概論
gap的**，是建立在乙個擬合函式上的。也有一些機器學習的味道。
總的gap函式 = 函式(時間,地區)
交通流量和時間有關，乙個地方的擁堵程度和時間有關係
不同的地區，各種設施配置不同。
天氣和時間有關。
gap函式 = 函式(交通擁擠度函式(時間，地區編號)，poi函式(地區編號)，天氣函式(時間))
這裡可以認為，乙個地方的打車人數，交通越堵，則打車的gap越大。天氣不好，打車的人則越多，gap也越大。設施越多的地方，打車的需求也越多，gap可能也越大。但是這一切都只是可能性。
（題外話，其實真實的情況也要考慮節假日的問題，在節假日的時候，gap可能會變大。當然這是乙個人文的考量了）
zhihu網友的演算法
利益不相關，不是參賽選手，不是滴滴工作人員，純粹覺得題目好玩。交通擁堵我的分析：
這個題目的目標是**，**的核心是發掘資訊，資訊才是消除不確定性的唯一途徑。資訊存在於乘客與司機的幾種行為模式，以及poi的不同功能型別。
乘客的行為基本上有三類模式，週期性的（每天上下班、每週去上補習班）、集中偶發性的（**會）和隨機性的（各類雜事）。司機的行為模式包括出車、收車、找活、趴活、午休。poi型別也可以分為週期性的（工作單位）、集中偶發性（電影院、體育館、演播大廳）、隨機性的（醫院、車站），當然每個poi的功能型別不是絕對的。
gap是用車需求和供給的差，那麼分別為需求和供給建立模型。
簡單說，乙個完整的打車需求包括出發地、目的地、時間。首先任意兩個poi之間都存在一條線路，每條線路的**量可以按照乘客的行為模式進行分解，這樣也就包含了時間因素。這樣最終就可以算出從每個poi出發的人數。由於資料只有方格的總數，這看起來是乙個隱馬爾科夫鏈。至於天氣則基本可以看成線路**量的乙個係數。
司機接單在全天大多數時間裡都是找活的狀態，也就是附近有單就搶，那麼某個方格某個時間片司機接單數應該是空車數量*乙個係數，空車數量=上乙個時間片到達的乘客數+其他司機漫無目的找活出入方格的淨值+趴活司機數（找活、趴活數應該和poi型別有關，這得問問老司機拉活的竅門），係數就是搶單成功率。
非專業人士，以上只是粗淺的想了一下，還有很多細節沒有考慮，拋磚引玉，達人莫笑！非專業人士，以上只是粗淺的想了一下，還有很多細節沒有考慮，拋磚引玉，達人莫笑！
交通擁堵函式：
這裡的交通擁堵函式是使用4個等級表示的。
在上文中 滴滴演算法大賽演算法解決過程 - 資料分析 提過了通過統計分析可以得知，lv1的路大約佔2/3強，估計lv4，lv3的路是變化的關鍵。
由於資料量非常龐大，所以這裡建議將中間的計算結果也放入資料庫中備用。
不支援放大功能，如果您想更好的檢視，也可以使用以下**獲得更好的閱讀體驗:
我們嘗試使用最小二分法擬合 lv4和 訂單總量
從圖中可以看到，大部分的點在乙個 y = ax+ b 的直線函式中。
（未去噪點）
a:4.67355309006603
b:18.931303546517
(去除1500以上的噪點)
a:1.08888907683687
b:192.700547917395
（這裡使用的是2016-01-01 #51 的資料）
#region 最小二乘法擬合
//////用最小二乘法擬合二元多次曲線
///例如y=ax+b
///其中multiline將返回a，b兩個引數。
///a對應multiline[1]
///b對應multiline[0]
//////已知點的x座標集合
///已知點的y座標集合
///已知點的個數
///方程的最高次數
public static double multiline(double arrx, double arry, int length, int dimension)//二元多次線性方程擬合曲線
guass[i, j] = sumarr(arrx, i, arry, 1, length);
}return computgauss(guass, n);
}private static double sumarr(double arr, int n, int length) //求陣列的元素的n次方的和
return s;
}private static double sumarr(double arr1, int n1, double arr2, int n2, int length)
return s;
}private static double computgauss(double[,] guass, int n)
}if (k != j)
}if (0 == max)
for (i = j + 1; i < n; i++)}}
//結束for (j=0;j= 0; i--)
x[i] = (guass[i, n] - s) / guass[i, i];
}return x;
}//返回值是函式的係數
#endregion
滴滴演算法大賽演算法解決過程 機器學習
按照前面文章的方法進行資料 完全不使用poi，天氣，交通情況的資料，可以達到0.43的成績。不過如果想要獲得更好的成績，簡單的 方法顯然無法滿足要求了。說可以使用gbdt的方法來進行資料 所以，我們先來聊聊gbdt演算法的一些基礎知識。熵熵 entropy 指的是體系的混亂的程度，它在控制論 概率論...
滴滴演算法大賽演算法解決過程 機器學習
按照前面文章的方法進行資料 完全不使用poi，天氣，交通情況的資料，可以達到0.43的成績。不過如果想要獲得更好的成績，簡單的 方法顯然無法滿足要求了。說可以使用gbdt的方法來進行資料 所以，我們先來聊聊gbdt演算法的一些基礎知識。熵熵 entropy 指的是體系的混亂的程度，它在控制論 概率論...
滴滴演算法大賽演算法解決過程 方案設計
上面兩篇文章講了一些分析情況，整個模型變得很不確定了 資料分析 擬合演算法 滴滴演算法大賽到底需要什麼樣子的答案？我一開始的想法是建立乙個模型，通過天氣，poi，交通擁堵的引數來推導出訂單數和gap數。但是通過現有的資料發現，這個模型很難建立。其實看一下題目，這是乙個 題 給定每個區域在時間片tj,...