Yandex.Taxi കാറുകൾ ഇല്ലാത്തപ്പോൾ എങ്ങനെ തിരയുന്നു

ഒരു നല്ല ടാക്സി സേവനം സുരക്ഷിതവും വിശ്വസനീയവും വേഗതയേറിയതുമായിരിക്കണം. ഉപയോക്താവ് വിശദാംശങ്ങളിലേക്ക് കടക്കില്ല: "ഓർഡർ" ബട്ടണിൽ ക്ലിക്കുചെയ്‌ത് എത്രയും വേഗം ഒരു കാർ ലഭിക്കുന്നത് അദ്ദേഹത്തിന് പ്രധാനമാണ്, അത് അവനെ പോയിന്റ് എയിൽ നിന്ന് ബിയിലേക്ക് കൊണ്ടുപോകും. സമീപത്ത് കാറുകളൊന്നുമില്ലെങ്കിൽ, സേവനം നൽകണം. ഉപഭോക്താവിന് തെറ്റായ പ്രതീക്ഷകൾ ഉണ്ടാകാതിരിക്കാൻ ഉടൻ തന്നെ ഇതിനെക്കുറിച്ച് അറിയിക്കുക. എന്നാൽ "കാറുകൾ ഇല്ല" എന്ന അടയാളം ഇടയ്ക്കിടെ പ്രത്യക്ഷപ്പെടുകയാണെങ്കിൽ, ഒരു വ്യക്തി ഈ സേവനം ഉപയോഗിക്കുന്നത് നിർത്തി ഒരു എതിരാളിയുടെ അടുത്തേക്ക് പോകുമെന്നത് യുക്തിസഹമാണ്.

ഈ ലേഖനത്തിൽ, മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച്, കുറഞ്ഞ സാന്ദ്രതയുള്ള പ്രദേശങ്ങളിൽ കാറുകൾക്കായി തിരയുന്നതിനുള്ള പ്രശ്നം ഞങ്ങൾ എങ്ങനെ പരിഹരിച്ചു എന്നതിനെക്കുറിച്ച് സംസാരിക്കാൻ ഞാൻ ആഗ്രഹിക്കുന്നു (മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒറ്റനോട്ടത്തിൽ, കാറുകളൊന്നുമില്ല). പിന്നെ എന്ത് കിട്ടി.

ചരിത്രാതീതകാലം

ഒരു ടാക്സി വിളിക്കാൻ, ഉപയോക്താവ് കുറച്ച് ലളിതമായ ഘട്ടങ്ങൾ ചെയ്യുന്നു, എന്നാൽ സേവനത്തിനുള്ളിൽ എന്താണ് സംഭവിക്കുന്നത്?

ഉപയോക്താവ്	സ്റ്റേജ്	ബാക്കെൻഡ് Yandex.Taxi
ആരംഭ പോയിന്റ് തിരഞ്ഞെടുക്കുന്നു	പിൻ ചെയ്യുക	സ്ഥാനാർത്ഥികൾക്കായി ഞങ്ങൾ ഒരു ലളിതമായ തിരയൽ ആരംഭിക്കുന്നു - പിൻ തിരയൽ. കണ്ടെത്തിയ ഡ്രൈവർമാരെ അടിസ്ഥാനമാക്കി, എത്തിച്ചേരൽ സമയം പ്രവചിക്കുന്നു - പിന്നിലെ ETA. ഒരു നിശ്ചിത പോയിന്റിൽ വർദ്ധിച്ചുവരുന്ന ഗുണകം കണക്കാക്കുന്നു.
ലക്ഷ്യസ്ഥാനം, നിരക്ക്, ആവശ്യകതകൾ എന്നിവ തിരഞ്ഞെടുക്കുന്നു	ഓഫർ	വർദ്ധിച്ചുവരുന്ന ഗുണകം കണക്കിലെടുത്ത് ഞങ്ങൾ ഒരു റൂട്ട് നിർമ്മിക്കുകയും എല്ലാ താരിഫുകൾക്കും വില കണക്കാക്കുകയും ചെയ്യുന്നു.
"ഒരു ടാക്സി വിളിക്കുക" ബട്ടൺ അമർത്തുക	ഓർഡർ	ഞങ്ങൾ കാറിനായി ഒരു പൂർണ്ണ തിരയൽ ആരംഭിക്കുന്നു. ഞങ്ങൾ ഏറ്റവും അനുയോജ്യമായ ഡ്രൈവറെ തിരഞ്ഞെടുത്ത് അദ്ദേഹത്തിന് ഒരു ഓർഡർ വാഗ്ദാനം ചെയ്യുന്നു.

