| Team Number : | Mathorcup |
| Problem Chosen : | D |
短途运输货量预测及车辆调度问题
短途运输存在于物流网络的最后环节，是在同城或同省的末端场地之间进行，即将货物从末分拣点发往营业部。此环节有着运输距离短、资源可复用、时效重点保障的特点。由于处于网络末端环节，短途运输对每个包裹的履约时效及客户体验有着十分重要的作用；同时，该环节也占有着大量的运力资源，对运输活动的合理优化也可以显著提升运输效率，降低运输成本。针对问题1，首先对数据进行预处理，
问题1需要预测未来1天各条短途线路的货量，并将预测的货量拆解到10分钟颗粒度。首先对数据进行预处理，对数据集的异常值进行处理，并在建模的过程中进行归一化操作。由于数据是时序性的，对比LSTM和XGboost的误差与运行效率，选择机器学习模型XGboost作为货量预测模型。最终将预测结果填写在表格当中。
问题2的目标是基于预测的货量数据，进行车辆调度，确保每条线路的需求能够得到满足，并尽量减少总成本。主要涉及多目标和优化约束，使用整数规划来建立和求解这个问题。
问题3主要是为了在现有调度模型的基础上，引入一种新的标准容器，来提升自有车辆的利用率，并评估其对运输效率的影响。优化目标与问题2相同，即通过整数规划来最小化总成本，同时加入是否使用标准容器的决策变量，来确保在最小化运输成本的同时提升自有车辆的利用率。最终，通过模型计算出每条线路的发运车辆数量及是否使用标准容器，并将这些结果应用到调度模型中。
问题4是分析评估货量预测出现偏差时，对调度模型优化结果的影响。在问题4中，我们评估了货量预测误差对调度模型优化结果的影响。通过对货量进行不同幅度的扰动（分别增加和减少20%），进行敏感性分析，分析货量波动对总成本和车辆调度的影响。
关键词：XGboost，多目标优化，整数规划，优化约束，敏感性分析
一、问题求解与分析
4.1 问题1求解与分析
4.1.1 问题1分析
针对问题1，需要预测未来1天各条短途线路的货量，并将预测的货量拆解到10分钟颗粒度。首先对数据进行预处理，对数据集的异常值进行处理，并在建模的过程中进行归一化操作。由于数据是时序性的，对比LSTM和XGboost的误差与运行效率，选择机器学习模型XGboost作为货量预测模型。最终将预测结果填写在表格当中。
4.1.2 问题1建模与求解
1、数据预处理
针对我们给出的附件的数据，首先要做的就是对数据进行预处理操作。需要对附件中的“预知货量”数据进行清洗和归一化处理。对于数据中的异常值（如发运异常或包裹取消），可以使用滑动窗口法或者数据平滑技术来降低其影响。然后拆解至10分钟颗粒度，将每日的货量预测结果按时间段拆解，可以使用线性插值法或者根据历史数据的时段分布，使用加权平均法进行拆分。
表1
| 字段名称 | 附件1缺失值 | 附件2缺失值 | 附件3缺失值 |
| 线路编码 | 0 | 0 | 0 |
| 起始场地 | 0 | — | — |
| 目的场地 | 0 | — | — |
| 发运节点 | 0 | — | — |
| 车队编码 | 0 | — | — |
| 在途时长 | 0 | — | — |
| 自有变动成本 | 0 | — | — |
| 外部承运商成本 | 0 | — | — |
| 日期 | — | 0 | 0 |
| 分钟起始 | — | 0 | — |
| 包裹量 | — | 0 | 0 |
从表1可以看出，所有附件中的字段均无缺失值，数据完整性良好。接下来对数据的异常值进行检测并删除，采用IQR方法，其核心思想是通过数据分布的离散程度来识别潜在的异常点。具体而言，IQR方法首先将数据集按大小排序，并计算其第一四分位数（Q1，即25%分位数，表示有25%的数据小于该值）、第三四分位数（Q3，即75%分位数）以及两者的差值（IQR = Q3 - Q1，反映中间50%数据的分布范围）。随后，通过设定一个经验性阈值（通常为1.5倍IQR），定义正常数据的合理边界：下限为Q1 - 1.5×IQR，上限为Q3 + 1.5×IQR。任何落在该区间外的数据点即被视为异常值。
随后对其进行归一化操作，这里采用最小最大归一化操作，将数据压缩到指定的范围（通常是0 到 1 ）。数学公式如下：
其中，
是原始数据点，
和
是数据集
中的最小值和最大值，
是归一化后的值。
从图1-图4可以看出清洗之后的数据集（如附件3变量包裹量）的分布情况，图5是采用seaborn的热力图分析，观察数据的分布情况，便于后续选择合适的方法进行分析与建模。
其中，
是核函数（通常用高斯核），
是带宽参数，
是数据点的数量
问题一的目标是建立一个货量预测模型，预测未来1天内各条短途线路的货量，并将这些预测结果拆解到10分钟颗粒度。具体的求解过程如下。由于数据是时序性的，对比LSTM和XGboost的误差与运行效率，选择机器学习模型XGboost作为货量预测模型。GBoost 是一种高效的梯度提升算法，专为速度和性能而设计，常用于机器学习比赛和实际应用。XGBoost 是 Gradient Boosting Machine (GBM) 的改进版本，其主要优势在于处理大规模数据集时表现出色，同时支持正则化来防止过拟合。X
使用训练好的模型来对未来一段时间内的包裹量进行预测。模型将利用预知的未来包裹量数据（附件3）作为输入，对未来的包裹量进行调整。最后，将模型预测的结果填充到结果表1和结果表2中，分别填充“货量”和“包裹量”数据。
表2 结果表1部分数据
| 场地3 - 站点83 - 0600 | 2024-12-16 00:00:00 | 4604.35473 |
| 场地3 - 站点83 - 1400 | 2024-12-16 00:00:00 | 911.126255 |
表2 结果表2部分数据
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 21:10:00 | 111.6857203 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 21:20:00 | 80.11741293 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 21:30:00 | 139.480292 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 21:40:00 | 39.52683944 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 21:50:00 | 29.50406848 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:00:00 | 72.84888563 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:10:00 | 166.1219747 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:20:00 | 127.367296 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:30:00 | 75.10632163 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:40:00 | 92.73864651 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 22:50:00 | 15.09804921 |
| 场地3 - 站点83 - 0600 | 2024-12-15 00:00:00 | 23:00:00 | 176.5187485 |
4.4.3 问题4结果分析
在问题4的分析中，我们通过货量的变化（±20%）对调度模型的影响进行评估。结果显示，当货量增加20%时，总成本显著增加至69,300元，增加了8,400元。这主要是由于更多的车辆需求，尤其是外部承运商车辆的增加。与此同时，自有车数量略有减少，从107辆减少到106辆，而外部车数量则从502辆增加到587辆，说明货量增加时依赖外部承运商的需求大幅上升。
相反，当货量减少20%时，总成本下降至53,400元，减少了7,500元。此时，自有车和外部车的数量均有所减少，自有车数量减少至104辆，外部车数量降至430辆。这表明货量减少能够有效降低车辆需求，从而优化成本结构。
表5
| 情景 | 总成本（元） | 自有车数量 | 外部车数量 | 成本变化（元） |
| 原始数据 | 60,900 | 107 | - | |
| 增加20%货量后 | 69,300 | 106 | 587 | |
| 减少20%货量后 | 53,400 | 430 | -7,500 |
扫一扫
1013
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
