這是一篇客座文章，由來自 Getir 的 Nafi Ahmet Turgut、Mehmet Ikbal Özmen、Hasan Burak Yel、Fatma Nur Dumlupınar Keşir、Mutlu Polatcan 和 Emre Uzel 共同撰寫。
帶 是超快速雜貨配送的先驅。 這家科技公司透過其雜貨幾分鐘內送貨的主張徹底改變了最後一英里的送貨方式。 Getir 成立於 2015 年，在土耳其、英國、荷蘭、德國和美國開展業務。 如今，Getir 已成為一家在同一品牌下擁有九個垂直領域的企業集團。
在這篇文章中，我們描述了端到端的勞動力管理系統，該系統從特定位置的需求預測開始，然後是快遞員勞動力規劃和輪班分配 亞馬遜預報 和 AWS步驟功能.
過去，營運團隊採用手動勞動力管理實踐，導致時間和精力的大量浪費。 然而，隨著我們全面的端到端勞動力管理專案的實施，他們現在能夠透過可透過網路介面存取的簡化的一鍵式流程高效地產生倉庫必要的快遞計劃。 在這個專案啟動之前，業務團隊依靠更直覺的方法進行需求預測，精確度需要提高。
亞馬遜預報 是一項完全託管的服務，它使用機器學習 (ML) 演算法來提供高度準確的時間序列預測。 在這篇文章中，我們描述瞭如何透過使用 Amazon Forecast 進行特徵工程和建模，將建模時間減少 70%。 當我們為所有倉庫運行調度演算法時，我們的運行時間減少了 90% AWS步驟功能，這是一項完全託管的服務，可以更輕鬆地使用視覺化工作流程協調分散式應用程式和微服務的元件。 該解決方案還使土耳其和幾個歐洲國家的預測準確性提高了 90%。
解決方案概述
端到端勞動力管理項目（E2E項目）是一個大型項目，可分為三個主題來描述：
1.計算快遞要求
第一步是估計每個倉庫的每小時需求，如演算法選擇部分所述。 這些預測由 Amazon Forecast 生成，有助於確定每個倉庫何時需要以及需要多少快遞員。
根據倉庫內快遞員的吞吐率，以小時計算每個倉庫所需的快遞員數量。 這些計算有助於確定考慮到法定工作時間的可行快遞數量，其中涉及數學建模。
2.解決輪班分配問題
一旦我們有了快遞需求，並且知道了快遞員和倉庫的其他限制，我們就可以解決排班問題了。 該問題透過決策變數進行建模，確定要分配的快遞員並創建輪班時間表，最大限度地減少可能導致錯過訂單的過剩和短缺。 這通常是混合整數規劃 (MIP) 問題。
3.使用AWS Step Functions
我們使用 AWS Step Functions 來協調和管理工作流程，並具有並行執行作業的能力。 每個倉庫的輪班分配流程都定義為單獨的工作流程。 AWS Step Functions 透過簡化錯誤處理來自動啟動和監控這些工作流程。
由於此過程需要大量資料和複雜運算，因此 AWS Step Functions 等服務在組織和最佳化任務方面具有顯著優勢。 它可以實現更好的控制和高效的資源管理。
在解決方案架構中，我們也透過將其他 AWS 服務整合到 AWS Step Functions 中來利用它們：
下圖顯示了 AWS Step Functions 工作流程和轉換工具的架構：
圖 1 AWS Step Functions 工作流程
圖2 換檔工具架構
算法選擇
預測位置需求是E2E專案的初始階段。 E2E 的總體目標是確定分配給特定倉庫的快遞員數量，首先預測該倉庫的需求。
此預測組件在端到端框架中至關重要，因為後續階段依賴這些預測結果。 因此，任何預測不準確都會對整個專案的效率產生不利影響。
位置需求預測階段的目標是在未來兩週內針對特定國家/地區每小時分段的每個倉庫產生預測。 最初，每個國家的每日預測是透過機器學習模型製定的。 這些每日預測隨後被分解為每小時部分，如下圖所示。 歷史交易需求資料、基於位置的天氣資訊、假期日期、促銷和行銷活動資料是模型中使用的功能，如下圖所示。
圖3 特定位置預測的架構
團隊最初探索了傳統的預測技術，例如開源 薩里瑪 （季節性自回歸綜合移動平均）， 阿里麥斯 （使用外生變數的自迴歸綜合移動平均線）和指數平滑。
ARIMA（自回歸綜合移動平均）是一種時間序列預測方法，它將自回歸 (AR) 和移動平均 (MA) 組件與差分相結合，使時間序列平穩。
SARIMA 透過合併附加參數來擴展 ARIMA，以考慮時間序列中的季節性。 它包括季節性自回歸和季節性移動平均項，以捕捉特定間隔內的重複模式，使其適合具有季節性成分的時間序列。
