順豐作為中國及亞洲最大、全球第四大綜合物流服務(wù)提供商,長期以來一直是物流行業(yè)的代表企業(yè)之一。物流,這個看上去依托密集的人工來提升效率的傳統(tǒng)實(shí)體行業(yè),背后其實(shí)蘊(yùn)藏著人工智能、大數(shù)據(jù)、運(yùn)籌等高新技術(shù)。而正是這些技術(shù),讓物流的效率、成本、體驗(yàn),完成了超越人工極限的優(yōu)化。

物流的核心問題之一就是資源與需求的匹配問題,它決定了你能不能準(zhǔn)時收到快件,決定了你的包裹它到底上哪趟車、哪架飛機(jī)、以及由哪個小哥來收派。順豐解決這個問題的關(guān)鍵,則是被稱為[順豐超腦]的順豐智能規(guī)劃調(diào)度平臺。 ??這套大規(guī)模、高復(fù)雜度、鏈路長、涉及線上線下人員與設(shè)備眾多的規(guī)劃調(diào)度平臺,基于海量數(shù)據(jù)以及運(yùn)籌、人工智能等技術(shù),可以前置依據(jù)預(yù)測情況規(guī)劃好相關(guān)小哥、車輛、飛機(jī)的工作計(jì)劃,還可以在快件流轉(zhuǎn)的漫漫旅途中預(yù)測潛在延誤風(fēng)險,并及時推薦智能調(diào)整方案。

簡單來說,這套平臺需要讓你準(zhǔn)時收到包裹,也要讓小哥、車輛、飛機(jī)的工作時間、路徑等方面的安排高效合理,同時盡可能地降低整體的運(yùn)營成本。

歷時8年,[順豐超腦]團(tuán)隊(duì)有怎樣的探索與思考?他們是怎么處理這樣復(fù)雜的問題的?如何理解數(shù)學(xué)世界與現(xiàn)實(shí)世界?未來的智能規(guī)劃調(diào)度會走向何方?

以下是對話內(nèi)容原文:

“順豐超腦”運(yùn)轉(zhuǎn)全過程

Q1順豐的智能規(guī)劃調(diào)度平臺讓千千萬萬個包裹按時抵達(dá)了收件人手中,可以簡單介紹一下整個平臺是怎么完成這個過程的嗎?

順豐的物流可以大體分為收轉(zhuǎn)運(yùn)派四個主要環(huán)節(jié)。我們就來先分別看一下這四個環(huán)節(jié),我們都主要做了哪些工作吧。

首先是收派,這兩個環(huán)節(jié)是類似但相反的過程。收是小哥從客戶手中攬件并送到網(wǎng)點(diǎn),而派是小哥從網(wǎng)點(diǎn)拿到貨物然后上門送到客戶手中。這兩個過程中涉及的智能化包括小哥的排班、小哥收派區(qū)域的劃分、網(wǎng)點(diǎn)班次的設(shè)計(jì)等。舉個網(wǎng)點(diǎn)班次設(shè)計(jì)的例子吧。為了客戶能準(zhǔn)時收到快件,順豐的車其實(shí)不是“裝滿就發(fā)”,而是“到點(diǎn)就發(fā)”。我們需要給小哥設(shè)計(jì)他們收派的班次,既要兼顧收件的時效要求,又能滿足派件的時效要求,還要和來網(wǎng)點(diǎn)收件、送件的車輛時間能匹配串聯(lián)等等。

其次就到“運(yùn)”了。當(dāng)小哥把快件送到網(wǎng)點(diǎn)后,相關(guān)網(wǎng)點(diǎn)就會按照快件的班次,把快件集中運(yùn)輸?shù)街修D(zhuǎn)場,這就是支線的運(yùn)輸過程。支線運(yùn)輸也會涉及很多智能算法,比如支線的線路規(guī)劃、網(wǎng)點(diǎn)和中轉(zhuǎn)場的選址、車輛、司機(jī)的儲備策略、實(shí)時動態(tài)調(diào)度等。

等送到了中轉(zhuǎn)場,就進(jìn)入了“轉(zhuǎn)”的環(huán)節(jié)。貨物在這里集中分揀,然后被運(yùn)送到它的目的地。這里涉及的智能部分就包含貨量預(yù)測、分揀計(jì)劃的制定、場內(nèi)設(shè)備布置優(yōu)化等問題。

