满帮如何将机器学习应用于车货匹配和公路干线价格预测？

物流的战火，从来都是“非传统”的竞争者从“非传统”的角度切入的。

1956 年，马尔科姆·麦克莱发明了集装箱。世界上第一支集装箱船队从美国扬帆起航，将当时的货运成本从 5.83 美元 / 吨降低到 0.158 美元 / 吨。保守的运输公司、火车运输公司以及装卸工人等各派实力极力反对。但是市场的手，无情地摧毁了所有的试图抵抗时代潮流的巨头。

1997 年，罗宾逊把在海运服务领域的“无船承运人”思想，移植到公路货运服务领域，向“无车承运人”转型。这一次大胆转型，罗宾逊抛弃了自有运输车辆，建立了整合社会运输商的信息系统。三年内跃居美国第一公路运输企业。

明天的这把火，很可能烧在人工智能。烧掉传统物流同行的武器仍然不变：成本。我们的战场就是中国的公路干线物流。

中国物流的特点是大而复杂。2016 年运输费用 6.0 万亿（绝大部分是公路），物流总成费用 11 万亿，占 GDP 15.3%。平均运输距离 429 公里，累计运输量 336 亿吨。在这个大市场中，存在地区性差异和季节性差异，参与其中的玩家众多：个体司机，车队老板，物流公司，黄牛，3PL，工厂，连锁集团等等。而且，中国是个全工业链国家，运输品类最为齐全。运输附加值从最高的半导体、精密机械到最大宗的煤炭、矿石、农产品，呈现强烈的地域性差异。（本文图中的数据均来自满帮）

除了存在地区性差异，还存在巨大的季节性差异，比如煤炭、蔬菜天然就存在季节性差异，而节日，南北气候差异更是直接影响了大宗运输。比如9 月开始突增的西安到西藏地区的煤炭运输。即便从全国看来，不同季节的供需关系也是动态的。

那么作为全国最大的公路物流平台，如何在国内庞大的物流市场，应对不同空间和时间的需求呢？我们的中心抓手就是：市场供需。方向有两个：车货匹配，智能调度。

公路车货匹配的场景和特色

车货匹配在广义上，也是撮合交易的一种，如同电商、打车。在平台产品上的展现形态，也以推荐、排序、订单匹配为主。但车货匹配有极其独特的特点，比如货源是无库存的唯一品和非标准品。唯一指的是每宗货源几乎各不相同，运输方案、时间各有变化，而且一次性成交就立刻下线，完全不同于商城的热点商品推荐原则。非标是指，货源对车辆是有要求的，而且在不同时间、线路、种类上计价方式也不同，是非标准品。这一点也和打车出行场景的车人匹配产生重大差异。还有一点和打车场景不同的是，车人匹配的场景是局部区域在较短时间窗口内满足供需，车货匹配则是长时间大区域内的匹配——毕竟货运计划可以长达一个月，车辆的行驶里程远大于打车场景。

完成匹配，先要解决大数据的采集和计算框架问题

车货匹配平台有很多数据进入的通道，比如天气、GPS/ 北斗位置信息、用户app 行为日志、交易和支付、车辆行驶数据等等。这些数据要经过一个略显传统的大数据框架来处理。为了满足实时性，还需要流式计算是Spark streaming 组件和相关的t+0 服务。由于满帮的融合，整套数据方案还要同时解决开放性问题，能够在数仓和实时策略做到互相授权、互相调用。因此，我们还要建设一个强大的中台数据服务端。

业内有个著名的共识，按重要性排序，场景> 数据> 算法。在满帮集团的公路干线匹配平台上，我们建设了自己的数据架构，解决了离线和在线的数据计算和存储问题，并且用灵活的机制保证策略的“热插拔”——能够随时将测试完成的策略快速配置在生产线上，并安排适合的灰度、AB 和评估工具。

车货匹配和智能调度实现方法详解

具体到车货匹配，这个算法场景本质是一个推荐场景，也依然可以套在CTR、CVR 的模型上，所不同的是，我们推荐的商品是“唯一”属性的，还要兼顾地区差异和“公平性”。公平性是这样一种指征：在一个时间窗口内，被拨打电话或IM 进行联系的货源，除以总货源。叫做反馈率。这是个重要指征，因为这个值和地区（区县一级）的供需关系（拨打电话司机，发货货主）呈现强烈正相关。反馈率一旦达到一个阈值，就会在这个地区形成一种新的平衡：用户自然流失等于或小于平台自然流入，地面团队可以把更多精力放在服务用户身上，而非拉新促活。那么对于业务指标来说，完成反馈率提升甚至比提供更有效的用户匹配更重要——所以公平性原则的权重很大。

重点是实时部分的接入机制。传统的小黑板方式成交，基本需要半天甚至一天的时间来实现供需双方的撮合。大规模使用线上平台，2016 年24 小时反馈则达到了60%。到了2017 年，58% 的货源基本在1 小时内完成线上撮合，2018 年，20 分钟内撮合行为发生率40%，人货匹配策略彻底成了一个线上实时策略。

在这个体系内，基本上货源在上架瞬间，我们能准确找到它的潜在承运方，预测出会有多受欢迎（在不同的冷热分桶里会有多少个电话），策略是让车- 货匹配，和让过于受欢迎、有竞争力的货源能够牺牲部分曝光，分配给冷门的货源，以实现公平性，达到反馈提升的效果。

具体到技术细节来说，我们使用Xgboost 来预测车- 货的基础相关性，实际是一个CTR 和CVR 混布模型，我们在其中部署了在线实时系统，自研了一套基于FTRL 算法的在线学习算法，将用户实时的行为数据结果和Xgboost 的离线结果共同训练而得，点击预测的准确率达到90%+。首页推荐CTR 提升了5 倍。货源订单转化率从11% 提升到16%。全国24 小时反馈率则从60% 提升到了64%-68%。特别在低反馈地区50 城实验，很多地区获得的提升更高达15%，30 分钟内反馈率提升15%，12000 条路线上的司机空驶率降低30%

