作为信息化时代最具有商业竞争力的工具，大数据为商业需求的满足及市场经济的增长带来难以计量的贡献。基于大数据的人工智能正渗透进企业的生产战略及民众的日常生活中，发展过程中的变革形态与整个社会息息相关，了解基于大数据的人工智能的科学性，对企业科学决策有着战略意义。

　　大数据（big data）指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。作为智慧经济时代的重要生命体，不少企业通过海量的数据挖掘和分析客户的需求进行洞察与满足，在各种使用场景中体现出大规模的创新优势，不断推行商业模式和商业模型的创新。网约车行业便是一个极佳的案例。

　　人工智能的“出行大脑”

　　滴滴出行创始人、董事长兼CEO程维曾表示，工业时代是机器替代体力，信息时代是机器替代脑力。

　　贝叶斯定理的局限性告诉我们，通过普通统计将概率与成本固定化，将其运用于各种情况下的决策权衡过程，利用先验知识进行假设并观察结果的方式，只能够推导出理论上的最优决策，现实世界往往并不是如此简单，因此人工智能所依赖的大数据在使用上更具有科学性。

　　通过人工智能，滴滴正在建设智能的“出行大脑”，可以实现随区域、时间变动的定价，订单的高效匹配，根据供需预测之后的司机运力调度等。滴滴解决的出行问题，与谷歌的AlphaGo系统一样，需要极其复杂的人工智能运算。对于一个具体区域来说，“出行大脑”已经可以实现提前15分钟内做出准确率超过88%的预测，并根据预测结果对司机运力进行调度，使附近的司机可以提前到达运力紧缺的区域，从而缓解可能发生的拥堵。

　　目前，滴滴出行平台每天新增数据超过70Tb以上，每天计算次数数十亿计，高峰时段每分钟匹配就高达200万次。基于如此大的数据量，滴滴可以进行最大限度的数据挖掘，不断通过大数据和深度学习驱动的人工神经网络，实现精准的预测能力、智能的调配能力和动态的定价能力，以此提高效率降低成本，实现最优的运力调度。

　　问题与挑战

　　除极少数城市由于发达的公交系统及对私人汽车限制发展，世界上大多数城市都不同程度遭受着交通拥挤的困扰。近年来，随着交通机动化和汽车私人化的快速发展，我国不少城市的道路系统也出现了严重的拥挤堵塞。在这样的背景下，如何满足人们便捷出行的需要，提高城市交通运行效率，给滴滴提出三方面的挑战：

　　挑战1：等待时间长，订单量巨大

　　滴滴出行目前提供出租车、专车、快车、顺风车等业务，2015年共完成14.3亿次出行订单，是美国2015年全部出租车订单的两倍。2016年3月，滴滴出行实现新的里程碑，即日出行订单量超过1000万，相当于美国单日分享出行订单总量的5到6倍。

　　挑战2：交通拥堵，车辆密度高

　　交通拥挤、堵塞严重，中国也不例外，全球车辆密度最高的10个城市，前8个来自中国，后面东京和纽约紧随其后。

　　挑战3：打车难，供需不平衡

　　人们很难在高峰时段打到车，这是供需不平衡导致，背后是由潮汐需求造成的难题。对有限资源占用形成的高峰期与平峰期实际就是潮汐需求。北京大学教授周其仁表示，春运、黄金周都是典型的潮汐需求，运力在高峰期和平峰期差10倍。

　　出行领域出现的潮汐需求尤其明显，每天的早晚高峰用户打车困难，平峰期司机又很空闲。要解决这个问题，需要综合运力的智能调度才能实现。

　　基于人工智能的解决之道

　　基于对大数据的认知，我们不难得知，大数据对人工智能的贡献，主要来自其数据分析带来的对受众需求的精准切入。

　　作为计算机学科相对年轻且属于人工智能、机器学习、统计和数据库系统交集的领域，数据挖掘是一个不断从与方法相关的大型数据集合中发现新模式的过程，它意味着通过计算机本身发现数据中的发展趋势和规律，尝试用各种模型来适应数据并确定最优模型。

