题目重点：模型预测和实际定价决策分开，避免价格反馈造成震荡。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 设计某区域rider surge，目标与规则未给，训练讨论可接受匹配等待/完成率与收入的多目标约束。
- 不假设真实平台现行价格规则，不给具体市场/法规结论；公平和用户体验作为产品需明确的约束。
解题路线
- 区域按可服务空间/时间窗聚合请求、在线可用司机、接单/取消及ETA，数据更新有延迟；相邻区域司机移动会让只看当前区域供需不完整。
- 预测短期需求/供给与不同价格的响应，价格模型输出应有不确定性。历史价格本身影响观测需求，简单用历史成交训练会有selection/confounding，不等同因果弹性。
- 定价策略在范围、变化速率、相邻区域平滑及用户已确认quote约束内优化；加入迟滞/最小保持期降低频繁跳价，不能每条请求重算并立即大幅变。
- 服务接口返回quote ID/价格组成/expiry，付款按已确认quote合同，路线变化重新报价需明确用户动作。不同乘客看到的条件可解释，模型版本与输入聚合可追溯。
- 用受控区域/时段实验或更合适的switchback分析干扰效应，评完成/等待/司机供给、取消与体验。用户与司机跨区域导致普通个体AB独立假设失效，需明确实验限制。
手动走一遍
活动结束需求突涨但司机进入有几分钟延迟，瞬时供需比例定价可能反复升降，预测与平滑约束共同处理。已确认quote有效期内后台surge更新，不能静默按更高新价收费。
规模与取舍
在线使用预计算区域特征，查询/决策近似常数；模型训练和实验成本另计。区域粒度细提升局部性但样本稀疏且波动大，粗粒度会掩盖局部拥堵。
易错点与追问
容易失分的边界
- 成交记录当未受价格影响的完整需求。
- 平均收入升高就忽略等待/取消和用户负担。
继续深挖
- 跨区域供给移动怎样影响评估？
- 重大活动样本少时怎样限制模型不确定性风险？