ഓൺ പിൻ ഇൻ ETA, വില കണക്കുകൂട്ടൽ и ഏറ്റവും അനുയോജ്യമായ ഡ്രൈവർ തിരഞ്ഞെടുക്കുന്നു ഞങ്ങൾ ഇതിനകം എഴുതി. ഡ്രൈവർമാരെ കണ്ടെത്തുന്നതിനെക്കുറിച്ചുള്ള കഥയാണിത്. ഒരു ഓർഡർ സൃഷ്ടിക്കുമ്പോൾ, തിരയൽ രണ്ട് തവണ സംഭവിക്കുന്നു: പിൻയിലും ഓർഡറിലും. ഒരു ഓർഡറിനായുള്ള തിരയൽ രണ്ട് ഘട്ടങ്ങളിലായാണ് നടക്കുന്നത്: സ്ഥാനാർത്ഥികളുടെ റിക്രൂട്ട്മെന്റും റാങ്കിംഗും. ആദ്യം, ലഭ്യമായ കാൻഡിഡേറ്റ് ഡ്രൈവർമാരെ റോഡ് ഗ്രാഫിനൊപ്പം ഏറ്റവും അടുത്ത് കണ്ടെത്തുന്നു. തുടർന്ന് ബോണസും ഫിൽട്ടറിംഗും പ്രയോഗിക്കുന്നു. ശേഷിക്കുന്ന സ്ഥാനാർത്ഥികൾ റാങ്ക് ചെയ്യപ്പെടുകയും വിജയിക്ക് ഓർഡർ ഓഫർ ലഭിക്കുകയും ചെയ്യുന്നു. അവൻ സമ്മതിക്കുകയാണെങ്കിൽ, അവൻ ഓർഡറിലേക്ക് നിയോഗിക്കുകയും ഡെലിവറി പോയിന്റിലേക്ക് പോകുകയും ചെയ്യുന്നു. അവൻ നിരസിച്ചാൽ, ഓഫർ അടുത്തതിലേക്ക് വരുന്നു. കൂടുതൽ സ്ഥാനാർത്ഥികൾ ഇല്ലെങ്കിൽ, തിരയൽ വീണ്ടും ആരംഭിക്കുന്നു. ഇത് മൂന്ന് മിനിറ്റിൽ കൂടുതൽ നീണ്ടുനിൽക്കില്ല, അതിനുശേഷം ഓർഡർ റദ്ദാക്കുകയും കത്തിക്കുകയും ചെയ്യുന്നു.

ഒരു പിന്നിൽ തിരയുന്നത് ഒരു ഓർഡറിൽ തിരയുന്നതിന് സമാനമാണ്, ഓർഡർ മാത്രം സൃഷ്ടിക്കപ്പെടുന്നില്ല, തിരയൽ ഒരു തവണ മാത്രമേ നടത്തൂ. സ്ഥാനാർത്ഥികളുടെ എണ്ണത്തിനും തിരയൽ റേഡിയസിനും വേണ്ടിയുള്ള ലളിതമായ ക്രമീകരണങ്ങളും ഉപയോഗിക്കുന്നു. ഓർഡറുകളേക്കാൾ കൂടുതൽ പിന്നുകളുടെ ക്രമം ഉള്ളതിനാൽ അത്തരം ലളിതവൽക്കരണങ്ങൾ ആവശ്യമാണ്, കൂടാതെ തിരയുന്നത് ബുദ്ധിമുട്ടുള്ള ഒരു പ്രവർത്തനമാണ്. ഞങ്ങളുടെ സ്റ്റോറിയുടെ പ്രധാന പോയിന്റ്: പ്രാഥമിക തിരച്ചിലിനിടെ പിന്നിൽ അനുയോജ്യമായ കാൻഡിഡേറ്റുകളെ കണ്ടെത്തിയില്ലെങ്കിൽ, ഒരു ഓർഡർ നൽകാൻ ഞങ്ങൾ നിങ്ങളെ അനുവദിക്കില്ല. കുറഞ്ഞത് അങ്ങനെയാണ്.