此外,路由規(guī)劃是一個重要的命題。怎么規(guī)劃路由,其實(shí)需要考慮很多問題。比如我從深圳去北京,既可以走航空,也可以走陸運(yùn);我走陸運(yùn)的話,既可以在天津中轉(zhuǎn)一次,也可以直接去北京。什么情況下該發(fā)航空、什么情況下該發(fā)陸運(yùn),這里就涉及航轉(zhuǎn)陸、陸轉(zhuǎn)航的一些轉(zhuǎn)換策略。再比如,貨量突然暴增該怎么辦?我可以選擇臨時調(diào)度更多車來運(yùn)輸這個方向的貨物;也可以修改分揀計(jì)劃,讓一部分貨物先運(yùn)輸?shù)截浟扛俚牧飨蛏先?。在路由?guī)劃中,經(jīng)常牽扯這種到底選擇哪種策略的過程。這里還會涉及資源儲備的策略,比如我們要多少自有資源、多少外包資源,才能在保證整個運(yùn)輸網(wǎng)絡(luò)穩(wěn)定性的同時,以一定的彈性資源應(yīng)對貨量的變化?如果是外包資源,又涉及到智能招采和競價策略了。

最后就是調(diào)度的一些策略了,這些策略主要是做臨時的異常處理,收轉(zhuǎn)運(yùn)派4個環(huán)節(jié),調(diào)度策略都會涉及到。

從規(guī)劃調(diào)度出發(fā),思考直營快遞的挑戰(zhàn)與優(yōu)勢

備選:直營快遞的挑戰(zhàn)與優(yōu)勢:數(shù)據(jù)多、鏈條長與看全局

Q2順豐作為直營快遞的代表,相較于加盟式的快遞,特殊的業(yè)務(wù)場景為智能規(guī)劃調(diào)度的技術(shù)層面帶來了哪些主要挑戰(zhàn)?你們是如何應(yīng)對的?

從我們技術(shù)的角度出發(fā),總體來說直營快遞在技術(shù)層面是有很大優(yōu)勢的。但是這個優(yōu)勢也是挑戰(zhàn)。

第一個優(yōu)勢與挑戰(zhàn)是數(shù)據(jù)。說是優(yōu)勢,是因?yàn)橹睜I讓我們擁有了全環(huán)節(jié)的數(shù)據(jù)。我們的訂單怎么進(jìn)來的、進(jìn)來以后誰負(fù)責(zé)處理、每一個流程、環(huán)節(jié),我們都有數(shù)據(jù),這些大量的數(shù)據(jù)都是我們算法的支撐。但是加盟式就比較難做到。說是挑戰(zhàn),是因?yàn)閿?shù)據(jù)的整合和處理本身也存在挑戰(zhàn)。我們有大量的訂單信息、車輛位置、交通狀況、車輛的日志等等數(shù)據(jù),要想更高效地應(yīng)用他們,需要非常注重?cái)?shù)據(jù)底盤建設(shè)。我們有大量的公共的數(shù)據(jù)服務(wù),比如地圖信息、場地運(yùn)轉(zhuǎn)的信息、各種訂單底表等,這些公共服務(wù)是智能化的基礎(chǔ)建設(shè),而好的數(shù)據(jù)基礎(chǔ)建設(shè)能讓算法更加高效地研究、迭代和應(yīng)用,這為優(yōu)質(zhì)服務(wù)帶來更穩(wěn)定、可靠的保障。

第二個優(yōu)勢與挑戰(zhàn)是統(tǒng)一規(guī)則與個性化需求相結(jié)合的精細(xì)化規(guī)劃調(diào)度。因?yàn)槭侵睜I,所以大家總體來說SOP是差不多的,這讓我們整體的服務(wù)質(zhì)量會有更好的保障;但是在小的地方又需要考慮一些特殊的地區(qū)情況,結(jié)合當(dāng)?shù)氐奶攸c(diǎn),不能統(tǒng)一全國一刀切。例如,同樣的路程在重慶可能需要更長的時間,因?yàn)樗泻芏嘈枰仙舷孪碌牡胤?。這樣的特點(diǎn)會讓我們在做智能化落地的時候需要關(guān)注更多細(xì)節(jié)的地方,也更能幫助車輛、小哥等在細(xì)節(jié)之處配合,讓全國各地的客戶,擁有更為可控、穩(wěn)定、貼心的服務(wù)。

