基于外賣物流配送大數(shù)據(jù)的調(diào)度系統(tǒng)

Scheduling system based on takeaway logistics big data

蔣凡（1979-），男，百度外賣研發(fā)中心技術(shù)委員會(huì)主席、主任架構(gòu)師，中國(guó)計(jì)算機(jī)協(xié)會(huì)專業(yè)會(huì)員，主要研究方向?yàn)槲锪髡{(diào)度、推薦系統(tǒng)、數(shù)據(jù)挖掘。

徐明泉（1988-），男，百度外賣研發(fā)中心架構(gòu)師，主要研究方向?yàn)槲锪髡{(diào)度、數(shù)據(jù)挖掘。

崔代銳（1985-），男，百度外賣研發(fā)中心技術(shù)總監(jiān)，主要研究方向?yàn)樯虡I(yè)智能、大數(shù)據(jù)分析。

1 引言

餐飲O2O行業(yè)連接線上線下的訂餐需求，將傳統(tǒng)的到店消費(fèi)模式改造成更加靈活便捷的到家消費(fèi)模式，極大降低了用戶的消費(fèi)成本和商戶的固定成本。外賣平臺(tái)除了促進(jìn)線上需求向線下轉(zhuǎn)化，也包括達(dá)成訂單的最后一公里任務(wù)——基于城市道路交通狀況的物流配送[1]。高效的物流配送能力是決定外賣平臺(tái)商業(yè)模式成敗的關(guān)鍵，也是O2O經(jīng)濟(jì)區(qū)別于傳統(tǒng)經(jīng)濟(jì)的根本，即運(yùn)用城市交通大數(shù)據(jù)相關(guān)的云計(jì)算、深度學(xué)習(xí)和可視化技術(shù)提升行業(yè)效率，創(chuàng)造并滿足新的民生需求[2]。

因此，智能調(diào)度系統(tǒng)是外賣物流的最核心環(huán)節(jié)，依托海量歷史訂單數(shù)據(jù)、騎士（送餐員）定位數(shù)據(jù)、精準(zhǔn)的商戶特征數(shù)據(jù)，針對(duì)騎士實(shí)時(shí)情景（任務(wù)量、配送距離、并單情況、評(píng)級(jí)），對(duì)訂單進(jìn)行智能匹配，實(shí)現(xiàn)自動(dòng)化調(diào)度以及資源的全局最優(yōu)配置，在保證系統(tǒng)效率的前提下，最大限度地提高用戶體驗(yàn)。

然而在外賣物流調(diào)度的真實(shí)場(chǎng)景中，用戶點(diǎn)了餐就希望能按時(shí)送到，騎士上了路就希望每趟路線能多配送幾單，商家接了餐就希望騎士快來(lái)取餐，平臺(tái)則關(guān)心如何以最小的運(yùn)力承接最大的配送壓力，而且能扛住高峰時(shí)段突如其來(lái)的訂單量。更加困難的是，這些目標(biāo)有時(shí)就是互相矛盾的，滿足了一方，勢(shì)必會(huì)影響另一方，調(diào)度訂單是非常復(fù)雜的多目標(biāo)動(dòng)態(tài)規(guī)劃的決策過(guò)程。

智能調(diào)度系統(tǒng)需要將以上所有因素都考慮在內(nèi)，實(shí)時(shí)采集整個(gè)商圈里各方的動(dòng)態(tài)數(shù)據(jù)，在1 ms內(nèi)做出在時(shí)間跨度和空間范圍內(nèi)的最優(yōu)分配序列，讓騎士軌跡能無(wú)縫銜接起整個(gè)配送流程，讓每個(gè)環(huán)節(jié)耗費(fèi)的時(shí)間降到最低，讓分?jǐn)偟接邢捱\(yùn)力上的配送成本費(fèi)用降到最低。