ആപ്ലിക്കേഷനിൽ ഉപയോക്താവ് കണ്ടത് ഇതാണ്:

കാറുകളില്ലാത്ത കാറുകൾക്കായി തിരയുക

ഒരു ദിവസം ഞങ്ങൾ ഒരു സിദ്ധാന്തം കൊണ്ടുവന്നു: ഒരുപക്ഷേ ചില സന്ദർഭങ്ങളിൽ, പിന്നിൽ കാറുകളൊന്നും ഇല്ലെങ്കിലും, ഓർഡർ ഇപ്പോഴും നിറവേറ്റാൻ കഴിയും. എല്ലാത്തിനുമുപരി, പിൻക്കും ഓർഡറിനും ഇടയിൽ കുറച്ച് സമയം കടന്നുപോകുന്നു, ഓർഡറിനായുള്ള തിരയൽ കൂടുതൽ പൂർത്തിയാകുകയും ചിലപ്പോൾ നിരവധി തവണ ആവർത്തിക്കുകയും ചെയ്യുന്നു: ഈ സമയത്ത്, ലഭ്യമായ ഡ്രൈവറുകൾ പ്രത്യക്ഷപ്പെടാം. ഞങ്ങൾക്ക് വിപരീതവും അറിയാമായിരുന്നു: പിന്നിൽ ഡ്രൈവറുകൾ കണ്ടെത്തിയാൽ, ഓർഡർ ചെയ്യുമ്പോൾ അവ കണ്ടെത്തുമെന്നത് ഒരു വസ്തുതയല്ല. ചിലപ്പോൾ അവർ അപ്രത്യക്ഷമാകും അല്ലെങ്കിൽ എല്ലാവരും ഓർഡർ നിരസിക്കുന്നു.

ഈ സിദ്ധാന്തം പരിശോധിക്കുന്നതിന്, ഞങ്ങൾ ഒരു പരീക്ഷണം ആരംഭിച്ചു: ഒരു ടെസ്റ്റ് ഗ്രൂപ്പ് ഉപയോക്താക്കൾക്കായി ഒരു പിൻ തിരയുന്നതിനിടയിൽ ഞങ്ങൾ കാറുകളുടെ സാന്നിധ്യം പരിശോധിക്കുന്നത് നിർത്തി, അതായത്, അവർക്ക് "കാറുകൾ ഇല്ലാതെ ഓർഡർ" ചെയ്യാൻ അവസരം ലഭിച്ചു. ഫലം തികച്ചും അപ്രതീക്ഷിതമായിരുന്നു: കാർ പിന്നിൽ ഇല്ലെങ്കിൽ, 29% കേസുകളിലും അത് പിന്നീട് കണ്ടെത്തി - ഓർഡറിൽ തിരയുമ്പോൾ! മാത്രമല്ല, കാറുകളില്ലാത്ത ഓർഡറുകൾ റദ്ദാക്കൽ നിരക്കുകൾ, റേറ്റിംഗുകൾ, മറ്റ് ഗുണനിലവാര സൂചകങ്ങൾ എന്നിവയിൽ സാധാരണ ഓർഡറുകളിൽ നിന്ന് കാര്യമായ വ്യത്യാസമില്ല. കാറുകളില്ലാത്ത ബുക്കിംഗുകൾ എല്ലാ ബുക്കിംഗുകളുടെയും 5% ആണ്, എന്നാൽ എല്ലാ വിജയകരമായ യാത്രകളുടെ 1% ത്തിലധികം.