第三個優(yōu)勢與挑戰(zhàn)是鏈條更長的規(guī)劃調(diào)度。比如小哥收件的時候,忽然發(fā)現(xiàn)我這個城市出現(xiàn)了一個新的大網(wǎng)紅,帶貨特別厲害,件量激增。我在收的環(huán)節(jié)就發(fā)現(xiàn)了異常,于是我以最迅速的方式把這個信息同步給了收轉(zhuǎn)運(yùn)派所有環(huán)節(jié),那么我們其他環(huán)節(jié)就會提前幾個小時知道貨很多,于是支線的運(yùn)輸、干線的運(yùn)輸、中轉(zhuǎn)場、包括收件地都會趕緊做好應(yīng)對的準(zhǔn)備。這樣精細(xì)的規(guī)劃調(diào)度,能讓資源聯(lián)動的更為緊密,節(jié)約時間與成本;同時讓我們在突發(fā)情況下,也可以提前快速在響應(yīng)客戶需求,保證服務(wù)更加及時、靈活。

最后一個優(yōu)勢與挑戰(zhàn)是全局角度看各環(huán)節(jié)。因?yàn)槲覀兪侵睜I公司,我們要對收轉(zhuǎn)運(yùn)派的每個環(huán)節(jié)都要負(fù)責(zé),不僅需要把各環(huán)節(jié)串聯(lián)起來看、還要平衡時效和成本,綜合提高物流效率和客戶滿意度,盡可能地讓客戶的錢“花的值”、買到最好的服務(wù)體驗(yàn)。在加盟的情況這種情況下,你可能只用關(guān)注自己所做的一件事就好了,而直營需要同時關(guān)注一個很大的范圍、去整體的思考整件事如何最優(yōu),這會讓智能決策的復(fù)雜度變得很高,當(dāng)然全局最優(yōu)的最終結(jié)果也會價值巨大。

直面復(fù)雜場景,先“切割”再“串聯(lián)”

Q3面對包含多個城市、多種交通工具、多人交接的路徑規(guī)劃、運(yùn)單匹配等工作是特別復(fù)雜的優(yōu)化問題,你們是怎么做到對如此復(fù)雜的問題進(jìn)行求解的?

當(dāng)我們平時遇到一個特別復(fù)雜的問題的時候,你會怎么辦?我們一般會說,抽絲剝繭,需要從一團(tuán)亂麻中找到一個線頭。對于這個問題,我們首先需要把這個特別復(fù)雜的問題切割變成一個個相互獨(dú)立、但相互之間又有關(guān)聯(lián)的問題,同時通過一些指標(biāo)讓他們聯(lián)動起來。這在數(shù)學(xué)上其實(shí)是一種“分而治之”的理念。

舉個例子,順豐中轉(zhuǎn)場的班次就是一個我們用于“切割”問題的指標(biāo)?！皫讉€小時是一個班次”這個指標(biāo),其實(shí)一邊鏈接著干線運(yùn)輸,一邊又連接著支線運(yùn)輸;一邊負(fù)責(zé)讓其他城市的貨物到這里,并給這個城市的網(wǎng)點(diǎn)派單;一邊面對著這個城市的網(wǎng)點(diǎn),把自己的貨物放到這里,送到發(fā)到全國各地去。無論是支線、干線以及中轉(zhuǎn)場的工作時間計(jì)劃,都要需要按照中轉(zhuǎn)場班次這個時間進(jìn)行切割,每個部分都需要在規(guī)定時間內(nèi)完成。這樣我們剛剛“一條線”的大問題,通過一個班次設(shè)計(jì),就切割成了三個小問題。這三個小問題里面可能又有各種各樣的切割方式,把這個問題從大變小。

除了切割,我們還要聯(lián)動。什么是指標(biāo)聯(lián)動?我們剛剛雖然把這個問題切割成了支線、干線、中轉(zhuǎn)的三個小問題,但是我們還要把總時長串聯(lián)起來。這個整體的時間就是一個聯(lián)動指標(biāo),它貫穿了我們切割的3個小問題。

有了聯(lián)動指標(biāo),我們再來看每個環(huán)節(jié)應(yīng)該怎么做。比如中轉(zhuǎn)場就需要在規(guī)定的班次里完成中轉(zhuǎn)、盡量提高中轉(zhuǎn)效率;支線就需要按照班次設(shè)計(jì),看如何在規(guī)定的時間下,盡可能優(yōu)化線路、提升裝載率和整體運(yùn)輸效率。