實(shí)踐證明，在智能物流調(diào)度系統(tǒng)實(shí)施之前，物流訂單需要由調(diào)度員手工分配，每個(gè)騎士每天最多配送10單，每單配送時(shí)長(zhǎng)超過(guò)1 h。實(shí)施之后，百度物流調(diào)度每天所有訂單都由算法自動(dòng)選擇最優(yōu)化的方案調(diào)配，每個(gè)騎士的配送效率翻倍、收入翻數(shù)倍，每單配送時(shí)長(zhǎng)節(jié)省50%以上，覆蓋全國(guó)100多個(gè)城市。

2 物流調(diào)度的云端計(jì)算模式

影響訂單分配的因素很多，從訂單生成那一刻開(kāi)始，調(diào)度系統(tǒng)就要考慮到訂單的取餐地址、用戶的配送地址、商圈內(nèi)的騎士數(shù)量和狀態(tài)、訂單的預(yù)期送達(dá)時(shí)間。每一個(gè)訂單并不是孤立存在的，要想得到全局最優(yōu)的配送方案，還必須考慮到這一時(shí)段內(nèi)其他訂單的配送情況，盡可能做合并，提高整體的配送效率。如果再考慮到不同城市、商圈、天氣、節(jié)假日、工作日和商圈騎士運(yùn)力配置等情況，事情就變得更加復(fù)雜。

這是一個(gè)極其復(fù)雜的多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題[3]，可以表示為：

其中，假設(shè)fn(x)代表單個(gè)指標(biāo)的優(yōu)化目標(biāo)，舉例如下。

f1(x)：即時(shí)訂單的配送時(shí)間越少越好。

f2(x)：預(yù)約訂單的送達(dá)時(shí)間距離預(yù)約時(shí)間點(diǎn)越短越好。

f3(x)：每單的配送距離越小越好。

f4(x)：騎士全天的總配送單量越多越好。

f5(x)：訂單被并聯(lián)配送的比例越多越好。

f6(x)：騎士空駛距離越少越好。

g(x)代表業(yè)務(wù)限制的約束條件：

● 不能超出預(yù)計(jì)配送時(shí)間30 min；

● 單個(gè)騎士不能同時(shí)配送若干單以上；

● 同一商圈同一時(shí)段騎士之間未完成單量不能相差若干單以上；

● 新騎士必須每天保證能被分配到若干單以上。

要滿足這些優(yōu)化目標(biāo)和約束條件的直接計(jì)算復(fù)雜度太高，需要采取逐層建模的方式來(lái)降低復(fù)雜度，其基本邏輯具體如下。

（1）降維代價(jià)函數(shù)

將通用的參數(shù)變量，比如時(shí)間、距離，在底層作為基本限制條件進(jìn)行采集和轉(zhuǎn)換，盡可能地對(duì)代價(jià)函數(shù)進(jìn)行降維，擬合成線性多項(xiàng)式函數(shù)，減少計(jì)算復(fù)雜度。

假設(shè)在時(shí)刻T有一筆訂單O要分配給候選的騎士R1,R2,…,Rn，需要分別預(yù)估若由騎士Rx配送這筆訂單的實(shí)際開(kāi)銷，比如：騎士的到店時(shí)間、等餐時(shí)間、送餐時(shí)間、交付時(shí)間、配送里程，計(jì)算式可以表示為：

計(jì)算出單次分配的綜合代價(jià)打分，其中每項(xiàng)參數(shù)k根據(jù)經(jīng)驗(yàn)給出初始設(shè)置值，后續(xù)在模擬系統(tǒng)中經(jīng)過(guò)迭代優(yōu)化調(diào)整。

（2）模擬真實(shí)約束情況

將多變的場(chǎng)景變量（比如商圈、天氣、整體運(yùn)力）在高層作為調(diào)優(yōu)參數(shù)進(jìn)行優(yōu)化，盡可能地模擬多維限制條件下的真實(shí)約束情況。

