探究物流效率提升方案，货拉拉论文入选国际顶级学术会议KDD
- 时间:
- 浏览:0
近日，国际数据科学和数据挖掘领域的最顶级学术会议KDD入选论文正式揭晓。今年KDD吸引了全球范围内705篇论文投递，仅收录了138篇论文，收录率不足20%。货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》（《一种MoD系统中信息披露的优化方法》）从705篇论文中脱颖而出成功入选。该论文通过数据建模解决互联网物流智能分单问题，提升互联网物流平台效率，实现业务指标优化。本文对货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》进行详细解读。货拉拉技术团队该论文中提出了一种优化信息披露方式的框架，通过建模和求解，通过算法选取最合适的司机进行履约，实现订单的精准推送，实现平台效率、用户体验和司机体验的整体提升。一、研究背景当下货拉拉货运采用的订单分配方式为全局广播，即在指定时间/距离 等范围内，将所有订单推送给所有司机，司机通过浏览订单列表的方式，做抉择，选取符合预期的订单进行响应，对于同一订单被多个司机响应的场景，由算法综合考虑平台效率、用户体验、司机体验等因素，选取最合适的司机进行履约。定义订单推送给司机为一种信息披露，本论文提出的算法便是在订单广播环节提出的改进。作为司机，处于不同的状态（时空，供需，今日累计工作时长，今日累计收入等），面对不同的选择（订单列表），对收入的期望也会有所差异。举几个例子：1） 供给受限的情况，待匹配订单数远远大于运力数司机相对主动，倾向于接价格更高的订单；2）需求受限的情况，待匹配订单数远远小于运力数司机相对被动，倾向于选择不空驶，尽量不计较价格；3）无限制的播单场景，司机的订单列表里有全城，甚至是全国的订单司机相对主动，在系统订单过剩时，会选择困难；4）强限制的派单场景，司机的订单列表里不超过一个订单司机相对被动，在系统没有派单/派单不满意 时，会有焦虑感；通过对司机的决策行为进行准确地估计，并通过优化信息披露（哪些订单给哪些司机看）的方式，我们期望实现司机体验、用户体验和平台效率的整体提升。二、研究价值1.区别于传统的推荐系统，例如抖音，豆瓣，淘宝等，电商网站的商品，以及短视频等内容，相对来说是一个不受限的资源，即一个商品可以被成百上千个用户购买，一条视频可以被推荐给千千万万的用户。货拉拉场景：订单因时空问题，会被推送给有限个司机；司机因屏幕问题，只能浏览有限个订单。这一类带资源约束的问题，目前没有成熟有效的解决方案。2.区别于传统的派单模式，众包业务的播单模式引入了更多的运力保障。a.引入了更多的复杂度对于m个司机，n个订单的业务场景派单解决的是1vs1的匹配问题，播单解决的问题是n vs m的信息披露问题纯暴力的搜索空间：
ii.局部的信息披露
iii.原始的砍边算法iv.最小化损失的砍边算法（Minimal Loss Edge Cutting）
整体算法如下：3.实验a.离线：选取货拉拉平台上3个城市的历史数据，训练司机决策预估模型b.在线：选取货拉拉平台上3个城市的若干时间段，按照分组轮换做AB实验A：货拉拉现有的全局信息披露方式B：基于司机决策预估模型的$$MLEC$$算法框架l定量结果（从整体的响应率、司机使用率来看，提出框架有较大提升）
解整体的局部供需问题l定性结果（颜色越深，表示订单响应问题比较严重，提出框架能够缓）
《Improving the Information Disclosure in Mobility-on-Demand Systems》论文提出了一种优化信息披露方式的框架，通过建模和求解，实现业务指标的优化。这项研究不仅适用于货拉拉这种互联网物流平台，同样也可应用于带资源约束的推荐系统。