当某机构宣布将购买10万辆定制电动送货汽车作为《气候宣言》的一部分时，其物流研究组织内的一支科学家团队承担起一项挑战：确定部署这些车辆的最佳战略。该团队正在基于模拟某机构发货量以及各城市电力可用性等外部参数的复杂模型，制定一项逐步实现整个车队电气化的计划。
这只是该物流研究科学团队正在处理的与“最后一公里”配送相关的众多项目之一。顾名思义，“最后一公里”是指产品到达客户家门前的最后一段旅程。该团队开发模型来预测单条路线的 shipments per route (SPR) 及其分布，即特定城市某天（未来数周至数年）单个司机平均配送的包裹数量。这些模型有助于预测为满足预期需求，公司应购买的货车数量及不同尺寸。
“通过我们开发的这些复杂模型，我们一直在影响着公司在车辆、配送服务合作伙伴及其司机方面的投资，”该机构的一位首席研究科学家表示。
当一切都在变化时如何预测
鉴于某机构运营的动态特性，开发这些模型涉及多项科学挑战。
“其中一个挑战是我们的业务量持续增长。通常，随着业务量增长，每条路线的 shipments per route 也会增加，但并非线性增长，”该团队的一位高级研究科学家解释道。新的配送站频繁启用，导致每个配送站覆盖的地理区域发生多次变化。配送站可能引入不同类型的车辆并调整其运营时间，这也会影响其配送能力。此外，道路网络也会发生变化，从而影响驾驶时间。
团队的科学家必须开发能够处理这种多变性和复杂性的模型。为此，他们采用一种从邮政编码级别开始的“自下而上”的方法。“这奠定了一个基础，使得配送站管辖范围的任何变化都能被直接纳入考量，”这位科学家表示。
纯机器学习方法是不够的，因为团队经常需要基于没有训练数据可用的新场景进行预测。为了弥补训练数据的不足，团队开发的模型结合了机器学习和基于物理的模型，后者具有优化组件，有助于将新变量考虑在内。
例如，如果某机构的一个配送站之前只使用中小型货车，现在增加了一辆大型货车，那么就没有训练数据可以提供给模型。“但由于模型的核心使用了分析和优化组件，我们仍然可以预测大型货车的 shipments per route，”该科学家表示。
“如果你考虑一个机器学习模型，通常插值（interpolating）非常容易。但是，在我们的案例中，我们通常想要外推（extrapolate），因为我们的业务量总是在增长，”一位某机构学者兼某大学教授表示。“在机器学习中，通常不建议使用历史数据进行外推，因为你过去没有见过这些情况。”
这位学者指出，这正是基于物理的模型派上用场的地方，尽管纯物理模型也行不通，因为为了获得一个可解析求解的模型，需要做出太多简化假设。“从某种意义上说，我们希望两全其美。我们都想要能够充分代表观测结果的模型，但我们也希望在未观测到的情况下能够进行外推。”
团队应对参数不断变化情况的另一个策略是反复运行同一个模型，以进行某种“航向修正”。“只需每月运行一次模型，这样所有变化的参数都能被模型学习到，然后你就能始终获得预期的最新、最准确的图景。这样，你就拥有了一个能处理各种情况的好模型，即使是那些不存在数据的情况，”该首席科学家表示。
这个科学团队与一线人员（无论是在配送站内还是在路上的工作人员）紧密合作，以完善这些模型。他们定期访问配送站，并一有机会就采访司机。“我们会走访配送站并跟车体验，以便与业务的发展保持同步，”一位团队成员表示。
在一次这样的会议中，该学者提到，配送站员工表示他们的实际结果与模型预测不同。“我们重新审视了设计，查看了代码和他们得到的数据，并深入研究了导致问题的原因。”他们意识到该配送站开始向一个新的邮政编码区域配送，但配送方式与之前的配送站不同。这解释了模型观测结果与实际数据之间的差异。与运营部门的紧密联系使他们能够识别问题并调整模型。
应对新冠疫情的干扰
对于像车辆采购这样的重大决策，该物流研究科学团队会进行为期16个月的预测。然而，当团队预测2020年所需的货车数量时，他们的模型并未考虑新冠疫情。“突然间，包裹需求大增，我们所有的预测基本上都错了，”该首席科学家表示。
他说，当出现此类情况时，团队做的第一件事就是更新预测，将额外增加的业务量纳入其中。他们还进行情景分析，以检查例如已经预算和采购的车辆是否能满足需求。幸运的是，在这种情况下，由于这些决策是提前很久做出的，团队有意地超额预算以应对不确定性。“幸运的是，前一年我们投入了大量资金购买更大的车辆，它们能够吸收额外的包裹量。所以，当我们运行这些预测时，我们发现自己处于一个能够很好地应对此类变化的有利位置，”该首席科学家说。
“我们采用的另一个风险缓解措施是确保配送站内有足够的存储空间，”他表示。“我们确保研究每一个可能的参数，以优化车辆及其在各个城市的配置，以及它们向各个配送服务合作伙伴公司的部署，从而使它们得到最大程度的利用。”
‘许多挑战和有趣的解决方案’
某机构车队的电气化本身就带来了一系列挑战。其中一些包括：如何确保车辆电池在路上不会耗尽电量；如何优化电力和能源消耗；以及如何应对极端天气、长途行驶和多丘陵地区。“随着我们前进，我们将不断学习所有这些方面，每年我们都会提出更多创新来克服任何障碍，”该首席科学家表示。
在他看来，团队中科学家的多样性——包括具有不同背景、行业经验、教育经历和技能的人员——是其成功应对这些未解挑战的原因之一。
“我们团队中有些人极其擅长数据处理。有些团队成员深入了解 SQL 编码，有些则非常精通 Python 编码。其他团队成员在机器学习、优化、纯建模、蒙特卡洛模拟等领域拥有专长，”本身是化学工程师出身并拥有物流经验的首席科学家说道。“通常每个项目有两到三个人参与。这有助于分工合作完成各项任务，并最终为每个人提供从事有价值工作的机会。”
除了团队的专业知识范围广泛外，另一位团队成员表示，团队的另一个成功因素是其协作解决广泛问题的能力。“每个问题都有不同的挑战，有些问题的数学解非常简但实施方面任务繁重，而另一些可能从数学角度来看需要更复杂的模型，但实施起来更容易。”
而且还有更多挑战有待解决。事实上，那位学者表示，他的一些同行尚未完全理解这个研究领域所涉及的挑战。
“很多人认为‘最后一公里’就是解决车辆路径问题。但我们做的远不止于此，”他说。“这里有如此多的挑战和有趣的解决方案，你不能简单地拿来现成的东西，你真的必须边做边发明。这里有巨大的机会去做这件事，而我们能够应对的各种挑战，正是参与这个团队在专业上如此有价值的原因。”
与物流研究科学团队合作 该团队目前正在招聘研究和数据科学家，并欢迎有经验的研究人员考虑申请。FINISHED
