浙江菜鸟供应链管理有限公司（菜鸟网络）利用数据挖掘、人工智能等先进技术，构建了一套包含时空信息处理、时空图谱构建、时空分析与智能决策的一站式解决方案-时空决策优化平台STAMP，面向物流行业末端的典型应用场景从多个维度实现降本增效。

菜鸟自研的层次化非规则多边形网格系统-全域AOI可统一解决位置表示问题，使得网格符合线下实操；彻底解决了业界主流的正方形网格及六边形网格无法落地物流行业的问题。STAMP平台采用数据驱动的方式来做决策优化，无论是揽配区域规划，还是对于车辆等的行为决策均基于车辆等的真实信息。STAMP平台基于多源场景时空数据下的预测、决策优化等功能可连接诸多物流末端场景，支撑时效/路径预测、订单智能分派、选址及区域规划等核心物流问题解决。

中国快递行业：末端物流服务能力及效率亟待智慧物流予以提升

中国快件日均超亿件的常态化以及每年双11的海量包裹派送，对快递行业的服务能力带来持续高压考验，在行业同质化竞争日趋激烈之际，末端物流成本控制和服务质量成为影响快递公司收益和建立与消费者粘性的重要因素，建立智慧物流末端，提升服务能力和效率成为行业亟需解决的问题。

面向末端，菜鸟提供多种服务，包括数万个菜鸟驿站提供快递暂存代寄、团购、洗衣、回收等多元化服务；用户数超亿的菜鸟裹裹也面向商家、消费者提供物流的查寄收服务。其在末端物流的痛点主要包含：

（1）原始的物流网点配送区域规划存在形状不规则、不合理甚至不聚合的问题，导致包裹的错分和退回成本。同时区域规划蕴含着线下实操的经验，传统方法通常为手动划分，难以做到合理规划，造成资源上的浪费。如何结合地理范围与实操经验，对空间位置进行合理化粒度的表征，对区域进行合理划分，有着重要意义。

（2）线下物流实操行为往往由各种复杂的时空因素（时间维度及空间维度）造成，例如快递员的揽件与派件、系统的派单与路径规划等决策过程都受到实操经验的影响。传统方法在决策时难以考虑到上述因素，导致决策结果难以在实操中落地。如何有效利用这些复杂多源的时空因素成为上层的预测及决策准确率的关键。

智慧物流末端一站式解决方案解析：以菜鸟自研时空决策优化平台STAMP为例

菜鸟自研了菜鸟时空决策优化平台STAMP（Spatial-TemporalAnalysisandManagementPlatform），面向物流行业末端的典型应用场景，利用数据挖掘、人工智能等先进技术，构建了一套包含时空信息处理、时空图谱构建、时空分析与智能决策的一站式解决方案。

1、技术架构

菜鸟STAMP平台较架构由下到上个主要可分为5个层次：

层次一：基于时空的多源异构数据采集——该层向快递网点端的系统提供了SDK，支撑了所有基于此之上的空间操作，车辆维度等通过APP设备可直接接入系统的轨迹处理模块，完成即时轨迹点采集与路径地图生成。

层次二：空间位置表征及数据管理——该层重点完成解决地理位置表征这一基本问题-由层次化非规则多边形网格系统-全域AOI模块来解决；同样，有轨迹处理模块完成车辆轨迹管理等处理工作。

层次三：时空数据索引与存储——该层主要支持实现高效的时空查询。

层次四：物流末端预测模块——该层基于时空数据，可完成包括时效预测、车辆路径预测、单量预测等时空信息预测问题，通过有效利用时空信息，给上层决策环节提供精准的预测结果。

层次五：物流末端决策优化模块——该层涉及末端诸多基本核心的决策问题，包括订单（包裹）智能派单给快递员决策以提升揽配效率及完成有效激励引导；而时空数据驱动的站点选址与区域规划解决了传统区域规划的几个核心问题-大小不合理、形状不规则、订单地址不聚合而导致的收入不均、部分订单配送成本高、无效配送行驶多的问题。

菜鸟STAMP平台已经全面落地在仓配、快递、菜鸟裹裹、菜鸟驿站等业务末端的各个实操、预测及决策环节中，服务的典型场景包括:

（1）站点选址和站点揽派区域规划：STAMP平台提供揽派区域范围的优化计算和智能选址，利用数据化驱动算法，比人工计算更加合理，能够综合考虑更多的划分因素。

（2）末端包裹揽派信息的展示：STAMP平台通过人工智能技术，能够精准预测包裹位置和送达时间，提供给消费者准确且实时的信息，减少催派与客诉，大大提升消费者体验。

（3）上门寄件业务场景：STAMP平台针对寄件场景提供了一套完整的基于时空的智能派单、上门时效预测和包裹顺序规划的解决方案。根据用户需求和时空信息，合理分配快递员，并利用时空算法精确计算出快递员上门时间。同时，对消费者透传包裹的实时位置与包裹顺序，提升消费者寄件体验。

2、技术解析

菜鸟STAMP平台通过多项核心技术来解决地理空间位置表示、车辆轨迹处理及末端网点选址等物流终端场景的各项痛点需求，并形成了多项技术实现方案。

地理空间位置表示方案–菜鸟网络团队基于地理几何拓扑计算技术，时空数据融合技术，提出了面向实操的自研空间表示系统-层次化非规则多边形系统-全域AOI。该技术能够综合利用时空轨迹和地理信息等多源数据，学习区域的时空关联特征。同时利用地理信息技术进行拓扑融合与优化，最终生成出全域AOI，具有无缝隙、语义分割和符合实操经验的特性。

车辆轨迹处理及决策优化–针对如何处理车辆等原始轨迹，形成有语义的揽派路线地图，菜鸟利用轨迹预处理技术解决轨迹点噪声/采样点缺失、语义标注问题。基于时空路径图，利用行为模式挖掘方法，并提出了端到端可有效利用时空信息的时空AI模型。主要通过最近配送路径、配送模式、实时负载这三个核心部分完成对时空属性信息的有效编码，在实际配送场景上的准确率相对于目前业界及学界最有效的深度学习等方法都有了15%以上的提升。同时，STAMP平台可基于利用深度神经网络对快递员的决策行为进行学习，进而排序打分，并结合时空数据实现决策优化。

末端网点选址及服务区域规划–STAMP平台基于运筹优化和时空数据驱动的站点选址与区域规划技术来解决传统区域规划任务中诸如形状不规则、订单地址不聚合等问题。平台基于全域AOI数据和快递员实操信息，可对快递员与区域的熟悉程度建模，并将问题转化为一个离线匹配问题，利用最小费用流算法进行求解。

3、应用效果

菜鸟STAMP平台目前已全部渗透到菜鸟物流末端的各个场景，从各方面实现了物流工作的降本增效。STAMP平台在天猫超市的末端2小时时效预测透出后，实现每月人力成本降低百万人民币。菜鸟裹裹业务方面则通过部署STAMP平台实现了网点分单的自动化，每天节省上万网点客服工作量，每年可节约近亿元成本。

STAMP平台的揽件路径规划和智能派单功能则实现提升快递员效率15%，提升末端揽件总效率10%；同时节约淘系订单客服处理效率约5分钟/单，节约时间占比25%。基于方位工作效能的提升，STAMP平台的部署帮助淘系包裹和天猫超市包裹的末端派送工作大幅提升了客户满意度，实现净推荐值（NPS）增幅30%。