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(tái)的一個(gè)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(wèn)題也成為各界學(xué)者爭(zhēng)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(wèn)題是十分必要的。

電商物流網(wǎng)絡(luò)是由接貨倉(cāng)、分揀中心、營(yíng)業(yè)部等構(gòu)成的多個(gè)物流場(chǎng)地間的運(yùn)輸線路組成。由于各式促銷(xiāo)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(dòng)或者物流場(chǎng)地的暫時(shí)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(gè)物流網(wǎng)絡(luò)的正常運(yùn)行。

通過(guò)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(cè)模型，給出三條線路預(yù)測(cè)結(jié)果。對(duì)地區(qū)物流網(wǎng)絡(luò)的性能進(jìn)行評(píng)估，為了改善網(wǎng)絡(luò)性能，探討分析新增物流場(chǎng)地應(yīng)對(duì)的方法，提出物流網(wǎng)絡(luò)規(guī)劃意見(jiàn)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(duì)未來(lái)一個(gè)月的線路的貨物數(shù)量進(jìn)行預(yù)測(cè)。宜采用灰色預(yù)測(cè)模型，神經(jīng)網(wǎng)絡(luò)，時(shí)間序列分析，邏輯回歸等模型。本文考慮ARIMA(p, d,q)時(shí)間序列分析模型。為了滿足其對(duì)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(dòng)。通過(guò)ACF和PACF圖像的拖尾和截尾情況來(lái)確定p, d,q的取值。并且對(duì)相關(guān)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化擬合，最終通過(guò)R2來(lái)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(cè)數(shù)據(jù)結(jié)論。

通過(guò)第一部分的物流網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)對(duì)第二部分物流網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)與相關(guān)改進(jìn)意見(jiàn)的提出。本文采取熵權(quán)法。以不同線路和場(chǎng)地的貨運(yùn)量作為指標(biāo)，對(duì)其進(jìn)行歸一化處理，計(jì)算不同線路對(duì)于兩個(gè)連接場(chǎng)地信息熵來(lái)確定該線路對(duì)兩個(gè)場(chǎng)地的重要程度。在重要程度高的兩個(gè)場(chǎng)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(chǎng)地。根據(jù)題目數(shù)據(jù)對(duì)各個(gè)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(duì)地點(diǎn)間的線路加減更新進(jìn)行動(dòng)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(guò)人為對(duì)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(cè)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(duì)數(shù)據(jù)采用時(shí)間序列分析法建立差分自回歸移動(dòng)平均模型(ARIMA),對(duì)各條線路的日運(yùn)貨量進(jìn)行合理性預(yù)測(cè)。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(guò)上述兩個(gè)函數(shù)拖尾和截尾情況，確定出自回歸項(xiàng)p和移動(dòng)平均項(xiàng)數(shù)q, 對(duì)時(shí)間序列成為平穩(wěn)時(shí)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(dòng)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(duì)眾多不可抗力因素影響，對(duì)線路貨量的預(yù)測(cè)就成為一個(gè)亟待解決的重要問(wèn)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(dòng)平均模型，對(duì)后續(xù)調(diào)度工作的進(jìn)行尤為重要。

首先對(duì)數(shù)據(jù)進(jìn)行清洗，使用插值法和刪除法來(lái)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(wú)效值和異常值。

隨后，對(duì)已知相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)觀察發(fā)現(xiàn)時(shí)間序列當(dāng)前值沒(méi)有外界干擾量，而僅由過(guò)去時(shí)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(shí)刻的序列值。

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

再通過(guò)對(duì)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(dòng)平均模型的求解

首先，通過(guò)對(duì)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(shí)，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(shí)，貨量的時(shí)間序列是平穩(wěn)的。

2.1.3 預(yù)測(cè)結(jié)論

結(jié)合前面所建立的預(yù)測(cè)模型，發(fā)現(xiàn)相應(yīng)預(yù)測(cè)結(jié)果存在合理性波動(dòng)，但相對(duì)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(guò)對(duì)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(duì)較小，顯示了模型相對(duì)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(cè)量時(shí)間序列模型的基礎(chǔ)上，對(duì)各線路及場(chǎng)地的重要性進(jìn)行相應(yīng)評(píng)價(jià)，在優(yōu)化選址的基礎(chǔ)上新增物流場(chǎng)地及線路，建立準(zhǔn)確熵權(quán)法模型，對(duì)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(duì)計(jì)算結(jié)果進(jìn)行微形細(xì)分，判斷出各場(chǎng)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(shí)，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(chǎng)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(gè)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(wèn)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(duì)每個(gè)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(shí)需要考慮區(qū)域通達(dá)度和各區(qū)域需求程度，對(duì)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(duì)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(jiǎn)單，尋址效果好，速度快，應(yīng)用廣泛。圖1是尋址過(guò)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(gè)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(jí)中心節(jié)點(diǎn)，同時(shí)以二級(jí)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(jí)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(guò)Floyd算法算得賦權(quán)優(yōu)化節(jié)點(diǎn)路線，并且通過(guò)LDA線性判斷的模型規(guī)范判定，通過(guò)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(kù)。

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(shí)間作為目標(biāo)求解，將地區(qū)權(quán)值加入Dijkstra尋址過(guò)程，通過(guò)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(duì)每一條賦權(quán)路對(duì)比有更優(yōu)化路徑則刪除次解，最終對(duì)路徑進(jìn)行遞歸式回溯，動(dòng)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(duì)于物流貨量預(yù)測(cè)，利用ARIMA模型對(duì)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(duì)貨量的預(yù)測(cè)有便于各路線對(duì)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(lái)對(duì)網(wǎng)絡(luò)新增物流場(chǎng)地及線路的重要性和合理性進(jìn)行相應(yīng)評(píng)價(jià)，通過(guò)對(duì)劃分?jǐn)?shù)值的對(duì)比求得新增網(wǎng)絡(luò)的合理性規(guī)劃數(shù)值，對(duì)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(duì)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(chǎng)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(píng)價(jià)與推廣

3.1 模型的評(píng)價(jià)

ARIMA模型在預(yù)測(cè)未來(lái)貨物量方面誤差值較低，整體模型隨時(shí)間變化預(yù)測(cè)相對(duì)穩(wěn)定，表示模型具有較高的預(yù)測(cè)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(guò)新增物流站點(diǎn)的方式提高了貨物流動(dòng)效率，使用衛(wèi)星站點(diǎn)的方式充分有效調(diào)動(dòng)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(cè)能力強(qiáng)，計(jì)算方法優(yōu)化簡(jiǎn)潔，同時(shí)模型構(gòu)思新穎，通過(guò)建立不同的優(yōu)化數(shù)學(xué)模型來(lái)分析求解多約束條件問(wèn)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(cè)的貨物量，制定更加合理的貨物配送計(jì)劃，優(yōu)化車(chē)輛調(diào)度和路線規(guī)劃，降低配送成本和時(shí)間成本，提高配送效率。根據(jù)ARIMA模型預(yù)測(cè)的貨物量，優(yōu)化庫(kù)存管理策略，確保庫(kù)存水平與市場(chǎng)需求匹配，降低庫(kù)存成本和資金占用成本。并且通過(guò)預(yù)測(cè)可幫助物流公司做好應(yīng)急響應(yīng)和風(fēng)險(xiǎn)管理的工作，一定程度上應(yīng)對(duì)市場(chǎng)波動(dòng)和突發(fā)事件。可以較好地利用模型對(duì)復(fù)雜性的工程問(wèn)題進(jìn)行簡(jiǎn)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。