数学建模实战：从货量预测到人员排班的优化模型构建与求解

1. 从“妈妈杯”C题看数学建模实战：不止是解题，更是项目管理

每年四月的MathorCup（圈内戏称“妈妈杯”）都是数学建模爱好者和参赛队伍的一次重要练兵。尤其是C题，往往以贴近实际工业场景的优化问题为核心，比如今年的货量预测与人员排班，它考察的远不止是几个算法公式的套用。很多新手队伍拿到题目后，第一反应是找“最优算法”，但往往在数据清洗、模型假设的合理性、以及最终方案的可解释性上栽跟头。真正的难点，在于如何将一个开放的、描述可能有些模糊的实际问题，转化成一个边界清晰、可量化、可求解的数学模型，并且能用代码实现、用数据验证。这整个过程，更像是一个微型的科研或工程项目管理，从需求分析到方案交付，每一步都考验着综合能力。如果你正为这类问题头疼，感觉思路混乱、代码不知从何写起，那么这篇结合了多次带队参赛和评审经验的拆解，或许能给你提供一个清晰的行动框架。

2. 赛题核心拆解：在“预测”与“排班”的耦合中寻找突破口

拿到“货量预测”和“人员排班”这样的题目，首要任务是解耦与界定。题目不会把一切都交代清楚，我们需要自己定义问题的边界。

2.1 问题一：货量预测的本质与数据武器库

预测未来货量，这听起来是个典型的时序预测问题。但数学建模竞赛中的预测，绝不是导入数据、调用sklearn或statsmodels那么简单。你需要构建自己的“数据故事”。

首先，理解预测的目标是什么？是预测下一周每天的总货量？还是预测下一个小时每一条配送线路的货量？预测的粒度直接决定了数据准备和模型选择。题目通常会给出一段历史数据，可能是过去几个月每天或每小时的货量记录。你的第一个战场就是数据预处理：

1. 异常值处理：历史数据中是否存在因为节假日、促销、天气灾害导致的尖峰或谷底？这些点不能简单删除，而要分析其成因。如果是双十一这样的促销，它可能是有规律的，可以单独建模或作为特征；如果是由于系统故障导致的零值，则可能需要用前后时刻的均值或插值法处理。
2. 特征工程：这是提升模型性能的关键。除了历史货量序列本身（滞后项，如前一天、同一周前一天的货量），你必须考虑外部特征：
   • 时间特征：星期几（周一至周日）、是否周末、是否节假日、月份、季度。这些特征能捕捉周期性和季节性。
   • 业务特征：如果有附加数据，比如促销活动标记、天气情况（温度、降雨量）、节假日类型（购物节 vs 传统节日）。
   • 统计特征：滚动均值、滚动标准差、同比（去年同期的货量）、环比（上一个周期的货量）。

模型选型上，没有银弹，只有合适与否。对于入门队伍，建议建立一个从简到繁的模型验证流程：

• 基线模型：首先建立一个简单的基准，比如移动平均法或季节性自回归模型。这个模型的预测结果将作为你后续复杂模型的“及格线”。如果你的复杂模型连这个简单模型都打不败，那就要反思特征或模型是否出了问题。
• 经典时序模型：ARIMA（自回归积分滑动平均模型）及其季节性变体SARIMA是处理线性时序问题的利器。你需要通过观察时序图、自相关图（ACF）和偏自相关图（PACF）来初步确定参数(p,d,q)。可以使用pmdarima库的auto_arima函数进行自动参数搜索，但这只是起点，理解输出结果并解释其合理性更重要。
• 机器学习模型：将时序问题转化为监督学习问题。使用上述构建的特征，将“预测明天货量”转化为“用今天及之前的所有特征，预测目标值”。可以尝试线性回归、随机森林、梯度提升树。这里需要注意避免数据泄露，必须严格按照时间顺序划分训练集和测试集，不能随机打乱。
• 高级模型：如果数据量足够且序列关系复杂，可以尝试LSTM（长短期记忆网络）等循环神经网络。但要注意，深度学习模型需要更多的数据、更长的训练时间，且调参复杂，解释性差。在有限的比赛时间内，它可能是“杀手锏”，也可能是“时间黑洞”。

注意：永远不要只用一个模型。至少训练2-3个不同类型的模型，在同一个测试集上比较它们的性能指标（如MAE平均绝对误差、RMSE均方根误差）。最终提交的预测结果，可以是表现最佳的那个模型的输出，也可以是几个模型预测值的加权平均（集成学习）。

