浙江菜鳥供應鏈管理有限公司（菜鳥網路）利用資料探勘、人工智慧等先進技術，構建了一套包含時空資訊處理、時空圖譜構建、時空分析與智慧決策的一站式解決方案 - 時空決策最佳化平臺STAMP，面向物流行業末端的典型應用場景從多個維度實現降本增效。

菜鳥自研的層次化非規則多邊形網格系統-全域 AOI可統一解決位置表示問題，使得網格符合線下實操；徹底解決了業界主流的正方形網格及六邊形網格無法落地物流行業的問題。

STAMP平臺採用資料驅動的方式來做決策最佳化，無論是攬配區域規劃，還是對於車輛等的行為決策均基於車輛等的真實資訊。

STAMP平臺基於多源場景時空資料下的預測、決策最佳化等功能可連線諸多物流末端場景，支撐時效/路徑預測、訂單智慧分派、選址及區域規劃等核心物流問題解決。

中國快遞行業：末端物流服務能力及效率亟待智慧物流予以提升

中國快件日均超億件的常態化以及每年雙11的海量包裹派送，對快遞行業的服務能力帶來持續高壓考驗，在行業同質化競爭日趨激烈之際，末端物流成本控制和服務質量成為影響快遞公司收益和建立與消費者粘性的重要因素，建立智慧物流末端，提升服務能力和效率成為行業亟需解決的問題。

面向末端，菜鳥提供多種服務，包括數萬個菜鳥驛站提供快遞暫存代寄、團購、洗衣、回收等多元化服務；使用者數超億的菜鳥裹裹也面向商家、消費者提供物流的查寄收服務。其在末端物流的痛點主要包含：

（1）原始的物流網點配送區域規劃存在形狀不規則、不合理甚至不聚合的問題，導致包裹的錯分和退回成本。同時區域規劃蘊含著線下實操的經驗，傳統方法通常為手動劃分，難以做到合理規劃，造成資源上的浪費。如何結合地理範圍與實操經驗，對空間位置進行合理化粒度的表徵，對區域進行合理劃分，有著重要意義。

（2）線下物流實操行為往往由各種複雜的時空因素（時間維度及空間維度）造成，例如快遞員的攬件與派件、系統的派單與路徑規劃等決策過程都受到實操經驗的影響。傳統方法在決策時難以考慮到上述因素，導致決策結果難以在實操中落地。如何有效利用這些複雜多源的時空因素成為上層的預測及決策準確率的關鍵。

智慧物流末端一站式解決方案解析：以菜鳥自研時空決策最佳化平臺STAMP為例

菜鳥自研了菜鳥時空決策最佳化平臺STAMP（Spatial-Temporal Analysis and Management Platform），面向物流行業末端的典型應用場景，利用資料探勘、人工智慧等先進技術，構建了一套包含時空資訊處理、時空圖譜構建、時空分析與智慧決策的一站式解決方案。

1、技術架構

菜鳥STAMP平臺較架構由下到上個主要可分為5個層次：

層次一：基於時空的多源異構資料採集 —— 該層向快遞網點端的系統提供了 SDK，支撐了所有基於此之上的空間操作，車輛維度等透過 APP 裝置可直接接入系統的軌跡處理模組，完成即時軌跡點採集與路徑地圖生成。

層次二：空間位置表徵及資料管理——該層重點完成解決地理位置表徵這一基本問題-由層次化非規則多邊形網格系統-全域 AOI 模組來解決；同樣，有軌跡處理模組完成車輛軌跡管理等處理工作。

層次三：時空資料索引與儲存——該層主要支援實現高效的時空查詢。

層次四：物流末端預測模組 —— 該層基於時空資料，可完成包括時效預測、車輛路徑預測、單量預測等時空資訊預測問題，透過有效利用時空資訊，給上層決策環節提供精準的預測結果。

