在滴滴出行APP上发起打车订单，就能知道什么时候上车、什么时候到达、大概费用多少……这些看似简单的功能背后，实际上无不考验着考滴滴的“大数据运算”能力。滴滴研究院副院长叶杰平近日在上海一场内部分享会上首次详细解读滴滴算法世界，滴滴“大脑”首次露出真容。
滴滴大脑是什么
叶杰平将滴滴大脑这个智能系统分为三部分，分别是大数据、机器学习和云计算。
人工智能需要数据进行训练，纵观应用级”深度学习” 深度学习的成功案例，他们都获得了海量数据，像谷歌和Facebook这样的公司都可以获取大量数据，这种优势让他们可以创造更有效的新工具。
而机器学习是人工智能的核心，一套系统通过机器自我学习的方式来实现人工智能，算法则是机器学习的关键要素。滴滴搭建的核心算法模型，可以帮助实现更准确的预测能力、智能的调配能力，提高效率降低成本，达到最优运力调度。
云计算提供计算能力，滴滴的业务场景对计算要求和实时性都非常高，用户输入一个目的地，最佳合理调度都由滴滴大脑以毫秒级的速度来计算，例如通过滴滴云计算搭建了大规模实时分单处理平台，可以实现多维度最佳订单匹配。滴滴平台已经有数万台服务器，未来两年服务器规模将达到数十万台。
滴滴大脑能为出行做什么
据悉，滴滴大脑每2秒进行一次全局的判断，在大量计算中，完成全局最优的智能派单、服务分和司乘判责等行为：
1、供需预测
大数据可以通过搜集到的数据，进行处理分析后，得到规律，然后利用这个规律来对未来进行预测。
当前滴滴在交通领域的数据量全球第一，每日峰值订单超过2000万单、每日处理数据超过2000TB，覆盖了交通路况、用户叫车信息、司机驾驶行为、车辆数据等多个维度，它所掌握的巨大的真实数据除了帮助预测路况外，还能对供需进行预测，供需预测越准确，越能更好的解决供需不平衡问题。
叶杰平透露，滴滴目前对15分钟后供需预测的准确度已经达到了85%，平台可以调度司机满足未来的打车需求，有效降低未来该区域供需不平衡的概率。
2、路径规划
路径规划和ETA（Estimated Time of Arrival，预计到达时间）两项地图技术是实现智能派单的关键，也将直接影响到司乘双方的使用体验。
通过海量历史数据，可以对未来路况做预测，实现A点到B点的路径规划，它是派单的核心，工程师围绕最低的价格、最高的司机效率和最佳交通系统运行效率来做算法。
叶杰平称，滴滴是国内第一家把机器学习成功应用到ETA的公司，这是解决“订单高效匹配”和“司机运力调度”的关键技术。当前滴滴ETA可以预测每一单出行的时长以及预估在每一个路口前的等待时长。有了这项技术，可以在更合适的时间对运力进行更好的调度。
3、智能派单
用滴滴叫车，和搜索的逻辑不同，网上的商品、资讯等信息都是静态停留在那里，计算方式只是将这个商品、信息挖掘出来即可，而滴滴的计算则类似于动态打靶，车辆永远在运动当中，要在众多运动的车辆中，给乘客一个最优的选择，不光是距离，时间也是。也就是实现平台效率和用户体验最大化。智能派单对订单量和司机数进行预测，然后通过大规模分布式计算来实现上述的最优撮合。
为了实现这一目的，供需预测、动调调价、路径规划以及服务分的算法技术要一起发挥作用，他们最终为实现最优派单而服务，他们的算法都将结合到智能派单系统中，帮助在动态环境中撮合乘客与司机的交易。
据悉，目前高峰期滴滴平台每分钟接收超过3万乘客需求，每两秒钟作一次订单匹配，每一次发单背后,滴滴大脑运算次数达到百亿次级别。
4、服务分和司乘判责
滴滴使用大数据技术来预估每个司机的服务分值，包括乘客打分、乘客评价以及取消率等因素，并利用算法模型来计算不同服务水平的司机对用户产生的长期影响。
滴滴在2016年9月上线服务信用体系后，司机拥有个人专属的服务信用档案和服务分值，为乘客提供优质服务的车主可获得更高的服务分，从而获得更多的订单和收入。目前服务分已与滴滴的智能派单系统结合，在距离、车型等条件类似的情况下，系统将优先派单给服务分较高的车主，帮助服务优良的车主获得高的收入。上述服务信用体系就是利用人工智能建立算法模型来实现。
除了服务分外，滴滴还通过大数据和机器学习模型来进行司乘判责。服务分里重要的几项因素包括乘客取消订单、投诉，以及文字评价等，需要系统来作智能判责，针对当次取消行为，判断司机是否有责？乘客是否有责？滴滴方面表示，去年12月15日全国上线了智能取消判责系统后，司机的满意度得到显著提高。
5、九霄
九霄是滴滴大数据孵化的出行领域智能决策的技术创新产品。能够把错综复杂的时间、空间、业务维度的n次元出行领域数据，转化成易于理解的2次元数据，搭建数据理解的桥梁；帮助运营、产品、BI、研发部门发现问题、分析问题、解决问题，产生切实的业务收益；提升业务决策效率和决策效益。
滴滴将出行领域的数据，进行整理、挖掘、智能聚合，在地图空间和时间轴上进行合理的呈现，使用户能够直观的感知在什么时间、什么地点、各个业务线的什么业务维度（乘客、订单、运力、体验等），发生了什么，方便深入追踪和探寻业务痛点和原因分析。
同时，利用机器学习、数据挖掘的方法帮助运营、产品、BI、研发人员发现／分析和解决实际问题，产生切实的业务收益。举个例子，比如通过九霄对地图上任意区域的供需平衡状况、订单满足情况能够一目了然，并且结合九霄的精细化分析能力，能够进行细化到某个地理围栏的供需策略，进行围栏级别的运力调度策略配置；（在代驾场景上）基于机器学习进行供需预测，判断哪些区域存在运力缺口，自动化调度司机调节供需平衡。
