作者 | 俞愷、李盛強(qiáng)  蘇寧云商IT總部技術(shù)總監(jiān)

來(lái)源 | 人工智能

8月18日凌晨1點(diǎn)06分，蘇寧易購(gòu)總裁侯恩龍通公布818實(shí)時(shí)戰(zhàn)報(bào)：一個(gè)小時(shí)，銷售同比增長(zhǎng)371%，移動(dòng)端占比接近90%。 

購(gòu)物節(jié)訂單量的高速增長(zhǎng)難免會(huì)帶來(lái)巨大的包裹量，同時(shí)，對(duì)電商企業(yè)提供的差異化服務(wù)提出更高要求，而物流則首當(dāng)其沖，一方面需要滿足用戶更高的服務(wù)質(zhì)量要求，而另一方面電商物流要從成本中心變成利潤(rùn)中心，滿足企業(yè)運(yùn)作的效益需求。

面對(duì)這個(gè)現(xiàn)況，蘇寧物流研發(fā)運(yùn)用大數(shù)據(jù)技術(shù)，分析歷史數(shù)據(jù)，預(yù)測(cè)未來(lái)趨勢(shì)，運(yùn)用最優(yōu)化算法來(lái)合理調(diào)度資源，安排計(jì)劃，以系統(tǒng)性的提升整體物流運(yùn)營(yíng)效率，降低運(yùn)營(yíng)成本，從而提升用戶體驗(yàn)。

電商物流中決定用戶體驗(yàn)的一個(gè)核心指標(biāo)是時(shí)效，而決定時(shí)效的關(guān)鍵因素就是運(yùn)輸班車的銜接。當(dāng)用戶購(gòu)買商品后，商品是由覆蓋用戶地址的倉(cāng)庫(kù)發(fā)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(diǎn)，最后再這樣逐級(jí)由快遞點(diǎn)配送給用戶。

而包裹在這個(gè)流轉(zhuǎn)過(guò)程中是否順暢與高效，就完全取決于各個(gè)節(jié)點(diǎn)班車的銜接和班車頻率，而頻率的高低就涉及到成本和時(shí)效平衡的問(wèn)題。在以前，這些問(wèn)題都是靠人工經(jīng)驗(yàn)來(lái)判斷，這樣不僅不夠精確，而且因缺乏預(yù)見(jiàn)性往往不夠及時(shí)和高效。

蘇寧運(yùn)用大數(shù)據(jù)技術(shù)，在天眼系統(tǒng)中，研發(fā)了運(yùn)輸路線規(guī)劃和動(dòng)態(tài)調(diào)整系統(tǒng)模塊，運(yùn)用人工智能代替?zhèn)鹘y(tǒng)的調(diào)度員決策的模式，優(yōu)化現(xiàn)有運(yùn)輸網(wǎng)絡(luò)布局和路線，充分發(fā)揮有效的運(yùn)輸生產(chǎn)力，實(shí)現(xiàn)運(yùn)輸里程最短、成本最低、服務(wù)時(shí)效最優(yōu)，將大大提升蘇寧易購(gòu)平臺(tái)的物流服務(wù)能力。

人工智能優(yōu)化車輛運(yùn)輸路線

目前，蘇寧物流的運(yùn)輸主要分為干線運(yùn)輸和支線運(yùn)輸，干線運(yùn)輸即為物流中心到物流中心的運(yùn)輸，運(yùn)輸模式是將由區(qū)域配送中心的貨物發(fā)往其輻射的城市配送中心，以及同級(jí)別的物流中心之間貨量相互調(diào)撥；而支線運(yùn)輸即為物流中心到快遞點(diǎn)的運(yùn)輸，運(yùn)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(diǎn)中去。

無(wú)論干線運(yùn)輸還是支線運(yùn)輸都存在兩種方式，直發(fā)或者中轉(zhuǎn)，如果點(diǎn)到點(diǎn)都采用直發(fā)的模式，那運(yùn)輸路線的設(shè)計(jì)就很簡(jiǎn)單了，但是如果點(diǎn)到點(diǎn)的運(yùn)輸貨量需求不大，直發(fā)的方式成本太高，則需要采用中轉(zhuǎn)的方式。

例如：A到B每天運(yùn)輸需求500件商品，A到C每天運(yùn)輸需求1000件商品，一輛車可以裝貨1600件，而B(niǎo)點(diǎn)又正好在A和C的中間，那么我們可以將運(yùn)輸路線設(shè)計(jì)為每天發(fā)一趟車從A到B再到C，采用這個(gè)方案既不降低時(shí)效，又提高了裝載率，降低了成本。