模擬系統(tǒng)會(huì)分商圈、分時(shí)間地統(tǒng)計(jì)每個(gè)調(diào)度場(chǎng)景下的訂單分布數(shù)據(jù)，解析成騎士在崗率、平均壓?jiǎn)螖?shù)、訂單出單位置密度等參數(shù)的基礎(chǔ)物理分布函數(shù)，并作為刻畫(huà)該調(diào)度場(chǎng)景的約束條件組。模擬系統(tǒng)還可以進(jìn)一步調(diào)整這些分布函數(shù)的參數(shù)，得到人工設(shè)定的約束條件組，從而模擬出更復(fù)雜豐富的設(shè)定場(chǎng)景。

以與這些動(dòng)態(tài)場(chǎng)景相關(guān)的參數(shù)組作為調(diào)度算法的輸入約束條件，調(diào)用模擬系統(tǒng)反復(fù)推演虛擬訂單的分配過(guò)程，通過(guò)梯度下降優(yōu)化算法，求解出多目標(biāo)下的最優(yōu)解。

（3）求解最優(yōu)解

在真實(shí)場(chǎng)景中，基于單次分配代價(jià)函數(shù)，采用二分圖最大匹配算法求解多次分配下的最優(yōu)解，盡可能地找出多個(gè)騎士和多筆訂單間的最優(yōu)組合，提高并單率或騎士人效，減少騎士空駛率[4]。

假設(shè)可分配騎士為R1,R2,…,Rn，待分配訂單為O1,O2,…,On，分別計(jì)算每一組分配＜Rx,Ox＞的代價(jià)得分，找出全局最優(yōu)的騎士—訂單分配組合，使得總代價(jià)最低。問(wèn)題可以轉(zhuǎn)化成傳統(tǒng)的完備匹配下的最大權(quán)匹配問(wèn)題：在一個(gè)二分圖內(nèi)，左邊的騎士節(jié)點(diǎn)為X，右邊的訂單節(jié)點(diǎn)為Y，對(duì)于每組左右連接X(jué)iYj有權(quán)重Wij，即配送代價(jià)得分，求一種匹配使得所有Wij的和最大，即總配送代價(jià)得分最小。

（4）調(diào)控虛擬調(diào)度訂單轉(zhuǎn)為真實(shí)派單的節(jié)奏

將待分配訂單存儲(chǔ)在云端服務(wù)器，維護(hù)訂單分配的虛擬隊(duì)列，通過(guò)設(shè)定壓?jiǎn)螘r(shí)間窗口來(lái)調(diào)控虛擬調(diào)度訂單轉(zhuǎn)換為真實(shí)派單的節(jié)奏。

云分配算法同時(shí)維護(hù)實(shí)際分配訂單隊(duì)列（下發(fā)到騎士客戶端，不可更改）、虛擬分配訂單隊(duì)列（對(duì)應(yīng)虛擬分配的騎士，可以隨時(shí)更改）和待分配訂單隊(duì)列（未關(guān)閉壓?jiǎn)螘r(shí)間窗口或未找到合適分配時(shí)機(jī)）。這樣可以避免訂單過(guò)早被分配給騎士后，因?yàn)榍闆r發(fā)生變化，比如某個(gè)訂單的延誤導(dǎo)致后續(xù)配送代價(jià)函數(shù)估算失效，原先最優(yōu)的分配不再成立。

最終，為了衡量調(diào)度系統(tǒng)優(yōu)化效果，需要將系統(tǒng)配送效率和用戶配送體驗(yàn)結(jié)合起來(lái)，統(tǒng)計(jì)在存在并單的情況下，系統(tǒng)為了完成訂單配送實(shí)際耗費(fèi)的時(shí)間成本，這樣才能反映調(diào)度系統(tǒng)的整體效果。例如并單配送的2單，40 min送到，單均成本則是40/2=20 min，比只送1單提升了1倍效率。但如果并單效率不高，過(guò)于分離的2單被并聯(lián)在一起，第1單30 min送到，第2單50 min送到，雖然節(jié)省了部分配送路程，但遲送到的那單會(huì)拖慢整個(gè)訂單分組的單均成本，單均成本是50/2=25 min。