2.2 问题二：人员排班——一个标准的组合优化问题

排班问题是数学建模中的常客，其核心是在满足一系列硬约束和软约束的前提下，优化某个或多个目标。

第一步，定义决策变量。这是建模的基石。最直观的方式是定义一个0-1变量x[i][j][t]，其含义为：员工 i 在第 j 天（或第 t 个时间段）是否上班（1表示上班，0表示休息）。变量定义的方式直接影响后续约束和目标的表达复杂度。

第二步，梳理约束条件（这是拿分的关键）。你需要从题目描述中挖掘所有明示和暗示的约束：

• 硬约束（必须满足）：
  • 需求覆盖约束：每个时间段（如每天上午、下午）所需的在岗人数必须得到满足。这需要用到问题一的预测结果——将预测的货量转化为所需的人力。例如，预测货量100件，已知每个员工每小时处理10件，每天工作8小时，则每天需要100/(10*8) ≈ 1.25人，考虑到不可分割，你需要至少2人。这里就涉及一个预测结果到资源需求的转换模型，你需要明确说明这个转换规则。
  • 法律法规约束：员工连续工作天数上限（如最多6天）、每天工作时间上限（如8小时）、每周总工时上限（如40小时）。
  • 员工资质约束：某些岗位可能需要特定技能的员工。
• 软约束（尽可能满足，可作为优化目标的一部分）：
  • 员工偏好：尽量满足员工对休息日（如希望周末连休）或特定班次的偏好。
  • 班次公平性：尽量让员工的工时或夜班次数分布均匀。
  • 劳动力成本：在满足需求的前提下，最小化总工时或总薪资成本（如果不同时段薪资不同）。

第三步，建立目标函数。最常见的是最小化总人力成本或最小化未满足的软约束惩罚。有时会是多目标优化，例如“成本最低”和“员工满意度最高”。对于多目标问题，比赛中常用的方法是加权求和法，将多个目标按重要性赋予权重，合并为单一目标。你需要论证权重的设置依据。

2.3 问题三：预测与排班的联动与全局优化

这是题目拉开差距的地方。前两问可能是独立的，但第三问往往会要求你考虑预测不确定性下的鲁棒排班，或者建立预测-排班的联合优化模型。

例如，题目可能问：“如果预测存在一定误差，如何设计排班方案使得在真实货量波动时，调整成本最低？” 这引导你走向鲁棒优化或随机规划的领域。

• 思路一（鲁棒优化）：假设预测误差在一个已知的区间内（如 ±10%）。你的排班方案需要保证，无论真实货量在这个区间内如何波动，都能通过一个成本较低的调整（如临时调用少量兼职）来满足需求。你需要同时决策“固定排班计划”和“应急调整策略”。
• 思路二（随机规划）：将预测误差视为一个符合某种分布（如正态分布）的随机变量。你的目标是优化“排班方案”的期望总成本，这个总成本包括固定人力成本和基于货量随机波动而产生的预期调整成本。

对于大多数参赛队，完整实现随机规划可能时间紧张。一个取巧且实用的方法是情景分析法：生成几组可能代表未来不同情况（如货量最高、最低、最可能）的预测情景，然后优化一个排班方案，使得它在所有情景下的平均表现最好，或者在最坏情景下的表现不至于太差（这就是鲁棒的思想）。

3. 模型求解：算法选择与编程实现实战指南

模型建好了，怎么求解？这是从理论到实践的关键一跃。

3.1 精确算法 vs. 启发式算法：如何选择

• 精确算法：主要指整数规划/混合整数规划的求解器。如果你的模型是线性或二次的，决策变量规模不大（比如员工数<50，排班周期<30天），那么恭喜你，可以直接使用像Gurobi、CPLEX这样的商业求解器，或者开源的OR-Tools、PuLP（调用CBC求解器）。它们能在可接受时间内给出全局最优解。这是最推荐的方式，因为结果可靠，论文中也显得严谨。
  • Python示例（使用PuLP定义排班问题框架）：

