导读

高德地图是中国领先的出行解决方案提供商，其中导航是其核心功能之一。道路规划作为导航的基础，需要根据用户的起点、终点以及路径偏好，为其提供最佳出行方案。

准确的终点定位对于道路规划至关重要。本文将介绍高德地图如何通过引入机器学习算法来提升终点抓取的准确性，特别是在用户定位精度方面所做的探索与实践。

终点抓路是什么？

终点抓路是指根据用户发起的道路规划请求，利用用户的定位信息，将终点位置精确地匹配到实际道路的过程。高德地图允许用户通过三种方式选择终点：手动选点、兴趣点选点和自动定位。

手动选点和兴趣点选点能够提供较高的定位精度，而自动定位则可能受到GPS、基站或Wi-Fi信号的影响，导致定位误差较大。因此，我们需要解决的问题是如何在有限的信息条件下，将用户精确定位到正确的道路上。

为什么引入机器学习？

在引入机器学习之前，终点抓路主要依靠人工设定的规则。这些规则通常以距离为主要特征，结合角度、速度等因素，通过加权计算得出分数，从而决定排序。然而，这种人工设定的规则存在一些局限性：

• 难以完善：即使包含了许多经验，人工设定的阈值和权重仍然不够完善，容易出现偏差或盲区。
• 维护困难：面对数据更新，新特征难以迅速加入到规则中。
• 依赖经验丰富的人：规则的设定需要高度依赖有经验的人员，且难以适应人员的频繁变动。

为了应对这些问题，高德地图引入了机器学习模型。利用机器学习，模型可以自动学习特征与抓路结果之间的关系，从而提高抓路的准确率。

如何实现机器学习化？

机器学习方法通常包括以下几个步骤：问题定义、数据获取与特征工程、模型选择和模型训练及效果评估。

目标问题定义

首先，我们需要将终点抓路问题抽象成一个数学问题。如上图所示，当用户在A点发起道路规划请求时，其定位点A周围的道路构成了一个集合B，而用户实际所在的道路是集合B中的唯一一条道路C。

因此，终点抓路问题可以看作是在定位点周围的道路集合中选出一条最可能是用户实际所在的道路。这一过程类似于搜索排序，因此我们在建模时也采用了排序的方法。

具体步骤如下： 1. 提取用户道路规划请求中的定位信息A。 2. 对定位点周边一定范围内的道路进行召回，组成备选集合B。 3. 对备选道路进行排序，最终排在首位的道路即为模型输出的结果，即用户实际所在的道路C。

通过这种方式，我们将终点抓路定义为一个有监督的搜索排序问题。

数据获取与特征工程

数据和特征决定了机器学习的下限，而模型和算法则是逼近这个下限的工具。为了训练终点抓路模型，我们需要获取两类数据：真值数据和特征数据。

• 真值数据：用户在某个位置发起道路规划请求时的实际道路信息。
• 特征数据：包括定位点相关特征、道路自身特征以及定位点与道路之间的组合特征。

在特征处理过程中，我们进行了样本去重、异常值处理、错误值修正及映射等数据清洗工作，以确保数据的质量。

模型选择

在定义目标问题时，我们将终点抓路问题抽象为搜索排序问题。机器学习的排序技术主要包括point-wise、pair-wise和list-wise三类。根据终点抓路的特点，我们选择了list-wise方法，因为它能更好地处理同一查询下的多特征向量排序问题。

我们采用NDCG（归一化折扣累计增益）作为模型评价指标，这是一种综合考虑排序结果与真实序列之间关系的目标。

模型训练及效果评估

我们从历史数据中抽取了一段时间内的请求信息，按照前面描述的方式获取真值和特征数据，构建样本集，并将其划分为训练集和测试集。训练模型后，我们通过测试集上的数据对比人工规则和机器学习模型的效果。

结果显示，对于随机抽取的请求，模型与人工规则抓路结果的差异率为10%。在这10%的差异群体中，模型抓路准确率比人工规则提高了40%，效果显著。

结语

通过引入机器学习算法，高德地图在提升终点抓路准确性方面取得了显著成效。未来，我们将继续深化现有模型的应用场景，寻找新的收益点，从数据和模型两方面共同探索，进一步优化机器学习抓路效果。

关注高德技术，了解更多出行技术领域的专业知识。