作者 | 俞愷、李盛強  蘇寧云商IT總部技術總監

來源 | 人工智能

8月18日凌晨1點06分，蘇寧易購總裁侯恩龍通公布818實時戰報：一個小時，銷售同比增長371%，移動端占比接近90%。 

購物節訂單量的高速增長難免會帶來巨大的包裹量，同時，對電商企業提供的差異化服務提出更高要求，而物流則首當其沖，一方面需要滿足用戶更高的服務質量要求，而另一方面電商物流要從成本中心變成利潤中心，滿足企業運作的效益需求。

面對這個現況，蘇寧物流研發運用大數據技術，分析歷史數據，預測未來趨勢，運用最優化算法來合理調度資源，安排計劃，以系統性的提升整體物流運營效率，降低運營成本，從而提升用戶體驗。

電商物流中決定用戶體驗的一個核心指標是時效，而決定時效的關鍵因素就是運輸班車的銜接。當用戶購買商品后，商品是由覆蓋用戶地址的倉庫發貨到覆蓋用戶地址的城市配送中心，再到覆蓋用戶地址的快遞點，最后再這樣逐級由快遞點配送給用戶。

而包裹在這個流轉過程中是否順暢與高效，就完全取決于各個節點班車的銜接和班車頻率，而頻率的高低就涉及到成本和時效平衡的問題。在以前，這些問題都是靠人工經驗來判斷，這樣不僅不夠精確，而且因缺乏預見性往往不夠及時和高效。

蘇寧運用大數據技術，在天眼系統中，研發了運輸路線規劃和動態調整系統模塊，運用人工智能代替傳統的調度員決策的模式，優化現有運輸網絡布局和路線，充分發揮有效的運輸生產力，實現運輸里程最短、成本最低、服務時效最優，將大大提升蘇寧易購平臺的物流服務能力。

人工智能優化車輛運輸路線

目前，蘇寧物流的運輸主要分為干線運輸和支線運輸，干線運輸即為物流中心到物流中心的運輸，運輸模式是將由區域配送中心的貨物發往其輻射的城市配送中心，以及同級別的物流中心之間貨量相互調撥；而支線運輸即為物流中心到快遞點的運輸，運輸模式是將物流中心的貨物分派到所輻射的不同的快遞點中去。

無論干線運輸還是支線運輸都存在兩種方式，直發或者中轉，如果點到點都采用直發的模式，那運輸路線的設計就很簡單了，但是如果點到點的運輸貨量需求不大，直發的方式成本太高，則需要采用中轉的方式。

例如：A到B每天運輸需求500件商品，A到C每天運輸需求1000件商品，一輛車可以裝貨1600件，而B點又正好在A和C的中間，那么我們可以將運輸路線設計為每天發一趟車從A到B再到C，采用這個方案既不降低時效，又提高了裝載率，降低了成本。

本身這個問題來源于運籌學上經典的車輛路徑問題（Vehicle Routing Problem,VRP）。該問題最早是由Dantzig和Ramser于1959年首次提出，近年來國內國際上有相當多的學術研究，也發表了很多論文，用于求解此類問題。

但是畢竟企業應用并不等同于學術研究，需要面對更復雜多變的應用場景，首先，如何確定運輸需求？正常情況下只有用戶下單后，運輸需求才算真正確定，而此時距離真正的運輸已經只有幾個小時，這個時候再去調整運輸路線，需要重新安排臨時車輛，成本高，管理難度大，很難實施，因而，我們需要提前預知運輸需求。

另外，預測的運輸需求并不能保證100%準確，所以我們需要一套糾偏機制，及時的發現不合理的運輸路線，并進行動態調整。同時，運輸需求并不是一成不變的，因而我們需要定期對現有的路線做評估，當運輸需求發生變化時，運輸路線也會同步做出調整。因而我們設計了如下的技術方案：

1. 用機器學習算法預測運輸貨量需求；

2. 根據貨量需求規劃最優化線路；

3. 建立機器學習模型預判線路貨量異常，建立動態模型根據實際貨量對運輸線路進行調整。

4. 建立路線評估模型，發現不合適的運輸路線，及時作出調整。

貨量預測算法

運輸需求預測的本質就是預測消費者的購買行為，但又不完全相同，其中主要不同有以下四點：

1. 我們并不關心消費者實際購買的商品，而只需預測其數量、體積、重量即可；

2. 我們不但需要關注消費行為本身，同時也需要關注由此帶來的貨物移動需求，例如從哪個倉庫發往哪個倉庫，發往哪個快遞點等；

3. 預測運輸需求需要考慮到下單時間，以及由此帶來的不同的運輸班次；

4. 為了降低路線調整的成本，我們至少需要預測到未來一周到一個月的運輸需求；

數據采集和清洗

我們從蘇寧的數據倉庫中獲取到各種與銷量和配送量相關的數據，包括訂單信息，用戶瀏覽信息，購物車信息，線上和線下的促銷計劃，商品庫存信息等，并對這些數據根據業務規則做處理和清洗。