按照這個(gè)計(jì)算方法統(tǒng)計(jì)一下調(diào)度系統(tǒng)上線前后的效果，如圖1所示，可以看到以有效時(shí)間計(jì)算的單均成本從40多分鐘下降到20多分鐘，單均成本得到明顯改善。

以上復(fù)雜的調(diào)度規(guī)劃、海量的數(shù)據(jù)建模和實(shí)時(shí)的平臺(tái)響應(yīng)，都需要有強(qiáng)大的計(jì)算能力在背后支撐。為了得到最合適的訂單調(diào)配，指派時(shí)機(jī)可能有多個(gè)，每個(gè)指派時(shí)機(jī)上各種可能的組合也會(huì)隨著商圈訂單規(guī)模的增大而呈指數(shù)級(jí)增長(zhǎng)。為了盡可能地選擇最優(yōu)指派時(shí)機(jī)，系統(tǒng)還可能會(huì)做預(yù)測(cè)，嘗試各種分支副本情況下的優(yōu)化空間。如此一來(lái)，后臺(tái)系統(tǒng)需要的計(jì)算能力就會(huì)非常高?？傊锢砩嫌?jì)算能力的容量決定了系統(tǒng)的最終效果。

為此，依托百度云計(jì)算積累下來(lái)的技術(shù)優(yōu)勢(shì)，并結(jié)合百度外賣的實(shí)際應(yīng)用場(chǎng)景，設(shè)計(jì)了分布式、高并發(fā)、大容量的流式計(jì)算框架，盡可能將獨(dú)立的計(jì)算任務(wù)拆分到不同的機(jī)群上運(yùn)行，得到整體最優(yōu)的計(jì)算效果。

經(jīng)測(cè)算，目前的計(jì)算框架完全可以支撐百度外賣未來(lái)每天千萬(wàn)級(jí)訂單、秒級(jí)10億次計(jì)算的動(dòng)態(tài)調(diào)度、數(shù)據(jù)建模和實(shí)時(shí)平臺(tái)響應(yīng)的運(yùn)算規(guī)模。

3 深度學(xué)習(xí)智能預(yù)測(cè)算法

百度外賣每天百萬(wàn)級(jí)的訂單量為大數(shù)據(jù)深度分析技術(shù)提供了理想的應(yīng)用場(chǎng)景。具體來(lái)說(shuō)，調(diào)度算法的最終效果除了云端的規(guī)劃計(jì)算能力之外，非常依賴每一個(gè)基礎(chǔ)變量預(yù)估值的準(zhǔn)確性，尤其是在不同環(huán)節(jié)耗費(fèi)的時(shí)間。

相比配送環(huán)節(jié)而言，商戶出餐環(huán)節(jié)的耗時(shí)更長(zhǎng)，也更不可控。菜品類型、價(jià)格、數(shù)量，商戶品牌、規(guī)模、堂客食比，下單日期、時(shí)段都會(huì)影響商戶出餐時(shí)間。如果估算不準(zhǔn)，騎士到店時(shí)間過(guò)早則會(huì)白白浪費(fèi)運(yùn)力，過(guò)晚又會(huì)延誤本可以早點(diǎn)取餐的訂單，還會(huì)損傷一些菜品的品相和口感。

為了解決這個(gè)難題，采用深度學(xué)習(xí)方法，讓系統(tǒng)自動(dòng)學(xué)習(xí)利用并組合產(chǎn)生新特征的方法，借助深層次神經(jīng)網(wǎng)絡(luò)模型，能夠更加智能地利用不同層次的特征，對(duì)樣本數(shù)據(jù)中蘊(yùn)含的規(guī)律進(jìn)行更加準(zhǔn)確、有效的表達(dá)[5]。

具體來(lái)說(shuō)，在以下3個(gè)方面結(jié)合餐飲O2O領(lǐng)域特點(diǎn)做出了開(kāi)創(chuàng)性貢獻(xiàn)。