當(dāng)某一個子問題發(fā)現(xiàn)它無論如何可能都滿足不了相應(yīng)要求的時候,我們再來看在切割問題的指標(biāo)上是不是要做一些調(diào)整。例如中轉(zhuǎn)場現(xiàn)在覺得時間很寬裕、支線覺得很緊張,那么我們就需要調(diào)整一下相關(guān)切割的方式,讓各方都覺得可以接受。在這個過程中,聯(lián)動指標(biāo)與切割本身也在不斷優(yōu)化,在不斷的結(jié)合、調(diào)整中,最終達(dá)到有機(jī)結(jié)合的狀態(tài)。

那前面這些主要是一個思考的方式,到具體的問題中,我們會根據(jù)問題的復(fù)雜度和規(guī)模應(yīng)用不同的算法進(jìn)行求解。比如比較簡單的問題一般通過整數(shù)規(guī)劃模型、精確求解的方式。特別復(fù)雜的問題,我們就會舍棄這種精確的解,轉(zhuǎn)而應(yīng)用啟發(fā)式算法或是搜索的一些算法。比如在支線規(guī)劃應(yīng)用了ruin-recreate的大鄰域搜索算法,可在分鐘級完成2000+條線路規(guī)劃,且在大多數(shù)算例下,能與精確解的Gap在1以內(nèi)。還有一些很復(fù)雜的問題我們會通過一些預(yù)測或者分類的方式去解決,就是把很復(fù)雜的問題終究歸成幾個分類的問題。部分問題我們會應(yīng)用一些經(jīng)典算法的變種,比如推演端到端路由的時候,會在經(jīng)典最短路算法Dijkstra或A上做部分改造;在任務(wù)指派或調(diào)度問題上會通過改造圖論中的二分圖算法迅速找到最優(yōu)解等等。

預(yù)測推演,保障全鏈路環(huán)節(jié)

Q4快遞的鏈路很長,中間也會經(jīng)歷多次的交接轉(zhuǎn)換環(huán)節(jié),無論是飛機(jī)延誤還是堵車,難免會遇到一些突發(fā)狀況,你們是如何比較準(zhǔn)確地預(yù)估配送時間、并保證配送時間相對準(zhǔn)確的?

這個問題其實(shí)我們在事前、事中、事后都有做一些技術(shù)層面的措施,主要是在預(yù)測推演方面,來進(jìn)行保障。

事前我們就會先想辦法預(yù)測,比如對貨量的預(yù)測,再結(jié)合整體發(fā)車貨量的大小等信息,事前預(yù)估能否準(zhǔn)時到達(dá)。根據(jù)預(yù)估的結(jié)果,在快件還沒發(fā)出的時候,就做一些相關(guān)的應(yīng)對措施。

事中主要會實(shí)時監(jiān)控一些數(shù)據(jù),然后配套一些智能的解決方案。比如運(yùn)輸環(huán)節(jié)會監(jiān)控到每一輛車的實(shí)時信息,例如車輛是否按時行駛到預(yù)期地點(diǎn)、有沒有異常停留;中轉(zhuǎn)場會實(shí)時監(jiān)控它的貨量等等。一旦發(fā)現(xiàn)可能有問題,就會智能推送一些調(diào)度處理方案。例如,原本走陸運(yùn)的快件,可能因?yàn)橐恍┰蛉绻^續(xù)走陸運(yùn)的話,就趕不上客戶要求的時間了。那我們的算法就會判斷推送,讓它去趕對應(yīng)的航空班次;還有比如某個本來要去的中轉(zhuǎn)場目前的預(yù)期貨量已經(jīng)很大了,那么我們就會推薦他們換一個中轉(zhuǎn)場走,進(jìn)行分流。

當(dāng)然還有一些事后的復(fù)盤。例如我們發(fā)現(xiàn)某一次遲到是因?yàn)槠渲械哪硞€環(huán)節(jié)出錯而發(fā)生,那么我們事后就會去看出錯的具體原因,并且對這個具體環(huán)節(jié)進(jìn)行提升。所以事前、事中事后我們都會有相應(yīng)的一些手段和策略來保證我們能按準(zhǔn)確地按預(yù)估的配送時間來送達(dá),配送時間相對準(zhǔn)確。

?

這個過程中,會有一些問題還是挺難的。有時候感覺,數(shù)學(xué)是一種哲學(xué)。

柏拉圖麥穗的典故大家可能都聽說過。現(xiàn)在有一片麥田,你需要拿到最大的那個麥穗,但你不能走回頭路,只能拿一次,你應(yīng)該拿哪個?這是一個很復(fù)雜的問題,我們在做調(diào)度的時候也同樣會遇到。簡單來說,就是這一刻我接到的信息不是全部信息,等一等我可能有更好的選擇,那我到底是這一刻就要做出選擇還是等一等?舉個大家熟悉的例子,打網(wǎng)約車的時候,現(xiàn)在沒有司機(jī)愿意接去某個地方的單,作為平臺,那我是再等一等看有沒有愿意的司機(jī),還是直接指派一個司機(jī)去?

