梁 爽 蔡 鹏

（华东师范大学数据科学与工程学院 上海 200062）

1 引言

由于缺乏合理的排队规则，同时因为钢厂业务流程逻辑复杂，原料运输车辆到达钢厂停车场后，很难通过常规手段预估入厂排队等待时间。准确等待时间的缺少使得司机不得不随时呆在车内待命。这种情况既增加了物流成本，也降低了司机的满意度。图1展示了卡车排队卸货的业务流程。

卡车首先进入停车场并按货物品种取得排队号。经过一段时间等待该车被叫号并准备入厂，入厂之后进行卸货工作，卸货完成即可离开厂房。这个过程中，关键的时间信息被实时地记录到钢铁物流信息平台。我们的目标就是预测卡车开始排队至被叫号所花费的时间（既车辆等待时间）。目前大多数钢厂采用排队号乘以固定时间这种依靠经验、粗粒度的预测方法。这种方法忽视了厂内卸货能力、停车场内车辆已等待时间等因素，预测结果对司机参考意义不大。

图1 卡车排队卸货过程

钢铁物流场景下的等待时间预测与一般场景有一定区别。机场出租车等待时间预测［1］考虑机场乘客到达率、天气情况、机场内出租车数量等，银行排队等待时间预测［2］考虑排队号，服务窗口数、业务类型等。这些场景稳定且逻辑相对简单。然而钢铁物流场景下几十种原料运输车辆并行工作，车辆的等待时间受整个工厂状况影响，并且厂内工人数、机器数等变化大，厂区的工作效率也因这些因素动态变化，很不稳定。……