滴滴数据挖掘竞赛题目

赛题详情

在出行问题上，中国市场人数多、人口密度大，总体的出行频率远高于其他国家，这种情况在大城市尤为明显。然而，截至目前中国拥有汽车的人口只有不到10%，这意味着在中国人们的出行更加依赖于出租车、公共交通等市场提供的服务。另一方面，滴滴出行占领了国内绝大部分的网络呼叫出行市场，面对着巨大的数据量以及与日俱增的数据处理需求。截至目前，滴滴出行平台日均需处理1100万订单，需要分析的数据量达到50TB，路径规划服务请求超过90亿。面对如此庞杂的数据，我们需要通过不断升级、完善与创新背后的云计算与大数据技术，从而保证数据分析及相关应用的稳定，实现高频出行下的运力均衡。供需预测就是其中的一个关键问题。

供需预测的目标是准确预测出给定地理区域在未来某个时间段的出行需求量及需求满足量。调研发现，同一地区不同时间段的订单密度是不一样的，例如大型居住区在早高峰时段的出行需求比较旺盛，而商务区则在晚高峰时段的出行需求比较旺盛。如果能预测到在未来的一段时间内某些地区的出行需求量比较大，就可以提前对营运车辆提供一些引导，指向性地提高部分地区的运力，从而提升乘客的整体出行体验。

文件名称	文件格式	下载
training_set.tar.gz	.tar.gz(600MB)	下载数据
test_set.tar.gz	.tar.gz	下载数据

定义及评估标准

1. 问题定义: 乘客打开滴滴出行app，输入出发地和目的地并点击“呼叫”后就完成一次发单( request)，有司机接单后就完成一次应答( answer)。
将一个城市划分为 n个互不重叠的正方形区域 D={d₁,d₂,⋯,d_n }，将每一天的24小时划分为144个10分钟长的时间片 t₁,t₂,⋯,t₁₄₄。
对于区域 d_i，在时间片 t_j，有 r_ij个乘客发单，有 a_ij个司机成功应答了 a_ij次发单。
对于区域 d_i，在时间片 t_j，定义需求 demand_ij= r_ij，供给 supply_ij= a_ij，则有供需缺口 gap_ij： gap_ij = r_ij - a_ij
给定每个区域在时间片 t_j, t_j-1...的各项数据，预测 gap_i,j+1, ∀d _i∈D。
2. 评价指标: 对 n个区域和 q个时间片，区域 d_i在时间片 t_j的供需缺口为 gap_ij，选手预测值为 s_ij，
以 MAE作为最终的评价指标： MAE越小越好。
3. 选手提交结果: 选手提交的数据格式为：区域ID，时间片，预测值。其示例如下：

其中每个字段的具体描述如下：

数据名称	数据类型	示例
区域ID	string	1,2,3,4 （与区域映射ID一致）
时间片	string	2016-01-23-1（即2016年1月23日第1个时间片，时间片是将每天的时间按10分钟间隔划分到1-144个片中）
预测值	double	6.0

数据形式

训练集中给出M市2016年连续三周的数据信息，需预测M市第四周和第五周中某五天的某些时间段的供需。测试集中给出了每个需预测的时间片的前半小时的数据信息，具体需预测的时间片见说明文件（说明文件含在数据集下载包内）。具体数据如下，其中订单信息表、天气信息表和POI信息表为数据库中直接的表信息，而区域定义表、拥堵信息表是由数据库中其他表衍生的信息。

订单信息表

字段	类型	含义	示例
order_id	string	订单ID	70fc7c2bd2caf386bb50f8fd5dfef0cf
driver_id	string	司机ID	56018323b921dd2c5444f98fb45509de
passenger_id	string	用户ID	238de35f44bbe8a67bdea86a5b0f4719
start_district_hash	string	出发地区域哈希值	d4ec2125aff74eded207d2d915ef682f
dest_district_hash	string	目的地区域哈希值	929ec6c160e6f52c20a4217c7978f681
Price	double	价格	37.5
Time	string	订单时间戳	2016-01-15 00:35:11

订单信息表主要覆盖了一张订单的基本信息，包括这张订单的乘客，以及接单的司机（driver_id =NULL表示driver_id为空，即这个订单没有司机应答），及出发地，目的地，价格和时间。

区域定义表

字段	类型	含义	示例
district_hash	string	区域哈希值	90c5a34f06ac86aee0fd70e2adce7d8a
district_id	string	区域映射ID	1

区域定义表主要表示比赛评测区域的信息，选手需选择区域定义表中的区域来做预测，并在最终提交的结果中需将区域哈希值映射为其相应的ID。

POI信息表

字段	类型	含义	示例
district_hash	string	区域哈希值	74c1c25f4b283fa74a5514307b0d0278
poi_class	string	POI类目及其数量	1#1:41 2#1:22 2#2:32

POI信息表主要表征区域的地域属性，由其中所含的不同类别设施的数量表示，如2#1:22表示在此区域中含有类别为2#1的设施22个，2#1表示一级类别为2，二级类别为1，例如休闲娱乐#剧院，购物#家电数码，运动健身#其他等等。不同类别及其数量以\t分割。

拥堵信息表

字段	类型	含义	示例
district_hash	string	区域哈希值	1ecbb52d73c522f184a6fc53128b1ea1
tj_level	string	不同拥堵程度的路段数	1:231 2:33 3:13 4:10
tj_time	string	时间戳	2016-01-15 00:35:11

拥堵信息表主要表示区域中道路的总体拥堵情况，其中主要包括不同时间段不同区域的不同拥堵情况的路段数，其中的拥堵级别是越大越拥堵。

天气信息表

字段	类型	含义	示例
Time	string	时间戳	2016-01-15 00:35:11
Weather	int	天气	7
temperature	double	温度	-9
PM2.5	double	pm25	66

天气信息表主要表示整个城市的每天间隔10分钟段的天气情况。其中的weather字段表示天气的实时描述信息，而温度以摄氏温度表示，PM2.5为实时空气污染指数。