延迟时间统计图 利用滴滴大数据的优势，首先会根据实时的路况数据（该路段的平均行驶速度，红绿灯等待时间等）对公交的实时速度进行预估，对没有实时路况和特殊路段，会根据历史上同时间同路段的速度对路况进行预估，最后会使用公交静态平均速度进行兜底，完成对延迟时间内位置移动的补偿。
另外，由于各地上报GPS的规范性不一致。还需要处理一些边界问题。如：GPS的延迟上报如果处理不好，在前两站给用户的伤害更为明显：车辆可能在已经驶过第二站后才上报了第一个GPS点，这意味着，如果我们不对车辆的发出时间做预估，而完全依赖上报的数据的话，第二站用户看到的永远是车辆等待发车。而在前两站会比较容易出现的特殊情况是：
场站线路
即车辆在到达上一方向的终点站后，会回到场站，停留一段时间后发出；
循环线路
即车辆在到达上一方向的终点站后，直接驶向下一方向的起点。
我们目前的解决方案是：
根据历史数据，离线统计出车辆的上下行换向时间，即当车辆到达上行方向的终点站后，停留在场站（或继续行驶）多长时间后会出现在下行方向的起点位置。
线上使用时，当收到车辆上行方向上报的最后一个GPS点后，对于场站线路，我们会在换向时间过后判断车辆从下行方向驶出；对于循环线路，会让车辆从下行方向驶出的同时，继续模拟前行。
使用/离线挖掘出车辆的发车时刻表。
3. 未来展望随着公交数据的不断积累，我们将在以下两个方向持续深耕：
一方面，通过用户使用公交服务的数据，进一步优化路径规划服务和实时公交服务，如：
结合用户的历史行为，对用户历史行为建模，实现个性化和场景化排序
使用深度时序模型优化实时位置补偿，提升预测的准确率，强化对全国不同城市，各种不同地理特征的泛化能力。
利用用户轨迹补偿实时公交信息和步行路网信息
另一方面，可以结合整个滴滴各种出行方式积累下的大数据，可以赋能给传统公共交通行业，优化线路选择，智能排班调度等，真正助力智慧交通和智慧城市早日到来。
本文作者滴滴地图与公交事业部信息公交团队，依托滴滴海量出行数据和多种共享出行方式的优势，使用人工智能和大数据等技术，致力于为用户提供多模、高效、智能的公共出行解决方案。
团队长期招聘研发工程师，包括C++/go引擎和业务开发、数据挖掘，机器学习等方向，欢迎有兴趣的小伙伴加入，可投递简历至 diditech@didiglobal.com，邮件请邮件主题请命名为「姓名-应聘部门-应聘方向」。
内容编辑 | Charlotte
联系我们 | DiDiTech@didiglobal.com