ഈ ഓർഡറുകൾ നടപ്പിലാക്കുന്നവർ എവിടെ നിന്നാണ് വരുന്നതെന്ന് മനസിലാക്കാൻ, ഒരു പിന്നിൽ തിരയുമ്പോൾ അവരുടെ സ്റ്റാറ്റസുകൾ നോക്കാം:

• ലഭ്യമാണ്: ലഭ്യമായിരുന്നു, പക്ഷേ ചില കാരണങ്ങളാൽ സ്ഥാനാർത്ഥികളിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല, ഉദാഹരണത്തിന്, അവൻ വളരെ അകലെയായിരുന്നു;
• ഓർഡറിൽ: തിരക്കിലായിരുന്നു, പക്ഷേ സ്വയം മോചിപ്പിക്കാനോ ലഭ്യമായിരിക്കാനോ കഴിഞ്ഞു ചെയിൻ ഓർഡർ;
• തിരക്ക്: ഓർഡറുകൾ സ്വീകരിക്കാനുള്ള കഴിവ് അപ്രാപ്തമാക്കി, പക്ഷേ ഡ്രൈവർ ലൈനിലേക്ക് മടങ്ങി;
• ലഭ്യമല്ല: ഡ്രൈവർ ഓൺലൈനിൽ ഇല്ലായിരുന്നു, പക്ഷേ അവൻ പ്രത്യക്ഷപ്പെട്ടു.

നമുക്ക് വിശ്വാസ്യത കൂട്ടിച്ചേർക്കാം

അധിക ഓർഡറുകൾ മികച്ചതാണ്, എന്നാൽ വിജയകരമായ തിരയലുകളുടെ 29% അർത്ഥമാക്കുന്നത് 71% സമയവും ഉപയോക്താവ് ദീർഘനേരം കാത്തിരിക്കുകയും എവിടെയും പോകാതിരിക്കുകയും ചെയ്യുന്നു എന്നാണ്. സിസ്റ്റം കാര്യക്ഷമതയുടെ വീക്ഷണകോണിൽ ഇത് മോശമായ കാര്യമല്ലെങ്കിലും, ഇത് യഥാർത്ഥത്തിൽ ഉപയോക്താവിന് തെറ്റായ പ്രതീക്ഷ നൽകുകയും സമയം പാഴാക്കുകയും ചെയ്യുന്നു, അതിനുശേഷം അവർ അസ്വസ്ഥരാകുകയും (ഒരുപക്ഷേ) സേവനം ഉപയോഗിക്കുന്നത് നിർത്തുകയും ചെയ്യുന്നു. ഈ പ്രശ്നം പരിഹരിക്കാൻ, ഓർഡറിൽ ഒരു കാർ കണ്ടെത്താനുള്ള സാധ്യത പ്രവചിക്കാൻ ഞങ്ങൾ പഠിച്ചു.

സ്കീം ഇതുപോലെയാണ്:

• ഉപയോക്താവ് ഒരു പിൻ ഇടുന്നു.
• പിന്നിൽ ഒരു തിരച്ചിൽ നടത്തുന്നു.
• കാറുകൾ ഇല്ലെങ്കിൽ, ഞങ്ങൾ പ്രവചിക്കുന്നു: ഒരുപക്ഷേ അവ ദൃശ്യമാകും.
• പ്രോബബിലിറ്റിയെ ആശ്രയിച്ച്, ഒരു ഓർഡർ നൽകാൻ ഞങ്ങൾ നിങ്ങളെ അനുവദിക്കുന്നു അല്ലെങ്കിൽ അനുവദിക്കുന്നില്ല, എന്നാൽ ഈ സമയത്ത് ഈ പ്രദേശത്ത് കാറുകളുടെ സാന്ദ്രത കുറവാണെന്ന് ഞങ്ങൾ മുന്നറിയിപ്പ് നൽകുന്നു.

