共计 2826 个字符，预计需要花费 8 分钟才能阅读完成。
(一)算法基本原理
用户呼叫车辆后，进入找车、派单的状态，并按照如下流程被车辆接起:
1、抓车
将用户与车辆的位置关系进行对比，在接驾时长、里程闯值范围内的司机进入过滤环节，形成若干“车辆 - 乘客”配对关系。
2、过滤
1)根据司机意愿、政策要求，过滤不符合条件的司机。司机意愿举例: 司机回家途中设置目的地，订单起终点与司机意愿不符; 政策要求举例: 车辆号牌是城市当日限行的号码。
2)过滤后剩余的“车辆 - 乘客”配对关系进入打分环节。
3、打分
根据车辆当前位置到用户上车点的接驾时长、里程进行打分，车辆距离乘客越近，得分越高。
4、派单
得分最高的车辆将被指派订单，前往该用户上车点提供服务
(二)算法运行机制
1、优先就近分配原则 T3 出行在进行派单时，会根据乘客下单起始位置与司机车辆巡游地点的距离进行就近分配。基于就近分配原则，T3 出行以维护业务正常运营、遵守法律法规等为目的设置了一些规则，对适配的
订单与司机关系进行过滤。如:
1)在指定的派单距离和派单时长内进行派单:
2)快享、惠享司机不可接专车订单;
3)为关闭预约单听单的司机过滤预约单播单;
4)保证司机接单后不会通过限号限行或异地车辆禁行区域。
2、兼顾司乘体验原则
在优先就近撮合司乘双方的基础上，T3 出行从全局视角尽可能满足更多乘客的需求、提高车辆服务效率。当同一地区多名乘客同时呼叫车辆时，T3 出行将综合考虑周边车辆到上述几名乘客的行驶里程、接驾时长，折衷向车辆派发订单，保障各乘客在相对较短的时间内都能被尽快接起(图 1)，而不是严格执行优先就近撮合原则(图 2)，导致其他乘客接驾距离过长。
(三)算法应用场景
T3 出行派单算法应用在 T3 乘客 app/T3 乘客小程序(微信 / 支付宝等小程序)/T3 车主 app 中。当乘客呼叫订单时，根据乘客所选车型匹配相应车辆，并将最终的匹配结果分别反馈至对应乘客、司机的应用程序。
(四)算法目的意图
在综合司机意愿、政策要求、接驾里程及时长的基础上，为尽可能多的乘客提供用车服务，实现乘客用车更便捷，司机收入更多的双赢。
二、T3 出行供需折扣算法
(一)算法基本原理
T3 出行供需折扣算法基于对订单时间、订单里程、行程起终点、订单周边的需求和运力供给情况、历史统计信息等供需情况的判断，向乘客提供订单价格折扣，使乘客享受更优惠的价格、帮助司机获得更多接单机会，通过合理调配供需资源的方式为用户提供快速高效的出行服务。
(二)算法运行机制
T3 出行供需折扣算法依据订单时间、订单历程、行程起终点、订单需求情况、运力供给情况、天气、节假日、突发事件、历史统计信息对当前供需情况做出判断，并基于供需判断结论给出订单适用价格折扣。
该算法的运行机制具体如下:
1、当起点和终点的供需都好时: 长订单在高峰期和平峰期都享受高折扣，以激发叫车需求和帮助司机提升收入。短订单在高峰期享受低折扣，因为高峰期订单较多，供不应求; 在平峰期享受高折扣，以激发叫车需求。
2、当起点供需好，终点供需差时: 长订单在高峰期和平峰期都受高折扣，以缓解目的地供需紧张的情况。短订单在高峰期享受低折扣，因高峰期订单较多，供不应求; 在平峰期享受高折扣，以缓解目的地供需紧张的情况。
3、当起点和终点供需都差时: 长订单在高峰期享受低折扣，因高峰期订单较多，供不应求; 在平峰期享受高折扣，以帮助司机提升收入。短订单在高峰期和平峰期都享受低折扣，因起点供不应求，司机不缺单。
