记一次大厂的调度算法评测与仿真系统
哈啰两轮车调度算法介绍调度是将稀缺资源分配到一定时间内的不同任务上的决策过程，目的是优化一个或多个目标。两轮车调度场景是指通过预测未来用户的骑行需求，决定各站点车辆的调配任务，并将这些任务分配给合适的运维人员来执行，从而满足用户的骑行需求。在这个调度场景里会涉及三个对象，一是车辆，目标是用户需求满足率高，移车成本低，车辆翻台高。二是运维，目标是运维效率高，运维人员体验好。三是用户，目标是用户体验好。
我们将两轮车调度和外卖/网约车调度做对比，调度涉及到任务生成、任务派发和履约管控三个环节。在任务生成环节，两轮车调度的复杂度比外卖/网约车调度高，原因在于调度涉及到三个要素，调度算法触发的时机需要依托算法来决策，同时需要兼顾线下各种复杂的情况，如天气季节因素，竞对或城管干预等。在任务派发环节，两轮车调度的复杂度比外卖/网约车调度低，原因在于需要匹配的对象少，实时性要求低。在履约管控环节，两轮车调度的复杂度比外卖/网约车调度高，原因在于司机运维执行结果难以监管，而外卖/网约车有用户评价体系，监管便捷。
两轮车调度的难度是多维且立体的，一是定位不准，不同车辆型号定位的精准度是有差异的；二是车辆分散，司机需要去收集散落在各地的车辆；三是需求波动，如季节性的波动、早晚高峰的波动；四是供需失衡，实际投放的车辆数量与用户日益增长的需求匹配不上；五是城市差异，由于城市发展阶段和管控政策不同，会导致车辆投放与用户需求的差异；六是算法黑盒，会导致算法效果评估比较模糊；七是信息孤岛，如司机的载具在某个时刻可能会发生变化，但这些信息并不能及时同步到上层用于算法决策；八是计算复杂，一系列复杂的场景会导致算法的计算复杂度大增。
两轮车调度算法的目标总结下来是多快好省。一是多，我们希望算法调度占比高，覆盖的场景多，支持个性化。二是快，能够实时生成、实时派发、实时执行、实时反馈。三是好，我们希望让业务叫好，让司机叫好。四是省，既能省人工成本，又能省机器成本。
为了达成目标，我们制定了解决方案，左侧是我们解决方案的架构分层图。我们根据多快好省四个分类，推出了对应的解决措施。一是多，我们提供了站点组的调度策略，千城千策，调度场景覆盖广。二是快，我们将需求预测、任务派发与任务决策实时化，并通过路径规划找出最优路线。三是好，我们通过全局匹配来实现最优化，任务聚合来实现效果好，收益预估来提高收益，精益管理来提高管理效率。四是省，我们利用弹性计算、MR调度框架和调度波动预警，提高机器整体的资源利用率。
调度算法在效果评测上的挑战
调度算法效果评测上有五个挑战，一是效率低，一个迭代平均效果评估回收时间需要两周左右。二是不受控，我们无法控制线下运维的执行情况。三是干扰多，线下执行受到的干扰因素多，效果回收准确度低，导致收益和算法归因模糊。四是质量差，模型上线试验后，效果回收正向率低。五是公信力弱，由于线上效果差，合作方对模型效果信任度低。
调度算法仿真系统介绍
为了解决这个挑战，我们提出了仿真系统，通过对物理世界的仿真，达成调度算法离线验证和预测推演的能力。仿真逻辑如图所示，我们可以通过感知建模，对物理世界里的场景属性及行为，转换成特征和模型，其中特征是用来表达物理世界场景属性的数字化信息，而行为、规则用模型来表达。有了特征和模型后，我们可以使用工程技术手段把它演化成仿真世界里的场景、属性、行为和规则。如何做到仿真世界的实现，我们提出了三个层面，分别是特征数据、仿真模型和工程支撑。
特征数据
在物理世界中会存在各种各样的信息，如站点信息、车辆信息、用户骑行事件、调度事件、日期天气特征，订单、收益等。我们将其归纳成五个维度，站点数据、车辆数据、运力数据、外部数据和评估指标。
一是站点数据特征，包括站点基础信息、站点间流转订单、站点实时停驻车辆数、站点历史需求量和站点间骑行时间。二是车辆数据，包括车辆基础信息、车辆实时标签状态、车辆实时电量、车辆健康度和用户骑行收益。三是运力数据，包括司机画像、载具画像、载具实时数据、司机实时排班和运力成本。四是外部数据特征，包括节假日数据、天气特征、竞对实时数据、地图数据和城管干预。五是评估指标，如缺车数据、订单数据、调度量、翻台数据和车辆收益。
页:
[1]
