链上镖师 / Chain Biaoshi
EJOR|出口集装箱到仓时间建议：数据驱动随机优化
面向货运平台的司机准点性、仓库停留时间和双边时间成本权衡
这篇论文把出口集装箱货运平台的到仓时间建议建成数据驱动随机优化问题，用司机准点性和仓库停留时间分布来降低出口商与司机的预期时间成本。
- 01：研究对象是出口集装箱全车运输中，平台在派单后给司机建议到达仓库的时间。
- 02：核心难点来自司机实际到达偏差、仓库等待与装货停留时间的不确定性，以及平台无法掌握出口商完整排队规则。
- 03：论文提出ATSM框架，结合特征匹配和残差分布两类策略构造预测分布，再实时求解单目标或双目标到达时间建议。
- 04：真实数据实验显示，相对历史决策，ATSM在不同参数设定下可将平均总时间成本降低2.95%至7.58%。
研究背景
出口集装箱运输平台把出口商订单和分散车队容量连接起来。派单完成后，司机通常需要长距离前往出口商仓库，再等待装货并驶向港口或堆场。平台可以在任务开始前给司机一个建议到达时间，这个时间会影响出口商等待、司机早到排队和晚到后的服务衔接。
来源：Fig. 1。出口集装箱运输流程与到达时间建议节点，说明平台要优化的是司机到仓时点。
论文关注的是单次提货、满载集装箱、派单后到仓的场景。出口商希望司机不晚于要求开始装货时间到达，司机希望减少早到等待和仓内停留。两类时间成本存在方向相反的变化，平台要在双边满意度之间做实时决策。
来源：Fig. 2。历史数据中的司机准点偏差与要求装货时间后的停留时长分布，展示到达和停留的不确定性。
核心问题
现有平台实践中，建议到达时间常常直接等于出口商要求开始装货时间，少数任务由人工按经验调整。这个做法没有把司机路上波动、仓库排队、服务时间和司机耐心差异放进同一个决策模型，容易造成出口商等车和司机长时间等待。
论文的决策变量是新订单的建议到达时间，目标是最小化出口商预期时间成本与司机预期时间成本的加权和，或给出两项目标下的帕累托可选方案。
来源：Fig. 5。不同要求装货开始时段下的准点性和停留时间分布，说明装货时段会改变预测分布。
- 出口商成本来自司机晚于要求开始装货时间的等待损失。
- 司机成本包含早到等待、装货后超出容忍时间的停留，以及晚到后的仓内停留。
- 平台只掌握自身历史任务、司机、仓库和天气等局部数据，需要在信息不完整条件下给出建议。
方法框架
ATSM把到达时间建议拆成三步：先从历史任务数据库中整理司机准点性、早到或准点后的停留时间、晚到后的停留时间；再通过Lasso选择对三类随机变量有解释力的特征；最后为新任务构造预测分布，并求解随机规划得到建议到达时间。
来源：Fig. 4。ATSM的数据驱动决策框架，覆盖历史数据、特征选择、预测分布构造和实时优化。
1Phase I：整理历史任务、司机、仓库、天气、装货时段和停留记录。
2Phase II：用LassoCV为准点性、早到停留和晚到停留筛选特征。
3Phase III：用特征匹配或残差分布构造预测PDF与CDF，并求解建议到达时间。
来源：Fig. 3。到达偏差与停留时间变量之间的相关性较低，支撑分别推断准点性与停留分布。
来源：Table 5。LassoCV特征选择与回归结果，显示进入预测的天气、星期、仓库、时段和历史行为特征。
案例或实验设置
实证部分使用一家大型出口集装箱货运平台的真实历史数据。模型在测试任务上比较历史决策、预测后优化方法、特征匹配策略和残差策略，并在多组权重、早到容忍和晚到容忍参数下检查结果稳定性。
来源：Table 7。敏感性分析使用的八个参数场景，用于比较权重和容忍参数变化下的模型表现。
论文还把单目标问题解释为带有早到和晚到特定固定期望成本的新型报童问题。对于正态分布、分段仿射密度、分段仿射分布函数和离散分布，作者给出可精确求解的算法；双目标版本则用于生成平台可选择的帕累托到达时间集合。
结果分析
主要实验结论是，直接用点预测再优化会忽略成本函数中的非线性和不连续结构，分布驱动的ATSM能更好利用司机准点性和停留时间的不确定性。摘要报告显示，在不同参数设定下，ATSM相对历史决策可降低平均总时间成本2.95%至7.58%。
来源：Table 6。不同到达时间建议方法的成本结果对比，是论文验证ATSM有效性的主结果。
来源：Fig. 11。不同场景下方法表现与成本改善对比，展示ATSM在多类参数设定中的收益。
平均总时间成本降幅
2.95%-7.58%
相对历史决策，来自论文摘要
可解释特征来源
天气、星期、仓库、时段、历史行为
由LassoCV筛选进入预测
管理启示
对平台运营者来说，到达时间建议可以成为派单后的细粒度运营工具。平台掌握的历史任务、司机行为和仓库停留数据，能够转化为面向单个新任务的分布预测，从而减少一刀切到仓建议带来的等待和晚到成本。
来源：Fig. 13。不同成本改进幅度区间下的任务占比，说明成本改善在任务层面的覆盖范围。
✓对高波动仓库和高波动时段，平台应优先使用分布型到达时间建议。
✓对出口商和司机权重不同的业务线，双目标版本可提供多组帕累托候选到达时间。
✓当平台缺少出口商完整排队规则时，自有历史数据仍可支撑可解释的实时建议。
这篇论文的价值在于把货运平台派单后的一个小时间点，转化为可由历史数据、预测分布和随机优化共同驱动的运营决策。
论文：Data-driven Arrival Time Suggestion for Drivers in Trucking Platform of Export Containers
作者：Zhen Tan，Ziyi Zhong，Zhehua Liu，Hao Luo，Jie Yu，Huan Jin
期刊：European Journal of Operational Research
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