本身這個(gè)問(wèn)題來(lái)源于運(yùn)籌學(xué)上經(jīng)典的車輛路徑問(wèn)題（Vehicle Routing Problem,VRP）。該問(wèn)題最早是由Dantzig和Ramser于1959年首次提出，近年來(lái)國(guó)內(nèi)國(guó)際上有相當(dāng)多的學(xué)術(shù)研究，也發(fā)表了很多論文，用于求解此類問(wèn)題。

但是畢竟企業(yè)應(yīng)用并不等同于學(xué)術(shù)研究，需要面對(duì)更復(fù)雜多變的應(yīng)用場(chǎng)景，首先，如何確定運(yùn)輸需求？正常情況下只有用戶下單后，運(yùn)輸需求才算真正確定，而此時(shí)距離真正的運(yùn)輸已經(jīng)只有幾個(gè)小時(shí)，這個(gè)時(shí)候再去調(diào)整運(yùn)輸路線，需要重新安排臨時(shí)車輛，成本高，管理難度大，很難實(shí)施，因而，我們需要提前預(yù)知運(yùn)輸需求。

另外，預(yù)測(cè)的運(yùn)輸需求并不能保證100%準(zhǔn)確，所以我們需要一套糾偏機(jī)制，及時(shí)的發(fā)現(xiàn)不合理的運(yùn)輸路線，并進(jìn)行動(dòng)態(tài)調(diào)整。同時(shí)，運(yùn)輸需求并不是一成不變的，因而我們需要定期對(duì)現(xiàn)有的路線做評(píng)估，當(dāng)運(yùn)輸需求發(fā)生變化時(shí)，運(yùn)輸路線也會(huì)同步做出調(diào)整。因而我們?cè)O(shè)計(jì)了如下的技術(shù)方案：

1. 用機(jī)器學(xué)習(xí)算法預(yù)測(cè)運(yùn)輸貨量需求；

2. 根據(jù)貨量需求規(guī)劃最優(yōu)化線路；

3. 建立機(jī)器學(xué)習(xí)模型預(yù)判線路貨量異常，建立動(dòng)態(tài)模型根據(jù)實(shí)際貨量對(duì)運(yùn)輸線路進(jìn)行調(diào)整。

4. 建立路線評(píng)估模型，發(fā)現(xiàn)不合適的運(yùn)輸路線，及時(shí)作出調(diào)整。

貨量預(yù)測(cè)算法

運(yùn)輸需求預(yù)測(cè)的本質(zhì)就是預(yù)測(cè)消費(fèi)者的購(gòu)買行為，但又不完全相同，其中主要不同有以下四點(diǎn)：

1. 我們并不關(guān)心消費(fèi)者實(shí)際購(gòu)買的商品，而只需預(yù)測(cè)其數(shù)量、體積、重量即可；

2. 我們不但需要關(guān)注消費(fèi)行為本身，同時(shí)也需要關(guān)注由此帶來(lái)的貨物移動(dòng)需求，例如從哪個(gè)倉(cāng)庫(kù)發(fā)往哪個(gè)倉(cāng)庫(kù)，發(fā)往哪個(gè)快遞點(diǎn)等；

3. 預(yù)測(cè)運(yùn)輸需求需要考慮到下單時(shí)間，以及由此帶來(lái)的不同的運(yùn)輸班次；

4. 為了降低路線調(diào)整的成本，我們至少需要預(yù)測(cè)到未來(lái)一周到一個(gè)月的運(yùn)輸需求；

數(shù)據(jù)采集和清洗

我們從蘇寧的數(shù)據(jù)倉(cāng)庫(kù)中獲取到各種與銷量和配送量相關(guān)的數(shù)據(jù)，包括訂單信息，用戶瀏覽信息，購(gòu)物車信息，線上和線下的促銷計(jì)劃，商品庫(kù)存信息等，并對(duì)這些數(shù)據(jù)根據(jù)業(yè)務(wù)規(guī)則做處理和清洗。

