上一篇： 第7篇：项目复盘与技术总结

一、写在前面

量化项目做完后，整套技术栈也逐渐清晰起来：

• LightGBM 做预测（股价涨跌）
• OR-Tools 做优化（投资组合）
• Tushare 拿数据

有天刷GitHub，看到菜鸟开源的快递数据集——LaDe（Last-mile Delivery）。1067万个包裹、21000个快递员、6个月真实运营数据。这是业界第一个公开的末端配送数据集。

看着这数据，突然冒出个想法：快递调度是不是也能用量化那套技术？

仔细一想，还真挺像：

本质都是"预测 + 优化"。

而且快递场景感觉更实用：

• 需求预测准了，能省人力成本
• 路线优化好了，能减少配送距离
• 这些都是实打实的降本增效

更关键的是，OR-Tools在物流场景更有用武之地：

• TSP（旅行商问题）- 配送路线优化
• VRP（车辆路径问题）- 多车调度
• VRPTW（带时间窗的VRP）- 上门取件

这不就是OR-Tools的经典应用场景吗？

正好量化项目的代码可以复用，改动量应该不大。试试看，能不能把一套技术用在两个完全不同的场景上。

于是有了这个快递调度系列。和量化系列一样，这里用的也是真实工业数据，不搞模拟数据。

二、快递公司的痛点在哪？

2.1 包裹量波动太大

先看看真实数据告诉我们什么。我分析了LaDe数据集里吉林市的配送数据（2022年5-10月，6个月，3.1万单）：

• 日均包裹量：193单
• 最大日包裹：434单（5月29日）
• 正常波动范围：50-400单

注意：数据集在10月28日截止，10月下旬（20-28日）包裹量骤降至1-6单/天，这是数据采集结束导致的边界效应，不是真实业务波动。实际分析时应剔除这些不完整的天数。

即便如此，包裹量波动依然很大：高峰期（618前后）是平时的2倍多。

痛点就在于：资源配置特别难。按平均值配人手吧，高峰期肯定爆仓；按峰值配吧，平时又浪费一大半。很多公司就是凭经验拍脑袋，效果嘛...你懂的。

2.2 配送时效差异大

真实数据里，配送时长也很有意思：

吉林（小城市）：

• 平均配送时长：3.39小时
• 中位数：2.92小时

上海（大城市）：

• 平均配送时长：1.71小时

原因很简单：大城市配送密度高，快递员一趟能送好几单，不用跑太远。小城市地广人稀，送一单可能要跑好几公里。

2.3 成本控制压力山大

快递是薄利行业，一单可能就赚几块钱。这点利润，稍微浪费点就没了：

• 路线不优化，多跑10公里油钱就白干
• 人员闲置，人工成本也是成本
• 车辆利用率低，固定成本摊不下来

三、数据能干什么？

3.1 预测包裹量

最直接的应用就是预测：

• 短期预测（1-7天）：用于排班、调车
• 中期预测（1-3个月）：决定要不要多招几个全职快递员
• 长期预测（1年以上）：决定在哪儿开新网点

3.2 优化配送路线

这个就是经典的VRP问题（车辆路径问题）。简单说，就是给定一堆配送点，怎么规划路线最省时省力。

3.3 网点选址

这个更偏战略层面。比如要在一个新城区开网点，开在哪儿最合适？覆盖范围怎么划分？

这得结合包裹数据、人口数据、竞争对手分布等等，做个优化模型。

四、LaDe数据集介绍

4.1 什么是LaDe？

LaDe（Last-mile Delivery）是菜鸟AI团队2024年在KDD会议上发布的数据集。这是业界第一个公开的末端配送数据集。

规模：

• 1067万个包裹
• 21000个快递员
• 6个月运营数据（2022年5-10月）
• 5个城市：上海、杭州、重庆、吉林、烟台

数据包含什么：

• 包裹信息（订单ID、时间、位置）
• 快递员信息（快递员ID、接单/完成时间）
• GPS轨迹（接单位置、配送位置）
• AOI信息（区域类型）

4.2 为什么用真实数据？

之前很多教程都是用模拟数据演示。但模拟数据有个大问题：太理想化了。

真实世界的快递数据：

• 有异常值（系统故障、极端天气）
• 有缺失值（GPS没上报）
• 波动性远超预期
• 规律被噪音掩盖

用真实数据学习，你才能知道实际落地时会遇到什么问题。

4.3 数据下载

数据托管在HuggingFace上，可以免费下载：

pip install huggingface_hub

huggingface-cli download Cainiao-AI/LaDe-D --repo-type dataset --local-dir ./data/raw/delivery

也可以去GitHub仓库查看详情：https://github.com/wenhaomin/LaDe

各城市数据规模：

• 上海：218MB（最大）
• 杭州：274MB
• 重庆：139MB
• 烟台：31MB
• 吉林：4.6MB（最小，适合入门）

建议先从吉林数据开始，数据量小，跑得快，容易看出规律。

4.4 整体数据规模

5个城市的基础数据（2022年5-10月，约6个月）：

关键发现：

1. 包裹量差距大：杭州日均1万单，是吉林的52倍
2. 大城市更快：上海平均1.74小时送达，吉林需要3.39小时

为什么大城市配送更快？

• 包裹密度高，快递员一趟能送多单
• 配送距离短，不用跨区
• 基础设施好，路况通畅

4.5 数据字段说明

LaDe-P（取件数据）：

LaDe-D（派送数据）：

4.6 数据可视化

上海在LaDe-P下的时空分布（图片来自官方）：

• 图(a)：快递员工作时间从早8:00到晚19:00，包裹揽收量在9:00和17:00出现峰值
• 图(b)(c)：包裹的空间分布，体现连续两个包裹之间的距离
• 图(d)：超过70%的包裹来自AOI类型1
• 图(e)：大部分包裹会在3小时内完成揽收
• 图(f)：不同快递员在工作天数、日均订单量上存在差异

