滴滴新算法让你应对女友？道翰天琼认知智能机器人平台API接口大脑为您揭秘-64

大家好，又见面了，我是你们的朋友全栈君。

某个周末晚上，小陈约好了和女朋友去商场吃饭看电影。小陈平时喜爱打游戏，此时正在专心打农药。“啊！ZZ队友送人头，白瞎我最强亚索！伤心～” 而小陈的女朋友这个时候打来了电话:

你收拾好了吗？我已经到口红啦……

小陈内心：“这次竟然这么快？我还以为刚到眉毛呢，可是我还想再开一局逆风翻盘拿五杀呢！但是又不能迟到啊……小陈想到先点开打车软件计算一下双方的时间吧： 首先设置好出发地为女朋友家，目的地为要去的商场，呼叫快车，显示要30分钟。再来设置一下自己的出发地，呼叫快车，哇！只要15分钟。小陈于是决定再开一局，一套“行云流水”的操作下来之后，成功“助力”自己一方被五杀，望着被推倒的水晶塔，小陈内心“开心无比”，心想这局胜利的关键果然在自己身上啊！后来小陈准时赶到女朋友之前赴约……小陈心想这软件预估到达的时间真是准啊，多亏了它，农药也打了，约会也没迟到。相信以上类似场景大家多少都有遇到过，大家近些年逐渐习惯用网约车，而以滴滴为代表的网约车软件背后必须要提供各方面精准的服务。 这其中就涉及到一个至关重要的基础问题：预估到达时间（Estimated Time of Arrival, ETA）。在滴滴、Uber、Lyft等共享出行平台，时间预测的精度会直接关系到路径选择的合理性、订单分配的精确性和交通系统的整体效率，从而影响乘客的出行体验，以及司机的效率和收入；而且，海量的日均调用量也会对ETA模型的线上推理速度提出非常高的要求。ETA的复杂性和挑战性，使其成为颇具学术研究价值的问题。它要考虑交通要素的空间关系和交通系统的时间特性，也要引入个性化特征和外部特征的建模。这些特点使得机器学习成为很好的ETA解决方案，能够利用海量交通数据来建模行程时间分布。在今年的KDD2020大会上，滴滴发表了一篇题为《CompactETA: A Fast Inference System for Travel Time Prediction》的论文，详细介绍了如何在线上部署中实现微秒级的ETA机器学习解决方案。这种名为CompactETA的新算法是滴滴在此前论文《Learning to Estimate the Travel Time》（KDD2018）的算法框架的基础上提出的，它能基于图注意力网络（Graph Attention Network）将高阶的时空依赖关系编码到特征表示中，并进一步使用了位置编码技术（Positional Encoding）来保留行驶路径的序列信息。相比前一代方案，CompactETA实现了超过100倍的线上加速，平均响应时间低于50us。 1