第二个场景是智能调度。这里面有区域供需预测、价格、以及ETA 等场景。其中最重要的是价格预测。事实上供需预测也是价格的前置条件，而价格也是引导司机进行市场化调度的重要手段。不同于滴滴和uber 的将区域分割成六边形，货运领域的区域，无论时间还是空间，都更加宽阔，事实上我们在操作时是以区县、小时来作为单位的。特别是，货物都是非标品！这对价格的预测提出了更加困难的考验。

原则上我们更倾向于使用一些可解释模型，结合深度学习来进行应用。单纯的RNN 或者LSTM 模型在处理数据时，常常无法面对突发条件，比如个别地区道路封闭、雨雪天气等，往往会出现无法快速调整的情况。而人工干预和深度神经网络模型的结合，也常常造成模型退化。所以我们采用了一个较复杂的特征工程模型，同时极可能分离模型与规则部分。

我们的价格预测做法如下：

将价格因素分为两类：可变价格和不可变成本。将过路费和汽柴油费用和以车辆平均寿命的计提折旧作为线性成本。如果把线性成本认为是独立可叠加的，再配合上后面将要介绍的非线性成本，则价格公式有：

(1)

因为线性成本的独立可叠加性，可通过线性回归进行价格预测。鉴于我们掌握有充分的多年的全国公路干线运输信息，因此可以轻易调查到过路费、汽柴油费用和车辆平均寿命。

• 过路费 = (出发地 - 目的地高速公路里程 * 车型) * fix
• 如果是库内没有的出发地和目的地，则按照附近核心节点城市的里程 + 出发地到节点城市的里程计算。
• 汽柴油价格与之类似，但是要考虑到货物重量和车况。
• 非线性成本有：供需关系，天气，节假日，里程，系统热噪音等，经过离散化和归一化处理。

供需关系指的是运价与成交率的关系。根据不同地区和时间，会有多个局部波峰。为了达成最高的成交率，根据供需环境调整价格预测范围，我们采用了 Walras-Samuelson 过程为假设，来预测平衡价格。记做：

因此，加入供需关系后有：

(2)

剩下的四个因素是：周期因素（每周，节假日，季节），系统热噪音，装卸费用，司机劳务费用。

各自的解决方法是：

• 周期因素分离：主成分分析 + 傅里叶变换
• 系统噪音：小波分析
• 装卸费用 / 司机劳务费用：基于时间序列的循环神经网络回归。

则有基于干线物流大数据的运价计算公式：

(3)

X（1）代表装卸费用的几个特征：装卸重量，当地的人均收入，当地出发地司机的平均运营里程，当地发货量，发货地址坐标等。

X（2）代表司机劳务费用的几个特征：地区在时间窗口的采用平均劳务费，当地出发、进入的车货供需量，货主信用等级，货主发货量等。

X（3）代表呈现周期性的特征：比如周二，周三，月初，月末，节日等，拆分成 1/0 的二值特征，以及价格相关的特征向量。

X（4）代表噪音较大的向量特征：地区发货量，司机历史成单，货主发货经纬度等。

X（5）代表距离，油价等线性特征。

该方法的特征抽取和计算方法架构为：

这个模型的坏处非常明显：需要做大量人工特征工程，而且很多数据流未经过主算法模型。对调整模型有较大的困难。

但是多方妥协的好处在于，可以直接干预模型中的线性成本和周期模型。由于价格是个混沌模型，我们实际预测出来的只是价值，需要通过 t+0 的前线数据采集和地面不断进行纠正和后验调整。而且，平台本身也在市场中不断和传统势力进行博弈，有时候，为了运营活动要进行妥协。这一切都造就了当前的模型形态——一切为了实战。

日前，我们最新的数据预测，在大部分地区，预测价格在经济人报价或见证报价上下的 10% 内算作准确的话，当前的模型，普货准确率 83.30%，重货 86.37%。以此为基础，我们在上海、南京等区域实现了热力供需 / 价格体系，能够直接对货主和司机施加影响，对我们自营车队，加盟商都提供了可以依赖的成本产出指导。至于价格，才能撬动供需关系，才能实现非自营 / 加盟车队的调度。以上海地区为例，我们调整下的市场行为，价格波动更小，而反馈率超过了 85%，高活货主加盟会员率远超其他地区，几乎达到 100%。上海等地区出发的路线成为可盈利的标杆路线。

小结

除了在车货匹配和报价领域，我们在风控、人脸识别、调度等各种场景下都做了许多大胆尝试。未来随着满帮平台在物流领域的不断深入，通过机器学习和深度神经网络技术来提升效率，降低成本，是非常有前景的话题。特别是自动驾驶技术的进场，我们希望能通过更有力的调度手段，来实现更美好的行业前景。

作者介绍

罗竞佳，满帮集团运满满公司大数据部负责人。算法和数据专家，自然语言和机器学习专家。先后在中科院计算所网络存储实验室、百度无线搜索等供职。在算法和推荐上参与及拥有“与查询序列相对应的搜索建议”，“搜索候选词的推荐方法”等多项专利。2013、2014 的百度世界大会上的“轻应用”、“直达号”等项目的检索策略架构师。16 年领导百度糯米 POI 策略组，在反作弊项目中侦测数千万异常流水，挽回巨大损失；17 年领导开发门店 POI 素材写作工具，实现基于 fasttext 和 LSTM 的门店机器写作，月均产出 5 万 + 图文内容和门店介绍文章，完成了内容闭环。