顺风车主几分钟接单？嘀嗒出行AI模型这样预测

作者：潘少颖 来源：IT时报

叫过顺风车的用户都知道，当发起用车需求后，最令人焦虑的莫过于等待接单的时间。这段时间的长短，往往取决于多种因素，如当前城市的交通状况、司机的工作状态以及顺风车平台的派单效率等。有时要等到临近出发时间，才有车主接单，有时会影响乘客的出行计划。

随着人工智能加速破圈并深入应用到各行各业，在顺风出行领域，也注入了更多的人工智能和高级算法的运用。近日，嘀嗒出行上线两项顺风行业首创的接单预测新功能：“预估应答时长”和“推荐出发时间”。针对即时出发订单，嘀嗒出行基于全新开发的AI算法模型，帮助顺风车下单用户准确预估几分钟后有车主接单；同时，基于对不同时间点的车主接单概率预估，为用户推荐接单概率更高的出发时间点，进一步提升出行确定性。

嘀嗒出行相关负责人表示，顺风车的车主和乘客都有各自出行需求，且是自愿自主合乘，如何通过智能科技，让用户对顺风出行更有掌控感，减少对不确定的焦虑，是顺风车体验升级的重要方向。

近年来，嘀嗒出行持续加速人工智能、高级算法、云技术、导航能力升级，有效破解了诸多长期制约顺风车体验效率提升的痛点。2023年，嘀嗒顺风车应答率为66.5%，高于行业平均水平。同时，嘀嗒专有技术支持每秒约45000个路径规划请求，优化最近接送地点，并将等待时间及行程距离减至最短。

接单时间“秒”级预测

在移动出行领域，AI算法用于高效实时的大规模供需匹配调度早已有之。过去两年，算法模型得以解决更多复杂高阶的问题，且准确度和效率进一步提升。

比如，过去顺风车乘客下单后等待接单过程中，一般平台会告知乘客，“车主通常需要10到15分钟接单，请耐心等待”。如今顺风车乘客下单后，即可准确获知，预计几分钟内有车主接单。

针对“推荐出发时间”功能，则是在乘客希望即时出发时，平台会围绕乘客出发时间前后，自动推荐一个接单概率更高的时间点。

根据嘀嗒顺风车大数据，以下单量统计，在未来30分钟内出发的顺风车订单占比已超过4成，而未来15分钟内出发订单占比接近7%。同时，30分钟内出发的订单，平均应答时长已缩短至1.6分钟，15分钟内出发的订单，平均应答时长已低于1.3分钟。这表明，越来越多的车主和乘客，都在将顺风车作为即时出行的重要选择。

基于大数据的匹配、调度算法及导航，不仅有效提升顺风出行确定性，也让嘀嗒顺风车应答率持续提升。数据显示，2021年、2022年及2023年，嘀嗒顺风车应答率分别为56.4%、58.8%及66.5%，显著高于行业平均水平。

六步，AI模型“神算”接单时间

在背后“神算”出发时间的AI小模型是怎么诞生的？

首先是洞察用户需求。乘客希望明确知道后下单后几分钟会有车主接单，从而提升行程确定性。对于比较着急要出发以及跨城出行场景，这一诉求会更加强烈。接着，预估应答时长模型需要参照某条具体路线在过去一段时间内，各个时间点的车主平均应答时长、不同类型订单应答时长、该条路线历史供需情况和车主数量等数据，来进行整合分析，从而进入第三步特征工程，通过分析这些数据样本的特点，提炼出有区分度的特征。

第四步是根据数据特征和所要解决的具体问题，选择用不同算法，如线性回归、决策树、神经网络、逻辑回归、大模型等。接下去进行模型训练及调优，基于离线数据持续训练模型，评估预测准确率并持续调优，当达标后上线启用，并在实践中持续迭代进化。在正式启用之前，每一个模型已经过千锤百炼。最后预测推荐值导出，顺风车乘客下单后即可实时看到预计几分钟后会有车主接单。

上述六步也是出行AI模型的一般诞生逻辑，只不过在具体需求、数据维度、数据特征、模型选择和导出结果类型方面有所不同。比如针对预估接单概率模型，用到的特征有下单时间、路线、人数、独享还是合拼、天气，该路线上的车主数、历史接单情况等。

嘀嗒出行算法工程师表示：“在一个新AI模型诞生过程中，样本选择、特征提取、模型结构设计调优，每一步都有很大创新空间，更深入的用户需求洞察，更高质量数据，更准确到位的特征提取，更合适的模型选择与调优，都能让最终导出结果更加准确。”

出行领域需要更多专有模型

精准预测只是AI模型在顺风出行领域的创新价值之一，在起终点搜索、上车点推荐、路径规划、顺路匹配、意图识别、推理分析等方面，都随着大数据和高级算法的应用而日益准确和高效。

这些功能的实现，都依托于一个个AI小模型。目前嘀嗒出行已开启神经网络和深度学习模型的应用，这类模型的特点在于，网络结构更复杂，特征交叉更多，参数更多，导出结果或具体举措更加准确、实时和高效。

嘀嗒出行智能策略负责人表示：“出行环节比较多，要拆成更细颗粒度的问题去解决，剖析每一个环节如何去提升体验。每个模型应对的问题不一样，训练目标不一样。而解决痛点的逻辑路径依然还是机器学习，从大量样本里去深度学习，在实践训练中不断优化模型。”

从短期来看，移动出行领域还不需要通用大模型，应走专用路线，通过不同的专有模型各司其职，去针对性解决具体业务场景下的具体问题。数据多了，模型导出结果就更准确，自动化程度就越高，出行App就更加智能。