即是物流领域的AI技术:物理世界的数字化和智能化—何仁清

CodeWarrior

2019/11/21 发布于 技术 分类

文字内容
1. 即时物流领域的AI技术: 物理世界的数字化 何仁清 美团配送 AI方向负责人
3. 何仁清 美团配送AI方向负责人 美团点评算法开发通道主席 2006年入职百度自然语言处理团队,2009年转岗到百度凤巢团队,从事自然语言处 理、数据挖掘、机器学习、检索等研究方向,离职前任百度主任架构师。 2016年初加入美团点评,整体负责美团配送的人工智能方向,从0到1建设智能配送 系统,搭建完整配送AI技术体系,通过技术突破和创新驱动业务发展。团队工作方向 横跨运筹优化、机器学习、时空大数据挖掘等多个学科,包括:智能规划、智能调 度、智能定价、骑行地图、AIoT、机器学习等多个领域。
4. • 即时物流发展和挑战 • 美团超脑即时配送系统 • 物理世界数字化技术
5. 即时物流发展和挑战
6. 外卖行业的新赛道上,全球即时物流领域的TOP企业 中国 国外上市 国外独角兽 (美国) (英国) (德国) (美国) (美国) (美国) (印度) (韩国) (印度) (英国) (美国) (美国) (巴西) (巴西) (哥伦比亚)
7. 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 19 Q 19 Q 19 Q 18 Q 18 Q 18 Q 18 Q 17 Q 17 Q 17 Q 17 Q 16 Q 16 Q 16 Q 16 Q 15 Q 15 Q 15 Q 15 Q 14 Q 14 Q 14 Q 14 Q 13 Q 3 2 1 4 3 2 1 4 3 2 1 4 3 2 1 4 3 2 1 4 3 2 1 4 美团外卖过去的6年 2019年7月27日 3000万单 2019年4月20日 2500万单 2018年9月10日 2000万单 2017年9月10日 1500万单 2017年3月19日 1000万单 2016年8月13日 500万单 2014年11月09日 100万单
8. 数字化和智能化是物流行业发展趋势 高单量、低费用 商家 ①数字化要求:物流运行在真实物理世界,室内室 外等多种场景,各种位置、状态不断变化。精准数字化 是智能化的前提。 效率 体验 ②智能化趋势:物流业务链路复杂、决策环节多, 需要满足用户、商家、骑手不同诉求。需要全链路和场 景的智能化建设,进行多目标的全局优化。 成本 用户 骑手 高体验、低价格 低难度、高收入
9. 「美团超脑」即时配送系统
11. 「美团超脑」AI技术体系 行业方案 智能化技术 巡游模式 星系模式 智能末端 仓配一体 智能规划 智能调度 智能定价 智能管控 配送 范围 站点 规划 订单 指派 路径 规划 地图技术 数字化技术 技术平台 实时 定位 骑行 导航 LBS平台 C+D 定价 供需 平衡 人脸 识别 情境感知 POI AOI 到店 识别 到客 识别 AIoT平台 违规 判定 预测预估 状态 识别 送达 预估 出餐 预估 交付 预估 图灵机器学习平台
12. 物理世界数字化
13. 一个订单的履约过程 路线 骑手位置 路线 用户位置 商家位置 商家出餐时刻 履约过程数字化 用户下单 骑手交付 派单 骑手上车 骑手下车 室外 实时智能决策 骑手到客 骑手取餐 骑手到店 室内 室外 室内 派单 定价 判责 派给哪个骑手 怎么走顺路? 何时到商家取餐? 配送费多少钱? 给骑手多少钱? 供需是否均衡? 骑手是否违规? 商家是否出餐慢? 是否联系不到用户? 用户反馈
14. 物理世界数字化的整体框架 物理世界 三维空间 事件 时间轴 数字世界 地图技术 情境感知 预估预测 点/线/面/体 用户/商户/骑手 「维度」不断增多,「精度」不断提高 时间/趋势预测
15. 物流行业数字化的技术挑战 高精度 多场景 低延迟 地址定位精准到单元门 小区、园区 信号不好,网络延迟 小区门在哪,让不让进? 室内场景 轨迹大数据 手机传感器、IoT设备 边缘计算
16. 地图技术
17. 地图技术 – 数据 每日骑手定位上报 50亿 用户地址库 15亿 每日骑行轨迹 3000万 市县覆盖数量 2800 每日骑手签到点 6000万 AOI数据 100万
18. 地图技术 – 点 目标:用户坐标精确到单元门 九级地址:省/市/区/路/门牌/小区/楼/单元/户 坐标定位:精确到单元门口,坐标自动校正 E区 1期 0m 20 T区 > POI精细度不足 m k 1 用户选择错误 C区
19. 案例:基于骑手签到数据的交付点挖掘 相同地址分组 聚合&打分 基于密度去噪 清华大学紫荆学生公寓 签 到 数 据 订单覆盖率 90% >100m偏差下降 70% 校 正 数 据 望京西园
20. 地图技术 – 线 目标:基于实走轨迹的骑行路线规划 路网更新:封路挖掘、新路挖掘,配套审核与更新机制 路线规划:轨迹挖掘与ML相结合,无偏航率 实时封路 多源路线选择
21. 案例:基于轨迹的热门路线挖掘 历史订单 历史轨迹 无偏航率 +10pp 过滤 排序 算路
22. 地图技术 – 面 目标:AOI画像建设 AOI生产:人工编辑+自动生产 属性挖掘:出入口位置、通行方式、交付方式 交付方式 骑手上楼 AOI通行属性 出入口位置 用户下楼 交付方式
23. 案例:基于轨迹的AOI出入口挖掘 AOI数量 100万 小区 出入口
