作為KDD 2017鑽石贊助商，滴滴出行會場有哪些活動？

雷鋒網 AI 科技評論按：就在這個周末，每年一度的數據挖掘的頂級會議ACM SIGKDD在加拿大新斯科舍省省會哈利法克斯拉開了序幕，整個會議將從13號到17號為期5天。在異國他鄉的頂尖國際會議上，我們發現不僅在收錄論文列表裡有數不勝數的中國人的名字，甚至連贊助商都有一系列的中國公司位列前排，其中「滴滴出行」則以鑽石贊助商的身份排在首要位置。這就引起了我們對滴滴在此次會議中活動的特別注意。

通過查找，雷鋒網發現滴滴在這次大會中共有4個活動:

14日下午13:30-14:20，在「城市計算」研討會中，滴滴的副總裁、滴滴出行研究院副院長葉傑平將做一個關於「滴滴出行中的大數據」的受邀報告。

14日晚上19:00-22:00，一個論文報告「A Taxi Order Dispatch Model based On Combinatorial Optimization」。

15日中午12:30-13:30，滴滴作為鑽石贊助商將會有3個展位來招人。

15日下午13:30-17:00，中國專場中滴滴副總裁葉傑平也將做一次報告。

關注點一： 滴滴出行中的大數據

目前滴滴平台擁有4億用戶，日訂單量超過2000萬。在中國滴滴現在每天新增數據量有70TB+，每日處理數據2000TB，每日路徑規劃90億+。所以滴滴平台的大數據是毋庸置疑。滴滴如何把實時的交通信息整合在一塊，通過背後龐大複雜的演算法和計算平台做到實時、智能的決策，這將是非常值得關注的。通過葉傑平在之前的一些演講，我們可以發現人工智慧、機器學習演算法在滴滴出行的大數據處理中佔據著極為重要的地位。據了解，最近滴滴更新了一版深度學習，其效果如何或許將在這次會議中對外揭曉。

關注點二：論文報告

作為其研究成果的論文報道也是非常值得關注的。在KDD官網上這篇論文《A Taxi Order Dispatch Model based On Combinatorial Optimization》的摘要如下：

計程車的應用程序在世界各地非常受歡迎，因為它們為用戶提供了快速的響應時間和便利性。計程車預訂應用程序的關鍵組成部分是調度系統，該系統旨在提供駕駛員和車手之間的最佳匹配。傳統的調度系統依次向乘客派出計程車，其目的是最大化每個獨立訂單的司機接受率。但這種調度系統不能保證全局的成功率，這就會降低用戶在使用應用程序時的體驗。在本文中，我們提出了一個新的調度系統來優化多個訂單下的計程車調度。這個系統旨在最大化全局調度的成功率，從而優化整體的交通效率，給用戶帶來更好的體驗。為了進一步提升用戶體驗，我們還提出了一種在開啟計程車預約APP時預測用戶目的地的方法。這種方法使用了貝葉斯結構來根據他/她的旅行歷史來對用戶的目的地的分布進行建模。

我們使用A/B測試比較了我們新的計程車調度方法與從北京收集的數據建立的最先進的模型。實驗結果表明，該方法在全局成功率（從80%增加到84%）方面優於其他最先進的模型。此外我們還對其他指標（如用戶的等待時間和接收距離）進行了顯著改善。我們將表明，我們的目標預測演算法優於基於KNN方法的基準模型，與精度排名前三的模型相比，我們的精度提升了89% - 93%。這種新的計程車調度和目的地預測演算法已經部署在我們的在線系統中，每天為數千萬用戶服務。

論文下載：A Taxi Order Dispatch Model based On Combinatorial Optimization

關注點三：論文報告

此外，還有一篇入選論文《The Simpler The Better: A Unified Approach to Predicting Original Taxi Demands based on Large-Scale Online Platforms》，雖然不在滴滴的活動列表中，但有滴滴副總裁葉傑平的參與研究。摘要如下：

計程車應用程序現在越來越受歡迎，因為它們能有效地為有需要的乘客派遣空閑的計程車。為了更精確地平衡計程車的供應和需求，在線計程車平台必須預測單元計程車需求（UOTD），也即單位時間（例如每小時）、單位面積（例如每POI）發起的計程車需求數。UOTD的預測對於大型在線計程車平台來說是沒有意義的，因為對它們來說精確性和靈活性是至關重要的。複雜的非線性模型（如GBRT和深度學習）通常是精確的，但在情景變化（例如新的規定導致的額外限制）後就需要大量的工作來重新設計模型了。為了精確地預測UOTD，同時保持靈活的情景變化，我們提出了LinUOTD，這是一個具有超過200萬維特徵的統一線性回歸模型。這個簡單的模型結構消除了模型重設計的需要，而且高維特徵有助於精確地預測UOTD。此外，我們設計了一系列優化技術用於高效的模型訓練和更新。我們使用了兩個來自在線計程車平台的大型數據集進行的評估證明了LinUOTD在精確性方面優於流行的非線性模型。我們認為我們在UOTD預測中使用地高維特徵的簡單的線性模型可以作為一個試點研究，它可以應用到深入了解其他工業大規模時空預測的問題當中。

論文下載：The Simpler The Better: A Unified Approach to Predicting Original Taxi Demands based on Large-Scale Online Platforms

滴滴研究院成立於2016年4月，其中人工智慧科學家何曉飛教授任首屆院長。目前其研究項目包括ETA、動態調價、智能分單、拼車、供需預測、運力調度、熱力圖等核心項目，研究方向則包括機器學習、計算機視覺、人工智慧、數據挖掘、最優化理論、分散式計算等。

在今年3月滴滴出行又宣布在美國加州矽谷成立滴滴美國研究院，把挖人的觸角直接伸到了美國矽谷。如果細心，你會發現原來去年SIGKDD的鑽石贊助商也是滴滴出行，而微軟、亞馬遜這些科技巨頭則只能位居鉑金贊助商行列。從2012年微不足道，短短五年，就能與巨人並肩，其成長不可謂不迅猛，其背後有著怎樣的艱辛或許只有DiDier們自己知道。

SIGKDD 2017大會將有哪些精彩呈現，雷鋒網AI科技評論將從一線帶來精彩報道及內容。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！