度。在南华中路-宝岗大道9时~13时和15时~20时的平均拥堵指数分别下降了25.75%和11.83%。

车货匹配公司运满满正将ET应用到了货车调度领域。ET可对货物和车辆进行评估、车辆评估，进行智能化的匹配和推荐。货车司机按照ET的建议，可以接更多顺风单、接力单。阿里云同快的打车的合作应该是国内首次将人工智能应用到调度领域。当时抢单时长最高降低了21.11%，成交率提升了7.87%。

阿里云人工智能团队科学家闵万里

根据本次外卖调度引擎，大数据文摘记者采访了闵万里博士——

大数据文摘：从目前的资料来看，本次et调度涉及到的主要还是提取特征、特征工程，而预测模型还是传统模型，如adaboost，那么相对于传统et的技术，这次项目技术优势有哪些？

回答：这个项目还有最复杂的一层， 就是在关键信息量（出餐时间， 送餐行驶路径及顺序）有不确定性的前提下的动态分配策略问题，例如：把一个订单分配给哪个送餐员？是在什么时间点把一个订单分配出去（有时候在高峰期所有员工满负荷的时候，需要把一些订单押后再分发）？ 

打个比方， 以往所有的ET机器学习等预测方法在这个问题中都是为了提供一些信息量， 但是基于这些信息量的分配策略则是运筹学里面最难的问题，如同联合作战指挥部基于实时敌情报告决策派遣空军/海军/陆军/特战队出击， 需要找到代价最小或是时间最短的作战策略。 这个运筹学问题远超出了adaboost等经典问题的范畴。

大数据文摘：从技术本身来说，et应用于其他场景如何？如飞机调度、打车等，其实也是重新根据不同应用场景提取不同的特征，这次应用于外卖员调度场景，模型上有没有新的变化？

回答：这次的模型有非常大的变动。在打车或者飞机调度的场景里面，被调度的对象（司机， 飞行员）通常都会遵守指令，他们的行为具备可预见性。但是在送餐调度中，送餐员有非常大的自主空间， 往往按照自己的习惯偏好决定送餐的先后顺序， 但是这样的决策很多时候又不是调度系统建议的最优方案， 所以这次的模型需要特别考虑到被调度对象的个性化及能力差别，及时调整其接单的优先级。

大数据文摘：本次项目可能堪称史上最贵外卖调度员，提高骑手效率如何？还有什么其他应用？耗资如何？ 

回答： 这个项目的成果其实不仅仅可以解决送餐调度， 还能应用与其他配送调度的场景——货运，邮政，等。 而且还能支持运力团队在闲暇时间自由切换到其他配送业务。 

减少运力在闲时的浪费。具体耗资不方便透露。

大数据文摘：本次项目耗时多久？相关技术比如特征提取等需要大量饿了吗数据，前期协调和整个布局沟通遇到了哪些问题？

回答：开始试验研发用了2个月，然后全面接入系统上线用了3个月。   

这里面遇到最大的障碍是有些关键信息量在应用app产品中没有采集，需要改进产品设计采集数据。

大数据文摘：ET下一步发展计划是什么？

回答：相比与其他公司的人工智能注重模仿人的功能性机械性任务，阿里云的ET要挑战那些没有标准规则没有标准答案的探索性认知任务。 例如，如何从海量生产线数据中提前发现最终产品的缺陷，从医学影像中判读可能的病灶。

下面是阿里云算法工程师剑儒分享的一份技术干货：

 1、难点 

▼

设计一个满足即时配送业务需求的智能调度引擎必须接受的挑战：

（1）智能调度引擎需算的全：多维度因素综合考虑，例如骑手维度、餐厅维度、送餐地维度、配送区域维度、天气维度等；

（2）智能调度引擎需算的快：快速决策（及时派单或压单决策），避免高峰期“爆单"、同时需要在几百毫秒之内计算出最优配送路线并推送到骑手APP端；

（3）智能调度引擎需算的准：对餐厅属性（餐厅出餐时间、餐厅订单量预估）、骑手属性（骑手配送能力、骑手抗压能力）、送餐地属性（热门商圈，是否需要长时间等电梯）等关键因素需“了若指掌”。

 2、如何实现 

▼

 餐厅出餐时间预估预测的结果是一个连续的数值，例如：1132.0秒，该时间表示从餐厅确认接到用户的订单（派单员报单或者系统直接推单）到餐厅准备好餐品的时间。

为了将餐厅出餐时间预估的准确性做的尽可能高，项目组同饿了么业务人员、运营人员、调度员、骑手多次沟通，设计大量特征，并尝试多种模型(最终选择Adaboost)，模型预测的出餐时间误差在5分钟之内。

骑手送餐地（POI）等待时间是指从骑手进入送餐地范围到骑手确认送餐成功后的时间间隔，送餐地可能涵盖商圈、写字楼、学校等，不同的送餐地骑手需要等待的时间不同。

 例如，有些60多层的写字楼，骑手等待电梯的时间可能要高达10分钟之上，系统需要根据历史数据，准确预测每一个送餐地骑手需等待的时间，才能给做骑手最优的路线规划，并保障已背订单不超时。 

智能调度引擎需要具备新单聚包、新包分配及骑手路径规划等功能，其中：

新单聚包是指针对源源不断的订单流，将相似订单（时空相似）打包作为一次派发的工作包，项目组设计一种类似于层次聚类的算法，可以有效的将相似订单在线挖掘并打包。

新包分配及骑手路径规划是一个复杂的带时间窗口、取送顺序约束的TSP问题，项目组定义合适的成本函数（多种成本函数，业务方可以根据需要调控），设计精确求解和近似求解算法，尝试计算新包分配给骑手前后，骑手新增的成本，选择合适的骑手进行派包并给出最优的路线规划。

关于转载
如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 |bigdatadigest），并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者，我们将依法追究其法律责任。联系邮箱：[email protected]。