搜广推校招面经八十八

滴滴定价策略算法

一、CNN和全连接的区别

1.1. CNN（卷积层）

• 局部感受野：每个神经元只与输入的一部分连接。使用局部连接（卷积核只与输入数据的局部区域连接），通过滑动窗口的方式提取局部特征。
• 权重共享：同一卷积核在整个输入中滑动，提取局部特征。通过参数共享（同一卷积核在整张输入上共享权重）减少参数量。
• 输出为多维张量（特征图）。

1.2. 全连接层（FC层）

• 每个神经元与前一层所有神经元相连接。
• 无权重共享。
• 输出为一维向量。

1.3. 参数数量

• CNN：参数量少（因局部连接和参数共享），适合处理高维数据（如大尺寸图像）。
• FC：参数多（连接数=输入维度×输出维度）。

二、LSTM 相比 RNN 的改进

LSTM（Long Short-Term Memory）是为了解决传统 RNN 存在的长期依赖问题（Long-Term Dependency）而设计的，其在结构上做了关键改进。

2.1. RNN 的缺点

• 梯度消失或爆炸：在长序列中，RNN 很难有效传播梯度，导致模型难以学习长期依赖信息。
• 记忆能力弱：标准 RNN 结构缺乏机制去保留长期记忆，只能捕捉短期上下文。

2.2. LSTM 的改进

LSTM 引入了门控机制，通过精细控制信息的流动来缓解上述问题。

主要改进点：

三、预测一个城市不同区域一天的发单量。设计一些调度策略

3.1. 发单量预测模型设计

1. 数据需求

2. 特征工程

• 时间特征：小时、星期几、节假日、是否高峰期
• 空间特征：区域 ID、区域 POI 类型密度
• 历史统计特征：该区域历史同一时段平均订单数、波动率
• 天气特征：是否下雨、温度等级
• 用户行为特征：APP 打开率、下单转化率（如有）

3.2. 调度策略设计（基于预测结果）

1. 区域运力调配策略

• 预测高发单区提前补充运力
  • 若预测订单数 > 当前司机数 + buffer，则提前调度空闲司机前往
• 动态运力流转
  • 利用图优化算法（如最大流/最短路）将空闲运力从低需求区流转到高需求区

2. 动态定价（Surge Pricing）

• 预测需求高而供给低时，提高价格激励司机前往
  • 基于供需比动态调整价格
  • 降低乘客因等待放弃订单的概率

3. 热门区域临时站点调度

• 在大型活动或节假日临近区域设立临时接驳点
  • 聚合乘客与司机，提升匹配效率

4. 时间窗口调度

• 按小时预测每区域订单需求波动
  • 制定小时级调度策略，避免过早/过迟调度

5. 跨区域合作调度

• 相邻区域间联动
  • 考虑司机移动路径和订单来源，规划最优迁移路线

四、143. 重排链表

• 思路：从中间阶段截断为两截列表，并对后面那一段链表反转。然后两截链表一个加一个，拼接起来
• 代码：

def middleNode(head):
    slow = head
    fast = head
    while fast and fast.next:
        slow = slow.next
        fast = fast.next.next
    return slow

def reverseList(head):
    pre = None
    cur = head
    while cur:
        nxt = cur.next
        cur.next = pre
        pre = cur
        cur = nxt
    return pre
    
class Solution:
    def reorderList(self, head: Optional[ListNode]) -> None:
        """
        Do not return anything, modify head in-place instead.
        """
        mid = middleNode(head)
        head2 = reverseList(mid)
        while head2.next:
            nxt = head.next
            nxt2 = head2.next
            head.next = head2
            head2.next = nxt
            head = nxt
            head2 = nxt2