    import pulp # 创建问题实例，最小化目标 prob = pulp.LpProblem('Staff_Scheduling', pulp.LpMinimize) # 定义决策变量 x[i][d][s] 为0-1变量 employees = ['E1', 'E2', 'E3'] days = range(1, 8) # 一周 shifts = ['Morning', 'Afternoon', 'Night'] # 假设三个班次 x = pulp.LpVariable.dicts('x', (employees, days, shifts), cat='Binary') # 假设目标是最小化总班次数（简化） prob += pulp.lpSum([x[i][d][s] for i in employees for d in days for s in shifts]) # 添加约束：例如，每天每个班次至少需要1人 for d in days: for s in shifts: prob += pulp.lpSum([x[i][d][s] for i in employees]) >= 1, f"Coverage_{d}_{s}" # 添加约束：每个员工每天最多上一个班次 for i in employees: for d in days: prob += pulp.lpSum([x[i][d][s] for s in shifts]) <= 1, f"MaxOneShift_{i}_{d}" # 求解 prob.solve(pulp.PULP_CBC_CMD(msg=False)) print(pulp.LpStatus[prob.status]) # 打印结果 for i in employees: for d in days: for s in shifts: if pulp.value(x[i][d][s]) == 1: print(f'{i} works on day {d}, {s} shift')

• 启发式/元启发式算法：当问题规模很大，整数规划求解器无法在有效时间内求解时，就需要这类算法。它们不保证找到最优解，但能在较短时间内找到高质量的解。对于排班这种组合爆炸问题非常有效。
  • 遗传算法：将排班方案编码成“染色体”（如一串代表员工每日班次的序列），通过选择、交叉、变异操作迭代进化。适用于解空间巨大、非线性、多峰值的问题。
  • 模拟退火：从一个初始解开始，以一定概率接受“更差”的解，从而有机会跳出局部最优。参数（初始温度、冷却速率）设置需要调试。
  • 禁忌搜索：通过“禁忌表”记录近期移动，避免循环搜索，强制探索新区域。

实操心得：对于“妈妈杯”这个级别的比赛，优先尝试整数规划求解器。先用简化版数据（如少量员工、短周期）测试模型是否正确，求解是否快速。如果求解时间过长（如超过10分钟），再考虑启发式算法。在论文中，可以写明“由于问题规模较大，采用遗传算法进行求解”，并给出算法流程图、关键参数（种群大小、迭代次数）和收敛情况图。

3.2 代码实现与数据管理

清晰的代码结构不仅能帮你调试，也能在论文附录中加分。

1. 模块化设计：

   • data_preprocessing.py: 负责数据清洗、特征工程。
   • forecast_model.py: 包含ARIMA、随机森林等预测模型的训练与预测函数。
   • scheduling_model.py: 定义排班问题的模型（PuLP对象或遗传算法的个体类）。
   • optimization_solver.py: 调用求解器或运行启发式算法的主循环。
   • visualization.py: 绘制预测对比图、排班甘特图、收敛曲线等。
   • main.py: 主程序，按顺序调用上述模块。

2. 数据流要清晰：原始数据 -> 预处理 -> 预测模型 -> 生成人力需求 -> 作为排班模型的输入参数 -> 求解排班模型 -> 输出排班表。在代码中，用明确的变量名和注释说明每个步骤的数据形态。

3. 可视化至关重要：一张图胜过千言万语。

   • 预测结果：绘制历史数据、预测数据、置信区间的对比折线图。
   • 排班结果：用甘特图展示每位员工每天的班次，一目了然。
   • 算法收敛性：绘制迭代过程中最优解和平均适应度的变化曲线。

4. 论文撰写：将你的工作包装成“故事”

数学建模竞赛，成果最终体现在一篇论文上。论文写作的本质是讲一个逻辑自洽、证据充分的“科学故事”。

4.1 摘要：浓缩的精华，决定第一印象

摘要是评委最先看，也可能唯一仔细看的部分。必须用精炼的语言覆盖所有重点，遵循“问题-方法-结果-结论”的结构。

• 第一句：针对什么问题（货量预测与人员排班）。
• 第二、三句：我们采用了什么方法（对于预测，我们构建了基于XGBoost融合时序特征的模型；对于排班，我们建立了混合整数规划模型，并采用启发式算法求解）。
• 第四、五句：得到了什么主要结果（预测误差MAE降低至X，排班方案在满足所有硬约束下，比基准方案成本降低了Y%）。
• 最后一句：我们的模型有什么优势或创新点（如：考虑了预测误差的鲁棒性，引入了员工满意度的多目标权衡）。