ആപ്ലിക്കേഷനിൽ ഇത് ഇതുപോലെ കാണപ്പെട്ടു:

മോഡൽ ഉപയോഗിക്കുന്നത് കൂടുതൽ കൃത്യമായി പുതിയ ഓർഡറുകൾ സൃഷ്ടിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു, വെറുതെ ആളുകളെ ആശ്വസിപ്പിക്കരുത്. അതായത്, കൃത്യത-വീണ്ടെടുക്കൽ മോഡൽ ഉപയോഗിച്ച് മെഷീനുകൾ ഇല്ലാതെ വിശ്വാസ്യതയുടെ അനുപാതവും ഓർഡറുകളുടെ എണ്ണവും നിയന്ത്രിക്കുന്നതിന്. സേവനത്തിന്റെ വിശ്വാസ്യത ഉൽപ്പന്നം ഉപയോഗിക്കുന്നത് തുടരാനുള്ള ആഗ്രഹത്തെ സ്വാധീനിക്കുന്നു, അതായത് അവസാനം എല്ലാം യാത്രകളുടെ എണ്ണത്തിലേക്ക് വരുന്നു.

കൃത്യത-ഓർമ്മപ്പെടുത്തലിനെക്കുറിച്ച് അൽപ്പംമെഷീൻ ലേണിംഗിലെ അടിസ്ഥാന ജോലികളിലൊന്നാണ് ക്ലാസിഫിക്കേഷൻ ടാസ്‌ക്: രണ്ട് ക്ലാസുകളിൽ ഒന്നിലേക്ക് ഒരു ഒബ്‌ജക്റ്റ് അസൈൻ ചെയ്യുക. ഈ സാഹചര്യത്തിൽ, മെഷീൻ ലേണിംഗ് അൽഗോരിതത്തിന്റെ ഫലം പലപ്പോഴും ക്ലാസുകളിലൊന്നിലെ അംഗത്വത്തിന്റെ സംഖ്യാപരമായ വിലയിരുത്തലായി മാറുന്നു, ഉദാഹരണത്തിന്, ഒരു പ്രോബബിലിറ്റി വിലയിരുത്തൽ. എന്നിരുന്നാലും, ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ സാധാരണയായി ബൈനറിയാണ്: കാർ ലഭ്യമാണെങ്കിൽ, അത് ഓർഡർ ചെയ്യാൻ ഞങ്ങൾ നിങ്ങളെ അനുവദിക്കും, ഇല്ലെങ്കിൽ, ഞങ്ങൾ ചെയ്യില്ല. വ്യക്തമായി പറഞ്ഞാൽ, ഒരു സംഖ്യാപരമായ എസ്റ്റിമേറ്റ് നിർമ്മിക്കുന്ന ഒരു അൽഗോരിതത്തെ നമുക്ക് മോഡലെന്നും ഒരു ക്ലാസിഫയറിനെ രണ്ട് ക്ലാസുകളിൽ ഒന്നിലേക്ക് (1 അല്ലെങ്കിൽ -1) അസൈൻ ചെയ്യുന്ന ഒരു റൂളെന്നും വിളിക്കാം. മോഡൽ മൂല്യനിർണ്ണയത്തെ അടിസ്ഥാനമാക്കി ഒരു ക്ലാസിഫയർ നിർമ്മിക്കുന്നതിന്, നിങ്ങൾ ഒരു വിലയിരുത്തൽ പരിധി തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. കൃത്യമായി എങ്ങനെ ചുമതലയെ ആശ്രയിച്ചിരിക്കുന്നു.

അപൂർവവും അപകടകരവുമായ ചില രോഗങ്ങൾക്കായി ഞങ്ങൾ ഒരു പരിശോധന (ക്ലാസിഫയർ) നടത്തുകയാണെന്ന് കരുതുക. പരിശോധനാ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, ഒന്നുകിൽ ഞങ്ങൾ രോഗിയെ കൂടുതൽ വിശദമായ പരിശോധനയ്ക്ക് അയയ്ക്കുകയോ അല്ലെങ്കിൽ "കൊള്ളാം, വീട്ടിലേക്ക് പോകുക" എന്ന് പറയുകയോ ചെയ്യുക. ഞങ്ങളെ സംബന്ധിച്ചിടത്തോളം, ആരോഗ്യമുള്ള ഒരാളെ അനാവശ്യമായി പരിശോധിക്കുന്നതിനേക്കാൾ വളരെ മോശമാണ് രോഗിയെ വീട്ടിലേക്ക് അയയ്ക്കുന്നത്. അതായത്, കഴിയുന്നത്ര രോഗികൾക്കായി പരിശോധന പ്രവർത്തിക്കണമെന്ന് ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. ഈ മൂല്യത്തെ റീകോൾ = എന്ന് വിളിക്കുന്നു. ഒരു ഐഡിയൽ ക്ലാസിഫയറിന് 100% റീകോൾ ഉണ്ട്. എല്ലാവരേയും പരീക്ഷയ്ക്ക് അയക്കേണ്ട ഒരു അധഃപതിച്ച സാഹചര്യം, പിന്നെ തിരിച്ചുവിളിയും 100% ആയിരിക്കും.