ARIMAX 透過引入外生變數（可以影響時間序列的外部因素）建立在 ARIMA 的基礎上。 模型中考慮了這些附加變量，以透過考慮時間序列歷史值之外的外部影響來提高預測準確性。
指數平滑是另一種時間序列預測方法，與 ARIMA 不同，它基於過去觀測值的加權平均值。 它對於捕獲數據的趨勢和季節性特別有效。 此方法為過去的觀測值分配指數遞減的權重，最近的觀測值獲得更高的權重。
Amazon Forecast 模型最終被選用於演算法建模部分。 事實證明，AWS Forecast 提供的大量模型和複雜的特徵工程功能更具優勢，並優化了我們的資源利用率。
測試了 Forecast 中可用的六種演算法： 卷積神經網路—分位數迴歸 （CNN-QR）， DeepAR +, 預言家, 非參數時間序列 （NPTS）， 自迴歸綜合移動平均線 （ARIMA），以及 指數平滑 （美國教育測驗服務中心）。 透過預測結果的分析，我們確定 CNN-QR 的效果優於其他預測。 CNN-QR 是 Amazon 開發的專有 ML 演算法，用於使用因果卷積神經網路 (CNN) 預測標量（一維）時間序列。 鑑於此時存在多種資料來源，採用 CNN-QR 演算法有助於整合各種功能，並在監督學習框架內運作。 這種差異將其與單變量時間序列預測模型區分開來，並顯著提高了效能。
由於提供必要數據和指定預測持續時間的簡單性，使用預測被證明是有效的。 隨後，Forecast 使用 CNN-QR 演算法產生預測。 該工具顯著加快了我們團隊的流程，特別是在演算法建模方面。 此外，利用 亞馬遜簡單存儲服務 用於輸入資料儲存庫的 (Amazon S3) 儲存桶和用於儲存結果的 Amazon Redshift 促進了整個流程的集中管理。
結論
在這篇文章中，我們向您展示了 Getir 的 E2E 專案如何示範結合 Amazon Forecast 和 AWS Step Functions 服務如何有效簡化複雜的流程。 我們在歐洲和土耳其的國家/地區實現了約 90% 的令人印象深刻的預測準確度，並且由於能有效處理特徵工程和建模，因此使用 Forecast 將建模時間縮短了 70%。
使用 AWS Step Functions 服務帶來了實際優勢，特別是所有倉庫的調度時間減少了 90%。 此外，透過考慮現場要求，我們將合規率提高了 3%，幫助更有效地分配勞動力。 這反過來又凸顯了該專案在優化營運和服務交付方面的成功。
要了解有關使用 Forecast 開始您的旅程的更多詳細信息，請參閱可用的 亞馬遜預測資源。 此外，有關建立自動化工作流程和製作機器學習管道的見解，您可以探索 AWS步驟功能 進行全面指導。
關於作者
納菲·艾哈邁德·圖爾古特 完成了電機與電子工程碩士學位，並擔任研究生研究科學家。 他的重點是建立機器學習演算法來模擬神經網路異常。 他於 2019 年加入 Getir，目前擔任高級資料科學與分析經理。 他的團隊負責為 Getir 設計、實作和維護端到端機器學習演算法和資料驅動的解決方案。
穆罕默德·伊克巴爾·厄茲曼 獲得經濟學碩士學位並擔任研究生研究助理。 他的研究領域主要是經濟時間序列模型、馬爾可夫模擬和衰退預測。 隨後，他於 2019 年加入 Getir，目前擔任數據科學與分析經理。 他的團隊負責優化和預測算法，以解決運營和供應鏈業務遇到的複雜問題。
哈桑布拉克耶 在海峽大學獲得電機與電子工程學士學位。 曾任職於Turkcell，主要研究時間序列預測、資料視覺化及網路自動化。 他於 2021 年加入 Getir，目前擔任資料科學與分析經理，負責搜尋、推薦和成長領域。
法特瑪·努爾·杜姆魯珀納爾·凱西爾 獲得海峽大學工業工程系學士學位。 她曾在 TUBITAK 擔任研究員，專注於時間序列預測和視覺化。 隨後，她於 2022 年加入 Getir，擔任資料科學家，並參與了推薦引擎專案、勞動力規劃數學程式設計。
埃姆雷·烏澤爾 獲得科奇大學數據科學碩士學位。 他曾在 Eczacıbaşı Bilişim 擔任資料科學顧問，主要研究推薦引擎演算法。 他於 2022 年加入 Getir，擔任資料科學家，開始從事時間序列預測和數學最佳化專案。
穆特魯波拉特坎 是 Getir 的一名高級數據工程師，專門設計和構建雲原生數據平台。 他喜歡將開源項目與雲服務相結合。
埃斯拉卡亞巴勒 是 AWS 的高級解決方案架構師，專注於分析領域，包括數據倉庫、數據湖、大數據分析、批處理和實時數據流以及數據集成。 她擁有 12 年的軟件開發和架構經驗。 她熱衷於學習和教授雲技術。