ETA可建模成机器学习问题

直观来看，ETA系统要预测从地图上一点移动到另外一点所花费的时间。这是一个广泛存在的概念，航班、火车、汽车以及单车骑行都有对应的ETA预测任务。下面是一个示意图，假设用户从左上方的起点出发，想要前往右下角的终点，ETA系统将结合路网状态和用户信息对这段行程花费的时间做一个预估（图中示例的25分钟）。ETA的应用在滴滴平台上无处不在。例如以下场景：1、选定目的地之后，乘客首先看到就是预估接驾时间和预计到达终点的时间。前者告诉乘客大约多久之后司机可以到达他指定的出发点，后者给了乘客关于旅途时长的一个预测。如果这两个时间足够准确，乘客便会对行程有合理的心理预期，便于高效安排自己的事务。2、除了显示时间之外，其实还有一个数字隐藏了ETA的贡献，那就是预估价格。滴滴平台综合了行程距离和ETA等信息，按照计价规则提前估计一个金额供乘客参考。这些都是用户直观可感受的。3、在用户看不到的后台，ETA当然也是滴滴的派单引擎和调度引擎的重要决策信息之一。在滴滴，ETA服务的日均调用量已经达到百亿级别，想要提升网约车双边交易的效率，精准的ETA是重要基础之一。当人们想要预估一次行程时间时，至少有三个信息是必要的：谁、何时出发，以及走哪条路。放在网约车平台，这三个信息对应着：司机ID、出发时刻和行驶路径。这三个必要信息构成了ETA的query，即：其中司机ID和出发时刻都是标量，而行驶路径是一个向量，由一系列的路段ID组成。把路段称作Link。那么路径可以表示为：其中的各个L代表了Link的ID。根据query中的三项输入，可以在特征库中查询并构造出丰富的特征，车型、车龄、驾龄等画像信息，这些都可能对行车速度有影响。利用出发时刻，可以得到当前的天气信息、道路限行信息、交通管制信息等。出发时刻本身输入到模型中也帮助了对周期性交通规律的建模。利用行驶路径就可以查询到该行程经过了哪些路，这些路的静态物理属性是怎样的（封闭快速路/乡镇村道，车道数，限速，红绿灯情况等）；同时还能知道这些路的动态属性，通常指的是路况，描述了路网当前的通行拥堵情况。所有特征会分为两类：第一类是全局特征，描述了行程级别的基本信息。对于每个样本来说，它记录成一个向量。第二类是道路特征，描述了行程的link序列细节，对于每个样本来说，它记录成一个矩阵。每一列描述了一个link的特征向量。例如，在下图中，左边的天气类型构成了全局特征的一维；而右边的link特征，每个link都有对应维度记录自己的长度和通行速度值。在输入模型之前，不同类型的特征会进行变换。离散特征先通过各自对应的embedding层，然后与连续特征拼接起来。全局特征和道路特征都采用这种做法。基于query构造完特征之后，就可以设计模型学习出从特征到行程时间预估的一个映射，这是一个典型的回归问题：。 2

ETA机器学习方案的一些探索性

在滴滴团队于2018年发表的《Learning to Estimate the Travel Time》一文中，首次提出了系统性的ETA机器学习解决方案。其中，Wide-Deep-Recurrent（WDR）深度神经网络模型取得了很好的精度。WDR的细节可参考之前的解读文章，接下来简要介绍一下团队在WDR之后的一些思考和探索。首先是数据稀疏性问题。尽管滴滴有着庞大的轨迹数据，但在时间、空间和人这三个维度的组合面前，却还没有达到充足。在WDR（以及大部分深度学习模型）中，link ID都以embedding的方式处理。一旦某个link的历史数据太少，那么它的embedding vector就容易处于欠拟合状态，影响了整体ETA预测的准确性，我们把这称之为空间稀疏性问题。为了解决这个问题，团队做了一个工作：基于路况分布来度量不同link的相似性，并利用metric learning来对link的embedding vector加强训练。这个思路类似于迁移学习，把热门link的知识迁移到缺少数据但是通行模式相似的冷门link上。除了空间稀疏性问题，对应的还有时间稀疏性和司机稀疏性的问题，它们是数据在不同时段和司机上的分布不均导致的。我们同样用了metric learning的方法来处理司机稀疏性，用他们的驾驶习惯来度量相似性。而对于时间稀疏性，我们尝试了给相邻时段的embedding vector设置共享参数，使得相邻时段的embedding vector更加相似。除了稀疏性问题，我们也关心当规划路线不存在的场景下如何进行ETA预测。本质上看，这需要把起终点之间多种可能的路线都学习到模型中。团队针对性地提出用图相关的算法来隐式地对路线进行建模，同时采用了multi-task learning的框架，不光预测行程时间，也预测行程距离，通过多任务的相互协同来加强ETA的准确性。这个工作已经发表在KDD 2018上（Multi-task Representation Learning for Travel Time Prediction）。此外，考虑到路网天然是一个拓扑图，我们也关注把图卷积方法应用在ETA和路况预测任务上。这方面可以关注同样在KDD 2020上的《HerETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival》。当然，作为工业级应用，WDR最大的瓶颈还是在于线上推理速度。模型中recurrent结构消耗了相当大的计算资源。一次典型的ETA计算耗时长达几毫秒，如果服务器负载较高，响应时间甚至会到几十毫秒。这样的服务效率，在传统互联网应用中算是非常高的，但在共享出行领域，却还是重要的系统瓶颈之一，也产生了较大的机器成本。因此，在提出了ETA的机器学习解决方案后团队就把主要精力放在提升ETA推理速度上。同时，也希望精度不要有所降低。这就是本文要介绍的CompactETA的产生背景。 3

