人工智能在滴滴的调度中主要渗透到以下各个环节：目的地预测、价格预估、时间预估、最佳路径匹配、司机和乘客匹配、订单分派、供需预测、乘客体验预测。
其中，司机和乘客匹配、订单分配是滴滴智能调度的核心。
1.车费的计算
车费预估涉及到的主要问题是：路径规划和时间预估。其中从起点到终点的路径规划是最核心的一部分，找到最佳路径后，需要计算出 A 到 B 的距离。随后需要着手解决的是行程中的时间估算：起点到终点需要 20 分钟还是 30 分钟。结合路径和时间，给出一个预估价。
在这个过程中，还会涉及到是否为高峰时间等因素。
2.拼车费用的计算
①拼车乘客们的路径、顺路程度(主要因素)。
②根据乘车时间的时长，是否高峰期等。若乘车高峰期，可适当提高车费。
③将所在城市划分成几个区域，计算每个区域的供需比（即接单司机与下单乘客的比率），将供需比考虑到车费的计算中。
④根据滴滴对司机、乘客的评级。即司机的接单成功率、好评率，以及乘客的订单成功率、好评率。
【p.s. 拼车中涉及到一项非常重要的问题就是用户体验：用户体验体现在两个维度，一是价格便宜，二是在接另外一个人时绕的路程和时间不要太多。】
3. 怎样对车辆进行调度
当用户确认叫车后，滴滴需要做订单匹配和车辆调度，找到最适合接该用户的司机。可以把这个问题分为两种情况：拼车，不拼车。
情况一：不拼车
那么如何权衡订单合不合适，或者换种方式说，如何进行车辆的调度，通常考虑的是距离和时间方面与下单乘客最近的司机。当然，订单背后也隐含一些个性化匹配，例如个别用户对某一类车型情有独钟。尤其是女性用户在深夜十一二点，可能对车型和司机的要求比较高，这需要进行个性化搜索。
情况二：拼车
如果用户选择拼车，系统如何找到最适合的一辆车：这辆车有可能是空车，也有可能是载人车，与此同时，算出拼车用户 A 到拼车用户 B 的时间。
4. 热力图
司机希望空载时间越少越好，但往往不知道去哪接单，这时一个精准、靠谱的热力图显得尤为重要，它会告诉司机哪些区域未来的半个小时，有可能有很多订单需求。可以将城市分割成若干个子区域。每一时刻都在检测每一个子区域，然后计算子区域中的订单数和空车数，以此判断供需是否平衡。
5.预测乘客体验
行程结束后，系统需要去预测乘客的体验是好是坏。由于历史订单中有些乘客会进行投诉，比如说拼车匹配度差、绕路。而有些用户则会给出好评。可以对大量历史数据进行特征提取，判断哪些特征会导致乘客抱怨，哪些特征会导致好评。
6.评分系统
最初的打车软件都采用星级打分制，现实情况是用户要么不打分，要么给较高的五分或四分，使得星级评分功能不够有效、不够完美。
这本质上是用户习惯问题，为了让评分系统更加全面，平台可以把乘客留下的所有痕迹都整合起来，然后给出一个分数评判。比如乘客打出星级后，又进行文字评价态度很差、绕路等，针对乘客给出的两个维度信息，再根据轨迹等多项数据，然后给出综合的分数。分数越高，滴滴也会保证司机的收入越高，从而推动司机主动提高服务质量。
7.系统可视化
系统可视化性非常重要，订单行程的历史数据、区域变化情况、实时动态可以通过可视化系统迅速掌握。同时也便于单独分析一些比较特殊的区域到底发生了什么事。针对这些现象，需找到影响应答率和成交率的原因。