● 從百度外賣平臺(tái)的歷史訂單數(shù)據(jù)中抽取千萬(wàn)級(jí)訓(xùn)練樣本，其中難點(diǎn)在于如何認(rèn)定這些訂單的實(shí)際出餐時(shí)間，需要借助騎士軌跡、停駐坐標(biāo)等數(shù)據(jù)清洗出由于商戶和騎士操作不規(guī)范導(dǎo)致的干擾數(shù)據(jù)。

● 構(gòu)建全面的商戶和菜品標(biāo)簽體系，獲取商戶在競(jìng)品和本品的運(yùn)營(yíng)信息，作為系統(tǒng)的輸入特征。比如通過(guò)商戶的品牌、營(yíng)業(yè)面積等信息可以估算該商戶的產(chǎn)能，通過(guò)菜品在材料、價(jià)格、烹飪方法上的差異可以估算制作時(shí)間。

圖1 調(diào)度系統(tǒng)上線前后的單均成本的變化

● 系統(tǒng)對(duì)不同出餐時(shí)長(zhǎng)區(qū)間的菜品的預(yù)估時(shí)間要求誤差是不同的，處于中段區(qū)間的菜品，對(duì)預(yù)估時(shí)間的要求誤差最嚴(yán)，為此設(shè)計(jì)了針對(duì)不同時(shí)長(zhǎng)區(qū)間樣本敏感的深度學(xué)習(xí)評(píng)估框架。

最終在十萬(wàn)級(jí)測(cè)試訂單樣本上，深度學(xué)習(xí)模型對(duì)出餐時(shí)間的預(yù)估準(zhǔn)確率在不同時(shí)長(zhǎng)區(qū)間上，相比原有模型分別能有3%～14%幅度的提升，在95%的訂單上能將37 min的平均送餐時(shí)間再縮短約0.8 min。

為了衡量調(diào)度系統(tǒng)的優(yōu)化效果，計(jì)算整體的配送時(shí)間平均值變化還不夠。例如，10筆訂單的平均配送時(shí)間縮短1 min，有可能配送最慢的2單各延遲了1 min，配送最快的3單各縮短了4 min，但這并不是預(yù)期的理想效果，反而可能會(huì)有更多的用戶體驗(yàn)離開(kāi)滿意時(shí)間區(qū)間。因此，還需要統(tǒng)計(jì)所有用戶等待配送時(shí)間的整體占比變化，觀察是否有越來(lái)越多的用戶體驗(yàn)進(jìn)入滿意時(shí)間區(qū)間，更加全面地衡量調(diào)度系統(tǒng)優(yōu)化效果。

按照這個(gè)計(jì)算方法統(tǒng)計(jì)一下調(diào)度系統(tǒng)上線前后的效果，如圖2所示，可以看到等待配送時(shí)間分布曲線明顯地向等餐時(shí)間更短的左方偏移，調(diào)度效果得到全面改善。

4 可視化平臺(tái)

可視化技術(shù)能夠結(jié)合業(yè)務(wù)邏輯、地理信息和人群畫(huà)像，從多角度展現(xiàn)信息、觀察趨勢(shì)[6]。物流調(diào)度邏輯非常抽象，但又會(huì)切實(shí)影響整個(gè)環(huán)節(jié)參與者的感受，因此需要可視化技術(shù)將復(fù)雜的數(shù)據(jù)和邏輯轉(zhuǎn)化為可以理解和交互的圖形界面，幫助騎士、用戶和開(kāi)發(fā)人員更好地理解和使用整個(gè)調(diào)度系統(tǒng)。好的可視化技術(shù)能夠建立騎士和用戶對(duì)調(diào)度系統(tǒng)的信任感，降低開(kāi)發(fā)人員發(fā)現(xiàn)、定位并解決系統(tǒng)問(wèn)題的成本，進(jìn)一步發(fā)揮出大數(shù)據(jù)在提高物流調(diào)度平臺(tái)效率、改進(jìn)用戶消費(fèi)體驗(yàn)方面的作用。

