地图数据：POI 信息和路网信息

地图数据分层标记

地图数据可以分为两个层次：一是高清地图，二是标清地图。除了自动驾驶小范围在探索高清地图外，绝大部分应用都是基于标清地图。标清地图数据主要包括 POI（Point of Interest）信息和路网信息。POI 信息也称为起终点信息，涵盖楼栋、小区地址、小区各个门所在位置、商业/普通住宅等信息，更深入一点，还可以涵盖地图上用户点评、打卡等图片和视频内容。

路网信息则是指从 A 点到 B 点所经过的道路条数、宽度、车道、限速、坡状、拐弯与否、交规细则、通行时间段限制等信息。它没有统一的规范，但行业内一般为每一个小路段附带 400 个左右的属性信息。路口、立交桥等特殊地点的信息更为复杂，或将包含更多的 3D 属性信息等等。

数据采集

一方面，出行场景天然会产生大量的连续、优质的轨迹数据，此外滴滴还可以与合作伙伴进行合作，获取补充的地图数据。另一方面，还可以基于司乘用户每天上报的数十万量级的路况事件来挖掘数据。其中，80-90%地图数据都是自动化挖掘的。数据挖掘方式大致分以下几类：

• 以 POI 信息为例，滴滴通过分析大量的司乘上下车行为信息来进行 POI 生命周期的挖掘。如突然发现没有人打车去一个热门的 POI，通过分析信息数据，可能发现这个 POI 已经关门或搬迁，这便是数据挖掘得来的结论。

• 通过分析网约车的轨迹信息，运用大数据技术进行散点信息融合，也能够挖掘出更多的数据。虽然滴滴平台上单台车提供的信息密度、图像质量等跟正规的采集车有较大差距，但网约车总数量大，行车记录仪图像也更加丰富，每天的轨迹里程可以达到几亿公里的级别，蕴涵的信息熵更大。

地理时空信息精修

地理时空技术对出行平台而言非常重要，交易级地图对数据的要求也格外高。滴滴地图将地理时空信息分为数据生态层、数据层与引擎层。在数据生态层，除了滴滴本身积累的海量出行大数据，还包含很多行业合作伙伴为滴滴地图提供的丰富的天气、电子眼等数据信息，而数据层则存在于“数据生态层”之上，包含挖掘能力和数据生产能力。

泛挖掘能力有三大方面：一是轨迹挖掘，滴滴通过数据挖掘技术来自动化发现物理世界的变化，如一个主路或繁华道路在高峰时段 10 分钟内车流量骤降，运用数据挖掘技术构筑的“异常点检测”模型可以发现这个问题，自动化将结果推送到线上引擎；二是司乘上报挖掘，在滴滴的体系里，司乘每天的上报量极高；三是图像挖掘，为了安全以及司乘纠纷处置、管控等因素，行车记录仪覆盖了滴滴网约车 50%的订单，借助 AI 技术可以对行车记录仪对外摄像头的场景数据进行图像挖掘。

在数据生产能力方面，滴滴拥有巨大的数据生产平台，大部分数据可实现自动化生产，但在一部分复杂场景，还需要人工的介入。引擎层则在“数据层”之上，主要包括地理信息检索引擎、路径规划引擎与定位引擎等等。

业务数据分级响应

在内部地图数据建设体系中，如果某些点或某些路段用户使用频繁，绝对不允许出错，滴滴地图就会把这些数据划分为最高等级的数据，其余的数据层次和重要性会依次类推。最高层的要求是“立刻响应、立刻修正、立刻编辑、立刻生效”，如此一来，数据生产便完全由业务体验导向。

地图引擎

滴滴地图提供针对发单时的定位、上车推荐点，发单后的智能派单、调度、路径规划和预估到达时间，行程中的导航、安全保护、躲避拥堵和计费等能力，这背后离不开地理信息检索引擎、路径规划引擎、定位引擎、ETA、导航引擎、上下车引擎、推荐引擎这七大技术引擎的支撑。

• 地理信息检索引擎：基于大数据和 AI 技术，为用户提供精确的地理信息查询匹配。其中，Query 改写和分析模块，利用 HMM、CRF、NMT 等机器学习技术，实现了包含纠错、省略、同义、归一化、成分识别、意图识别等模块，全方位的用户输入能力的语义理解能力；索引召回，实现分词、别名、英文、区域、跨城、深度召回等多源召回策略，同时基于适合出行场景的相关性深度模型，保证召回质量；POI 排序，基于海量出行数据挖掘出距离、相关性、热度、个性化等多维特征，通过 LTR 实现智能排序引擎，确保用户体验。

• 路径规划引擎：基于精准的路网时空拓扑数据和海量的用户轨迹数据，利用深度学习和强化学习等技术，智能生成多条高质量的路线，路线会按照安全、用户偏航、行驶时间、距离等因素综合排序，给出综合性能最好的路线。此外，乘客可以根据路线选择功能选择自己期望的路线。

• 智能定位引擎：基于滴滴的大数据优势，结合 AI 技术，为司乘两端提供全时域精准、稳定的位置服务。在乘客端，建立了基于 CNN 端到端的网络定位技术，显著提升室内定位精度。在司机端，融合 AI 与传统航位推算及融合定位技术，建立了一套云边一体的智能定位解决方案。

