C 题 物流网络分拣中心货量预测及人员排班
2023年的妈妈杯c题我们完整的模型新颖性、准确度都非常不错，先跟大家详细说下2024年c题的思路，最后会展示下我们23年的成果。
问题一：货量预测
分析思路：
- 将数据按照分拣中心和日期进行排序，确保时间序列的连续性。
- 分析每个分拣中心的货量时间序列，包括趋势等特征。
- 基于时间序列的特性选择适当的预测模型，如ARIMA、长短期记忆网络（LSTM）
进阶模型：季节性ARIMA（SARIMA） CNN-LSTM等。 - 利用整个数据集重新训练模型，预测未来一段时间内的货量，并分析可能的影响因素。
问题二：小时级货量预测
分析思路： - 模型更新：需要额外考虑将小时信息融入模型，选择能够处理高频数据的模型，如SARIMA模型加上外部变量或使用LSTM模型。
- 细粒度预测：模型训练后，进行小时级的货量预测。
- 依据新线路，重新分配货量，匹配得到结果。
问题三四：分拣中心间技术分配分析
分析思路： - 网络构建：将分拣中心视为网络中的节点，货量流动视为有向边，构建一个有向图来表示整个物流网络。
- 网络分析：计算网络中节点的度、中心性等指标，识别关键的分拣中心。同时，分析货量流动的模式。
- 需求分析：根据提供的工作时长要求，确定每个工作日所需的最小员工数。例如，工作日每天需要90个工时，若一个人工作7小时，则至少需要13人（因为 90÷7≈12.8690÷7≈12.86）。
排班规则制定：考虑到员工的工作和休息需要，排班系统要确保员工不会连续工作超过5天，并在之后至少连续休息2天。
模型构建：这是一个典型的约束优化问题，可以使用线性规划、整数规划或者启发式算法来解决。
算法设计：设计一个算法（如遗传算法、模拟退火等），在满足上述工时需求和排班规则的情况下，生成一个合理的排班计划。
方案优化：在排班方案的基础上，进一步优化，比如减少人员的工作日波动、确保工时的公平分配等。
##内容获取
##【腾讯文档】2024妈妈杯助攻合集
https://docs.qq.com/doc/DVWtKSFhTbnJ6Rm9V
23年内容展示：
问题二模型假设:
假设每年间快递配送量存在规律性，即可忽视年份。
假设每年间快递配送量存在规律性，即可忽视年份。
假设2023年DC5收发货时，其对应的收发货场地与2021年相同。
假设每年1月每日的货量差别不大，进行一整个月中每天的分析时可以等价于对一整个月的数据进行分析。
第二问：
1.数据处理
1找出2021、2022年1月内与物流场地DC5相关的点，有两个情况，DC5为发货点(场地1)，DC5为收货点(场地2)。场地1为5时，场地2为:3，9，10，12，14，21，22，23，35，36，40;场地2为5时，场地1为:3，7，8，9，10，12，13，14，15，17，19，20，21，22，23，25，26，28，30，31，34,35，36，37，38，40，41，42，43，44，45，46，47，48，49，50，51，55，56，58，67，71，72，73。
2利用2021和2022年的1月份数据，使用第一题的模型，预测2023年1月数据。这里我们假设2023年DC5收发货时，其对应的收发货场地与2021、2022年相同。预测结果出来后，如果一个点既向DC5发送货物又向DC5接收货物，则将这两个值相加，称为这条线路的总货量。最终得到与DC5相关的场地，共44个。其中还可以得到这44个点与DC5这条线路的总货量。44个场地均必为发货地，其中3，9，10，12，14，21，22，23，35，36，40共11个场地既是发货地又是收货地。
3根据我们的模型假设和题目要求，我们需要预测从2023年1月1日开始的相关线路货量，首先处理预测集数据。我们统计这44个场地与DC5在2021、2022年1月的总货量，我们使用这44个总货量数据进行贝叶斯神经网络预测。由于44个数据量略大，而两两数据间存在着明显的差距，而我们要尽力使所有包裹正常流转，即使做不到也要尽可能减少未能正常流转的包裹日累计总量。因此我们删除总货量小于1000的线路，线路数从44个减为34个，方便了我们贝叶斯神经网络的建立。
此时已经筛选了需要进行训练的数据，而小样本的神经网络模型预测我们通常选择基于贝叶斯算法的神经网络预测模型，这里给大家提供贝叶斯神经网络预测模型构建的写法，都是之前我们团队原创优秀作品里的内容.
2. 基于贝叶斯算法的神经网络模型建立
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
预测的可视化见附件，图1-4
添加图片注释，不超过 140 字（可选）
以下内容为问题二数据和图表待补充部分：
第二问完整结果后续会给出
32023年1月与DC5相关场地情况
接下来得到数据以后开始做以5点为中心的邻接矩阵，画出平凡图，根据均衡调度原则进行分配。构建邻接表
添加图片注释，不超过 140 字（可选）
4.2023年1月删除DC5后相关场地情况
此时删去5点，将与之相连的边上的权值均匀的分配到其他点上，具体分配方法如下:根据分配后的情况生成新的不带5点邻接矩阵
根据新的邻接矩阵生成新的无向带权图，如图所示
5.结果
由上可知，我们的分流方案可使DC5关停后的相关货量正常流转，因DC5关停导致货量发生变化的线路数为34条，网络负荷情况变化情况如“第二问邻接矩阵”所示(表格略大，可以在正文展示一部分，完整版放于附录，在正文提及即可)。
至此分配完成，结束问题二部分