【已更新】2025妈妈杯mathercup数学建模挑战赛D题数学建模思路代码文章教学短途运输货量预测及车辆调度问题

完整内容请看文章最下面的推广群

先进行问题一代码和可视化的展示、再给出完整的思路

问题1：通过时间序列或机器学习模型预测货量，并按历史分布拆分到10分钟颗粒度。
问题2：基于货量生成运输需求，用贪心算法或整数规划优化车辆调度。
问题3：调整装载量和时间参数，重新优化调度，并决策是否使用标准容器。
问题4：通过模拟偏差分析影响，提出鲁棒性改进策略。

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from statsmodels.tsa.arima.model import ARIMA
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 1. 数据加载与预处理
def load_data():
    # 假设数据已加载为DataFrame
    df_hist = pd.read_excel('附件2.xlsx')  # 历史10分钟颗粒度数据
    df_known = pd.read_excel('附件3.xlsx')  # 预知货量
    df_routes = pd.read_excel('附件1.xlsx')  # 线路信息
    
    # 转换时间格式（修正错误的关键步骤）
    if not pd.api.types.is_datetime64_any_dtype(df_hist['分钟起始']):
        df_hist['分钟起始'] = pd.to_datetime(df_hist['分钟起始']).dt.time
    
    # 合并数据
    df_hist = pd.merge(df_hist, df_routes, on='线路编码', how='left')
    return df_hist, df_known

# 2. 特征工程（修正版）
def create_features(df):
    # 直接从time对象提取特征
    df['小时'] = df['分钟起始'].apply(lambda x: x.hour)
    df['分钟'] = df['分钟起始'].apply(lambda x: x.minute)
    df['是否高峰时段'] = df['小时'].apply(lambda x: 1 if x in [6, 14] else 0)
    
    # 线路特征标准化
    if '在途时长' in df.columns:
        df['在途时长_norm'] = (df['在途时长'] - df['在途时长'].mean()) / df['在途时长'].std()
    return df

# 3. 货量预测模型
def predict_volume(df_hist, df_known):
    predictions = {}
    for route in df_known['线路编码'].unique():
        # 获取线路数据
        route_data = df_hist[df_hist['线路编码'] == route].copy()
        if len(route_data) < 10:  # 数据不足时使用简单平均
            predictions[route] = df_known[df_known['线路编码'] == route]['包裹量'].mean()
            continue
            
        # 时间序列预测
        try:
            ts_model = ARIMA(route_data['包裹量'], order=(1,1,1))
            ts_result = ts_model.fit()
            forecast = ts_result.forecast(steps=1)[0]
        except:
            forecast = route_data['包裹量'].mean()
        
        # 机器学习预测
        X = route_data[['小时', '分钟', '是否高峰时段', '在途时长_norm']]
        y = route_data['包裹量']
        if len(X) > 20:  # 足够数据才训练模型
            X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
            rf = RandomForestRegressor(n_estimators=50)
            rf.fit(X_train, y_train)
            ml_pred = rf.predict(X_test.mean().values.reshape(1,-1))[0]
        else:
            ml_pred = y.mean()
        
        # 融合预测
        final_pred = 0.7 * forecast + 0.3 * ml_pred
        predictions[route] = max(0, round(final_pred))
    
    return predictions

# 4. 10分钟颗粒度拆解
def disaggregate_to_10min(total_volume, route_data):
    # 获取该线路的时间分布
    time_dist = route_data.groupby('分钟起始')['包裹量'].mean()
    time_dist = time_dist / time_dist.sum()
    
    # 生成完整时间区间
    time_slots = pd.date_range("00:00", "23:50", freq="10min").time
    time_dist = time_dist.reindex(time_slots, fill_value=0)
    time_dist = time_dist / time_dist.sum()  # 重新归一化
    
    # 按比例分配
    disaggregated = (time_dist * total_volume).round().astype(int)
    diff = total_volume - disaggregated.sum()
    if diff != 0:
        max_idx = disaggregated.idxmax()
        disaggregated.loc[max_idx] += diff
    return disaggregated

# 主执行流程
if __name__ == "__main__":
    # 加载数据
    df_hist, df_known = load_data()
    df_hist = create_features(df_hist)
    
    # 预测总货量
    predictions = predict_volume(df_hist, df_known)
    
    # 示例：拆解特定线路
    target_route = "场地3 - 站点83 - 0600"
    route_data = df_hist[df_hist['线路编码'] == target_route]
    disagg_result = disaggregate_to_10min(predictions[target_route], route_data)
    
    # 可视化
    plt.figure(figsize=(12, 5))
    disagg_result.plot(kind='bar', color='#1f77b4')
    plt.title(f'线路【{target_route}】10分钟颗粒度货量分布预测', fontsize=14)
    plt.xlabel('时间区间', fontsize=12)
    plt.ylabel('包裹量', fontsize=12)
    plt.xticks(rotation=45, fontsize=8)
    plt.grid(axis='y', linestyle='--', alpha=0.7)
    plt.show()
    