具體來(lái)說(shuō)，百度外賣物流調(diào)度平臺(tái)在可視化方面的成果具體如下。

● 實(shí)時(shí)回傳服務(wù)器并向用戶展現(xiàn)騎士的運(yùn)行軌跡，其中難點(diǎn)在于騎士端采集騎士定位數(shù)據(jù)需要在精度和性能兩者之間進(jìn)行平衡，在用戶端需要有穩(wěn)定的長(zhǎng)連接技術(shù)保證軌跡數(shù)據(jù)的有效性和及時(shí)性。

● 采集并存儲(chǔ)每一次調(diào)度用到的所有參數(shù)數(shù)據(jù)，方便以后可以回溯定位到任意一筆訂單的分配理由。系統(tǒng)能夠回放出當(dāng)時(shí)將訂單A分配給騎士B的所有細(xì)節(jié)參數(shù)和判斷理由，方便相關(guān)騎士和研發(fā)人員定位排查調(diào)度算法邏輯錯(cuò)誤或底層采集的數(shù)據(jù)問(wèn)題。只需要調(diào)整可能有問(wèn)題的特征值或權(quán)重，平臺(tái)就能從那個(gè)時(shí)間點(diǎn)出發(fā)，按照新的模型重新演算一遍調(diào)度分配過(guò)程，驗(yàn)證效果。

● 調(diào)度系統(tǒng)在掌握了商圈內(nèi)每個(gè)商戶所有訂單的地理分布和配送效果之后，能夠繪制出商戶配送范圍內(nèi)的配送效率分布圖。由于受到地理位置、道路特點(diǎn)和業(yè)務(wù)密集程度等因素的影響，這份地形圖并不是基于商戶地址的同心圓，而是類似衡量山丘高度的等高線圖，可以清晰明了地告知業(yè)務(wù)人員影響物流配送效率的瓶頸在哪里，如何更合理地劃分商戶配送范圍，調(diào)整商圈運(yùn)力分布。

圖2 調(diào)度系統(tǒng)上線前后等待配送時(shí)間分布曲線

● 這些可視化技術(shù)降低了相關(guān)角色（例如用戶、騎士、研發(fā)和業(yè)務(wù)人員）使用和理解調(diào)度平臺(tái)的難度，用更直觀易懂的方式將背后復(fù)雜海量的大數(shù)據(jù)規(guī)律呈現(xiàn)出來(lái)，基于應(yīng)用客戶端和Web頁(yè)面的人機(jī)交互技術(shù)則可以幫助使用者進(jìn)一步調(diào)控和分析感興趣的過(guò)程和維度。從某種意義上講，放大了云端調(diào)度計(jì)算和深度智能學(xué)習(xí)的能力和效果。

5 結(jié)束語(yǔ)

百度外賣物流智能調(diào)度系統(tǒng)采用云計(jì)算和人工智能深度學(xué)習(xí)技術(shù)，將復(fù)雜的調(diào)度問(wèn)題分層處理，并在日益增長(zhǎng)的物流配送大數(shù)據(jù)的基礎(chǔ)上，不斷精細(xì)化調(diào)度模型依賴的狀態(tài)預(yù)估數(shù)值，不斷提高調(diào)度模型的多目標(biāo)規(guī)劃能力，同時(shí)通過(guò)大量運(yùn)用平臺(tái)可視化技術(shù)，以實(shí)時(shí)、圖表化和可交互化的方式將系統(tǒng)運(yùn)行狀態(tài)呈現(xiàn)出來(lái)，最終在平臺(tái)運(yùn)力效率和用戶體驗(yàn)時(shí)間上得到優(yōu)化效果。

