01
拆单问题概述
什么是订单拆分、为什么需要拆单、电商与物流场景中的拆单痛点。
概念背景
02
拆单路径优化目标
最小化物流成本、最大化履约效率、平衡仓库库存与运输能力。
目标KPI
03
数据准备与特征工程
订单数据清洗、商品属性编码、地址经纬度提取、时间窗口特征构建。
特征预处理
04
传统拆单策略
按仓库拆分、按商品品类拆分、按地址区域拆分、按库存可用性拆分。
规则启发式
05
传统策略的局限性
库存不均衡导致拆单过多、运输路线冲突、人工规则难以维护。
瓶颈挑战
06
机器学习引入动机
从规则驱动到数据驱动、预测库存与物流瓶颈、动态调整拆单策略。
动机数据驱动
07
问题建模
将拆单路径优化建模为组合优化问题、多目标优化框架、约束条件定义。
建模优化
08
监督学习方案
预测订单是否可合并、分类模型（逻辑回归、随机森林、XGBoost）。
分类XGBoost
09
特征重要性分析
哪些特征对拆单决策影响最大、SHAP值解释模型、特征筛选实战。
SHAP可解释性
10
强化学习基础
马尔可夫决策过程（MDP）、状态、动作、奖励函数设计。
RLMDP
11
Q-Learning拆单策略
状态空间定义（订单队列、库存、运力）、Q表更新、ε-贪心探索。
Q-Learning探索
12
深度Q网络（DQN）
用神经网络替代Q表、经验回放、目标网络稳定训练。
DQN深度RL
13
策略梯度方法
REINFORCE算法、Actor-Critic架构、连续动作空间处理。
策略梯度Actor-Critic
14
序列决策模型
将拆单视为序列生成问题、LSTM/Transformer编码订单序列。
序列Transformer
15
约束满足与可行性
硬约束（库存上限、车辆容量）、软约束（时效优先级）、惩罚函数。
约束可行性
16
多智能体协同
每个仓库/配送站作为一个智能体、通信机制、联合动作空间。
多智能体协同
17
离线训练与在线推理
历史日志数据训练、模型部署、实时拆单决策延迟优化。
MLOps推理
18
模拟环境构建
基于真实数据的仿真器、订单生成器、物流网络模拟。
仿真环境
19
评估指标设计
拆单率、履约成本、配送时效、客户满意度综合评分。
指标评估
20
A/B测试框架
线上分流实验、对照组与实验组设计、统计显著性检验。
A/B测试实验
21
冷启动问题
新仓库/新区域无历史数据、迁移学习与元学习方案。
冷启动迁移学习
22
模型可解释性
拆单决策原因回溯、规则提取、可视化拆单路径。
可解释性可视化
23
大规模分布式训练
参数服务器、异步训练、模型压缩与量化。
分布式训练
24
实时特征计算
流式处理（Flink/Kafka）、特征存储（Redis）、低延迟推理。
实时流处理
25
异常检测与鲁棒性
订单异常（恶意刷单、地址错误）、模型降级策略。
异常检测鲁棒性
26
成本感知学习
将物流成本直接嵌入损失函数、加权样本训练。
成本损失函数
27
联邦学习隐私保护
不同仓库数据不出域、联合建模、差分隐私。
联邦学习隐私
28
案例研究
某电商平台拆单优化实践、从30%拆单率降至12%的历程。
案例实战
29
前沿趋势
图神经网络（GNN）建模订单关系、大模型辅助拆单规则生成。
GNN大模型
30
课程总结与展望
拆单优化未来方向、推荐学习资源、项目实战建议。
总结资源