杭州、吉林两座城市的时空分布对比（图片来自官方）：

可以观察到显著的城市间差异：包裹时间分布、ETA分布、连续包裹间距都不一样。

4.7 应用场景

路线预测：预测快递员未来的揽收路线

ETA预测：预估快递员揽收或派送包裹时的到达时间

时空流量预测：预测给定区域未来的包裹数量

五、代码实现

下面以吉林为例，展示完整的数据分析代码（其他城市只需修改文件名）。

5.1 数据加载

先装几个库：

pip install pandas numpy matplotlib seaborn

然后加载数据：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 读取吉林数据
df = pd.read_csv('data/raw/delivery/delivery_jl.csv')

print(f"数据量: {len(df):,} 条")
print(df.columns.tolist())
print(df.head())

数据字段说明：

• order_id：订单编号
• courier_id：快递员ID
• ds：日期（MMDD格式）
• accept_time：接单时间
• delivery_time：完成时间
• accept_gps_lng/lat：接单位置
• delivery_gps_lng/lat：完成位置
• aoi_id/aoi_type：区域信息

5.2 数据预处理

# 时间字段转换
df['ds'] = pd.to_datetime('2022-' + df['ds'], format='%Y-%m%d')
df['accept_time'] = pd.to_datetime('2022-' + df['accept_time'],
                                   format='%Y-%m-%d %H:%M:%S', errors='coerce')
df['delivery_time'] = pd.to_datetime('2022-' + df['delivery_time'],
                                     format='%Y-%m-%d %H:%M:%S', errors='coerce')

print(f"时间范围: {df['ds'].min()} 到 {df['ds'].max()}")
print(f"覆盖天数: {df['ds'].nunique()}")
print(f"快递员数量: {df['courier_id'].nunique()}")

# 计算配送时长
df['duration_hours'] = (df['delivery_time'] - df['accept_time']).dt.total_seconds() / 3600

# 过滤异常值（负数或超长时间）
df_clean = df[(df['duration_hours'] > 0) & (df['duration_hours'] < 24)].copy()
print(f"\n清洗前: {len(df):,}")
print(f"清洗后: {len(df_clean):,}")
print(f"去除异常: {len(df) - len(df_clean):,} 条 ({(len(df) - len(df_clean))/len(df)*100:.1f}%)")

真实数据里有5-10%的异常值，这很正常。可能是系统故障、GPS漂移、或者快递员忘记点确认。

5.3 基础统计

# 每日包裹量
daily_orders = df_clean.groupby('ds').size()

print("【包裹量统计】")
print(f"日均包裹量: {daily_orders.mean():.0f}")
print(f"最大日包裹: {daily_orders.max():,}")
print(f"最小日包裹: {daily_orders.min():,}")
print(f"标准差: {daily_orders.std():.0f}")

# 配送时长
print("\n【配送时长】")
print(f"平均: {df_clean['duration_hours'].mean():.2f} 小时")
print(f"中位数: {df_clean['duration_hours'].median():.2f} 小时")

# 快递员工作量
courier_orders = df_clean.groupby('courier_id').size()
print("\n【快递员工作量】")
print(f"平均每人配送: {courier_orders.mean():.0f} 单")
print(f"最多: {courier_orders.max():,} 单")
print(f"最少: {courier_orders.min():,} 单")

运行结果（吉林真实数据）：

【包裹量统计】
日均包裹量: 193
最大日包裹: 434
最小日包裹: 1
标准差: 88

【配送时长】
平均: 3.39 小时
中位数: 2.92 小时

【快递员工作量】
平均每人配送: 551 单
最多: 3,512 单
最少: 1 单

分析：

• 标准差88单，接近日均193单的一半，说明包裹量波动很大
• 有的快递员送了3512单（半年），有的只送了1单（可能是临时工）
• 配送时长中位数2.92小时，说明大部分包裹3小时内搞定

六、系列文章概览

这个系列共4篇文章，从预测到优化，从简单到复杂：

第1篇 - 快递行业的数据驱动决策概述（本篇）

• 分析5个城市的真实快递数据
• 发现行业痛点和优化空间
• LaDe数据集介绍和使用

第2篇 - 92.8%的包裹消失了：一次数据异常追踪

• 发现LaDe数据集的重大异常
• 分析5个城市配送数据完整性
• 真实数据探索和问题定位

第3篇 - 配送路线优化（TSP）

• 用OR-Tools优化配送路径
• 真实案例：34个配送点，节省43%距离
• Web界面交互式展示

第4篇 - 上门取件路线优化（VRPTW）

• 带时间窗口约束的路径问题
• 真实案例：14个取件点，距离节省34%，准时率从21%提升到100%

七、总结

快递行业看着挺传统，其实有很多可以数据化、智能化的地方。很多时候一个简单的预测模型、一个路径优化算法，就能省不少钱、提高不少效率。

用真实数据的好处：

• 能看到真实世界的复杂性
• 知道哪些假设是对的，哪些是错的
• 预测准确率更现实

真实数据的挑战：

• 有异常值、缺失值，需要清洗
• 波动性大，预测难度高
• 规律被噪音掩盖

下一篇： 第9篇：92.8%的包裹消失了，一次数据异常追踪