展望未來(lái)，更加智能的調(diào)度系統(tǒng)需要依賴人工智能技術(shù)從物流配送大數(shù)據(jù)中主動(dòng)發(fā)現(xiàn)可以改進(jìn)的方向，能夠有針對(duì)性地解決用戶體驗(yàn)和平臺(tái)效率中存在的普遍問(wèn)題和長(zhǎng)尾問(wèn)題。例如，利用深度學(xué)習(xí)模型對(duì)大量基礎(chǔ)特征的組合訓(xùn)練能力，自動(dòng)構(gòu)造打分算法依賴的調(diào)度因素的組合或約束結(jié)構(gòu)，形成多層反饋神經(jīng)網(wǎng)絡(luò)，找出最優(yōu)的分配方案；針對(duì)極端自然天氣現(xiàn)象及復(fù)雜社會(huì)環(huán)境因素等引起的短時(shí)期局部范圍內(nèi)城市交通堵塞或行駛困難狀況，通過(guò)多維度采集公共平臺(tái)和行業(yè)領(lǐng)域綜合交通業(yè)務(wù)數(shù)據(jù)，圍繞如何及時(shí)評(píng)判行業(yè)運(yùn)力緊張狀況的時(shí)間空間持續(xù)范圍及程度，并采取分級(jí)預(yù)警和調(diào)控措施等內(nèi)容展開(kāi)研究；基于行業(yè)領(lǐng)域的物流運(yùn)輸需求大數(shù)據(jù)，挖掘城市區(qū)域內(nèi)物流運(yùn)輸需求在時(shí)間、空間和人群上的分布規(guī)律和性質(zhì)特點(diǎn)，圍繞如何精準(zhǔn)預(yù)測(cè)，并在此基礎(chǔ)上通過(guò)技術(shù)手段干預(yù)物流運(yùn)輸需求，達(dá)到在時(shí)間和空間維度上趨于均勻有效分布狀態(tài)等內(nèi)容展開(kāi)研究。

[1] 熊剛, 董西松, 朱鳳華, 等. 城市交通大數(shù)據(jù)技術(shù)及智能應(yīng)用系統(tǒng)[J]. 大數(shù)據(jù), 2015042. XIONG G, DONG X S, ZHU F H, et al. Big data technologies and intelligent application system for urban transportation[J]. Big Data Research, 2015042.

[2] 潘柱廷, 程學(xué)旗, 袁曉如, 等. CCF大專委2016年大數(shù)據(jù)發(fā)展趨勢(shì)預(yù)測(cè)——解讀和行動(dòng)建議[J]. 大數(shù)據(jù), 2016, 2(1): 105-113. PAN Z T, CHENG X Q, YUAN X R, et al. Developing trend forecasting of big data in 2016 from CCF TFBD: interpretation and proposals[J]. Big Data Research, 2016, 2(1): 105-113.

[3] 劉淳安. 動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法及其應(yīng)用[M].北京: 科學(xué)出版社, 2014. LIU C A. Dynamic multi-objective optimization evolutionary algorithm and application[M]. Beijing: Science Press, 2014.

[4] 唐敏, 關(guān)健, 鄧國(guó)強(qiáng), 等. 一種求解二部圖最大匹配問(wèn)題新算法及其應(yīng)用[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2012, 21(3): 72-75. TANG M, GUAN J, DENG G Q, et al. A new algorithm and application of solving maximum matching problem of bipartite graph[J]. Computer Systems & Applications, 2012, 21(3): 72-75.

[5] 孫志軍, 薛磊, 許陽(yáng)明, 等. 深度學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(8): 2806-2810.SUN Z J, XUE L, XU Y M, et al. Overview of deep learning[J]. Application Research of Computers, 2012, 29(8): 2806-2810.

[6] 張宏鑫, 盛風(fēng)帆, 徐沛原, 等. 基于移動(dòng)終端日志數(shù)據(jù)的人群特征可視化[J]. 軟件學(xué)報(bào), 2016, 27(5): 1174-1187. ZHANG H X, SHENG F F, XU P Y, et al. Visualizing user characteristics based on mobile device log data[J]. Journal of Software, 2016, 27(5): 1174-1187. □

TP399

A

10.11959/j.issn.2096-0271.2017013