今天給大家分享的是機器學習在滴滴網絡定位中的實踐工作，會重點介紹三階段的演進：無監督模型、有監督迴歸模型、端到端CNN模型。
1. 什麼是網絡定位
目前定位技術主要包括GPS、網絡定位、慣性航位推算、MM（地圖匹配）、視覺定位等。GPS是最爲人熟知的定位技術，是依靠設備與衛星交互來獲取經緯度的方式。GPS精度高，但有冷啓動耗時長、耗電大、遮擋場景不可用等缺點。在滴滴場景下，乘客和司機在有遮擋的場景下，例如室內、高架下等，GPS通常處於不可用狀態。這時就需要有其他定位技術作爲GPS的補充，使得乘客發單、司機導航等服務依然可用。其中最主要的補充便是網絡定位。
室內類場景雖然有遮擋，但設備通常可以掃描到Cell（基站）和Wifi列表，而且Cell和Wifi設備位置相對穩定，連接其上的設備可以借其定位，這就產生了網絡定位。網絡定位包括wifi定位和基站定位，是指基於終端掃描到的wifi或基站列表進行的定位技術。Wifi的接入設備通常稱爲AP（Acess Point），方便起見，下文將AP和基站統稱爲AP。
網絡定位通常採用的是指紋定位技術，是一個根據query匹配指紋庫信息，並計算得到座標位置的過程。如下圖所示，網絡定位系統主要包括離線建庫和在線定位兩個階段。
離線建庫主要是基於有GPS時的採集數據，建指紋庫的過程。指紋庫中記錄AP的各類信息在不同地理網格內的採集數據分佈，如下圖所示。
在線階段，根據線上query匹配指紋庫信息，並計算得到座標位置。
本文介紹的主要是在線定位部分，即query匹配指紋庫、計算座標位置。
2. 網絡定位匹配算法迭代
在線定位算法共經歷了無監督概率模型、有監督迴歸模型、端到端CNN模型三次大的迭代。前兩個階段的網絡定位主要包括網格召回、網格排序、網格平滑三步，如下圖圖一所示。端到端CNN模型去除了網格排序和網格平滑，基於一個召回中心點，直接回歸位置座標，如下圖圖二所示。
2.1 無監督概率模型
網絡定位要完成在線AP與離線AP指紋庫的匹配，是聯合概率計算的過程。
以AP指紋庫的信號強度分佈爲例，看下網格概率計算過程。
縱軸爲採集數據中的AP編號，橫軸爲空間網格編碼，相交點表示每個AP在對應網格中的採集信號強度分佈。空值表示AP在對應的位置無採集數據。
以一個實時定位query信息：（AP1：RSSI=1，AP3：RSSI=0）爲例，介紹網格召回、排序、平滑的過程。
召回階段，基於掃描到的AP1和AP3，可以召回Grid1、Grid2、Grid4；
排序階段，結合離線AP庫，基於獨立性假設和貝葉斯公式，計算各網格的權重：
$ap_j$ 表示觀測到的APj的信息。以信號強度RSSI單一特徵爲例，上例中，
網格平滑階段，基於上述的統計概率，排序獲取TopK個網格，採用爬山法求解最優座標：
其中，$d_i$ 爲預測位置到 $Grid_i$ 的距離。
2.2 有監督迴歸模型
無監督概率模型的方法，思路清晰易懂，易實現，是早期網絡定位的主要方式。但有以下問題：
- 聯合概率的方式對採集信息不充分的位置不友好，例如上例 $W_{Grid_2}=0$
- 難以擬合多維特徵，尾部badcase較嚴重
- 技術目標無法得到直接優化，天花板較低
出於對以上問題的思考，整體流程仍保持網格召回、排序、平滑三階段，我們將網格排序升級爲有監督迴歸模型，通過引入多元特徵和顯式的優化目標，實現對網格的更精準打分。
Label：待預測網格與真實位置的位置偏差，迴歸任務。
特徵工程：構建近百維特徵，主要包含AP特徵，網格特徵，前文信息等。
模型選擇：一期上線GBDT模型；二期對比了GBDT、FM、DeepFM、FM+GBDT等，最終線上最優融合模型結構如下。
