浅聊供需匹配系统

在软件工程领域浸泡这么多年，要把一个产品、项目或者服务，跟一个非专业领域的人讲清楚，都不是一件容易的事情。很多研发同学，天天在职场的某个领域或者模块，时时刻刻从事着相关的业务开发工作，一旦要他把自己手上做的事情说清楚，经常三根子打不出个屁。

我自己工作这多年后，也慢慢体会到沟通表达是职场人一个多么重要的能力。无论是向上汇报，还是与外部对接，很多时候，别人都不是你专业领域的同事，这个时候你能清晰明了的把事情说清楚，让别人能快速理解你的意思，在工作上你就提高了效率，在协作上你就建立了信任。

如果现在要我向一个小白，去介绍一下供需匹配系统，我又该如何去阐述。

为什么要有

供需匹配系统成立的前提条件是：要有需求和运力两个要素。

如今网约车行业依然是滴滴一家独大，然后各个流量聚合平台联合多家运力供应商与之抗衡的局面。像滴滴肯定是需求和运力都掌控在自己手里，供需匹配的效率就成为它平台收益的关键点。

但是聚合平台的运营模式就不同，它只需要管控好用户的流量，然后把需求下放到各个运力供应商，最终从各供应商返回的司机列表中选择一个最合适的即可。对于聚合平台，由于它本身没有运力，因此运力的召回和匹配环节，它就无需介入，而是把供需匹配的能力下放到各个运力供应商，它只需要从最终的多个匹配结果中，选择一个对它收益最高的结果。

运力供应商就不同，因为它要管控好司机的服务，要能够留住忠实的司机，就一定要保障好司机的收入。不同流量平台的用户需求，进入到系统后，怎么把订单合理分配给不同的司机，让好司机继续保持，让差司机有向上的动力，同时还要确保平台能够挣到一定的利润，这就必须要打造好一个优秀的供需匹配系统。

基于以上考虑，公司一旦涉及到运力运营，就必须要有一个优秀的供需匹配系统。

怎么去做

知道了为什么要做这件事情后，我们就了解了一件事情的本质。接下来，也是软件工程师最关注也最熟悉的环节，怎么来做？做得好的标准是什么？

好的标准，在公司不同的发展阶段，是在不断变化的。

• 初期： 先保证需求和运力能够快速匹配，系统能够正常运行，简单的让每个需求找最近可以匹配的司机就算完成了。
• 发展期：需求数和运力数在不断增多，打车的场景和品类也在变大，这时无论系统的稳定性，还是研发的效率都是一个大的挑战。
  • 这时的标准： 能快速完成业务需求的交互，同时保证系统的稳定性。
• 成熟期： 这时需求和运力的增长已经处于一个平衡状态，前期快速扩张，为了满足业务的交付要求，靠着人力的扩张把事情搞定。现在公司的流水和利润增长已经平稳了，那就要开始练内功，前期架构设计不合理或者技术成本过高的地方，现在就要开始优化，也就是要开始降本增效了。
  • 这时的标准： 能够沉淀可复用的能力或者工具，用最小的成本支撑好现有的系统，并保障好新增的业务需求。
• 衰退期: 现有的业务逐渐萎缩，市场被新的技术代替，公司的流水和利润在变少，这个时候也就没有什么标准了，你要提前找好新的赛道，继续起航。

成熟期才是真正对一个公司技术的挑战，现在我主要聊一下，公司在成熟期怎么做好供需匹配系统？

• 稳定性： 这个衡量技术能力最重要的一个标准。对于供需匹配系统要保障好系统的稳定性，需要怎么做？
  • 入口：入口处做好限流和降级，超过系统承载流量上限时，对需求流量做好排队限流，优先选择高优订单进行派单。
  • 过程：对外部系统的依赖做好容错，防止外部系统故障影响自身链路的稳定性。比如：要区分哪些是强依赖，哪些是弱依赖。对匹配系统来说，强依赖是测距，一旦司机的接驾距离和接驾时间预估不准确，派单就无法达到准确的派单效果，派单会出错。弱依赖有很多，比如依赖的一些策略指标数据，这些数据没有只是影响策略的效果，但是对整个派单核心链路不构成影响。
  • 出口：做好监控告警，一旦派送单量出现下降，要第一时间能够感知。
• 架构规划：对前期架构设计进行诊断，确定好以前遗留的痛点问题，提前进行架构优化的规划，确保在不影响业务需求吞吐率的情况下，做好架构的进一步迭代优化。
  • 第一条： 要提前规划。不能等到架构无法支撑业务的时候，再去做架构规划，这个时候已经晚了，因为你已经由于架构问题影响业务需求正常的吞吐了。
  • 第二条： 要做大计划小迭代。技术的重构是研发人员内部发起的，这件事情本身并不产生价值，如果需要暂停业务需求来专门做重构，即使重构做得再好，也给公司产生不了实际的收益。所以，一定要在前期做一个大的计划，在不影响业务需求正常吞吐的情况下，再做好架构的保障。
• 团队人员管理： 第一要让团队成员有事情可做，第二要确保团队人员任务交付的质量和效率，包括设计好对应的架构设计规范，定义好代码评审的标准。

供需匹配系统的架构规划

目标： 保障系统的高可用，提升业务需求的交付效率，并提高系统的可维护性。

保障系统的高可用： 前面稳定性上已经介绍过了。入口流量做好限流控制，匹配过程做好对外依赖的降级和熔断，输出结果做好监控。

提升业务需求的交付效率： 这件事情本质上需要先提前做好架构规划，才能在业务需求的各个阶段都保障好需求的吞吐率。对于一个匹配系统来说，有几个领域是必须要提前规划好的：