既快又准的ETA对出行平台降本提效有重要意义

ETA在网约车后台服务中发挥着重要作用，比如分单引擎、拼车引擎和运力调度等。为了实现整体交通系统的最优调度，分单引擎需要计算每个司机去接每个乘客的ETA，由此来综合统筹片区内的情况，尽最大可能保证司机和乘客的有效分配。再比如，既要提升交通效率，又要满足个性化出行需求，拼车是很有潜力的解决方案。以路径规划、ETA为代表的地图算法在拼车中扮演着重要的角色。拼车的顺路程度不仅由距离决定，时间也是重要参考。过长的绕行时间同样会给乘客体验和司机效率带来严重伤害。作为一项重要的工业级应用，ETA仅仅是精度高还远远不够。以拼车ETA调用量为例，如下图所示，假设仅考虑10名司机和20名乘客，引擎想要计算出最佳的双拼方案，那么就需要知道每一种组合的预估接驾时间。这里，总共有10x20x19=3800种司机和乘客的组合。假如有一天，乘客愿意接受短距离调度，比如走几十米到更佳的上车点（乘客走几十米，比如过天桥或出园区，有可能让司机少绕路几百米甚至几公里），那么我们要为每个乘客考虑附近的多个上车点，并且寻找最优的整体路线。假如候选上车点为5个，接驾路径的组合数迅速爆炸为3800x5x5=95000。为了求解10名司机和20名乘客的最佳拼车接驾方案（哪个司机接哪两个乘客，顺序如何），我们可能面临至少95000次ETA调用。在全国范围内，类似的计算还要重复成千上万遍。

道翰天琼认知智能未来机器人接口API简介介绍

• 认知智能是计算机科学的一个分支科学，是智能科学发展的高级阶段，它以人类认知体系为基础，以模仿人类核心能力为目标，以信息的理解、存储、应用为研究方向，以感知信息的深度理解和自然语言信息的深度理解为突破口，以跨学科理论体系为指导，从而形成的新一代理论、技术及应用系统的技术科学。 认知智能的核心研究范畴包括：1.宇宙、信息、大脑三者关系；2.人类大脑结构、功能、机制；3.哲学体系、文科体系、理科体系；4.认知融通、智慧融通、双脑(人脑和电脑)融通等核心体系。 认知智能四步走：1.认知宇宙世界。支撑理论体系有三体（宇宙、信息、大脑）论、易道论、存在论、本体论、认知论、融智学、HNC 等理论体系；2.清楚人脑结构、功能、机制。支撑学科有脑科学、心理学、逻辑学、情感学、生物学、化学等学科。3.清楚信息内涵规律规则。支撑学科有符号学、语言学、认知语言学、形式语言学等学科。4.系统落地能力。支撑学科有计算机科学、数学等学科。 认知智能CI机器人是杭州道翰天琼智能科技有限公司旗下产品。认知智能机器人是依托道翰天琼10年研发的认知智能CI体系为核心而打造的认知智能机器人大脑，是全球第一个认知智能机器人大脑。具有突破性，创新性，领航性。是新一代智能认知智能的最好的产品支撑。 认知智能机器人技术体系更加先进，更加智能，是新一代智能，认知智能领域世界范围内唯一的认知智能机器人。 认知智能机器人是新时代的产物，是新一代智能认知智能的产物。代表了新一代智能认知智能最核心的优势。和人工智能机器人大脑相比，优势非常明显。智能度高，客户粘性大，客户满意度高，易于推广和传播等核心特点。 依托认知智能机器人平台提供的机器人大脑服务，可以赋能各个行业，各个领域的智能设备，各类需要人机互动的领域等。认知智能机器人平台网址：www.weilaitec.com，www.citec.top。欢迎注册使用，走进更智能机器人世界。 认知智能和人工智能的优劣势对比主要可以分为四大方面： 第一：时代发展不同。人工智能是智能时代发展的第二个阶段，认知智能是智能时代发展的第三个阶段。时代发展上决定了认知智能更显具有时代领先性。 第二：基础理论体系不同。人工智能的基础理论体系以数学为基础，以统计概率体系为基础。认知智能基础理论体系以交叉许可理论体系为基础。包含古今中外哲学体系，心理学体系，逻辑学体系，语言学体系，符号学体系，数学体系等学科。其基础理论体系更加具有创新性，突破性和领先性。且交叉学科理论体系的研究也是未来智能发展的大方向。其具体理论体系，还包含三体论（宇宙，信息，大脑三者关系），融智学，和HNC等。 第三：技术体系不同。人工智能的核心技术体系主要是算法，机器学习，深度学习，知识图谱等。其主要功用在感知智能。感知智能其核心主要是在模仿人类的感知能力。认知智能的核心技术体系是以交叉学科理论体系而衍生出来的。具体包含三大核心技术体系，认知维度，类脑模型和万维图谱。认知智能的技术体系核心以类脑的认知体系为基础。以全方位模仿类脑能力为目标。人工智能以感知智能为基础的体系，只能作为认知智能中的类脑模型技术体系中的感知层技术体系。类脑模型大致包含，感知层，记忆层，学习层，理解层，认知层，逻辑层，情感层，沟通层，意识层等9大核心技术层。因此人工智能的核心只是作为认知智能类脑模型中的感知层。因此在技术体系上，人工智能和认知智能基本上没有太多的可比性。 第四：智能度成本等方面的不同：人工智能产品的综合智能程度，普遍在2-3岁左右的智力水平。认知智能产品其智能程度大致在5-8岁左右。认知智能体系构建的机器人更加智能。且更省时间，更省人力和资金。优势非常多。具体请看下列的逐项对比。