24. 物理世界三维空间的构建 望京SOHO 点 九级地址 定位校准 线 路线规划 实时封路 面 出入位置 AOI属性 体 室内导航 室内定位
25. 情境感知
26. 通过手机+IoT进行事件的情境感知 陀螺仪 加速度计 IoT硬件 Wifi/蓝牙 气压计 手机传感器
27. 情境感知技术 行为感知 状态感知 场景感知 用户下单 派单 (walking) (stilling) (walking) (riding) (on stair/escalator/elevator) 室外 室内 地理围栏 IoT硬件 骑手交付 骑手上车 骑手下车 (riding) 骑手到客 骑手取餐 骑手到店 (walking/stilling) (on stair/escalator/elevator) 室外 运动状态 上下楼识别 AIoT平台 边缘计算 室内
28. 情境感知 – 数据 骑手数量 60W 采集次数 9亿 上报数据 2T
29. 情境感知 - 边缘计算 数据服务平台 数据处理 • • • • 清洗 分析 挖掘 可视化 数据服务 • 数据流控 • 数据组装 • 数据治理 实时计算 • 到店情景 • 到客情景 • 运动状态 数据监控 • 端监控 • 质量监控 • 业务监控 边缘操作中心 模型管理 • 部署 • 下发 • 降级 消息通信 • 同步 • 异步 指令中心 • 指令生成 • 指令管理 • 指令下发 边缘决策 • 鉴权 • 协议 • 加密 IoT设备 每日模型下发 300G 图片来源: [J]. Shoaib M, Bosch S, Incel O D, et al. A survey of online activity recognition using mobile phones 数据采集 • Radio • MEMS 实时计算 • HAR • 逻辑判断 • 规则引擎 执行框架 • TF-Lite • PyTorch • MXNet 指令执行 • 判定 • 回传
30. 情境感知 - 地理围栏 用户和商户地理围栏 5000W 地理围栏精度 10m WIFI+beacon的地理围栏 相比GPS精度明显提升 红色:GPS 蓝色:WIFI
31. 情境感知 – 人体运动状态 骑行判断 ①riding 步行判断 ②stilling ③walking 上下楼判断 ④on stair ⑤escalator ⑥ elevator
32. AIoT平台服务 SDK AIoT 数据采集 模型解析 边缘计算 WIFI地理围栏 WIFI定位服务 运动状态识别 POI画像 模型请求 数据存储
33. 预测预估
34. 一个订单的时间预估 用户 预计送达时间 筛 下 交 选 单 付 骑手 商家 交付时长 到客时长 到店时长 接单时长 接 到 取 到 单 店 餐 客 接 出 单 餐 出餐时长
35. 机器学习体系 业务建模 ETA 出餐时长 多任务学习 配送效率 LR LST M XGBoost 强化学习 信息获取 One hot 轨迹 MTL Loss function 连续值 序列信息 特征组合 embedding WIFI蓝 牙 骑手状态 DeepFM 迁移学习 ID类 传感器 商家状态 DeepFM低阶和高阶特 征组合 • 统一模型,信息共享 • 配送时间关键节点预估 • 供需平衡 转化率 模型优化 信息抽象 交付时长 文本 信息 情景 信息 订单状态 自定义损失函数 • 晚一分钟 ≠ 早一分钟 • 超时惩罚更大 Embedding • 用户、商家、骑手定位信息 • 线性插值方法,提升覆盖率
36. 案例:交付模型 地址文本 • 如”望京科创园A座” • 逐字输入LSTM • 得到embedding向量 GPS信息 • 用户/商家经纬度,骑手实时轨迹 • 经纬度网格划分 • 格点间距线性插值 效果简述 • 端到端学习,覆盖率100% • 效果大幅度提升,绝对偏差降低10%
37. 总结和展望
38. 预计送达时间 用户下单 时间轴 预测 骑手交付 商家出餐时长 商家接单时刻 商家出餐时刻 等餐时长 到店时长 上楼时长 接单时长 事件 数 字 化 交付时长 下楼时长 骑手交付 用户下单 派单 骑手取餐 骑手到店 骑手下车 骑手到客 骑手上车 感知 (riding) 室外 三维 空间 到客时长 (walking) (stilling) (walking) (on stair/escalator/elevator) 室内 地图 (riding) (walking/stilling) (on stair/escalator/elevator) 室外 望京SOHO 点 线 面 体 室内
39. 未来趋势:IoT发展迅猛 A new forecast from International Data Corporation (IDC) estimates that there will be 41.6 billion connected IoT devices, or "things," generating 79.4 zettabytes (ZB) of data in 2025. The industrial and automotive category will see the fastest data growth rates over the forecast period with a CAGR of 60%
42. 未来趋势:ABC à AICDE AI IoT Cloud Computing Big Data 5G + IPv6 Edge Computing