考虑关停仓库的应急物流网络预测与规划研究.docx

考虑关停仓库的应急物流网络预测与规划研究

摘要：物流网络面对突发情况时响应的时性和鲁棒性问题在现代电商物流中已经不容忽视，当某些物流仓库或物流线路停运时，现代物流网络就需要进行紧急调整，何时调整、如何调整是需要解决的两大问题。文章基于J公司现有的物流网络历史数据，通过融合Prophet和SARIMA两种时间序列预测方法对未来各仓库和运输线路的包裹量进行预测，同时基于预测结果对临时关停某些仓库后的物流网络进行重新规划，对实际问题进行建模，利用量子遗传算法进行求解，最终分配各物流线路的货量以达到各线路的工作负荷尽可能均衡、发生变化的物流线路尽可能少以及未能流转包裹的日累计量尽可能少的多个目标。结果显示，最优分配方案使未能正常流转的货物量为0，算法有效且具有一定的鲁棒性。

关键词：应急物流网络；Prophet；SARIMA；量子遗传算法

0??引??言

突发事件一直是对电商企业供应链稳定性的巨大挑战。随着网购形式的不断创新，从传统货架电商到以直播带货为代表的兴趣电商，都会出现促销或直播场次的频繁而导致的短时间内的订单量、包裹量激增的问题。如果物流网络中的某些仓库没有做好事前准备，那么就可能会陷入因爆仓而不得不临时关闭以避免更多包裹进入的不利处境，本应进入该仓库的包裹也会被分流到其他仓库，从而影响其他仓库原有的计划量。所以，应急场景既对对补货量的计划提出了更高的要求，又影响了仓库作业人员的调拨作业，改变了每个仓库和每条运输线路的包裹量。解决上述问题的关键，一方面在于根据历史数据提升预测的准确率，进行事前干预，提前安排运输分拣计划，部署人力设备等资源；另一方面在于通过设计物流网络调整方案，使所有包裹可以正常运输、仓库关停前后发生变化的线路尽可能减少，尽可能地均衡每条线路的工作负荷。

物流网络运输优化是指在物流配送过程中，根据客户需求、运输成本、运输时间、运输方式等因素，选择最合适的运输路线、运输工具、运输节点和运输模式，以提高物流效率、降低物流成本、增强物流服务质量和客戶满意度的过程。物流网络运输优化是物流管理和物流规划的重要内容，也是提高物流竞争力和实现智慧物流的关键环节。

针对物流网络货量的时间序列预测问题，与正常的时间序列问题并无较大区别，只是相对而言受节假日与促销手段的影响更大。目前主流的预测模型是ARIMA、LSTM、Prophet等传统时间序列预测手段，以及神经网络、支持向量机、Transformer等新型机器学习算法。前者的优势是解释性较强，适合对季度的趋势进行有效调整；后者的优势是操作简便，可以发掘潜在的信息，但是计算成本高[1]。目前新型的研究主要是将二者结合进行预测。

针对物流网络的运输分配或优化问题，由于不同条件下物流网络的结构各不相同，因此物流网络的限制条件和优化目标也各有区别。电力资源网络、冷链运输网络、电商物流网络、农产品供应网络和城市配送问题都是研究的热点。对于能完全转换为网络流的简单物流网络，最大流及最小费用算法已经能对完全的网络流问题进行求解。但是真实情况下的物流网络问题需要考虑各个方面的因素，往往不是一个整数线性规划问题，而可能成为np-hard问题[2]。一般而言，采用启发式算法进行求解，常见的有遗传、退火、粒子群优化、蚁群优化等，也有使用模拟软件对运输过程进行仿真[3]。目前该算法被应用于各个领域。例如，李晖等基于梯度统计变异量子遗传算法对车辆路径进行求解[4]；陈芸芸使用量子遗传对神经网络进行优化以预测恶性诊断[5]；闫鹏等改进量子遗传算法优化AGC虚拟电厂调度[6]。

1??问题描述

现代电商企业的配送流程主要围绕仓库展开。图1为传统物流网络结构，包含仓库内的分拣操作、仓库间的运输调拨作业和仓库与消费者间的配送作业。当遇到突发情况或双十一、618等大促时期，单量激增，某些仓库会面临关停状态，就会导致其他仓库和运输线路的单量改变。电商企业J公司目前有M个仓库和N条仓库间的调拨运输线路，每个仓库的最大处理能力和每条运输线路的最大运输能力均假设为历史最大值，记作和。本文希望基于历史数据预测某月的包裹量，并在此基础上若仓库j被临时关停，如何调整设计物流网络方案才能最大限度保证物流网络的正常运行。

2??单量预测

针对物流单量的预测，归根结底是时间序列预测问题，除了要考虑历史数据外，节假日、促销日、季节性、突发情况等因素也不容忽视。时间序列的预测有多种可选的模型，如ARIMA、LSTM、Prophet等，也可以加入SVM、Transformer进行辅助预测。本文尝试了多种模型，最终发现SARIMA和Prophet的预测效果是最好的。Prophet时间序列预测模型能够很好地处理突发情况，捕捉时间序列的非线性趋势和假期效应。而SARIMA时间序列模型可以捕捉时间序列的自相关性和季节相