2024MathorCup(妈妈杯) C题完整思路+数据集+完整代码+高质量成品论文

                      C题物流网络分中心货量预测及人员排班

    (完整的资料+数据集+代码在文末)

电商物流网络在订单履约中由多个环节组成,其中,分拣中心作为网络的中 间环节,需要将包裹按照不同流向进行分拣并发往下一个场地,最终使包裹到达 消费者手中。分拣中心管理效率的提升,对整体网络的履约效率和运作成本起着 十分重要的作用。分拣中心的货量预测是电商物流网络重要的研究问题,对分拣 中心货量的精准预测是后续管理及决策的基础 ,如果管理 者可以提前预知之后一段时间各个分拣中心需要操作的货量,便可以提前对资源 进行安排。在此场景下的货量预测目标一般有两个:一是根据历史货量、物流网 络配置等信息,预测每个分拣中心每天的货量;二是根据历史货量小时数据,预 测每个分拣中心每小时的货量。分拣中心的货量预测与网络 的运输线路有关,通过分析各线路的运输

货量,可以得出各分拣中心之间的网络连接关系。当线路关系调整时,可以参考 线路的调整信息,得到各分拣中心货量更为准确的预测。基于分拣中心货量预测 的人员排班是接下来要解决的重要问题,分拣中心的人员包 含正式工和临时工两种:正式工是场地长期雇佣的人员,工作效率较高;临时工 是根据货量情况临时招募的人员,每天可以任意增减,但工作效率相对较低、雇 佣成本较高。根据货量预测结果合理安排人员,旨在完成工作的情况下尽可能降 低人员成本。针对当前物流网络,其人员安排班次及小时人效指标情况如下:

1)对于所有分拣中心,每天分为 6 个班次,分别为:00:00-08:00,05:00-13:00, 08:00-16:00,12:00-20:00,14:00-22:00,16:00-24:00,每个人员(正式工或  临时工)每天只能出勤一个班次;

C题第一问所有代码数据集

2)小时人效指标为每人每小时完成分拣的包裹量(包裹量即货量),正式工的最高小时人效为 25 包裹/小时,临时工的最高小时人效为 20 包裹/小时。

该物流网络包括 57 个分拣中心,每个分拣中心过去 4 个月的每天货量如附  1 所示,过去 30 天的每小时货量如附件 2 所示。基于以上数据,请完成以下 问题:

本题出题方式类似于 2023 年 Mathorcup 与五一赛的相关内容, 但是在路径 规划的前提下, 还增加了预测的相关工作.或者, 我们以 2021 年国赛 C 题进行对比, 那题也是有关于转运商, 供货商的问题. 在拿到题 目的评分标准中, 对结果的判别并没有那么严苛, 国赛中说道, 只需要写出对 应的约束条件, 所有的结果都可以接受. 所以大家不需要非常纠结结果是否准 确无误, 预测结果是否会对后面的小问造成影响等小的细节问题.

问题 1:建立货量预测模型,对 57 个分拣中心未来 30 天每天及每小时的货 量进行预测,将预测结果写入结果表 1 和表 2 中。

问题 1 要求我们预测 57 个分拣中心未来 30 天每天和每个小时的货量,这里 比较关键的是对附件 1  2 的数据进行预处理.

我们首先看一下附件 1 和附件 2.

 57 个分拣中心的数据分别取出构成一列,因为题目给的附件 1 和附件 2 的数据都是打乱格式的,需要注意对数据需要将其按照时间序列排好(题目给的 数据不是按照时间序列来的),

附件 1 是各个分拣中心的货量, 整理之后我们看到对于每一个分拣中心, 所 给的数据是从 2023-8-1  2023-11-30 每天的一个货量数据.

附件二是每个分拣站 2023-11-1  2023-11-30 每天 24 个小时的货量.

附件中有很多空值, 或者缺失值, 没有某个日期或者某个小时下, 某个中转站 的数据, 这个时候需要代码处理, 需要填 0.

题目最终预测未来 30 天每个小时的货量时,数据格式应该是 57 个货运站*30 天*24 小时的货量结果,也就是需要预测 57*30*24 这么多次,这里需要利用 for 循环书写代码, 并且利用代码直接保存结果到 excel 中, 不然重复多次复制很 容易出现问题,就是运行时间可能会很长.另外, 针对 57 个货运站明 显需要分别进行预测, 也就是说在每一次循环的过程中, 输入的数据集是不一 样的, 输出的结果也是不一样的, 每次循环只预测一个货运站.

预测模型选取的话可以采用 ARIMA 时间序列、LSTM 神经网络等经典模型,这 里就不建议采用灰色预测(短期预测),当然也可以采用 SVM、CNN 等模型进行 循环预测. 我们首先尝试了一下最简单的利用 ARIMA 预测, 可以看到后期都是 直接预测出来一条直线, 预测效果很不好.