• ETA：利用地图时空数据和海量出行大数据、AI 进行有效地特征学习和模型预测。模型对海量真实出行轨迹、路网拥堵数据、不同天气道路路况等特征进行自动学习，精准预估到达时间（ETA）。到达时间信息可以辅助用户做出行决策，也是路线排序选择的重要特征之一。

• 导航引擎：封装和保护几何数据的拓扑关系和导引数据，对上层提供路线分析、拓扑分析、引导信息等功能。针对复杂的道路拓扑，智能化的给予用户关键的道路驾驶提示，包括路口放大图、引导信息和语音播报等，帮助司机对道路拓扑和通行状况有更好的认识。

• 上下车点引擎：基于海量的司乘出行数据以及地理空间数据，利用时空表示学习和深度推荐技术构建精准的出行上下车位置推荐，结合场景化的上下车引导，帮助司乘顺利安全碰面、准确送达目的地，降低司乘的沟通成本，提升出行效率。

目的地推荐引擎：基于用户历史出行数据和 AI 技术，滴滴地图建立了一套出行场景下的目的地预测方案。能基于高斯分布与冯米赛斯分布建立目的地概率统计连续特征，基于用户目的地时间与位置坐标建立多维度离散统计特征。通过 Tree 模型和 Embedding 更好地结合低维强特征与高维弱特征。Fusion 层进一步提高 FM 和 DNN 模型的融合效果，为用户精准推荐目的地，帮助用户更快出行。

ETA

地理时空信息与大数据、AI 技术有效地结合和交叉，可应用于网约车预估到达时间（ETA）。原本 ETA 是通过数学公式来构建，从 A 点到 B 点分多少路段，预测每个路段时间，进行加和，然后给出总路程时间，每一段的路程时间是基于当时获得的实时路况信息来估计。

而滴滴采用 AI 和大数据技术，将滴滴订单作为样本，样本特征涵盖道路的静态属性（如三车道、四车道、五车道、限速、拐弯、红绿灯）和动态特征（涵盖出发时间、行驶道路上的车流量、通行速度、路况等级等）。滴滴将这些静态和动态的特征构建成大规模的稀疏学习问题，应用工业界广泛使用的大规模样本特征，取得了较好的效果，其第一版机器学习模型比传统做法准确率提升 7%-8%。而随着模型的持续迭代，2018 年滴滴地图已经率先将深度学习技术应用于 ETA 计算，MAPE 测算指标误差（MAPE 值）进一步降至 10.5%。在滴滴尚未入局之前，行业内的 ETA 误差在 20%左右，其他地图厂商在使用 AI 算法以后也将误差降至 14%左右。

路线规划引擎

在路线规划上，以网约车使用 GNSS 轨迹点作为行程依据为例，由于 GNSS 轨迹点会受到很多因素的影响，如天气、高楼遮挡、电气折射等，将造成一定的偏移和误差。如何更加精准地给出计费里程？滴滴地图以路网数据为先验知识，采用序列深度模型，做状态转移的判断和推测，来提升滴滴平台提升计费里程的准确性。

而在路径规划上，路线规划引擎包含“路线生成引擎”和“路线决策引擎”。其中“路线生成引擎”主要由“图算法路线生成器”与“强化学习生成器”两部分组成。“图算法路线生成器”由实时、高效的单权值“图论算法”构成。而“强化学习生成器”则建构在一个完全真实的全程式的道路情况之上，它将城市里每一分、每一秒、每一条道路的通行状况作为 state，action 则是每一个决策，比如路口左转、右转或直行，而 reward 则通过生成路线的时间、价格、里程、通行采纳率来综合给出。

“强化学习生成器”还面临比较大的计算效率问题：当前滴滴地图每天进行数百亿次路径规划调用，因此需要对强化学习的计算效率做优化，保证每一步搜索效率是最大的。滴滴地图在物理世界的地图上，利用多条候选路线的交叉、合并和重组，生成一个高效简洁的“子路网”，并在“子路网”上利用强化学习搜索出新的路线。

最后，路线决策引擎会考虑时间、里程、价格和“路线热度”、用户偏好等维度，通过“效用函数”来评估路线价值，并且考虑到了不同的业务场景，比如网约车、出租车或自驾导航等，以及不同的业务类型，比如专车或快车等，以期给用户最优解。

效果指标

如何评估路径规划与 ETA 的完成效果？在滴滴地图中，MAPE、零通话率、定点率等重要的效果指标就变得非常重要。MAPE：ETA 的测算指标，滴滴地图 ETA 当前可以达到平均误差比例在 10.5%左右，也就是一个小时的行程，平均偏差在 6 分钟左右。

零通话率：这是一个非常有体感的指标。在 4 年前，滴滴八成的订单都需要乘客给司机打电话反复确认位置，才能完成司机和乘客的顺利会面，现在只有两成以上的订单需要如此操作。司乘定位更精准，由于碰不到面而打电话的情况就非常少了。尽力实现零通话率，可以让用户体验更佳。

定点率：评估为乘客推荐上下车点准确率的重要技术指标。当平台推荐的上车/下车位置与乘客实际上车/下车位置的距离小于某个阈值（例如 30m），我们称为上车/下车定点。接送驾系统的更新迭代带来司乘碰面难度的持续下降，直接体现在上下车点定点率的持续提升。