　　基于大数据的人工智能可以做些什么？概括而言，一是确定或改变业务流程，以适应客户需求；二是通过由数据推动的商业模式降低人工成本；三是设计管理与安全策略；四是合理分配指标与激励策略。

　　在出行领域中，核心竞争力之一在于分配效率，既包括车辆在空间上的分配，也包括资源在司机及乘客两方面的分配。滴滴用机器学习模型从海量的出行数据中寻找规律，最核心的是找到解决预计到达时间（ETA）问题最有效的机器学习模型以及特征挖掘。滴滴出行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。

　　智能派单

　　智能派单是滴滴运营的核心技术之一。智能交通引擎每一秒钟都要匹配成千上万的乘客和司机，乘客和司机之间的距离或车程时间是衡量派单质量的主要指标，需要用到两项关键的地图技术，即依据路径规划和ETA（预估任意起终点所需的行驶时间）来完成派单。

　　如何实现智能派单

　　传统方法通过路况和每段路的平均速度计算出时间，然后加上可能的等待时间，得到整体所需时间，而滴滴则是利用机器学习来计算时间，大幅提升了用户体验。根据这一技术，目前滴滴出行平台上已经可以实时更新所剩余的距离以及到达终点的时间。

　　供需预测

　　对于供需不平衡的问题，更好的解决方案是对供需情况进行预测，以便提前对司机进行智能调度。比如预测某个区域将会有很大的供需不平衡，就提前派司机到这一区域，避免用户乘车需求无法满足。实现供需预测带来三大好处：供需得到平衡、乘客用车体验提升，以及司机收入增加。

　　智能调度

　　逻辑上是为每个司机建立画像，包括其接单习惯，接单区域，把合适的订单最快匹配到司机手里，保证司机和用户都找到自己喜欢、适合的服务。

　　如何实现智能调度

　　滴滴正在研发一款名叫九霄的可视化系统，该系统可以呈现过去发生了什么以及正在发生什么，比如哪里有交通拥堵以及当前的供需情况等。

　　智能拼车方案

　　针对打车难的另一种解决办法是拼车，可以通过机器学习来智能优化拼车方案。拼车降低了出行成本和汽车燃油成本，但关键问题是，需要将所有乘客多耗费的时间最小化。很明显，乘客之间的路线越相似，多出的时间就越少。如何进行拼车定价也是个问题，关键是计算每单的预期利润，如果预期利润很高，平台将给予较高的折扣。

　　大数据可以构建起自动化系统，对可信度进行评估并量化风险，我们未来的发展方向应当尽可能提升系统本身的可信度，由数据驱动的方法必须建立在具可靠性和精确性的方法论的基础之上。

　　大数据以及基于大数据的人工智能正深刻地改变着各大行业。在未来的十年内，决定产业大发展的关键就在于谁先拥有数据，并通过数据创造价值。

　　作者单位：滴滴出行科技有限公司

　　团队介绍

　　滴滴研究院是滴滴出行全新的创新性研究机构，也是滴滴出行的“大脑”。未来一切有助于提高移动出行效率的技术创新，都将在这里孵化出来。

　　目前，滴滴研究院的研究方向包括：机器学习、计算机视觉、人工智能、数据挖掘、最优化理论、分布式计算等。滴滴研究院与业务线紧密结合，每一项研究成果都能以最快的速度应用到相应的产品上，给千万用户带去便捷。

　　滴滴出行在解决市场竞争和营运问题后（合并Uber中国、网约车合法），正准备用技术突破继续领跑出行领域，滴滴研究院正是其积极布局人工智能的产物。在未来的DT时代，赶上人工智能浪潮的滴滴出行，一定大有可为。