多模实时换乘
在离线算路阶段产出的方案，根据用户输入的起终点选择***上下车站点。再根据实时单车/网约车信息，生成步行/骑行/网约车前往站点来接驳公交/地铁的方案。
在线剪枝
多模接驳阶段会产生大量方案，为了提高线上服务性能，需要将方案进行剪枝。包括将不在运营时间的方案、价格明显偏高，网约车排队时间过长，或单车数量较少区域的方案去除。同时，将多个路线一致的方案合并成一个。
粗排计算
经过前面处理后，得到了所有可行方案，下面需要对这些方案进行排序，选择最优的方案。粗排计算阶段需要根据每条方案的基础特征（例如耗时、路程等），对上千条可行方案快速计算评分，根据分数选出候选方案集送给后续排序模块。
ETA
ETA是用户选择时最主要的参考信息。为了更精准地得到方案的耗时，推荐出实时***方案。滴滴利用路况信息、历史通行耗时等信息，借鉴网约车的经验，建立了公交车专用ETA模型用来估计车辆当前位置到达站点和到达目的站点的时间。更精确地预计了用户的等车时间和到达目的地时间。
精排
多模换乘推荐引擎中需要比较众多包含多种交通工具的候选方案。而将包含多种不同交通工具公平地进行比较，并推荐出若干个符合大众心目中最优的方案是一个较为复杂的问题。除了基础特征外，还需要从方案中挖掘出更多信息，增强模型的表征能力。我们设计了包含预计通行时间、换乘次数、步行距离、综合距离、地铁距离、单车距离、价格、发班时间、备选车次数量、交通工具类型、是否在主干道行驶、是否公交专用道、各种交通工具占比等若干高级特征。在线计算出特征后，提供给后续排序模型使用。
Rerank和多样性
为了兼顾用户的个性化诉求，最终展示给用户的N条方案时，通过rerank来保证整体方案的多样性。一般用户的个性化因素包括价格是否敏感，地铁偏好，步行长短，换乘偏好等等。以点击率作为整个公交方案的线上观察指标。
随着传统行业的线上数字化改造，已有200多个城市公交巴士都配置了智能硬件设备，可以实时上报公交的位置。以此为基础，向用户提供实时公交位置，预估等待时间等相关信息成为公交服务的又一基础功能。整体架构如下：
实时公交的数据来自公交公司和交委，然而由于没有统一的标准。上报的格式，各字段的含义都不一样，因此滴滴制定了一套自己的数据规范来适配各地数据，从而对应用层提供统一格式的数据。除了格式的统一之外，由于公交站点和线路的名称，ID编码规则各地也都会不定期发生变化，因此，为了保障应用层使用的继承性，滴滴对所有数据也定义了自己的ID编码规则。在数据接入阶段，还有一个重要的工作就是对数据实体进行映射。
2.2.2. GPS位置补偿位置的正确性和时效性是实时公交服务的核心能力，如果用户在线下看到车的位置和APP上的位置有比较大的差别，就会失去信任感，流失到竞品。
然而各地上报的GPS都有一定的延迟，且延迟有不可预知性，如果完全依赖上报的位置数据呈现给用户，在极端情况下（如隧道等网络不好的地方），可能会出现用户真实看见了一辆车但是在APP上未出现的情况。因此必须通过AI的方式对实际的位置进行估算才能给到用户准确的信息展示。在这里，源数据上报的时效性是位置预测时最大的困扰，如下图一所示，对于不同的延迟时间，误差和延迟的比例正相关。