數(shù)據(jù)分析和特征選擇

對(duì)促銷、流量等數(shù)據(jù)進(jìn)行分析，抽取與銷量波動(dòng)相關(guān)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(yàn)證特征變量的有效性；再將相同的特征變量應(yīng)用到不同的模型中以測(cè)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(yù)測(cè)模型。例如：我們選取了一些典型的SKU，對(duì)其促銷活動(dòng)數(shù)據(jù)和發(fā)貨量數(shù)據(jù)作分析，發(fā)現(xiàn)發(fā)貨量的異常波動(dòng)和促銷活動(dòng)之間有極大的相關(guān)性。 

組合模型的設(shè)計(jì)

我們使用不同算法對(duì)貨量需求做預(yù)測(cè)，發(fā)現(xiàn)其各有所長(zhǎng)，時(shí)間序列算法可以用于擬合相對(duì)較平穩(wěn)的貨量需求，但是當(dāng)配送量大幅波動(dòng)時(shí)，時(shí)間序列難以捕捉到其變化；回歸算法擅長(zhǎng)捕捉各自變量與因變量之間的影響關(guān)系，但是當(dāng)影響因素太多，關(guān)系非常復(fù)雜時(shí)，其擬合準(zhǔn)確性又往往難以達(dá)到預(yù)期。

因而我們對(duì)歷史配送量曲線做拆分，根據(jù)時(shí)間序列的散點(diǎn)圖、自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖識(shí)別其平穩(wěn)性。對(duì)非平穩(wěn)的時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)化處理。捕捉其長(zhǎng)期趨勢(shì)和循環(huán)變動(dòng)，再用回歸算法預(yù)測(cè)其殘差，將結(jié)果組合用于預(yù)測(cè)貨量。 

預(yù)測(cè)結(jié)果驗(yàn)證

參數(shù)估計(jì)，檢驗(yàn)是否具有統(tǒng)計(jì)意義。假設(shè)檢驗(yàn)，判斷（診斷）殘差序列是否為白噪聲序列。將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，將訓(xùn)練出的模型用測(cè)試集中的數(shù)據(jù)進(jìn)行驗(yàn)證，確保預(yù)測(cè)模型的準(zhǔn)確率。

干支線運(yùn)輸線路規(guī)劃算法

目前，車輛配送路徑問(wèn)題（VRP）在國(guó)內(nèi)外的學(xué)術(shù)界都有不同程度的研究，都是對(duì)傳統(tǒng)VRP問(wèn)題加上不同的約束條件進(jìn)行研究，如：載重約束、時(shí)效約束等；而國(guó)內(nèi)研究學(xué)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(kāi)放式的并且加上時(shí)效和載重約束的線路規(guī)劃，在國(guó)內(nèi)并沒(méi)有成熟的模型。

我們結(jié)合蘇寧目前現(xiàn)有的運(yùn)輸模式，選用數(shù)學(xué)規(guī)劃算法，建立了帶時(shí)效及載重約束的開(kāi)放式線路模型。

運(yùn)輸路線動(dòng)態(tài)調(diào)整算法

在天眼的監(jiān)控模塊會(huì)實(shí)時(shí)監(jiān)控貨量需求，當(dāng)發(fā)現(xiàn)貨量需求與預(yù)測(cè)值有較大波動(dòng)時(shí)，會(huì)觸發(fā)路線的動(dòng)態(tài)調(diào)整算法，由于此時(shí)算法的時(shí)效性要求很高，所以我們選擇啟發(fā)式算法節(jié)約算法以保證快速找出優(yōu)化路線。算法的核心思想如下：

規(guī)定初始線路為實(shí)線線路即為L(zhǎng)1點(diǎn)到每個(gè)K點(diǎn)的線路，然后計(jì)算線路的節(jié)約距離進(jìn)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(jīng)由K2送達(dá)，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(píng)估模型

路線評(píng)估模型主要從時(shí)效、單票成本、綜合成本、等維度對(duì)路線的運(yùn)營(yíng)進(jìn)行評(píng)估。貨量預(yù)測(cè)模型每天都會(huì)對(duì)未來(lái)一個(gè)月的貨量需求做預(yù)測(cè)，運(yùn)輸路線規(guī)劃的模型會(huì)根據(jù)貨量預(yù)測(cè)的結(jié)果重新規(guī)劃合理的運(yùn)輸路線，并于當(dāng)前路線做對(duì)比，由于運(yùn)輸路線調(diào)整牽涉到車輛、人員、承運(yùn)商的重新安排，有一定的成本，所以系統(tǒng)設(shè)定閥值，用未來(lái)一個(gè)月的數(shù)據(jù)做測(cè)算依據(jù)，當(dāng)新規(guī)劃路線比原路線成本節(jié)省成本超過(guò)15%，則推薦調(diào)整當(dāng)前運(yùn)輸路線。