അതും മറിച്ചാണ് സംഭവിക്കുന്നത്. ഉദാഹരണത്തിന്, ഞങ്ങൾ വിദ്യാർത്ഥികൾക്കായി ഒരു ടെസ്റ്റിംഗ് സിസ്റ്റം ഉണ്ടാക്കുന്നു, അതിന് ഒരു തട്ടിപ്പ് ഡിറ്റക്ടർ ഉണ്ട്. വഞ്ചനയുടെ ചില കേസുകളിൽ പെട്ടെന്ന് ചെക്ക് പ്രവർത്തിക്കുന്നില്ലെങ്കിൽ, ഇത് അസുഖകരമാണ്, പക്ഷേ നിർണായകമല്ല. മറുവശത്ത്, വിദ്യാർത്ഥികൾ ചെയ്യാത്ത കാര്യങ്ങളുടെ പേരിൽ അന്യായമായി കുറ്റപ്പെടുത്തുന്നത് അങ്ങേയറ്റം മോശമാണ്. അതായത്, ക്ലാസിഫയറിന്റെ പോസിറ്റീവ് ഉത്തരങ്ങളിൽ കഴിയുന്നത്ര ശരിയായ ഉത്തരങ്ങൾ ഉണ്ടെന്നത് ഞങ്ങൾക്ക് പ്രധാനമാണ്, ഒരുപക്ഷേ അവരുടെ സംഖ്യയെ ദോഷകരമായി ബാധിക്കും. ഇതിനർത്ഥം നിങ്ങൾ കൃത്യത പരമാവധിയാക്കേണ്ടതുണ്ട് = . എല്ലാ ഒബ്ജക്റ്റുകളിലും ട്രിഗറിംഗ് സംഭവിക്കുകയാണെങ്കിൽ, സാമ്പിളിലെ നിർവചിക്കപ്പെട്ട ക്ലാസിന്റെ ആവൃത്തിക്ക് തുല്യമായിരിക്കും കൃത്യത.

അൽഗോരിതം ഒരു സംഖ്യാപരമായ പ്രോബബിലിറ്റി മൂല്യം ഉൽപ്പാദിപ്പിക്കുകയാണെങ്കിൽ, വ്യത്യസ്ത പരിധികൾ തിരഞ്ഞെടുക്കുന്നതിലൂടെ, നിങ്ങൾക്ക് വ്യത്യസ്ത കൃത്യത-വീണ്ടെടുക്കൽ മൂല്യങ്ങൾ നേടാനാകും.

ഞങ്ങളുടെ പ്രശ്നത്തിൽ സ്ഥിതി ഇപ്രകാരമാണ്. നമുക്ക് ഓഫർ ചെയ്യാൻ കഴിയുന്ന ഓർഡറുകളുടെ എണ്ണമാണ് തിരിച്ചുവിളിക്കുക, ഈ ഓർഡറുകളുടെ വിശ്വാസ്യതയാണ് കൃത്യത. ഞങ്ങളുടെ മോഡലിന്റെ പ്രിസിഷൻ-റികോൾ കർവ് ഇങ്ങനെയാണ്:

രണ്ട് അങ്ങേയറ്റത്തെ കേസുകളുണ്ട്: ആരെയും ഓർഡർ ചെയ്യാൻ അനുവദിക്കരുത്, എല്ലാവരേയും ഓർഡർ ചെയ്യാൻ അനുവദിക്കുക. നിങ്ങൾ ആരെയും അനുവദിക്കുന്നില്ലെങ്കിൽ, തിരിച്ചുവിളിക്കുന്നത് 0 ആയിരിക്കും: ഞങ്ങൾ ഓർഡറുകൾ സൃഷ്‌ടിക്കുന്നില്ല, പക്ഷേ അവയൊന്നും പരാജയപ്പെടില്ല. ഞങ്ങൾ എല്ലാവരെയും അനുവദിക്കുകയാണെങ്കിൽ, തിരിച്ചുവിളിക്കുന്നത് 100% ആയിരിക്കും (സാധ്യമായ എല്ലാ ഓർഡറുകളും ഞങ്ങൾക്ക് ലഭിക്കും), കൃത്യത 29% ആയിരിക്കും, അതായത് 71% ഓർഡറുകൾ മോശമായിരിക്കും.

ഞങ്ങൾ ആരംഭ പോയിന്റിന്റെ വിവിധ പാരാമീറ്ററുകൾ അടയാളങ്ങളായി ഉപയോഗിച്ചു:

• സമയം/സ്ഥലം.
• സിസ്റ്റം അവസ്ഥ (സമീപത്തുള്ള എല്ലാ താരിഫുകളുടെയും പിന്നുകളുടെയും അധിനിവേശ മെഷീനുകളുടെ എണ്ണം).
• തിരയൽ പരാമീറ്ററുകൾ (റേഡിയസ്, കാൻഡിഡേറ്റുകളുടെ എണ്ണം, നിയന്ത്രണങ്ങൾ).

അടയാളങ്ങളെക്കുറിച്ച് കൂടുതൽ

ആശയപരമായി, രണ്ട് സാഹചര്യങ്ങൾ തമ്മിൽ വേർതിരിച്ചറിയാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു:

• "ഡീപ് ഫോറസ്റ്റ്" - ഇപ്പോൾ ഇവിടെ കാറുകളൊന്നുമില്ല.
• “നിർഭാഗ്യവശാൽ” - കാറുകളുണ്ട്, പക്ഷേ തിരയുമ്പോൾ, അനുയോജ്യമായവ ഉണ്ടായിരുന്നില്ല.

വെള്ളിയാഴ്ച വൈകുന്നേരം കേന്ദ്രത്തിൽ ധാരാളം ഡിമാൻഡ് ഉണ്ടെങ്കിൽ "അനഭാഗ്യ" യുടെ ഒരു ഉദാഹരണം. ധാരാളം ഓർഡറുകൾ ഉണ്ട്, ധാരാളം ആളുകൾ തയ്യാറാണ്, എല്ലാവർക്കും വേണ്ടത്ര ഡ്രൈവർമാരില്ല. ഇത് ഇതുപോലെ മാറിയേക്കാം: പിന്നിൽ അനുയോജ്യമായ ഡ്രൈവറുകൾ ഇല്ല. എന്നാൽ അക്ഷരാർത്ഥത്തിൽ നിമിഷങ്ങൾക്കുള്ളിൽ അവ പ്രത്യക്ഷപ്പെടുന്നു, കാരണം ഈ സമയത്ത് ഈ സ്ഥലത്ത് ധാരാളം ഡ്രൈവർമാർ ഉണ്ട്, അവരുടെ നില നിരന്തരം മാറിക്കൊണ്ടിരിക്കുന്നു.

അതിനാൽ, പോയിന്റ് എയ്ക്ക് സമീപമുള്ള വിവിധ സിസ്റ്റം സൂചകങ്ങൾ നല്ല സവിശേഷതകളായി മാറി:

• കാറുകളുടെ ആകെ എണ്ണം.
• ഓർഡറിലുള്ള കാറുകളുടെ എണ്ണം.
• "തിരക്കിലാണ്" എന്ന നിലയിൽ ഓർഡർ ചെയ്യാൻ ലഭ്യമല്ലാത്ത കാറുകളുടെ എണ്ണം.
• ഉപയോക്താക്കളുടെ എണ്ണം.