層次五：物流末端決策最佳化模組 —— 該層涉及末端諸多基本核心的決策問題，包括訂單（包裹）智慧派單給快遞員決策以提升攬配效率及完成有效激勵引導；而時空資料驅動的站點選址與區域規劃解決了傳統區域規劃的幾個核心問題-大小不合理、形狀不規則、訂單地址不聚合而導致的收入不均、部分訂單配送成本高、無效配送行駛多的問題。

菜鳥STAMP平臺已經全面落地在倉配、快遞、菜鳥裹裹、菜鳥驛站等業務末端的各個實操、預測及決策環節中，服務的典型場景包括:

（1）站點選址和站點攬派區域規劃：STAMP平臺提供攬派區域範圍的最佳化計算和智慧選址，利用資料化驅動演算法，比人工計算更加合理，能夠綜合考慮更多的劃分因素。

（2）末端包裹攬派資訊的展示：STAMP平臺透過人工智慧技術，能夠精準預測包裹位置和送達時間，提供給消費者準確且實時的資訊，減少催派與客訴，大大提升消費者體驗。

（3）上門寄件業務場景：STAMP平臺針對寄件場景提供了一套完整的基於時空的智慧派單、上門時效預測和包裹順序規劃的解決方案。根據使用者需求和時空資訊，合理分配快遞員，並利用時空演算法精確計算出快遞員上門時間。同時，對消費者透傳包裹的實時位置與包裹順序，提升消費者寄件體驗。

2、技術解析

菜鳥STAMP平臺透過多項核心技術來解決地理空間位置表示、車輛軌跡處理及末端網點選址等物流終端場景的各項痛點需求，並形成了多項技術實現方案。

地理空間位置表示方案 – 菜鳥網路團隊基於地理幾何拓撲計算技術，時空資料融合技術，提出了面向實操的自研空間表示系統-層次化非規則多邊形系統-全域AOI。該技術能夠綜合利用時空軌跡和地理資訊等多源資料，學習區域的時空關聯特徵。同時利用地理資訊科技進行拓撲融合與最佳化，最終生成出全域AOI，具有無縫隙、語義分割和符合實操經驗的特性。

車輛軌跡處理及決策最佳化 – 針對如何處理車輛等原始軌跡，形成有語義的攬派路線地圖，菜鳥利用軌跡預處理技術解決軌跡點噪聲/取樣點缺失、語義標註問題。基於時空路徑圖，利用行為模式挖掘方法，並提出了端到端可有效利用時空資訊的時空AI模型。主要透過最近配送路徑、配送模式、實時負載這三個核心部分完成對時空屬性資訊的有效編碼，在實際配送場景上的準確率相對於目前業界及學界最有效的深度學習等方法都有了15%以上的提升。同時，STAMP平臺可基於利用深度神經網路對快遞員的決策行為進行學習，進而排序打分，並結合時空資料實現決策最佳化。

末端網點選址及服務區域規劃 – STAMP平臺基於運籌最佳化和時空資料驅動的站點選址與區域規劃技術來解決傳統區域規劃任務中諸如形狀不規則、訂單地址不聚合等問題。平臺基於全域AOI資料和快遞員實操資訊，可對快遞員與區域的熟悉程度建模，並將問題轉化為一個離線匹配問題，利用最小費用流演算法進行求解。

3、應用效果

菜鳥STAMP平臺目前已全部滲透到菜鳥物流末端的各個場景，從各方面實現了物流工作的降本增效。STAMP平臺在天貓超市的末端2小時時效預測透出後，實現每月人力成本降低百萬人民幣。菜鳥裹裹業務方面則透過部署STAMP平臺實現了網點分單的自動化，每天節省上萬網點客服工作量，每年可節約近億元成本。

STAMP平臺的攬件路徑規劃和智慧派單功能則實現提升快遞員效率15%，提升末端攬件總效率10%；同時節約淘系訂單客服處理效率約5分鐘/單，節約時間佔比25%。基於方位工作效能的提升，STAMP平臺的部署幫助淘系包裹和天貓超市包裹的末端派送工作大幅提升了客戶滿意度，實現淨推薦值（NPS）增幅30%。