论文写作的时候, 我们也可以辅助以绘制可视化, 来丰富文章的内容, 尤其是 第一小问做预测之前, 可以适当进行可视化的相关内容.

问题 2:过去 90 天各分拣中心之间的各运输线路平均货量如附件 3 所示。若 未来 30 天分拣中心之间的运输线路发生了变化,具体如附件 4 所示。根据附件 1-4,请对 57 个分拣中心未来 30 天每天及每小时的货量进行预测,并将预测结 果写入结果表 3 和表 4 中。

这一问是在问题 1 的基础上,告诉我们运输线路发生变化了,重新回答问题 1,这里其实不需要我们重新进行预测模型的建立,而是考虑在问题 1 预测结果 的基础上加入运输线路变化的影响,直接对问题 1 预测结果进行调整,

例如我 SC22 这个分拣中心原先预测的货量是 1000,然后其他分拣中心往我  这运货总量为 100,但是现在路线改变了,其他分拣中心加起来的总量可能为 150, 那我就在 1000 的基础上加上 150 即可。

问题 3:假设每个分拣中心有 60 名正式工,在人员安排时将优先使用正式工, 若需额外人员将使用临时工。请基于问题 2 的预测结果建立模型,给 出未来 30 天每个分拣中心每个班次的出勤人数,并写入结果表 5 中。要求在每 天的货量处理完成的基础上,安排的人天数(例如 30 天每天出勤 200 名员工, 则总人天数为 6000)尽可能少,且每天的实际小时人效尽量均衡。

这一问就是建立一个规划模型来解决人员排班问题,首先要定义合适的变量 和参数,建立一个目标函数和约束条件的数学模型,通过求解模型得到最优的出 勤人数安排方案。目标函数可以是最小化总人天数,约束条件可以包括每天货量 处理完成、每天的实际小时人效均衡、每个分拣中心的 60 个正式工限制等,最 后调用 MATLAB 的优化工具箱进行求解即可。像决策变量的选取可以是第 i 天。

2024MathorCup C题完整思路+完整数据+可执行代码+后续高质量成品论文
 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/537943.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

「每日跟读」英语常用句型公式 第10篇

「每日跟读」英语常用句型公式 第10篇 1. It goes without saying that __ 毋庸置疑的是 ______ It goes without saying that hard work pays off(毋庸置疑的是,努力工作会有回报) It goes without saying that health is the most important wealth(毋庸置疑的…

C++第十五弹---string基本介绍(一)

✨个人主页: 熬夜学编程的小林 💗系列专栏: 【C语言详解】 【数据结构详解】【C详解】 目录 1、什么是STL 2、STL的版本 3、STL的六大组件 4、STL的重要性 5、如何学习STL 6、STL的缺陷 7、为什么学习string类 7.1、C语言中的字符串…

节省30%成本,宝马使用 NVIDIA Omniverse 构造的数字孪生虚拟汽车工厂,实现降本增效

在数字化转型过程中,汽车制造商宝马集团将工业 AI 的力量运用到整个生产网络,与NVIDIA Omniverse平台共同构建并运行工业元宇宙应用。 宝马集团董事Milan Nedeljković在GTC主题演讲会中,与NVIDIA创始人兼首席执行官黄仁勋共同展示了Omniver…

YOLOv8打印模型结构配置信息并查看网络模型详细参数:参数量、计算量(GFLOPS)

《博主简介》 小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~ 👍感谢小伙伴们点赞、关注! 《------往期经典推…

LeetCode-1143. 最长公共子序列【字符串 动态规划】

LeetCode-1143. 最长公共子序列【字符串 动态规划】 题目描述:解题思路一:动规五部曲解题思路二:1维DP解题思路三:0 题目描述: 给定两个字符串 text1 和 text2,返回这两个字符串的最长 公共子序列 的长度。…

TSINGSEE青犀AI智能分析网关V4吸烟/抽烟检测算法介绍及应用

抽烟检测AI算法是一种基于计算机视觉和深度学习技术的先进工具,旨在准确识别并监测个体是否抽烟。该算法通过训练大量图像数据,使模型能够识别出抽烟行为的关键特征,如烟雾、手部动作和口部形态等。 在原理上,抽烟检测AI算法主要…

【目标检测数据集】城市街道垃圾堆相关数据集

一、GarbageOverflow:城市街道垃圾堆数据集 该垃圾堆数据集是通过爬虫从网上进行爬取得到的,一共包含1188张图片,有2个类别,分别为[overflow, No Overflow],两个标签的数量分别为1734个标签和414个标签。部分数据集及…

中国历年GDP统计-探数API统计

数据介绍 时间维度:1978年-2021年 单位:亿元 该数据来源于国家统计局发布的中国统计年鉴2021,为按当年价格计算的中国历年GDP以及人均GDP。 数据说明: 数据来源于国家统计局。

