滴滴26届正式批-视觉算法工程师-交通大数据-地图

1、参与公司核心算法设计与开发，成果将应用于滴滴各产品线，提供智能出行解决方案 2、构建高效率的算法平台，优化产品各环节的司机乘客体验。

1、参与滴滴路径规划引擎研发，应用强化学习、图神经网络等技术优化全球不同区域的路线召回与排序策略，提升司乘出行效率 2、参与ETA（预估到达时间）、预估价核心算法迭代，通过时序建模和多任务学习图网络模型提升时间/距离/价格的预估准确性 3、研发实时路况预测系统，红绿灯智能读秒预测系统，构建智能的动态交通感知能力 4、探索大语言模型在交通领域的应用，将LLM技术与时空数据结合优化路线决策的可解释性 5、建设全球化路线引擎中台，针对不同国家地理特性，设计差异化解决方案。

1、基于滴滴国际化海量的出行数据（四轮、摩托、外卖），利用数据挖掘、机器学习等技术，优化上下车点推荐、地址解析、路况预测、路径规划、ETA（到达时间预估）、EDA（预估到达距离）等引擎 2、上下车点推荐引擎：基于滴滴出行的大数据，深入理解不同国家的业务特点，推动上下车点推荐引擎效果提升，理解世界不同国家的地理领域知识，还原物理世界，并结合出行领域的用户（司机+乘客）行为特点，构建完善的特征工程 借助时序建模、MTMS(Multi-Task and Multi-Scene)的深度学习算法，综合提升各类场景的推荐效果 提升出行体验和平台效率，保障司乘安全 3、路线规划引擎：不同国家有不同的地理特性，不同的业务对路线规划也有差异化的需求，深入理解不同地区和业务的特点，借助序列建模、排序、多任务等手段，优化路线的召回、排序、重排等链路 4、时间/里程/价格/路况等预估引擎：深入研究不同国家、不同业务（四轮车、摩托）、不同打车链路（预估、分单、接驾、送驾等）中的时间/距离/价格/路况预估任务，构建不同场景下独有及共享的底层数据体系，建设地理特征、用户画像、历史行为及偏好等特征工程，借助因果推断、GNN、MTMS、online-learning等技术，提升预估准确性，提升司机和乘客的体验及打车效率 5、探索学术前沿技术，参与LLM、GNN、Online Learning、Reinforcement Learning等在交通领域的应用落地。

1、参与图像分类、目标检测/跟踪/分割、视频理解等算法开发与落地 2、参与大语言模型、多模态大模型开发与落地应用 3、跟踪业内最新技术成果，并应用到业务中。