原始特徵中的稠密特徵和低維稀疏特徵經過GBDT進行特徵組合、交叉；GBDT輸出的葉子節點編號與高維稀疏特徵經過DeepFM網絡，最終輸出網格與真值的位置偏差。
TopK網格平滑：預測偏差距離從小到大排序，截取TopK網格；爬山法，梯度下降求解最優座標。
2.3 端到端CNN模型
有監督模型在特徵利用、模型結構、優化目標等方面提供了更大的操作空間，可以極大地打開天花板。上線後定位精度等指標取得了顯著的收益。
但該方法仍有以下問題：
- 每個網格孤立刻畫，信息採集時的不均衡、有偏的問題無法有效解決
- TopK平滑層與排序層割裂，無法聯合優化，且引入部分人工超參
對於以上問題，考慮以下解決方案：
- CNN網絡：充分利用空間信息的局部相關性，增強特徵的提取能力
- 端到端網絡：合併排序與平滑層，改爲直接回歸位置座標，目標更統一，減少人工超參
最終，整體網絡結構如下:
下面以基站定位爲例，介紹該結構的實現細節。
首先介紹下輸入特徵的構建：
- Wide網絡特徵：表達Query信息的Wide特徵共十幾維
- CNN特徵圖的構建：
- 召回中心：採集熱度較高的TopN網格的經緯度中位數作爲圖的中心點。
- 特徵圖構建：選取C維圖特徵，每一維特徵爲一個channel；基於召回中心，構建M*M分辨率的特徵圖。
網絡結構：在CNN網絡部分，採用多尺度卷積核提取特徵後，經過兩個卷積+池化層後，將特徵圖打平。Wide部分稀疏特徵經過embedding後，與稠密特徵級聯。兩部分tensor級聯後經過全連接層，最終輸出與召回中心點的位置偏差。
Label與Loss：label爲真實位置與召回中心位置的偏移dx和dy，召回中心點+預測偏移即得預測位置。loss最初使用的是經緯度的L2 loss：
考慮到經緯度在球面上表達距離的差異，我們改爲了使用球面距離偏差作爲label，也獲得了穩定的收益：
CNN模型在線上AB實驗取得了顯著的收益，已全量上線。
CNN端到端模型升級了信息的表達方式，由單網格、結構化的信息表達改爲了Image的表達方式，配合cnn網絡結構，獲取了效果的顯著提升；並且將幾十甚至幾百個網格的預測問題改爲了單次位置迴歸問題，雖然模型複雜度有所增加，但整體性能基本持平。
2.4 線上效果
網絡定位三階段的模型先後上線進行了AB對比實驗。以基站定位三個主要技術指標爲例，對比結果如下表所示：
3. 總結與展望
本文總結了定位策略團隊在網絡定位算法側的工作，介紹了無監督概率模型、有監督迴歸模型、端到端CNN的演進及其中的思考。
無GPS時的定位仍面臨着很多困難，未來我們將在以下方面持續探索：
-
模型效果優化：
目前CNN模型在基礎信息利用、召回等方面仍有較大優化空間。
-
性能問題：
考慮線上性能，在基礎信息和網絡結構上做了很多刪減。期望通過更優的召回策略、蒸餾剪枝等平衡效果與性能。
-
5G技術：
5G的天然優勢（高頻率、高密度、低延時）也必定會帶來定位精度的顯著提升，相關調研工作正在進行。
-
複雜場景定位：
對於室內、地下停車場等典型複雜場景，網絡定位面臨着真值獲取難、移動ap等難點。細分場景也逐漸向模型化方向演進。
以上就是滴滴網絡定位近期工作的實踐介紹，歡迎隨時交流。
作者介紹：
劉磊，滴滴專家算法工程師
2017年加入滴滴，目前從事地圖定位算法方向，多年LBS領域算法研究工作，在滴滴先後從事猜你想去、上下車點推薦、定位算法等方向的開發工作。
尹卜一，滴滴高級算法工程師
2018年加入滴滴，主要從事網絡定位、慣導推算等方向的算法開發工作。
林宇，滴滴高級算法工程師
2018年加入滴滴，主要從事網絡定位、融合定位等方向的算法開發工作。
本文轉載自公衆號（ID：）。
原文鏈接：