【更新】全国省级-新质生产力数据集(2010-2022年)

01、数据简介 新质生产力,又称为新型生产力,是指在现代科技和经济社会发展的推动下,由新的生产要素、生产方式、生产关系等构成的具有新质特点的生产力。这种生产力突破了传统生产力的局限,具有更高的效率和创造力,是…

题目 2694: 蓝桥杯2022年第十三届决赛真题-最大数字【暴力解法】

最大数字 原题链接 🥰提交结果 思路 对于每一位,我我们都要尽力到达 9 所以我们去遍历每一位, 如果是 9 直接跳过这一位 如果可以上调到 9 我们将这一位上调到 9 ,并且在a 中减去对应的次数 同样的,如果可以下调到 9,我…

黄金基金和黄金有什么区别?

黄金基金本质上是一种投资工具,它通过间接投资黄金或与其紧密相关的金融衍生品来反映黄金市场的表现。不同于直接持有实物黄金,投资者购买黄金基金并不涉及实体黄金的保管问题,而是将资金交由专业的基金管理人管理,由他们代表投资…

Input DropDown 拼接成 select组件(基于antd和react)

前言:为什么不直接用select,还要舍近求远搞inputdropdown这种缝合怪,是因为antd的select不支持选中项再编辑,效果如图 比如:选中的lucy文案变成了placeholder不能再编辑了 封装此组件虽然比较简单,但还是有…

一文读懂Partisia Blockchain,被严重低估的隐私区块链生态

在今年 3 月,隐私公链 Partisia Blockchain 迎来了重要的进展,该生态通证 $MPC 上线了交易所,目前 $MPC 通证可以在 Kucoin、Gate、BitMart、Bitfinex、Bitture 等平台交易,并将在不久后上线 MEXC 平台。 在上个月上线市场至今&am…

中颖51芯片学习4. 可编程计数器阵列PCA0

中颖51芯片学习4. 可编程计数器阵列PCA0 一、PCA介绍1. PCA简介2. SH79F9476的PCA0特性3. PCA0 功能4. 时钟5. PCA0原理框图6. 工作方式 二、PCA0寄存器1. PCA0标志寄存器2. PCA使能寄存器3. PCA0方式寄存器4. P0CPMn PCA捕捉/比较寄存器5. P0FORCE强制输出控制寄存器6. PCA0计…

期货量化交易软件:MQL5 中的范畴论 (第 15 部分)函子与图论

概述 在上一篇文章中,我们目睹了前期文章中涵盖的概念(如线性序)如何视作范畴,以及为什么它们的“态射”在与其它范畴相关时即构成函子。在本文中,我们赫兹量化软件将阐述来自前期文章中的概括,即通过查看…

三方库移植之NAPI开发[2]C/C++与JS的数据类型转

通过NAPI框架进行C/C与JS数据类型的转换 OpenHarmony NAPI将ECMAScript标准中定义的Boolean、Null、Undefined、Number、BigInt、String、Symbol和Object八种数据类型,以及函数对应的Function类型,统一封装成napi_value类型,下文中表述为JS类…

基于LNMP部署wordpress

目录 一.环境准备 二.配置源并安装 三.配置Nginx 四.配置数据库 五.上传源码并替换 六.打开浏览器,输入虚拟机ip访问安装部署 七.扩展增加主题 一.环境准备 centos7虚拟机 关闭防火墙和seliunx stop firewalld #关闭防火墙 setenforce 0 …

隐身打击云函数CDN对抗 | 应急响应

0x00 简介 在攻防演练中,使用云函数来隐藏 C&C 的 ip 地址已经成为了一种“标配” 在应急处置过程中,我们经常遇到 netstat -pantu | grep ip 无法找到安全设备关于红队外联的告警的情况 由于 C&C 的 ip 地址是一直变化的,所以常…

基于深度学习的智能停车场车牌识别计费系统(完整程序+训练数据集+开题报告+论文))

摘要 本篇论文研究的是基于车牌识别技术的智能停车场管理系统,采用基于深度学习的车牌识别算法,通过卷积神经网络对车牌图像进行处理和分析,实现车牌字符的识别和车牌信息的提取。同时,本文还设计了一个智能停车场管理系统…

【网安播报】GitHub上的恶意Visual Studio 项目推送 Keyzetsu 恶意软件

1、GitHub 上的恶意 Visual Studio 项目推送 Keyzetsu 恶意软件 威胁行为者正在滥用 GitHub 自动化功能和恶意 Visual Studio 项目来推送“Keyzetsu”恶意软件的新变种并窃取加密货币付款。攻击者创建了GitHub 存储库,并使用各种方法来人为地提高其在平台上的受欢迎…