4、当起点供需差，终点供需好时: 长订单在高峰期享受低折扣，因为高峰期订单较多，供不应求; 在平峰期享受高折扣，因为长单对司机收入提升更有帮助。短订单在高峰期和平峰期都享受低折扣，因起点供不应求，司机不缺单。
(三)算法应用场景
T3 出行供需折扣算法应用在 T3 出行 APP/T3 出行 (微信 / 支付宝等) 小程序中，当乘客输入订单起终点信息后、正式提交订单需求前，T3 出行供需折扣算法会结合订单所处时间、空间对应的供需情况给予订单价格折扣，该价格折扣对同一时间、空间的乘客平等适用。
(四)算法目的意图
在综合供需情况的基础上，向乘客提供订单价格折扣，使乘客享受更优惠的价格、帮助司机获得更多接单机会，通过合理调配供需资源的方式为用户提供快速高效的出行服务。
三、领行阡陌大模型生成合成算法
(一)算法基本原理
算法使用开源大模型，经 T3 历史数据集微调，模拟人类语言交互，提供对话场景下的咨询服务。应用时，结合实时输入和安全过滤，为员工、用户和司机生成准确回复，实现知识问答和多轮对话。大模型算法提高了客服效率，确保及时准确解答，优化双端体验，并在多个内部业务场景中提效。
(二)算法运行机制
领行阡陌大模型生成合成算法采用 Transformer 架构和微调技术，使用 T3 平台数据训练。它根据内部员工、用户和司机的输入生成客服文本。输入和输出都经过安全过滤模型的风险检测，确保合规性，违规内容将依法处理。
(三)算法应用场景
模型应用于智能客服，自动回答用户和司机的疑问，提升招聘效率，确保及时准确的客户服务。同时，它也用于提高内部员工在内容创作、总结、数据分析、场景构建和系统搭建等业务场景的办公效率。
(四)算法目的意图
算法旨在提供高效的知识问答和多轮对话，以提升客服效率和用户体验。在内部办公中增强内容创作与处理、数据分析等工作效率。
五、T3 出行上车点推荐算法
(一)算法基本原理
T3 成功的上车点推荐流程包含四个关键步骤:(1)点位生成: 利用路网数据 (包含道路拓扑、方向、尺寸、类别等) 结合用户历史上车位置，利用采样，创建潜在的上车点集台。
(2)点位筛选: 结合用户当前位置 (用户指定的 POI 或输入点) 筛选出邻近的上车点。通过预设的筛选机制，从这些点位中筛选出最合适的上车点。
(3)点位排序: 对筛选出的上车点，依据与用户的距离、使用频率、可达性及历史订单表现等因素进行排序。进一步根据点位的相对位置和用户需求，精选出 1 至 3 个推荐上车点。
(4)点位命名: 为最终推荐的上车点，综合考虑周边显著的、易于识别的或热门的 POI(兴趣点)信息，并结合路网数据，为每个点位赋予一个便于司机和乘客识别和理解的名称。
(二)算法运行机制
用户在启动 T3 出行应用时，系统将综合考虑用户当前定位、周边环境、实时操作行为、历史出行偏好以及常用上车点等因素，只能推荐一至三个最佳上车位置。
若用户对只能推荐的上车点有其他需求，可以通过简单地拖动地图上的标记来选择新的上车点，系统将迅速响应，根据用户新选择的位置，再次智能推荐一至三个上车点。
此外，用户还可以在应用首页的起点输入框中直接搜索特定的兴趣点 (POI) 名称，或从历史记录中选择曾使用的上车点作为起点，享受个性化的出行起点选择体验。
(三)算法应用场景
应用于 T3 出行平台的网约车服务 (包括 T3 出行 App、小程序等各种平台中提供的 T3 网约车出行服务) 中，在发单前为乘客推荐一至三个上车位置点供用户选择
(四)算法目的意图
帮助用户便捷出行，在用户发单前，在用户位置附近推荐一至三个上车推荐点供用户候选