• 匹配引擎： 做好匹配过程的管控，定义更精细化的模块管理。
  1. 确定派单城市和服务器的绑定关系。
  2. 拉取城市的策略数据。
  3. 获取城市的订单需求。
  4. 管控需求，进行流量控制，确保系统的派单稳定性。
  5. 基于需求召回运力。
  6. 基于城市策略确定需求和运力匹配关系。
  7. 计算需求和运力匹配的权重系数。
  8. 基于权重系数，使用全局最优算法计算需求和运力的最终匹配结果。
  9. 基于最终匹配结果，向司机和乘客进行派单。
  10. 派单结束，更新司机的相关数据。
• 策略中心： 匹配策略配置的管控平台。 策略的配置管控，策略对外能力的输出，策略的权限管控， 策略的AB实验平台。
• 司机服务： 司机服务和匹配效率是紧密相连，起承转合的关系。司机服务的时间，服务的质量，既影响到匹配的效率，也受到匹配系统本身的影响，它们相辅相成，相互牵连。领域划分：
  • 标准： 司机从上线到下线的整个服务过程，都属于供需匹配系统的一部分。供需匹配系统，简单来说它是一个匹配需求和运力的引擎，复杂来说它是一个做好需求服务的系统。
  • 领域能力：
    • 司机上下线： 司机开始和结束服务的能力。
    • 司机接单设置： 司机在服务过程中设置的接单偏好。
    • 司机服务过程监控： 司机在服务的过程中，是否有风险，是否有违规作弊行为。
    • 司机智能助手：
      • 智能调度： 基于城市的供需关系，把司机往接单热区牵引。
      • 听单检测和推荐：如果司机长时间接不到订单，给司机进行诊断的工具，让司机调整自己的设置或者位置，能够更快接到订单。
• 指标中心： 匹配策略关联最紧密的要素就是指标，策略效果的好坏就取决于指标计算的是否准确。如果要做好匹配策略的管控，指标数据的计算和管理就是一个必备环节，要确保指标计算的准确性，同时要提升指标系统的稳定性。
• 匹配算法平台：包括两个运筹学算法和机器学习算法能力。
  • 运筹学： 引擎依赖的实时匹配算法，全局最优算法，最小费用最大流算法等等。
  • 机器学习算法：
    • 分类模型算法： 匹配过程依赖的各种预测指标数据
    • 深度或者强化学习算法： 司机和乘客的行为数据

提高系统的可维护性：

• 方便运维人员维护： 匹配过程的可见性，订单和司机匹配是否合理，让整个过程对外可见，提升系统的可维护性。
• 方便司机接单： 能够给司机提供一些检测手段，让司机快速识别自己的问题，让司机能够快速完成订单。

做成后的效果

对于衡量供需匹配系统好坏的指标，一个是GMV，一个是整体利润。

供需匹配系统的各种策略，最终都要服务这两个基线指标，不然其它的过程指标即使提升得再高，两个基线指标没有得到提升，过程指标也没有实际的意义和价值。

但是GMV和利润这两个指标又是公司经营最核心的指标，它会受到各个环节的制约，比如：实时的需求数和供给数。也许你的策略本身有很大的正向作用，但是最终影响到整体的GMV和利润上面，作用其实又微乎其微。

这个时候，策略的实验平台就会起到很关键的作用。在同样的供需场景下，基于时间片进行轮转，如果GMV和利润有较好的提升，就能说明策略的效果。

是否还能做得更好

对于供需匹配来说，未来更长远的策略，一定是建立更加智能化的策略系统。

这个智能化分为两个部分： 一是匹配策略的智能化，二是司机的智能化也就是无人驾驶汽车。

对于司机智能化，随着AI应用的大力发展，无人驾驶已经越来越逼近了，可能在不久几年内，我们就可以在城市的道路中使用到。

对于匹配策略的智能化， 一定要依赖出行领域的交通大模型。介绍一下目前国内最重要的三个。

1. 滴滴出行 "Orion"（北斗）系统

• 特点：滴滴自研的交通大模型，整合了深度学习、强化学习和时空预测技术，用于动态定价、订单匹配、路径规划和ETA（预计到达时间）预测。

• 应用场景：

  • 实时需求预测：通过历史数据和实时交通流预测热点区域。
  • 智能派单：优化司机与乘客的匹配效率。
  • 交通仿真：模拟城市路网拥堵情况，辅助政策制定。

• 数据基础：依托滴滴全球每日数千万订单的出行数据。

2. 百度 "ACE交通引擎"

• 特点：基于百度飞桨（PaddlePaddle）和文心大模型，结合高精地图、车路协同和AI算法，提供城市级交通解决方案。

• 核心功能：

  • 信号灯优化：通过AI动态调整红绿灯时长，减少拥堵。
  • 出行规划：为公众提供多模态（公交、驾车、步行）最优路径。
  • 车路协同：支持自动驾驶与智慧城市基础设施联动。

• 落地案例：已在北京、广州、重庆等城市部署。

3. 华为 "云交通智能体TrafficGo"

• 特点：华为云推出的交通行业AI解决方案，整合了盘古大模型的时空建模能力，专注于城市交通管理和公共出行优化。

• 技术亮点：

  • 全域感知：通过摄像头、雷达等设备实时采集交通流数据。
  • 决策优化：利用强化学习优化信号控制和公交调度。
  • 碳中和目标：减少车辆怠速排放，助力绿色出行。

• 应用案例：在深圳、成都等城市实现高峰期拥堵下降10%-20%。