其次,像這種調(diào)度問題,任務(wù)和任務(wù)之間并不獨(dú)立,而是會產(chǎn)生蝴蝶效應(yīng)。比如,我因?yàn)锳任務(wù)快遲到了,所以把很遠(yuǎn)的B車調(diào)過來,但最后有可能A任務(wù)按時完成了,但B車原本的其他任務(wù)又會遲到。局部的決策很有可能會影響全局。我們曾經(jīng)就有過因?yàn)榻鉀Q一個訂單遲到,導(dǎo)致更多訂單遲到的案例,原因就是你在不停尋找不合適的車去承接這個任務(wù),會產(chǎn)生連鎖反應(yīng),進(jìn)而影響更多的任務(wù)時效。

相比計(jì)算結(jié)果,理解透徹業(yè)務(wù)更重要

Q5你覺得數(shù)學(xué)會騙人嗎?如何看待計(jì)算結(jié)果在實(shí)際中的應(yīng)用?

這個問題讓我想到了一個馬克吐溫的名言:世界上有三種謊言,謊言、該死的謊言和統(tǒng)計(jì)結(jié)果。這三個是依次遞進(jìn)的,也就是說統(tǒng)計(jì)結(jié)果比該死的謊言還可怕。我覺得很多數(shù)字其實(shí)并不能代表真實(shí)的結(jié)果。數(shù)字本身不會騙人,但是有人會別有用心地變換口徑和方法來制造結(jié)論,所以不能完全看數(shù)字或某一個結(jié)果,而是需要把大家的經(jīng)驗(yàn)和數(shù)學(xué)結(jié)果結(jié)合起來看待。

有一個例子我還挺感慨的。我們曾經(jīng)給小哥做派送的最優(yōu)路徑的時候,算出來的路徑常常是一圈一圈的,類似一個花瓣,這樣是最短的路。但實(shí)際小哥日常喜歡走這種葉子形狀的路徑,走到一個“葉子”以后,在這個區(qū)域內(nèi)來回走完成各種任務(wù),再去下一個“葉子區(qū)域”。

為什么會出現(xiàn)這樣的情況?結(jié)合現(xiàn)實(shí)問題就知道了。在第一種情況下,當(dāng)小哥派第二個訂單的時候,“花瓣”上最遠(yuǎn)的第六單突然催他怎么辦?他如果過去了,是不是第3-5個訂單要折返回去送?但如果都在一個“葉片”區(qū)域,那我多走一點(diǎn)就能過去。所以,雖然計(jì)算出來“花瓣”是數(shù)學(xué)上最簡單、最快的,但是實(shí)際中一旦不按照你預(yù)期的計(jì)劃進(jìn)行時,它的風(fēng)險就會立刻增大。換句話說,“花瓣”方案的魯棒性不夠。

所以,我們覺得一個模型的抽象很重要。做好模型的抽象,需要能徹底理解業(yè)務(wù)場景,而不是盲目崇拜數(shù)學(xué)結(jié)果。

未來智能規(guī)劃調(diào)度會更注重聯(lián)動

Q6:你覺得未來順豐智能規(guī)劃調(diào)度會向什么方向優(yōu)化與發(fā)展?怎么看待大模型對傳統(tǒng)求解方式帶來的影響與變化?

我覺得會更加注重聯(lián)動,智能規(guī)劃調(diào)度會向更加端到端、全鏈路的方式去發(fā)展。前面有個問題提到了,現(xiàn)在其實(shí)是大問題切割成小問題,小問題去求最優(yōu)解再進(jìn)行相互聯(lián)動。未來,我們希望能夠讓這些小問題的模型之間也可以互相交流,大家共用一些參數(shù)特征同時做一些優(yōu)化調(diào)整,去端到端統(tǒng)一解決整體問題,使得從全局角度看效率更高、成本更低、體驗(yàn)更好。

至于大語言模型,我們也研究過一些相關(guān)的資料來看結(jié)合的可能。例如,它可以作為一個“裁判”,來幫助我們確定運(yùn)籌優(yōu)化的模型計(jì)算結(jié)果的好壞,讓模型更高效地不斷向更好的方向迭代發(fā)展,這方面的探索提升空間還有很多。