數據分析和特征選擇

對促銷、流量等數據進行分析，抽取與銷量波動相關的特征變量，將不同的特征變量帶入同一有效的模型逐步驗證特征變量的有效性；再將相同的特征變量應用到不同的模型中以測試不同模型的效果，并選擇效果最佳的特征變量和模型作為銷量預測模型。例如：我們選取了一些典型的SKU，對其促銷活動數據和發貨量數據作分析，發現發貨量的異常波動和促銷活動之間有極大的相關性。 

組合模型的設計

我們使用不同算法對貨量需求做預測，發現其各有所長，時間序列算法可以用于擬合相對較平穩的貨量需求，但是當配送量大幅波動時，時間序列難以捕捉到其變化；回歸算法擅長捕捉各自變量與因變量之間的影響關系，但是當影響因素太多，關系非常復雜時，其擬合準確性又往往難以達到預期。

因而我們對歷史配送量曲線做拆分，根據時間序列的散點圖、自相關函數和偏自相關函數圖識別其平穩性。對非平穩的時間序列數據進行平穩化處理。捕捉其長期趨勢和循環變動，再用回歸算法預測其殘差，將結果組合用于預測貨量。 

預測結果驗證

參數估計，檢驗是否具有統計意義。假設檢驗，判斷（診斷）殘差序列是否為白噪聲序列。將數據分為訓練集和測試集，將訓練出的模型用測試集中的數據進行驗證，確保預測模型的準確率。

干支線運輸線路規劃算法

目前，車輛配送路徑問題（VRP）在國內外的學術界都有不同程度的研究，都是對傳統VRP問題加上不同的約束條件進行研究，如：載重約束、時效約束等；而國內研究學者研究更多的是線路閉合式的，即車輛有返回的線路；蘇寧這種開放式的并且加上時效和載重約束的線路規劃，在國內并沒有成熟的模型。

我們結合蘇寧目前現有的運輸模式，選用數學規劃算法，建立了帶時效及載重約束的開放式線路模型。

運輸路線動態調整算法

在天眼的監控模塊會實時監控貨量需求，當發現貨量需求與預測值有較大波動時，會觸發路線的動態調整算法，由于此時算法的時效性要求很高，所以我們選擇啟發式算法節約算法以保證快速找出優化路線。算法的核心思想如下：

規定初始線路為實線線路即為L1點到每個K點的線路，然后計算線路的節約距離進行線路合并，L1到K3的距離大于K2到K3的距離，那么L1>K3線路取消，K3的貨經由K2送達，即形成新線路L1->K2->K3；同理，由于L1->K4距離大于K3->K4,所以形成新線路L1->K2->K3->K4 

路線評估模型

路線評估模型主要從時效、單票成本、綜合成本、等維度對路線的運營進行評估。貨量預測模型每天都會對未來一個月的貨量需求做預測，運輸路線規劃的模型會根據貨量預測的結果重新規劃合理的運輸路線，并于當前路線做對比，由于運輸路線調整牽涉到車輛、人員、承運商的重新安排，有一定的成本，所以系統設定閥值，用未來一個月的數據做測算依據，當新規劃路線比原路線成本節省成本超過15%，則推薦調整當前運輸路線。

總結

預測問題一直以來都是科學界難以企及的珠峰，從物流角度來看，能夠對未來銷量進行精準預測，不僅能為公司節省大量運輸成本，也能提升物流的運營效率。

在提升預測的準確率方面，我們曾嘗試過很多方法，首先，基于歷史數據的預測我們采用了時間序列預測方法，對歷史的銷量進行擬合預測，最高的準確率也就在60-70%左右，遇到大促等外部因素導致的銷量波動不能很好的把控并預測出來。

后來，我們分析了促銷對銷量的影響，發現促銷活動與銷量有一定的相關性，然后，我們采用了神經網絡模型（多個全連接層的多層神經網絡）把促銷活動因素加入進去，發現在大促日的預測準確率有所提升。

最后，我們綜合兩種模型的特點，建立了一種基于殘差的組合預測模型，采用的是boosting算法對時間序列預測和神經網絡預測進行組合，最終準確率穩定在70%-80%。

在線路規劃問題上，如何將經典的vrp問題與企業現有的數據狀況和業務模式相結合，并運用合適的算法滿足業務功能和性能上的要求是我們的難點所在，一開始我們結合業務模式上的約束建立了經典的整數規劃模型，并用了開源的glpk求解器進行求解，發現對于K點個數超過15個點的模型計算時間長達1小時以上，有些K點數特別多的模型甚至一直無法收斂，這樣的性能在業務操作過程中是無法容忍的。

所以，我們調整了方向，轉而利用啟發式算法構建搜索過程，使得模型能夠快速收斂到最優解，并取得了不錯的效果。

蘇寧大數據運輸路線優化項目已于年初正式投產，上線后運用大數據算法優化現有的運輸路線，使得每條線路平均成本降幅5.78%，整體運營時效提升9.27%。

運輸路線優化只是蘇寧物流眾多的大數據應用之一，蘇寧自研的天眼系統中還有庫存ABC管理、快遞點網絡布局、自動化派工等各類運用大數據技術實現的人工智能替代人腦決策的應用。

這些系統的上線極大的提升了蘇寧物流的市場競爭力，蘇寧物流研發也一直致力于在物流各個領域推廣大數據應用，同時也在系統性能、算法準確度等方面持續優化。

此文系作者個人觀點，不代表物流沙龍立場

 END