移动互联网、人工智能等新兴技术的发展和普及催生了大量新的商业模式。这些新模式面临高度不确定的环境，决策颗粒度和时效性要求极高，传统的模型驱动的决策范式不再适用，基于数据分析的决策逐渐成为主流[1]。决策范式的转变主要体现在四个方面。第一，决策所涵盖的信息范围从单一领域向跨域融合转变；第二，决策者与受众的角色逐渐交互融合；第三，决策的理念假设从经典假设向宽假设，甚至无假设转变；第四，决策流程从线性、分阶段过程向非线性过程转变[2]。本文以O2O即时服务(Online-to-Offline on-demand service)这种新型商业模式为背景，聚焦跨域融合和宽假设这两个维度的转变，研究大数据驱动的新决策范式下的O2O即时物流调度模型。 O2O即时服务是利用互联网使线下商品(或服务)与线上融合，线上生成订单，线下即时完成交付(通常需在半小时到一小时内送达)的一种新型商业模式[3，4]。基于庞大的国内消费市场和广泛普及的移动互联网，中国已在O2O商业模式上走在世界前列。以O2O外卖领域为例，2020年中国O2O用户规模达4.56亿人，市场规模达6646.2亿元[5]，是我国经济主战场之一。 目前，在O2O即时服务的物流实践中，主流的平台采用系统派单模式，例如美团外卖平台上的美团专送服务[6，7]。平台决定订单的分派和配送路线的规划，统筹考虑所有配送员的位置、待配送订单数目和所有订单的时间限制，以降低系统的总体成本为目标，完成订单分派。但目前基于现有配送算法的 O2O即时物流的精细化管理水平还有待提升，物流配送的成本较高。比如美团外卖2021年的物流费用占平台年收入的70.79％，高达682亿[8]。目前业界 O2O即时物流精细化管理水平较低的瓶颈体现在供需之间在空间和时间上的不匹配，具体体现在以下两个方面。 1)在供给端，现有调度系统对于数据维度的使用不充分，只利用了订单维度数据，没有充分利用配送员维度的数据，从而导致决策不精准。 现有调度系统在优化订单分派时，多从订单这一个维度出发进行优化，而没有充分考虑配送员差异化配送速度的影响。Xu等①研究发现，在O2O即时物流场景中，众包配送员个人的能力、经验、行为不同，对于外部环境、平台激励机制的反应也不同，例如评级较高的配送员对于收入激励的敏感性较低，评级较低的配送员对于收入激励的敏感性较高。不考虑人和环境差异化的决策使得供需匹配不准确，一方面浪费能力强的配送员的配送能力，降低效率；另一方面增加能力较差的配送员的配送压力，造成更多的延误订单。因此建模时有必要同时考虑订单和配送员两个维度。然而现有研究通常假设将同一订单分配给不同配送员时，其需要的配送时间是一样的[9-18]。尽管部分研究也考虑配送速度受时间、路况天气或配送员类型的影响，及其对于订单分派的决策带来的挑战[19-21]。例如周鲜成等[19]考虑车辆不同出发时刻对行驶时间的影响，分析车辆时变速度、载重与碳排放率之间的关系，但仍假设不同配送员(或车辆)的速度是一致的，即不同配送员(或车辆)配送同一订单所花费的时间是一致的。这些研究的决策没有充分考虑人的维度的影响。因此O2O即时物流决策需要新的算法将配送员维度的特点也纳入建模考量，实现精准匹配配送员和订单，增加决策精准度，降低系统成本。 2)在需求端，现有调度系统大多没有考虑未来订单集的时空属性，从而无法进行全局优化。 现有调度系统大多只考虑当前已经出现的订单，没有考虑未来订单。然而在O2O即时物流场景中，由于订单的数目和分布随时间波动性高，低估未来的订单数目而将所有的运力都分配给当前的订单，可能造成未来的运力不足和更多的延误；高估未来的订单数目而保留部分目前的运力等待未来的订单，则可能造成运力的浪费和当前订单的延误。因此在O2O即时物流场景中考虑未来的需求非常必要。此外，O2O即时物流的需求不仅与订单的数目和时间分布有关，也与订单的空间分布强相关。因此建模时有必要同时考虑未来订单集的时间和空间两个维度。然而现有研究大多没考虑未来需求[9-23]，部分研究考虑未来需求时，假设未来需求服从特定的先验分布。例如Dayarian和Savelsbergh[24]考虑未来订单和顾客到达的概率信息对决策的帮助；Voccia等[25]通过考虑未来订单的统计信息，给出车辆是否应该继续在仓库等待的判断标准；Ulmer等[26]构建价值函数估计方法去预测每个区域产生订单的概率，并整合到动态规划模型中。但上述这些基于先验分布假设的研究方法并未考虑需求的空间属性，无法适用O2O即时物流场景。因此，O2O即时物流决策需要新的方法来预测未来订单集的时空分布，否则决策是短视且不精准的。 由此可知，O2O即时物流优化决策问题和现有的物流配送问题有所不同[27]。本文旨在借助新的技术和方法，转变决策范式，构建大数据驱动的O2O即时物流调度新决策模型，解决O2O即时配送面临的上述挑战，实现精细化运营。 1 大数据背景下O2O即时物流调度的决策范式转变 本文提出的大数据背景下O2O即时物流调度的决策范式的转变具有四个核心要素：宽假设、全景式数据、同时考虑预测点估计及其不确定性，预测与决策同步。下面逐一具体介绍。 首先，新决策范式下的调度模型实现假设转变，将决策假设从历史的、静态的假设转变为宽假设(如图1所示)。现有的物流决策大多在供给端假设配送时间一致，在需求端假设需求分布函数已知。然而如前分析，这两个假设与O2O即时物流决策环境中的实际情况不符，导致决策的精准性下降。因此，新决策范式下的调度模型将原假设转变为宽假设：在供给端，假设每个配送员在不同情况下配送不同订单的配送时长是不一致的；在需求端，假设需求具有时空属性，需要同时考虑未来订单集的时间和空间两个维度来进行决策。
