在我们的日常工作过程中，经常会遇到线上出现问题，但是又需要模拟到某个城市以复现问题，模拟定位成为了必不可少的需求，但是又不能给正式环境留下漏洞以实现模拟位置。那么如何模拟位置呢？

传统的时间序列异常检测，通常是由人工配置最大最小阈值，超出报警。这种方式非常不灵活，因为不同时段的时间序列分布可能差距较大，就QPS曲线来讲，晚上是低峰时段，白天调用量相对较高，若由人工配置需根据时段设置不同阈值。当然，还存在其他若干不便捷问题。

预计送达时间（Estimated Time of Arrival, ETA）即用户下单后，骑手在多长时间内可将货物送达到用户手中。该时间既可在用户端、骑手端、商户端展示，也可以在智能派单系统中为派单作参考。

自动派单是整个跑男和用户运作体系中的枢纽或大脑，自动派单的优劣关系到用户的体验以及接单跑男的效率，实现自动派单往往需要消耗巨大的研发投入，包括人力和物力等。从全局最优考虑的自动派单相对于抢单模式具有很大的优势，其目的如下：

1. 充分利用运力，提升订单消化能力，降低订单取消率；
2. 简化跑男接单流程，提高跑男接单效率和人效；
3. 从接单时长、取货距离、取送货超时等多个方面提升用户服务体验；
4. 减轻订单高峰期客服人员派单压力；
5. 减少公司对核心跑男的依赖程度，提高对跑男的把控力度。

随着智能手机和无线网络的普及，时空众包平台(Spatiotemporal Crowdsourcing)的兴起如图1，极大的改变了人们的生活方式，使我们的生活更加便捷。诸如此类的时空众包平台具有类似的特点，这些平台以时空数据管理平台为基础，将具有时空特性的众包任务分配给非特定的众包参与者群体为核心操作，并要求众包参与者以主动或被动的方式来完成众包任务并满足任务所指定时空约束条件的一种新型众包计算模式。

近几年，众多企业和机构对于机器学习项目落地愈发重视起来，对业务的理解，模型应用流程等都做的越来越好，也有越来越多的模型被部署到真实的业务场景中。但是当业务真正开始使用的时候，就会对模型有各种各样的需求反馈，算法工程师们就开始不断的迭代开发，频繁部署上线。随着业务的发展，模型应用的场景也越来越多，管理和维护这么多模型系统就成了一个切实的挑战。为解决此问题，大数据团队开始着手探索统一的特征平台。

由于目前跑男端未实现内置导航，所以跑男还是依赖于跳转到外部地图软件（百度，高德）来进行导航针对后台查看订单轨迹时，经常会出现坐标点丢失，无法确定部分路段的真实移动轨迹。

以上仅仅只采集到了刚开始出发时，以及到达终点时的几个坐标点，虽然我们显示了从起点到终点的路径，但是如果跑男不是按照这个线路去移动的话，我们也是无法感知的。跑男端没有即时上传坐标，无法准确的给跑男推送所在位置的附近订单。

在生活或者生产中，有时候我们追求的不止一个目标，例如当你正在规划一次长途旅行，其中涉及到交通方式，你想追旅途舒适的同时，也希望能够省钱；当公司规划一年的预算时，希望得到一个获得经济效益最大且最少支出的方案等。这时就涉及到多目标优化问题即Multi-Objective Optimization Problems (MOOP) ，多目标问题在优化过程中涉及到多个最大化或者最小化目标，其问题的解是权衡了多个优化目标后的一组最佳解决方案。

动态定价策略并没有一个严格的定义，但是它提现了一个经济学中的核心概念就是：供需平衡。动态定价策略的一个简单定义是：在一定的市场环境中，供需双方为达到平衡点而做出的价格调整。动态定价在我们日常生活中的使用非常广泛。举一个很简单的例子，过年的时候，蔬菜普遍贵了，原因就是供应少了，所以蔬菜的价格上升，只是在互联网情况下，这种变动会更加快，更加敏捷。动态定价并不是一个新的概念，它和算法、智能、大数据相结合，能够在配送服务中实现更为智能化的管理和优化，降低配送成本并提高配送效率和用户体验。

目前，家政行业仍然以线下为主，大多数的家政公司还是采用人工指派（家政派单老师/经纪人）的方式进行派单，不过像58到家、天鹅到家这些规模较大的互联网家政平台早已引入了需求预测和自动化派单系统来实现精细化运营。经过调研，我们发现UU家政和58到家的派单场景整体上是比较相似的。

随着业务规模的不断增长，产生了海量的业务数据，为了能够在这些业务数据中及时发现业务异常，我们需要一套自动化的业务一致性校验平台。它要能够实时发现线上业异常数据，及时间通知相关人员介入排查，以降低数据异常对用户和业务的影响。低成本接入各种场景数据校对。通过后台配置方式，录入校验规则信息。

快递服务业在人们的生活中起着越来越重要的作用，寄快递的第一步就是填写寄件人、收件人信息，这些信息包括但不限于姓名、电话号、地址、门牌号等。随着用户越来越“懒”，产品也要越来越“精”，如何从用户粘贴的一段文本中快速、精准地识别出实体信息对用户的产品体验至关重要。