0 引言

隨著互聯(lián)網(wǎng)的迅猛發(fā)展，電商物流數(shù)量驟增，物流業(yè)務(wù)體系日趨完善，逐漸成為各大平臺的一個重要發(fā)展領(lǐng)域。在此背景之下，電商物流的調(diào)度及結(jié)構(gòu)最優(yōu)化的相關(guān)問題也成為各界學(xué)者爭相討論的方向。本文探究的關(guān)于電商物流網(wǎng)絡(luò)包裹應(yīng)急調(diào)運(yùn)與結(jié)構(gòu)優(yōu)化問題是十分必要的。

電商物流網(wǎng)絡(luò)是由接貨倉、分揀中心、營業(yè)部等構(gòu)成的多個物流場地間的運(yùn)輸線路組成。由于各式促銷措施的影響以及如疫情、地震、特大降水等不可抗力因素的作用，導(dǎo)致用戶端出現(xiàn)下單量顯著波動或者物流場地的暫時性滯漲乃至永久停運(yùn)，這些可能進(jìn)一步導(dǎo)致各線路流通的包裹數(shù)出現(xiàn)異常情況，阻礙整個物流網(wǎng)絡(luò)的正常運(yùn)行。

通過某地區(qū)物流網(wǎng)絡(luò)的一系列數(shù)據(jù)分析。本文首先建立線路貨量的預(yù)測模型，給出三條線路預(yù)測結(jié)果。對地區(qū)物流網(wǎng)絡(luò)的性能進(jìn)行評估，為了改善網(wǎng)絡(luò)性能，探討分析新增物流場地應(yīng)對的方法，提出物流網(wǎng)絡(luò)規(guī)劃意見并進(jìn)一步探討所建網(wǎng)絡(luò)的魯棒性。

1 正文

為給出地點(diǎn)與線路歷史貨物量相關(guān)數(shù)據(jù)值并且對未來一個月的線路的貨物數(shù)量進(jìn)行預(yù)測。宜采用灰色預(yù)測模型，神經(jīng)網(wǎng)絡(luò)，時間序列分析，邏輯回歸等模型。本文考慮ARIMA(p, d,q)時間序列分析模型。為了滿足其對數(shù)據(jù)平穩(wěn)性的要求，先采用差分的方法減小數(shù)據(jù)的波動。通過ACF和PACF圖像的拖尾和截尾情況來確定p, d,q的取值。并且對相關(guān)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化擬合，最終通過R2來檢驗(yàn)曲線的擬合好壞，得到相關(guān)數(shù)據(jù)模擬精確度，最終得到優(yōu)化預(yù)測數(shù)據(jù)結(jié)論。

通過第一部分的物流網(wǎng)絡(luò)預(yù)測數(shù)據(jù)對第二部分物流網(wǎng)絡(luò)進(jìn)行評價與相關(guān)改進(jìn)意見的提出。本文采取熵權(quán)法。以不同線路和場地的貨運(yùn)量作為指標(biāo)，對其進(jìn)行歸一化處理，計(jì)算不同線路對于兩個連接場地信息熵來確定該線路對兩個場地的重要程度。在重要程度高的兩個場地之間增加線路，在信息熵值小且集中的地區(qū)增加物流場地。根據(jù)題目數(shù)據(jù)對各個地點(diǎn)之間根據(jù)一定的系數(shù)規(guī)則進(jìn)行貨量賦權(quán)，對地點(diǎn)間的線路加減更新進(jìn)行動態(tài)規(guī)劃，在不同地點(diǎn)之間加入新地點(diǎn)并且進(jìn)行相應(yīng)算法計(jì)算求其解。通過人為對線性判斷分析的數(shù)據(jù)標(biāo)準(zhǔn)進(jìn)行組別劃分，從而改善物流網(wǎng)絡(luò)的可靠性。

2 模型建立與求解

2.1 基于ARIMA的物流線路貨量預(yù)測模型

基于附件中已知的相關(guān)線路信息，結(jié)合2021年和2022年的相關(guān)數(shù)據(jù)，對數(shù)據(jù)采用時間序列分析法建立差分自回歸移動平均模型(ARIMA),對各條線路的日運(yùn)貨量進(jìn)行合理性預(yù)測。隨后，借助待求解的三條線路的自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF,通過上述兩個函數(shù)拖尾和截尾情況，確定出自回歸項(xiàng)p和移動平均項(xiàng)數(shù)q, 對時間序列成為平穩(wěn)時所做的差分次數(shù)d加以確定。

2.1.1 建立差分自回歸移動平均模型

在現(xiàn)實(shí)復(fù)雜的物流線路網(wǎng)絡(luò)結(jié)構(gòu)下，面對眾多不可抗力因素影響，對線路貨量的預(yù)測就成為一個亟待解決的重要問題。因此結(jié)合已知的相關(guān)線路信息和基礎(chǔ)數(shù)據(jù)，建立差分自回歸移動平均模型，對后續(xù)調(diào)度工作的進(jìn)行尤為重要。