總結(jié)

預(yù)測(cè)問(wèn)題一直以來(lái)都是科學(xué)界難以企及的珠峰，從物流角度來(lái)看，能夠?qū)ξ磥?lái)銷量進(jìn)行精準(zhǔn)預(yù)測(cè)，不僅能為公司節(jié)省大量運(yùn)輸成本，也能提升物流的運(yùn)營(yíng)效率。

在提升預(yù)測(cè)的準(zhǔn)確率方面，我們?cè)鴩L試過(guò)很多方法，首先，基于歷史數(shù)據(jù)的預(yù)測(cè)我們采用了時(shí)間序列預(yù)測(cè)方法，對(duì)歷史的銷量進(jìn)行擬合預(yù)測(cè)，最高的準(zhǔn)確率也就在60-70%左右，遇到大促等外部因素導(dǎo)致的銷量波動(dòng)不能很好的把控并預(yù)測(cè)出來(lái)。

后來(lái)，我們分析了促銷對(duì)銷量的影響，發(fā)現(xiàn)促銷活動(dòng)與銷量有一定的相關(guān)性，然后，我們采用了神經(jīng)網(wǎng)絡(luò)模型（多個(gè)全連接層的多層神經(jīng)網(wǎng)絡(luò)）把促銷活動(dòng)因素加入進(jìn)去，發(fā)現(xiàn)在大促日的預(yù)測(cè)準(zhǔn)確率有所提升。

最后，我們綜合兩種模型的特點(diǎn)，建立了一種基于殘差的組合預(yù)測(cè)模型，采用的是boosting算法對(duì)時(shí)間序列預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)進(jìn)行組合，最終準(zhǔn)確率穩(wěn)定在70%-80%。

在線路規(guī)劃問(wèn)題上，如何將經(jīng)典的vrp問(wèn)題與企業(yè)現(xiàn)有的數(shù)據(jù)狀況和業(yè)務(wù)模式相結(jié)合，并運(yùn)用合適的算法滿足業(yè)務(wù)功能和性能上的要求是我們的難點(diǎn)所在，一開(kāi)始我們結(jié)合業(yè)務(wù)模式上的約束建立了經(jīng)典的整數(shù)規(guī)劃模型，并用了開(kāi)源的glpk求解器進(jìn)行求解，發(fā)現(xiàn)對(duì)于K點(diǎn)個(gè)數(shù)超過(guò)15個(gè)點(diǎn)的模型計(jì)算時(shí)間長(zhǎng)達(dá)1小時(shí)以上，有些K點(diǎn)數(shù)特別多的模型甚至一直無(wú)法收斂，這樣的性能在業(yè)務(wù)操作過(guò)程中是無(wú)法容忍的。

所以，我們調(diào)整了方向，轉(zhuǎn)而利用啟發(fā)式算法構(gòu)建搜索過(guò)程，使得模型能夠快速收斂到最優(yōu)解，并取得了不錯(cuò)的效果。

蘇寧大數(shù)據(jù)運(yùn)輸路線優(yōu)化項(xiàng)目已于年初正式投產(chǎn)，上線后運(yùn)用大數(shù)據(jù)算法優(yōu)化現(xiàn)有的運(yùn)輸路線，使得每條線路平均成本降幅5.78%，整體運(yùn)營(yíng)時(shí)效提升9.27%。

運(yùn)輸路線優(yōu)化只是蘇寧物流眾多的大數(shù)據(jù)應(yīng)用之一，蘇寧自研的天眼系統(tǒng)中還有庫(kù)存ABC管理、快遞點(diǎn)網(wǎng)絡(luò)布局、自動(dòng)化派工等各類運(yùn)用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)的人工智能替代人腦決策的應(yīng)用。

這些系統(tǒng)的上線極大的提升了蘇寧物流的市場(chǎng)競(jìng)爭(zhēng)力，蘇寧物流研發(fā)也一直致力于在物流各個(gè)領(lǐng)域推廣大數(shù)據(jù)應(yīng)用，同時(shí)也在系統(tǒng)性能、算法準(zhǔn)確度等方面持續(xù)優(yōu)化。

此文系作者個(gè)人觀點(diǎn)，不代表物流沙龍立場(chǎng)

 END