Как закончилась учеба, я дала себе обещание читать исследования. Для того, чтобы не потерять навык чтения исследований и расширять свое представление о разных методах в индустрии/иногда рисерче.В этом плане, мне очень нравится Uber. Они выделяются открытостью, есть статья у них насчет предсказания времени, и недавно вышло об их Ценовой Стратегии (основная тема моего научного чтива на следующий месяц). Хоть там все в общих чертах, понятно, что решение в реальном времени у них происходит исходя из локации, мероприятий, цены у конкурентов, также они стимулируют разными способоми водителей ездить в точки высокого спроса. В общем, ничего интересного, буду рада если когда нибудь они опубликуют что-то такое же детальное как и для предсказания времени.А вот, что действительно интересно было начать читать - статью как именно работает динамическое ценообразование. Она большая, так что рассказывать буду в несколько частей.Перед образованием цены стоит поговорить про то как соотносится клиент и водитель. Способ 1: First-dispatch protocol.Мы можем автоматически назначить водителем только того, кто сейчас доступен (не совершает поездку) и находится ближе всех к клиенту. Работает ли это лучше, чем просто ловить такси на улице (в симуляции) - да. Всегда ли? Нет. Поэтому логично смотреть и тех водителей, которые могут еще выполнять поездку, но находятся в определенном радиусе, что улучшает ситуацию.Но есть и другой способ, не такой очевидныйСпособ 2: BatchingДело в том, что на данный момент имея N клиентов и M водителей комбинация назначений эффективная, но что если через 10 секунд допустим появится новый клиент, который поменяет ситуацию (картинка). В общем, этот алгоритм выигрывает у первого способа, уменьшая время ожидания каждого из клиентов. Он и реализован на момент 2019 года в Uber, Didi, Lyft (в своих вариациях конечно, но сейчас не об этом). Дальше идет формулирование проблемы математически через integer linear program (читайте как система линейных неравенств, с функцией увеличения "выгоды" от комбинации). Но этот алгоритм не очень дальнозоркий, поэтому в литературе существуют варианты со стахостическими играми и другими математическими приколами. Как оказывается часто, сложность и затратность их использования перевешивает возможный выигрыш. Улучшения и применения в случаях, когда мы рассматриваем не просто такси, а несколько остановок внутри маршрута, описаны как указывают авторы в публикации 2017 года.Для меня пока эта статья стоит низким приоритетом, ведь я просто хочу узнать как работает динамический прайсинг)))) Так смотря литературу, можно никогда из нее не выбраться👻