    # 输出结果表示例
    print(f"\n线路 {target_route} 预测结果:")
    print(f"- 预测总货量: {predictions[target_route]}")
    print("- 前6个时间区间分配:")
    print(disagg_result.head(6))

问题1：货量预测模型
目标：预测未来1天各条线路的货量，并将每条线路的总货量拆解到10分钟颗粒度。
步骤：
数据预处理：
整理附件2（历史实际包裹量）和附件3（预知货量）的数据。
检查并处理缺失值、异常值等。

特征工程：
时间特征：提取日期、发运节点（6点和14点）、是否为工作日等。
历史货量特征：过去几天的货量均值、方差、趋势等。
预知货量特征：当前已知的货量数据。

模型选择：
时间序列模型：如ARIMA、SARIMA，适用于具有明显时间依赖性的数据。
机器学习模型：如随机森林、XGBoost，可以整合多种特征进行预测。
组合模型：结合时间序列和机器学习模型的优点，例如使用时间序列模型预测趋势，再用机器学习模型修正残差。

货量拆分：
根据历史数据中10分钟颗粒度的货量分布规律，将预测的总货量按比例拆分到每个10分钟区间。
可以使用历史分布的平均比例或动态调整比例。

模型验证：
历史数据进行交叉验证，评估模型的预测精度（如MAE、RMSE等指标）。
调整模型参数以优化预测效果。

结果输出：
输出每条线路的总货量预测值及10分钟颗粒度的货量分布。

数学模型：
时间序列模型（如ARIMA）：
ϕ(B)∇dXt=θ(B)ϵtϕ(B)∇dXt​=θ(B)ϵt​
其中，ϕ(B)ϕ(B)和θ(B)θ(B)是滞后算子多项式，∇d∇d是差分算子，ϵtϵt​是白噪声。

机器学习模型（如XGBoost）：
y^{=∑k=1Kfk(x),fk∈Fy}​=k=1∑K​fk​(x),fk​∈F
其中，fkfk​是决策树，FF是函数空间。

问题2：运输需求及车辆调度
目标：根据货量预测结果，确定运输需求（发运车辆数、发运时间、串点方案），并调度车辆以优化自有车周转率、车辆均包裹和总成本。
步骤：

运输需求生成：
将10分钟颗粒度的货量累计，当累计货量达到车辆满载量（1000个包裹）时生成一个运输需求。
对于剩余不足一车的货量，考虑与邻近线路的货量合并（串点），串点线路不超过3个。

车辆调度：
自有车辆调度：
计算每辆车的可用时间窗口。
按发运时间顺序分配运输需求，确保时间衔接：
tprev+t装车+t在途×2+t卸车<tnexttprev​+t装车​+t在途​×2+t卸车​<tnext​

优先使用自有车辆，无法满足时使用外部车辆。
外部车辆调度：剩余需求由外部车辆承运。

优化目标：
最大化自有车周转率：
自有车周转率=自有车承运总需求数车队自有车辆数自有车周转率=车队自有车辆数自有车承运总需求数​

最大化车辆均包裹：
车辆均包裹=车队承运总包裹量自有车辆数+外部车辆数车辆均包裹=自有车辆数+外部车辆数车队承运总包裹量​

最小化总成本：
总成本=自有固定成本+自有变动成本+外部总成本总成本=自有固定成本+自有变动成本+外部总成本

算法选择：
贪心算法：按时间顺序分配车辆。
整数规划：将问题建模为车辆路径问题（VRP），使用优化工具求解。

数学模型：

车辆调度约束：
∑jxij≤1,∀i(每辆车最多分配一个需求)
其中，xij​表示车辆从需求i到需求j的分配，Tij是需求之间的时间间隔。

问题3：标准容器的影响
目标：在装车/卸车时间缩短至10分钟、装载量降至800个包裹的条件下，重新优化运输需求和车辆调度。
步骤：
调整运输需求：
车辆装载量调整为800个包裹，重新生成运输需求。

装车/卸车时间缩短为10分钟，可能增加车辆周转次数。

车辆调度优化：
重新计算时间衔接约束：
tprev+t装车+t在途×2+t卸车<tnext
比较使用标准容器前后的成本、周转率和车辆均包裹，选择最优方案。

决策输出：
输出是否使用标准容器的标志。

数学模型：
与问题2类似，调整装载量和时间参数。

问题4：预测偏差的影响评估
目标：评估货量预测偏差对调度结果的影响。
步骤：
偏差模拟：
假设预测货量与实际货量存在一定比例的偏差（如±10%）。
生成多组偏差数据，模拟实际场景。

影响分析：
重新运行调度模型，计算偏差后的自有车周转率、车辆均包裹和总成本。
比较与原始结果的差异，分析偏差对调度的影响。

鲁棒性改进：
提出缓冲策略（如预留部分车辆资源）以应对预测偏差。

数学模型：
敏感性分析：
Δ指标=f(预测货量×(1+δ))−f(预测货量)
其中，δ为偏差比例，f为调度模型。