机器学习在滴滴网络定位中的探索和实践

在线定位算法共经历了无监督概率模型、有监督回归模型、端到端CNN模型三次大的迭代。前两个阶段的网络定位主要包括网格召回、网格排序、网格平滑三步，如下图图一所示。端到端CNN模型去除了网格排序和网格平滑，基于一个召回中心点，直接回归位置坐标，如下图图二所示。

▍2.1 无监督概率模型

纵轴为采集数据中的AP编号，横轴为空间网格编码，相交点表示每个AP在对应网格中的采集信号强度分布。空值表示AP在对应的位置无采集数据。

以一个实时定位query信息：（AP1：RSSI=1，AP3：RSSI=0）为例，介绍网格召回、排序、平滑的过程。

召回阶段，基于扫描到的AP1和AP3，可以召回Grid1、Grid2、Grid4；

排序阶段，结合离线AP库，基于独立性假设和贝叶斯公式，计算各网格的权重：

表示观测到的APj的信息。以信号强度RSSI单一特征为例，上例中，

网格平滑阶段，基于上述的统计概率，排序获取TopK个网格，采用爬山法求解最优坐标：

其中，为预测位置到 的距离。

▍2.2 有监督回归模型

无监督概率模型的方法，思路清晰易懂，易实现，是早期网络定位的主要方式。但有以下问题：

• 联合概率的方式对采集信息不充分的位置不友好，例如上例

• 难以拟合多维特征，尾部badcase较严重

• 技术目标无法得到直接优化，天花板较低

出于对以上问题的思考，整体流程仍保持网格召回、排序、平滑三阶段，我们将网格排序升级为有监督回归模型，通过引入多元特征和显式的优化目标，实现对网格的更精准打分。

Label：待预测网格与真实位置的位置偏差，回归任务。

特征工程：构建近百维特征，主要包含AP特征，网格特征，前文信息等。

模型选择：一期上线GBDT模型；二期对比了GBDT、FM、DeepFM、FM+GBDT等，最终线上最优融合模型结构如下。

原始特征中的稠密特征和低维稀疏特征经过GBDT进行特征组合、交叉；GBDT输出的叶子节点编号与高维稀疏特征经过DeepFM网络，最终输出网格与真值的位置偏差。

TopK网格平滑：预测偏差距离从小到大排序，截取TopK网格；爬山法，梯度下降求解最优坐标。

▍2.3 端到端CNN模型

有监督模型在特征利用、模型结构、优化目标等方面提供了更大的操作空间，可以极大地打开天花板。上线后定位精度等指标取得了显著的收益。

但该方法仍有以下问题：

• 每个网格孤立刻画，信息采集时的不均衡、有偏的问题无法有效解决

• TopK平滑层与排序层割裂，无法联合优化，且引入部分人工超参

对于以上问题，考虑以下解决方案：

• CNN网络：充分利用空间信息的局部相关性，增强特征的提取能力

• 端到端网络：合并排序与平滑层，改为直接回归位置坐标，目标更统一，减少人工超参

最终，整体网络结构如下:

下面以基站定位为例，介绍该结构的实现细节。

首先介绍下输入特征的构建：

• Wide网络特征：表达Query信息的Wide特征共十几维

• CNN特征图的构建：

• 召回中心：采集热度较高的TopN网格的经纬度中位数作为图的中心点。

• 特征图构建：选取C维图特征，每一维特征为一个channel；基于召回中心，构建M*M分辨率的特征图。

CNN特征类别

网格上各个channel的特征计算

输入特征图的示例

网络结构：在CNN网络部分，采用多尺度卷积核提取特征后，经过两个卷积+池化层后，将特征图打平。Wide部分稀疏特征经过embedding后，与稠密特征级联。两部分tensor级联后经过全连接层，最终输出与召回中心点的位置偏差。

Label与Loss：label为真实位置与召回中心位置的偏移dx和dy，召回中心点+预测偏移即得预测位置。loss最初使用的是经纬度的L2 loss：

考虑到经纬度在球面上表达距离的差异，我们改为了使用球面距离偏差作为label，也获得了稳定的收益：

dx和dy表示真实空间距离

▍2.4 线上效果

网络定位三阶段的模型先后上线进行了AB对比实验。以基站定位三个主要技术指标为例，对比结果如下表所示：