苏宁物流818放了一个大招……

8月18日凌晨1点06分，苏宁易购总裁侯恩龙通公布818实时战报：一个小时，销售同比增长371%，移动端占比接近90%。

购物节订单量的高速增长难免会带来巨大的包裹量 ，同时，对电商企业提供的差异化服务提出更高要求，而物流则首当其冲，一方面需要满足用户更高的服务质量要求，而另一方面电商物流要从成本中心变成利润中心，满足企业运作的效益需求。

面对这个现况，苏宁物流研发运用大数据技术，分析历史数据，预测未来趋势，运用最优化算法来合理调度资源，安排计划，以系统性的提升整体物流运营效率，降低运营成本，从而提升用户体验。

电商物流中决定用户体验的一个核心指标是 时效 ，而决定时效的关键因素就是 运输班车的衔接 。当用户购买商品后，商品是由覆盖用户地址的仓库发货到覆盖用户地址的城市配送中心，再到覆盖用户地址的快递点，最后再这样逐级由快递点配送给用户。

而包裹在这个流转过程中是否顺畅与高效，就完全取决于各个节点班车的衔接和班车频率，而 频率的高低就涉及到成本和时效平衡的问题 。在以前，这些问题都是靠人工经验来判断，这样不仅不够精确，而且因缺乏预见性往往不够及时和高效。

苏宁运用大数据技术，在天眼系统中，研发了 运输路线规划和动态调整系统模块 ，运用人工智能代替传统的调度员决策的模式，优化现有运输网络布局和路线，充分发挥有效的运输生产力， 实现运输里程最短、成本最低、服务时效最优 ，将大大提升苏宁易购平台的物流服务能力。

人工智能优化车辆运输路线

目前，苏宁物流的运输主要分为 干线运输和支线运输 ，干线运输即为物流中心到物流中心的运输，运输模式是将由区域配送中心的货物发往其辐射的城市配送中心，以及同级别的物流中心之间货量相互调拨；而支线运输即为物流中心到快递点的运输，运输模式是将物流中心的货物分派到所辐射的不同的快递点中去。

无论干线运输还是支线运输都存在两种方式， 直发或者中转 ，如果点到点都采用直发的模式，那运输路线的设计就很简单了，但是如果点到点的运输货量需求不大，直发的方式成本太高，则需要采用中转的方式。

例如：A到B每天运输需求500件商品，A到C每天运输需求1000件商品，一辆车可以装货1600件，而B点又正好在A和C的中间，那么我们可以将运输路线设计为每天发一趟车从A到B再到C，采用这个方案既不降低时效，又提高了装载率，降低了成本。

本身这个问题来源于运筹学上经典的 车辆路径问题（Vehicle Routing Problem,VRP）。 该问题最早是由Dantzig和Ramser于1959年首次提出，近年来国内国际上有相当多的学术研究，也发表了很多论文，用于求解此类问题。

但是毕竟企业应用并不等同于学术研究，需要面对更复杂多变的应用场景，首先， 如何确定运输需求？ 正常情况下只有用户下单后，运输需求才算真正确定，而此时距离真正的运输已经只有几个小时，这个时候再去调整运输路线，需要重新安排临时车辆，成本高，管理难度大，很难实施，因而，我们需要 提前预知运输需求 。

另外，预测的运输需求并不能保证100%准确，所以我们需要一套 纠偏机制 ，及时的发现不合理的运输路线，并进行 动态调整 。同时，运输需求并不是一成不变的，因而我们需要定期对现有的路线做评估，当运输需求发生变化时，运输路线也会同步做出调整。因而我们设计了如下的技术方案：

1. 用机器学习算法预测运输货量需求；

2. 根据货量需求规划最优化线路；

3. 建立机器学习模型预判线路货量异常，建立动态模型根据实际货量对运输线路进行调整。

4. 建立路线评估模型，发现不合适的运输路线，及时作出调整。

货量预测算法

运输需求预测的本质就是预测消费者的购买行为 ，但又不完全相同，其中主要不同有以下四点：

1. 我们并不关心消费者实际购买的商品，而只需预测其数量、体积、重量即可；

2. 我们不但需要关注消费行为本身，同时也需要关注由此带来的货物移动需求，例如从哪个仓库发往哪个仓库，发往哪个快递点等；

3. 预测运输需求需要考虑到下单时间，以及由此带来的不同的运输班次；

4. 为了降低路线调整的成本，我们至少需要预测到未来一周到一个月的运输需求；

数据采集和清洗

我们从苏宁的数据仓库中获取到各种与销量和配送量相关的数据，包括订单信息，用户浏览信息，购物车信息，线上和线下的促销计划，商品库存信息等，并对这些数据根据业务规则做处理和清洗。

数据分析和特征选择

对促销、流量等数据进行分析，抽取与销量波动相关的特征变量，将不同的特征变量带入同一有效的模型逐步验证特征变量的有效性；再将相同的特征变量应用到不同的模型中以测试不同模型的效果，并选择效果最佳的特征变量和模型作为销量预测模型。例如：我们选取了一些典型的SKU，对其促销活动数据和发货量数据作分析，发现发货量的异常波动和促销活动之间有极大的相关性。

组合模型的设计

我们使用不同算法对货量需求做预测，发现其各有所长，时间序列算法可以用于拟合相对较平稳的货量需求，但是当配送量大幅波动时，时间序列难以捕捉到其变化；回归算法擅长捕捉各自变量与因变量之间的影响关系，但是当影响因素太多，关系非常复杂时，其拟合准确性又往往难以达到预期。

因而我们对历史配送量曲线做拆分，根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。对非平稳的时间序列数据进行平稳化处理。捕捉其长期趋势和循环变动，再用回归算法预测其残差，将结果组合用于预测货量。