机器学习在滴滴网络定位中的探索和实践

桔妹导读：定位是所有LBS服务的基础服务。在滴滴的业务场景下，定位主要是指各类终端设备的位置，包括手机、单车、行车记录仪、车机端等。作为底层服务，在滴滴日均提供700亿次定位服务，支撑着平台的各类业务。

今天给大家分享的是机器学习在滴滴网络定位中的实践工作，会重点介绍三阶段的演进：无监督模型、有监督回归模型、端到端CNN模型。

1. 

什么是网络定位

目前定位技术主要包括GPS、网络定位、惯性航位推算、MM（地图匹配）、视觉定位等。GPS是最为人熟知的定位技术，是依靠设备与卫星交互来获取经纬度的方式。GPS精度高，但有冷启动耗时长、耗电大、遮挡场景不可用等缺点。在滴滴场景下，乘客和司机在有遮挡的场景下，例如室内、高架下等，GPS通常处于不可用状态。这时就需要有其他定位技术作为GPS的补充，使得乘客发单、司机导航等服务依然可用。其中最主要的补充便是网络定位。

室内类场景虽然有遮挡，但设备通常可以扫描到Cell（基站）和Wifi列表，而且Cell和Wifi设备位置相对稳定，连接其上的设备可以借其定位，这就产生了网络定位。网络定位包括wifi定位和基站定位，是指基于终端扫描到的wifi或基站列表进行的定位技术。Wifi的接入设备通常称为AP（Acess Point），方便起见，下文将AP和基站统称为AP。

网络定位通常采用的是指纹定位技术，是一个根据query匹配指纹库信息，并计算得到坐标位置的过程。如下图所示，网络定位系统主要包括离线建库和在线定位两个阶段。

离线建库主要是基于有GPS时的采集数据，建指纹库的过程。指纹库中记录AP的各类信息在不同地理网格内的采集数据分布，如下图所示。

在线阶段，根据线上query匹配指纹库信息，并计算得到坐标位置。

本文介绍的主要是在线定位部分，即query匹配指纹库、计算坐标位置。

2. 

网络定位匹配算法迭代

在线定位算法共经历了无监督概率模型、有监督回归模型、端到端CNN模型三次大的迭代。前两个阶段的网络定位主要包括网格召回、网格排序、网格平滑三步，如下图图一所示。端到端CNN模型去除了网格排序和网格平滑，基于一个召回中心点，直接回归位置坐标，如下图图二所示。