首先對數(shù)據(jù)進(jìn)行清洗，使用插值法和刪除法來補(bǔ)齊缺失的數(shù)據(jù)并去除異常數(shù)據(jù)。插值法為計(jì)算出近似替代值彌補(bǔ)缺失值，而刪除法則直接忽略無效值和異常值。

隨后，對已知相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，通過觀察發(fā)現(xiàn)時間序列當(dāng)前值沒有外界干擾量，而僅由過去時刻序列值決定，并將此種線性關(guān)系用自回歸模型(AR)加以描述：

其中，δ表示AR模型的常數(shù)項(xiàng)，φi表示i階回歸項(xiàng)系數(shù)，εt表示序列殘差，xt表示當(dāng)前時刻的序列值。

在AR模型基礎(chǔ)上結(jié)合移動平均模型(MA)構(gòu)成ARMA模型，即為：

再通過對ARMA模型做d階差分可以得到ARIMA(p, d,q)模型，即：

2.1.2 差分自回歸移動平均模型的求解

首先，通過對附件中的數(shù)據(jù)進(jìn)行預(yù)處理，得到較為準(zhǔn)確的數(shù)據(jù)，篩選提取出3組數(shù)據(jù)得出貨量關(guān)于日期的變化規(guī)律，由于ARIMA模型要求序列滿足平穩(wěn)性，故查看ADF檢驗(yàn)結(jié)果，根據(jù)分析t值，分析其是否可以顯著性地拒絕序列不平穩(wěn)的假設(shè)(P<0.05),分別得到下列三表：

在差分階數(shù)為1時，t統(tǒng)計(jì)量分別為-9.15,因此可以拒絕原假設(shè)。這意味著在差分階數(shù)為1和2時，貨量的時間序列是平穩(wěn)的。

2.1.3 預(yù)測結(jié)論

結(jié)合前面所建立的預(yù)測模型，發(fā)現(xiàn)相應(yīng)預(yù)測結(jié)果存在合理性波動，但相對趨于穩(wěn)定，故結(jié)果比較可靠。

2.1.4 檢驗(yàn)分析

ARIMA模型要求模型具備純隨機(jī)性，即模型殘差為白噪聲。以DC14→DC10線路為例，得到以下參數(shù)表：

通過對比發(fā)現(xiàn)模型中Q6在水平上不呈現(xiàn)顯著性，模型的擬合優(yōu)度R2為0.721,盡管在較小的滯后階數(shù)上自相關(guān)性檢驗(yàn)結(jié)果不顯著，但在較大的滯后階數(shù)上存在顯著的自相關(guān)性。此外，AIC值相對較小，顯示了模型相對較好的擬合效果。

2.2 物流網(wǎng)絡(luò)改善方法

2.2.1 基于熵權(quán)法的物流線路改善方法

在線路貨量預(yù)測量時間序列模型的基礎(chǔ)上，對各線路及場地的重要性進(jìn)行相應(yīng)評價，在優(yōu)化選址的基礎(chǔ)上新增物流場地及線路，建立準(zhǔn)確熵權(quán)法模型，對路線的歷史最大貨運(yùn)量進(jìn)行歸一化處理，加入模型計(jì)算優(yōu)化并且建立相應(yīng)指標(biāo)對計(jì)算結(jié)果進(jìn)行微形細(xì)分，判斷出各場地和線路的重要性。使用Floyd算法，建立矩陣，進(jìn)行優(yōu)化尋址，在判定新址的重要性和準(zhǔn)確性后加入優(yōu)化集。同時，將路徑的歷史貨量最大值作為線路線的貨運(yùn)能力，使用Floyd算法進(jìn)行路徑新線路和場地的規(guī)劃建立以加強(qiáng)物流網(wǎng)絡(luò)魯棒性。

2.2.2 基于Floyd算法的物流網(wǎng)絡(luò)魯棒性改善

首先得到各個站點(diǎn)間的權(quán)，并且建立相應(yīng)的有向賦權(quán)圖。將選址問題轉(zhuǎn)化為圖論模型，使用弗洛伊德等一系列求最短路優(yōu)化值算法對每個地點(diǎn)進(jìn)行遍歷，推導(dǎo)出中心連線得到選址優(yōu)化地。進(jìn)行相關(guān)算法迭代分析最優(yōu)路徑時需要考慮區(qū)域通達(dá)度和各區(qū)域需求程度，對站點(diǎn)間的運(yùn)輸量和線路負(fù)載量進(jìn)行計(jì)算并且將計(jì)算值賦權(quán)以表示在模型中對最優(yōu)尋址的影響度Oi, 尋求各區(qū)域間最優(yōu)化尋址模型。算法實(shí)現(xiàn)簡單，尋址效果好，速度快，應(yīng)用廣泛。圖1是尋址過程。