道翰天琼CiGril机器人API

道翰天琼CiGril认知智能机器人API用户需要按步骤获取基本信息：

1. 在平台注册账号
2. 登录平台，进入后台管理页面，创建应用，然后查看应用，查看应用相关信息。
3. 在应用信息页面，找到appid,appkey秘钥等信息，然后写接口代码接入机器人应用。

开始接入

请求地址：http://www.weilaitec.com/cigirlrobot.cgr

请求方式：post

请求参数：

接口连接示例：http://www.weilaitec.com/cigirlrobot.cgr?key=UTNJK34THXK010T566ZI39VES50BLRBE8R66H5R3FOAO84J3BV&msg=你好&ip=119.25.36.48&userid=jackli&appid=52454214552

注意事项：参数名称都要小写，五个参数不能遗漏，参数名称都要写对，且各个参数的值不能为空字符串。否则无法请求成功。userid,appid,key三个参数要到平台注册登录创建应用之后，然后查看应用详情就可以看到。userid就是平台注册账号。

示例代码JAVA：

import java.io.ByteArrayOutputStream; import java.io.IOException; import java.io.InputStream; import java.net.HttpURLConnection; import java.net.URL;

public class apitest {

/** * Get请求，获得返回数据 * @param urlStr * @return */ private static String opUrl(String urlStr) { URL url = null; HttpURLConnection conn = null; InputStream is = null; ByteArrayOutputStream baos = null; try { url = new URL(urlStr); conn = (HttpURLConnection) url.openConnection(); conn.setReadTimeout(5 * 10000); conn.setConnectTimeout(5 * 10000); conn.setRequestMethod(“POST”); if (conn.getResponseCode() == 200) { is = conn.getInputStream(); baos = new ByteArrayOutputStream(); int len = -1; byte[] buf = new byte[128];

while ((len = is.read(buf)) != -1) { baos.write(buf, 0, len); } baos.flush(); String result = baos.toString(); return result; } else { throw new Exception(“服务器连接错误！”); }

} catch (Exception e) { e.printStackTrace(); } finally { try { if (is != null) is.close(); } catch (IOException e) { e.printStackTrace(); }

try { if (baos != null) baos.close(); } catch (IOException e) { e.printStackTrace(); } conn.disconnect(); } return “”; } public static void main(String args []){ //msg参数就是传输过去的对话内容。 System.out.println(opUrl(“http://www.weilaitec.com/cigirlrobot.cgr?key=UTNJK34THXK010T566ZI39VES50BLRBE8R66H5R3FOAO84J3BV&msg=你好&ip=119.25.36.48&userid=jackli&appid=52454214552”)); } }

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/137182.html原文链接：https://javaforall.cn