4.2 模型建立部分：彰显你的思考深度

这部分不是罗列公式，而要体现建模过程。

1. 符号说明表：将文中所有变量、符号集中说明，显得专业。
2. 模型假设：清晰列出你的假设（如“假设预测误差服从正态分布”、“忽略员工临时请假的情况”）。合理的假设是简化问题的前提，但也要讨论其局限性。
3. 模型推导：一步一步来。先讲预测模型，展示特征构建、模型选择依据。再讲排班模型，从定义决策变量，到列出每一个约束条件（并解释其实际意义），最后给出目标函数。对于关键约束，可以用“公式+文字解释”的方式。
4. 模型求解：说明你用的算法、求解器及其参数设置。如果是启发式算法，给出流程图。

4.3 结果分析与灵敏度检验：体现严谨性

这是区分普通论文和优秀论文的关键。

• 预测结果分析：不要只说“我们的模型很好”。展示预测值与真实值的对比图，列出MAE、RMSE、MAPE等指标。与基线模型（如移动平均）对比，说明提升幅度。
• 排班结果分析：展示最终的排班表（可以用表格或甘特图），并分析其特点：是否满足了所有约束？成本是多少？员工的工作负荷是否均衡？
• 灵敏度分析：改变模型中的某个关键参数（如预测误差范围、员工单位成本、需求波动幅度），观察目标函数（总成本）如何变化。这能证明你的模型不是“脆弱的”，在环境稍有变化时依然表现稳定。例如：“当预测误差从10%增大到20%时，总成本仅上升了5%，表明模型具有一定的鲁棒性。”

4.4 模型评价与推广：画上圆满句号

客观地评价自己工作的优缺点。

• 优点：模型贴合实际、考虑因素全面、求解效率高、结果鲁棒性好等。
• 缺点：可以提及模型的假设局限性（如未考虑极端天气）、数据局限性（如历史数据较短）、或算法在超大规模下的可扩展性问题。
• 推广：简要说明这个模型框架稍作修改后，可以应用于哪些类似场景（如医院护士排班、客服中心排班、交通调度等）。

5. 常见“天坑”与实战避坑指南

结合多年看赛和评审的经验，很多队伍不是输在想法，而是输在细节。

坑一：忽视数据预处理，Garbage in, garbage out。拿到数据后兴奋地直接跑模型，结果预测一塌糊涂。务必花时间做描述性统计：画分布图、找异常点、分析缺失值。对于时序数据，先画图看趋势、季节性和周期性。

坑二：模型“黑箱”，缺乏解释。尤其是使用随机森林、神经网络等复杂模型时，不能只给结果。尝试使用SHAP、LIME等工具进行特征重要性分析，告诉评委“为什么模型会做出这样的预测”，比如“周六、周日对货量预测的影响权重最高”，这能极大提升论文的说服力。

坑三：排班模型约束遗漏或矛盾。这是最致命的错误。比如，只约束了每天总人数，没约束每个员工连续上班天数上限，导致排出一个“007”的非法方案。建议在编码时，每写完一个约束函数，就用一个小规模的测试用例（如2个员工、3天）人工验证其正确性。检查约束是否可能相互冲突导致“无解”。

坑四：求解时间失控。比赛时间有限，如果模型复杂度过高，求解器运行几小时都没结果，会直接导致比赛失败。在建立模型时就要有复杂度意识。如果发现求解慢，尝试以下方法：1) 减少排班周期粒度（如从按小时排班改为按上午/下午排班）；2) 使用分解算法，先排核心员工，再排兼职；3) 果断转向启发式算法，并设置合理的迭代终止条件（如最大迭代次数或运行时间）。

坑五：论文与代码结果对不上。论文中展示的漂亮结果，必须能从你提交的代码中复现出来。在最终提交前，务必做一次完整的“从零开始”复现：在一个新的文件夹里，只放原始数据和你的代码，运行一遍，确保生成论文中的所有图表和数据。避免在本地调试时手动修改了某个中间数据文件，导致提交的代码无法产出论文结果。

数学建模竞赛，归根结底是一次解决复杂问题的全流程模拟。从“妈妈杯”C题这类题目中，你真正要学习的不是ARIMA或遗传算法的具体参数，而是那种将模糊现实转化为清晰模型的结构化思维能力，以及用算法和代码将想法落地的执行力。带着这份项目管理的视角去参赛，你会发现，过程比结果更有价值。