中心DC節(jié)點(diǎn)為重要貨量運(yùn)輸節(jié)點(diǎn)，將中心DC節(jié)點(diǎn)的影響范圍設(shè)置在同心圓半徑內(nèi)，將多個中心節(jié)點(diǎn)進(jìn)行半徑圓劃分，在多次劃分后在多中心節(jié)點(diǎn)的半徑范圍內(nèi)選取優(yōu)化新地址。此為第一步尋址結(jié)果，作為二級中心節(jié)點(diǎn)，同時以二級節(jié)點(diǎn)為圓心，取得上下界限并且進(jìn)行模糊化處理，將上下限作為半徑進(jìn)行交叉劃分取值，取得各圓心半徑交叉點(diǎn)為最佳次級選址節(jié)點(diǎn)，以此搜尋優(yōu)化路線節(jié)點(diǎn)，并且進(jìn)行賦權(quán)。通過Floyd算法算得賦權(quán)優(yōu)化節(jié)點(diǎn)路線，并且通過LDA線性判斷的模型規(guī)范判定，通過T的判定系數(shù)進(jìn)行線性判斷是否將取值并入優(yōu)化線路節(jié)點(diǎn)并且加入最優(yōu)解線路庫。

模型中將地點(diǎn)權(quán)值、貨量、線路數(shù)、線路負(fù)載量等差異作為整體限制條件，將最優(yōu)化時間作為目標(biāo)求解，將地區(qū)權(quán)值加入Dijkstra尋址過程，通過Floyd進(jìn)行算法優(yōu)化。算法根據(jù)輸入矩陣進(jìn)行運(yùn)算，遍歷線路尋找最優(yōu)地址，針對每一條賦權(quán)路對比有更優(yōu)化路徑則刪除次解，最終對路徑進(jìn)行遞歸式回溯，動態(tài)判斷地址節(jié)點(diǎn)改變后路徑集是否為最佳路徑集，若為當(dāng)前最優(yōu)路徑集則將回溯保存并且改變相應(yīng)圖中賦權(quán)，若為次解則將路徑刪除，最終求解出最佳尋址路徑。

2.3 小結(jié)

對于物流貨量預(yù)測，利用ARIMA模型對各路線的貨運(yùn)量進(jìn)行擬合，各條線路的貨運(yùn)量，模型的R2值良好，對貨量的預(yù)測有便于各路線對貨量的暴增和突跌作好準(zhǔn)備工作。

建立用熵權(quán)法模型來對網(wǎng)絡(luò)新增物流場地及線路的重要性和合理性進(jìn)行相應(yīng)評價，通過對劃分?jǐn)?shù)值的對比求得新增網(wǎng)絡(luò)的合理性規(guī)劃數(shù)值，對合理數(shù)值區(qū)間內(nèi)的結(jié)論進(jìn)行整合，并入優(yōu)化結(jié)集作為預(yù)存最優(yōu)解。在熵權(quán)法模型基礎(chǔ)上使用Floyd算法對客觀加權(quán)值進(jìn)行賦權(quán)運(yùn)算，尋找優(yōu)化新址節(jié)點(diǎn)，使用前者判定模型進(jìn)行合理判定，將合理判定范圍內(nèi)的優(yōu)解加入最優(yōu)化解，在優(yōu)化場地和線路范圍內(nèi)進(jìn)行更優(yōu)化地址選取，最終獲得完整可靠的優(yōu)化物流網(wǎng)絡(luò)模型。

3 模型評價與推廣

3.1 模型的評價

ARIMA模型在預(yù)測未來貨物量方面誤差值較低，整體模型隨時間變化預(yù)測相對穩(wěn)定，表示模型具有較高的預(yù)測準(zhǔn)確性。使用物流推薦方法增加物流站點(diǎn)后，網(wǎng)絡(luò)魯棒性可明顯提高。通過新增物流站點(diǎn)的方式提高了貨物流動效率，使用衛(wèi)星站點(diǎn)的方式充分有效調(diào)動貨物，加強(qiáng)了整體物流網(wǎng)絡(luò)的魯棒性，適用范圍廣。

整體模型預(yù)測能力強(qiáng)，計(jì)算方法優(yōu)化簡潔，同時模型構(gòu)思新穎，通過建立不同的優(yōu)化數(shù)學(xué)模型來分析求解多約束條件問題的最優(yōu)解。一定程度上模型的優(yōu)化解準(zhǔn)確合理。

3.2 模型的應(yīng)用

可以幫助物流公司合理規(guī)劃貨物運(yùn)輸路線和站點(diǎn)設(shè)置，提高物流效率和服務(wù)質(zhì)量。

根據(jù)ARIMA模型預(yù)測的貨物量，制定更加合理的貨物配送計(jì)劃，優(yōu)化車輛調(diào)度和路線規(guī)劃，降低配送成本和時間成本，提高配送效率。根據(jù)ARIMA模型預(yù)測的貨物量，優(yōu)化庫存管理策略，確保庫存水平與市場需求匹配，降低庫存成本和資金占用成本。并且通過預(yù)測可幫助物流公司做好應(yīng)急響應(yīng)和風(fēng)險管理的工作，一定程度上應(yīng)對市場波動和突發(fā)事件。可以較好地利用模型對復(fù)雜性的工程問題進(jìn)行簡化求解，但當(dāng)前模型整體上的參考變量系數(shù)較少，有一定局限性。本題模型在整體工程范圍內(nèi)運(yùn)用較為廣泛。