എല്ലാത്തിനുമുപരി, കൂടുതൽ കാറുകൾ ഉണ്ട്, അവയിലൊന്ന് ലഭ്യമാകാനുള്ള സാധ്യത കൂടുതലാണ്.
വാസ്തവത്തിൽ, കാറുകൾ സ്ഥിതി ചെയ്യുന്നത് മാത്രമല്ല, വിജയകരമായ യാത്രകളും നടത്തുന്നുവെന്നത് ഞങ്ങൾക്ക് പ്രധാനമാണ്. അതിനാൽ, ഒരു വിജയകരമായ യാത്രയുടെ സാധ്യത പ്രവചിക്കാൻ കഴിഞ്ഞു. എന്നാൽ ഇത് ചെയ്യേണ്ടതില്ലെന്ന് ഞങ്ങൾ തീരുമാനിച്ചു, കാരണം ഈ മൂല്യം ഉപയോക്താവിനെയും ഡ്രൈവറെയും ആശ്രയിച്ചിരിക്കുന്നു.

മാതൃകാ പരിശീലന അൽഗോരിതം ആയിരുന്നു ക്യാറ്റ്ബൂസ്റ്റ്. പരീക്ഷണത്തിൽ നിന്ന് ലഭിച്ച ഡാറ്റ പരിശീലനത്തിനായി ഉപയോഗിച്ചു. നടപ്പിലാക്കിയ ശേഷം, പരിശീലന ഡാറ്റ ശേഖരിക്കേണ്ടതുണ്ട്, ചിലപ്പോൾ മോഡലിന്റെ തീരുമാനത്തിനെതിരെ ഓർഡർ ചെയ്യാൻ കുറച്ച് ഉപയോക്താക്കളെ അനുവദിക്കുന്നു.

ഫലങ്ങൾ

പരീക്ഷണത്തിന്റെ ഫലങ്ങൾ പ്രതീക്ഷിച്ചതുപോലെ ആയിരുന്നു: മോഡൽ ഉപയോഗിക്കുന്നത് കാറുകളില്ലാത്ത ഓർഡറുകൾ കാരണം വിജയകരമായ യാത്രകളുടെ എണ്ണം ഗണ്യമായി വർദ്ധിപ്പിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു, എന്നാൽ വിശ്വാസ്യതയിൽ വിട്ടുവീഴ്ച ചെയ്യാതെ.

ഇപ്പോൾ, എല്ലാ നഗരങ്ങളിലും രാജ്യങ്ങളിലും ഈ സംവിധാനം ആരംഭിച്ചിട്ടുണ്ട്, അതിന്റെ സഹായത്തോടെ ഏകദേശം 1% വിജയകരമായ യാത്രകൾ സംഭവിക്കുന്നു. മാത്രമല്ല, കാറുകളുടെ സാന്ദ്രത കുറഞ്ഞ ചില നഗരങ്ങളിൽ, അത്തരം യാത്രകളുടെ പങ്ക് 15% വരെ എത്തുന്നു.

ടാക്സി സാങ്കേതികവിദ്യയെക്കുറിച്ചുള്ള മറ്റ് പോസ്റ്റുകൾ

• Yandex.Taxi-യിലെ ഡ്രൈവർമാർക്കിടയിൽ ഞങ്ങൾ ഓർഡറുകൾ എങ്ങനെ വിതരണം ചെയ്യുന്നു
• ഡൈനാമിക് പ്രൈസിംഗ്, അല്ലെങ്കിൽ Yandex.Taxi ഉയർന്ന ഡിമാൻഡ് എങ്ങനെ പ്രവചിക്കുന്നു
• ഒരു കാറിന്റെ അവസ്ഥ വിലയിരുത്തുന്നതിന് കമ്പ്യൂട്ടർ വിഷൻ എങ്ങനെ ഉപയോഗിക്കാം. Yandex.Taxi അനുഭവം
• മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് Yandex.Taxi എങ്ങനെയാണ് കാർ പിക്കപ്പ് സമയം പ്രവചിക്കുന്നത്

അവലംബം: www.habr.com