关于作者

我是陈水平,硕士毕业于德国亚琛工业大学(RWTH Aachen);2014年7月加入高德地图,从事算法研究工作,主要职责是基于驾车导航的GPS轨迹,综合应用大数据工具、空间数据处理、机器学习和可视化技术,提供改善用户驾车出行体验的解决方案;2017年9月加入美团外卖,从0到1建设即时配送业务的地图策略方向,负责骑手App地图功能的优化。

我的邮箱是 csp19890128@qq.com,有问题可以发邮件与我取得联系。


工作经历


项目经历

轨迹挖掘(Trajectory Data Mining)

  • 描述:GPS轨迹的定位精度存在10-20m的误差,在城市峡谷、隧道、高架等复杂场景还会出现定位缺失、定位漂移等问题;此外,轨迹数据只包含采集时刻和经纬度等时空信息,需融合业务信息提取出具有明确语义的结构化数据,如从某个起点到某个终点的实际行驶路线、在某个商家等待取货、在某个小区进行交付等
  • 经验:在高德工作时,在导师指导下学习了如何在分布式计算环境实现轨迹分段和地图匹配算法;加入美团后,解决了外卖配送室内室外轨迹混合、骑手并单配送现象带来的挑战,参考郑宇博士城市计算团队的轨迹挖掘框架,建设了即时配送场景下的轨迹清洗技术体系

导航路线学习(Learning to Route)

  • 描述:导航规划路线与司机实走轨迹不一致,基本上可以概括为如下几个原因,一是路网缺失,二是路况不准,三是起终点抓路错误,四是路网权值(道路通行代价)设置不合理;导航路线学习针对最后一个场景,研究如何基于海量实走轨迹,用机器学习的方法对路网权值进行学习
  • 经验:在高德工作时,在导师指导下将路权设置转化为路线排序问题,使用TensorFlow实现了整个方案,解决了feature为路段/路口label为路线的问题,并通过轨迹挑选、构造pair样本、预训练、添加约束、改造目标函数等方式有效解决了bad case;加入美团后,基于高频商家和用户的历史送货轨迹,采用数据挖掘方法提取了大多数骑手选择的热门路线(Popular Route),显著提升了配送路线的无偏航率和覆盖率

封路挖掘(Road Closure Mining)

  • 描述:物理世界发生封路时,导航引擎如果没有及时感知,就会导致规划路线不可通行,对用户体验造成极大伤害;封闭道路的表现形式很丰富,包括全部施工封闭、局部施工封闭、长期不可通行、周边借道通行等,在轨迹上分别会体现出和正常通行道路不同的特征;封路挖掘的目的是通过提取轨迹的统计特征发现封闭道路,并在导航引擎中对封闭路段进行规避
  • 经验:在高德工作时,在导师指导下沿着道路形状创建横纵分布的网格来提取轨迹分布特征,使用决策树模型对道路封闭状态进行识别;加入美团后,构建了封路系统,基于流量、速度、行驶方向、轨迹分布等特征,自动化审核和处理骑手和城市经理上报的道路不可通行问题

交付点挖掘(Delivery Point Mining)

  • 描述:获取用户收货地址的行业模式是先选取一个参照POI,再填写明细地址,骑手根据POI的坐标和明细地址的描述,确认收货地点的真实位置;这个模式受用户选择参照POI的影响很大,用户选错或选不到合适的POI时,系统获取的用户坐标与真实物理世界的坐标偏差极大,会导致下游派单、定价、时间预估等业务作出错误决策,对新骑手的配送也会造成误导
  • 经验:加入美团后,主持了交付点挖掘项目,通过地址结构化和骑手签到数据聚类生成了精确到单元粒度的交付点数据,极大地提升了外卖配送系统用户坐标的准确性

其他

  • 路况预测:基于海量历史路况和实时路况,预测未来一小时的路况;随机森林模型,每条道路一个模型,使用上下游若干米内的道路路况信息作为特征
  • 交通大数据分析报告
  • AOI挖掘:将AOI数据与轨迹数据融合,构建AOI画像

教育背景


我的文章

SegmentFault技术专栏

Jiang, H. and S. Chen, Dwelling Unit Choice in a Condominium Complex: Analysis of Willingness to Pay and Preference Heterogeneity, Urban Studies, v. 53, n. 11, pp. 2273-2292, 2016. (居民小区内的住宅选择:对支付意愿及偏好异质性的分析, SSCI)下载

Jin, W., S. Chen and H. Jiang, Finding the K Shortest Paths in a Time-Schedule Network with Constraints on Arcs, Computers & Operations Research, v. 40 n. 12, pp. 2975-2982, 2013. (时刻表网络下的 K 最短路算法, SCI)下载