滴滴共享两轮车供需策略探讨

​​共享两轮车作为短途出行的重要工具，为用户的城市出行提供了极大便捷。由于用户的骑行会使得车辆在城市中的分布产生差异，所以为了更好地服务、满足用户的短途出行需求，需要一线运维同学对车辆进行调度，从而适应城市的供需状态变化。本篇文章将针对两轮车供需策略中的一个问题进行展开和探讨。

1. 前言

在短途出⾏场景中，共享两轮⻋是⼀种“所⻅即所得”的出⾏⽅式，⼀个地点是否有⻋，对于⽤户的使⽤体验和⽤户的需求满⾜来说尤其重要，但是我们并不能“饱和式”的进⾏⻋辆投放， 那么如何将可被调拨的有限⻋辆资源在时空内重新进⾏分配，从⽽带来更多的⻋辆价值，满⾜⽤户的短途出⾏需求是我们需要亟待解决的重要问题，本⽂将针对两轮⻋供需策略中点位上的⻋辆调度量预估问题进⾏展开和探讨。

2. 基础时序建模

在对城市点位上车辆的骑入、骑出及其需求缺口数进行预测时，最基本的想法是借助用户、车辆、路网、天气、时间、行为序列等平台上所有相关可知的数据特征，来进行特征工程的构建，进而在点位上对未来车辆的流转情况进行预测，从而得到该点位未来的需求缺口、骑入、骑出（不同时间颗粒度下的目标，由业务目标决定），那么根据目标的预测情况，我们就知道用户的骑入是否能够满足骑出的需求，如果车辆的自运转无法满足当前时间段的需求，那么需要线上生成“工单”进行指引调度车辆（最终调度不以单一此目标决定，下文同此）。

​
3. 多任务学习建模

上述的时间序列建模中，我们对多个目标进行分拆建模，这样更灵活高效，但是只专注于单个模型可能会忽略一些相关任务中可能提升目标任务的潜在信息造成一定的偏差，同时骑入、骑出、及其需求缺口数等目标之间也存在前后&相关关系，多任务学习也能提升模型的泛化性与表现，至于多任务学习的优缺点这里就不再赘述了。

在两轮车的出行场景中，城市点位上的用户需求的表达主要由两个基本模块组成，即用户的骑入和用户的骑出，当用户的骑入大于