历经五次迭代，看饿了么方舟智能调度系统如何指挥300万骑手

雷锋网 • 6年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

饿了么

AI影响因子

开发

企业：饿了么

操作：专访

内容：智能调度系统

雷锋网 (公众号：雷锋网) AI 研习社按，2018 年初，比达咨询发布 2017 年度中国第三方餐饮外卖市场研究报告。报告显示，2017 年度外卖市场交易规模达 2046 亿元，较去年增长 23.1%，用户规模增长 3 亿人，较去年增长 15.4%。

随着外卖市场规模的逐渐扩大，如何提高外卖平台物流运营效率，将每个订单分配给最合适的骑手？如何为每位骑手规划最佳路径？如何精确地将外卖送到每位顾客手上？这些都是亟需解决的问题。

作为目前中国外卖市场的一大巨头，饿了么是如何解决以上问题的呢？雷锋网 AI 研习社近日联系到饿了么相关团队，了解到他们独特的智能调度系统「方舟」以及调度效果。

饿了么对 AI 研习社表示，智能调度系统「方舟」是饿了么外卖即时配送领域中最核心的环节，该系统替代了调度员大部分的工作，减少了人力介入的程度，实现了自动化、智能化派单。

目前，「方舟」系统已在完成全国 74 个大中型城市的推广，覆盖直营城市 96% 的订单，预计今年 6 月底完成向其他城市的推广。

方舟的智能派单是如何实现的呢？

Part1「知人善任」——把对的订单派给对的人

智能调度系统的核心目标是提高外卖平台物流运营效率，其中效率与公平是派单的两大支柱。「方舟」通过学习骑手的送餐数据，划定骑手等级，并阶梯化各级骑手目标单量，从而为每个骑手做出一张能力画像，将运单分配给最合适的骑手。

在外卖的午间与晚间高峰，「方舟」会以运单效率为第一准则，在高峰期优先对高等级骑手分派订单，以提升配送效率。数据显示，「方舟」系统每秒处理订单的峰值可以达到 80 单。

到了外卖的平峰期，「方舟」则会在考虑效率的基础上，强调公平性。通过大数据分析，做到骑手单量的均衡，确保同等级、同团队骑手所分配的运单量在一定时间跨度内大体相当。

除了在骑手订单数量上做到均衡以外，为避免骑手工作负荷不均，「方舟」还会对运单类别进行均衡，使长单与短单、易送单与难送单在各个骑手运单中的比例大致都一样。

Part2 「老马识途」：为每位骑手规划最优路径

「方舟」智能调度系统通过分析餐厅历史出餐数据，骑手接单时，系统会优先指向出餐更快的餐厅，让骑手减少在餐厅等餐的时间。数据显示，在智能调度系统的帮助下，饿了么每单配送时长已缩短至 28.62 分钟，准时率和用户好评率都高达 99%。

当骑手遇到暴雨、下雪等极端天气时，由于天气与路况问题，骑手的行驶速度会变慢，这时候系统会分配给骑手更多的送餐时间，确保骑手不会因为担心送餐迟到而超速，降低骑手产生交通安全事故的概率。

除了时间和距离，并单率也是决定人效的重要因素，因此，「方舟」还会将同一街道、同一楼宇的临近订单合并，给一名骑手统一配送，将骑手每一趟的价值最大化，业内叫「追单」。

此外，「方舟」还解决了长期存在的区隔问题。所谓「网格」，就是配送地图中的最小单位，在传统的配送体系中，网格与网格之间派单体系独立，网格 A 的外卖小哥不能接到网格 B 的订单，但在实际中，跨网格配送的情况却很常见，这样容易导致骑手空驶返回，造成成本浪费。

如今，骑手要从网格 A 到网格 B 送单，「方舟」就会在他返程时，为他安排从网格 B 取餐送到网格 A 的任务，最大限度减少空驶里程，为骑手创收。

五次迭代

这一智能调度系统的发展历程如何？饿了么人工智能与策略部负责人李佩曾在去年年底的一次演讲中表示，方舟系统历经五次迭代：

第一版是逐单分配：当前时刻最优。

在这一分配系统的算法里，主要考虑到运单剩余时长、骑手已有负载、骑手绕路距离、运单与骑手已有负载的夹角，抽象出来的问题模型是带时间窗的路径规划问题。

但是由于配送员的行为可能不会按照系统给的最优配送路径，比如电动车没电或者配送员想走另外一条路，因此这种获取订单最优解的方案虽然有效，但满足不了业务需求。
之后，他们升级到蓄水分单：蓄水时长内最优。

在这个版本里，他们引入 buffer 的概念。基于个体的独特性会影响分配算法效率的考虑，他们抛弃掉个体概念，改从时间区间的维度来考虑问题，这里希望能做到「全局最优」。

在这个版本里，主要考虑如下内容：运单特征（起点、终点、路面距离）、骑手特征（负载、能力、绕路比、最大夹角）、生成运单骑手匹配度矩阵、基于匹配度矩阵做全局最优匹配。

但由于会出现运力饱和甚至是运力不足的情况，一旦碰到高峰期，配送速度还是不能让顾客满意。
基于此，他们升级到波次并单与多级调控。

波次并单指的是在同一波次内尽可能的并单，最大化同时背单数。多级调控是通过算法，建立一个运单紧急度模型，分为紧急单分配、低相似运单分配等等，保证最紧急的订单最快出单。

但实际线下环境的复杂度远远超乎想象，传统算法设计几乎已经无力再继续优化。
于是他们开发出第四个版本——机器学习分单。

基于机器学习技术，他们建立了五个模型——运单相似度模型、骑手背单能力模型（通过机器学习评估人类员工能力的实例）、骑手路径规划模型、骑手行程时间预估模型、骑手楼内时间预估模型。

虽然从理论上来看没有问题，但调度结果极其依赖算法模型。基于此，算法工程师观察配送员的配送行为之后对算法模型了进行大量优化。
这催生出第五个版本—深层神经网络与多场景智能适配分单。

在这一版本中，深度学习在系统里承担了几乎所有预测工作，包括不同骑手在送餐过程中的路径选择，以及未来 15、30 分钟的负载压力。

此外，算法团队为调度划分了午高峰、平峰、爆单、大厦、小区等多个场景，系统会根据场景来适配模型。