哈啰基于轨迹与端智能的还车体验优化

在定点还车的模式下，用户还车需要在一些指定的区域里。此时用户停好车后在APP或小程序内点击“我要还车”，手机会将位置信息传输给后端，系统会判断是否在站点内，如在站点内会提示用户点击“确认关锁”，用户手动关闭车锁完成还车。

如果用户未授权位置信息，系统获取不到用户手机位置，会提示用户车辆不在站点内，此时用户再次点击还车，我们会给车辆下发位置，如果获取到车辆在站点内，则提示用户可以关锁还车。如果仍然无法获取到车辆位置，会影响到用户的还车。

还车当前的问题主要包括用户还车体验不佳和风险系数高，用户会觉得还车速度慢、流程繁琐以及乱收费，而某些用户手机位置也存在位置滞后、漂移等情况，个别用户可能会修改手机位置，给G端、B端运营带来困扰。产生问题的原因有位置问题、判责死板繁琐、定位差异区域、关锁在订单前等方面。

我们希望用户还车既快又准，制定了一些指标，包括NPS贬损、一次还车成功率、还车时长、还车定位精度、服务求助率和判责准确率等。

我们通过对定位情况进行分析，发现用户位置存在判责不准确的风险，而车辆位置相对用户位置更加准确，但由于需要下发指令重新定位并返回，会增加还车时长。可以利用的信息包括订单中持续上报的车辆位置、车身中的智能件——加速计和通过站点治理解决部分区域定向漂移。

基于此，我们主要的解题方法包括两个部分。一是预测还车行为，提前下发定位和提前进行判责，判断结果可推送到手机；二是利用轨迹预测还车点，来避免车辆重新定位，校验手机位置是否合理。

加速计的原理是利用重力的作用来测量物体运动的变化。想象有一个球在盒子里，水平放置的时候，重力使得小球与下表面接触，下表面会产生一个向上的力，与重力相抵消，则产生一个向上的加速度，大小为G。

我们去采集了不同场景下车辆加速计的值，在理想的情况下图中波动的地方表示车辆在移动，平的地方表示车辆停下了。那么，如果将车辆中途等红绿灯和真正停驻进行区分呢？

为此我们进行了一些实验，用x、y、z三个值所在的平面去拟合x、y、z所在的分布，并计算俯仰角和横滚角，符合方程的被认为停驻，中间等红绿灯期间未被识别为停驻。在实际业务场景中，有加速计的车基本在用户点“还车”之前，85%以上的的订单都能进行预判。

轨迹的本质是有时序关系的一串定位点，我们需要进行锐角剔除、速度校验、停驻平滑等预处理，同时结合路网情况对车辆轨迹中不合理位置及时剔除，结合预处理后的轨迹缺失情况、速度合理性、方向合理性生成偏差。

接下来介绍如何结合路网对轨迹纠偏。这里使用了隐马尔可夫模型，如图有一个原始的轨迹点P，在一定距离内有三个路段，轨迹点离旁边路段上的位置越近，那么这个点在这个路段上的概率越大。原始两个点的距离与投射之后两个点的距离越接近，转移概率越大。

我们结合停驻前的轨迹点的速度和方向进行轨迹预测，将原始轨迹点和预测点都用来作为是否可还车的判断，在这一段里的站点都认为是可以还车的点。

通过上述方法，我们将原始的还车链路进行了改造，将判责的部分放在用户感知之前，用户在停好车后点击还车即可离开，耗时大大缩短，提升了用户还车的体验。

The End