案例库 · 软件与 IT · 技术决策 · 2020–2023
Lyft 的自我学习匹配器让司机更忙碌，年收入增加 3000 万美元
Lyft 从匹配最近的司机转向预测每位司机的收入价值，提高了乘客、司机和平台的利用率。
Lyft
那一手
Lyft 一直将最近的空闲司机匹配给每个请求。当疫情导致需求和供应剧烈波动时，这个简单规则失效了，管理者看到它耗费了多少系统效率。
Lyft 没有采用静态规则，而是构建了一个匹配算法，预测每位空闲司机的未来价值（即司机一天能赚多少），并使用强化学习来相应分配行程，从实时出行数据中持续改进。
结果对所有人都有利：公司每年增加超过 3000 万美元的额外收入，司机赚得更多，取消率下降 3%，无司机接单的行程下降 13%。
为什么管用
- 最近的司机匹配是贪婪的，当供应稀缺时适得其反
- 预测司机价值捕捉了匹配的长期影响
- 在线强化学习让系统从每次行程中改进
- 更好的利用率同时提高了收入、司机收入和评级
值了多少匹配基于预测的司机价值，而非距离聪明
可以搬走什么
前瞻优于贪婪：局部完美匹配可能让下一个客户无车可用，因此要优化资源创造的价值，而非其行驶的距离。
后来呢
该项目使 Lyft 成为 2023 年 INFORMS Franz Edelman 奖决赛入围者。Martin 称这是首个有记录的网约车公司使用强化学习进行匹配的案例，如今大多数乘客都由这种自我学习方法匹配。
资料来源
发现哪里写错了？告诉我们。