您的滴滴2020年度出行报告，请查收！

转载 于 2020-12-31 19:33:19 发布 · 4.8k 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://dpubstatic.xiaojukeji.com/static/h5market/data2020/index.html?scid=11
文章标签：

#js #sms #qml #css #qt

本文回顾了滴滴2020年的出行数据，分享了个人出行记录和特殊时刻的故事征集，揭示了你的滴滴之城。快来重温你的特别行程，分享你的故事赢取打车卡奖励。

桔妹导读：滴滴2020年度出行盘点新鲜出炉，每个人都有属于自己的滴滴之城，快来看看你的城。打玉人、Tony的亲人、最该呵护的人……这12种有趣的灵魂，你是哪一种？

一年一度的个人出行盘点新鲜出炉

你的最晚一单

是不是还是从公司加班回家？

今年的春节很特别，节后的第一单，

你还记得去了哪里么？

点击上图进入「2020你的滴滴之城」

特别福利

▬

在评论里告诉我们行程背后最难忘的故事~

桔妹于2021年1月5日

选出点赞最高的3位幸运儿

送出100元打车卡

延伸阅读

▬

内容编辑 | Mango

联系我们 | DiDiTech@didiglobal.com
滴滴技术
关注
博客
滴滴开源走进浙江大学｜共话开源实践与高校共建
11-07 518
Mpx是一款增强型跨端开发框架，以小程序原生语法和技术能力为基础，借鉴Vue框架的优秀语法设计，通过静态转译与运行时适配相结合，实现“一份源码，多端运行”。滴滴开源与CCF（中国计算机学会）重点孵化的HUATUO项目基于eBPF技术实现低损耗、零侵扰的内核数据采集，覆盖TCP/IP协议栈、CPU调度、内存管理等核心模块，并构建异常事件驱动诊断与全自动化追踪（AutoTracing）两大核心引擎，能够自动捕获softlockup、oom、网络延迟等关键事件，精准定位云原生场景下的偶发与突发故障。
博客
滴滴开源荣获多项 OSCAR “开源+”典型案例奖
10-30 466
作为一个针对开源操作系统的深度可观测性项目，在滴滴内部，HUATUO 实现了超大规模部署，覆盖通用计算、AI 计算、大数据、存储、消息队列等核心场景，并与阿里云龙蜥、华为欧拉、腾讯、麒麟软件等主流生态合作，联合多家科技企业共建开源生态，实现技术共享与协同创新。秉承这一精神情怀，钱一峰积极引领开源文化生根发芽，鼓励更多内部技术同学参与开源贡献，让开源不再只是技术成果的输出，更成为连接个人与社区、企业与行业的重要桥梁，让“共建共享”的理念真正融入开源技术创新的每一步。OSCAR开源+安全及风险治理。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 665
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 451
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 590
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 608
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 422
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 327
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 936
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 448
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 808
标题：Order Acquisition Under Competitive Pressure: A Rapidly Adaptive Reinforcement Learning Approach for Ride-Hailing Subsidy Strategies作者：Fangzhou Shi（史方舟）、Xiaopeng Ke（柯晓鹏）、Xinye Xiong（熊薪叶）、Kexin Meng（孟可欣）、Chang Men（门畅）、Zhengdan Zhu（朱正丹）论文链接：https://arxiv.
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 930
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 317
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 851
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 689
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 616
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 1010
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 869
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 720
标题：Order Acquisition Under Competitive Pressure: A Rapidly Adaptive Reinforcement Learning Approach for Ride-Hailing Subsidy Strategies作者：Fangzhou Shi（史方舟）、Xiaopeng Ke（柯晓鹏）、Xinye Xiong（熊薪叶）、Kexin Meng（孟可欣）、Chang Men（门畅）、Zhengdan Zhu（朱正丹）论文链接：https://arxiv.
博客
ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法
10-16 1028
这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值