近日，京東物流智能算法團隊的學術論文Three-Stage Root Cause Analysis for Logistics Time Efficiency via Explainable Machine Learning被CCF-A類會議ACM SIGKDD錄用。ACM SIGKDD（國際數據挖掘與知識發現大會，簡稱KDD）是數據科學領域最高級別的國際學術會議，也是全世界數據科學頂級學術成果的交流平臺，國內外眾多科技企業和組織都把在KDD發表論文作為體現科技競爭力的重要指標。

異常根因分析算法流程圖

該論文是京東物流完全獨立自主發表的第一篇KDD論文。京東物流算法團隊對其智能物流園區異常管理解決方案中的落地技術，進行總結提煉，并從中挖掘學術價值。論文以物流時效的異常發現和分析為例，提出了基于可解釋機器學習的根因分析方法，并通過實際場景的應用案例進行了論證，針對當前人工智能領域中的根因分析疑難問題提出有效的創新方法，不僅做出了重要的學術貢獻，也推動物流行業實際業務更進一步。

物流園區是物流業務集聚發展的核心單元，覆蓋倉儲、分揀、運輸等供應鏈的關鍵環節，包含多種物流設施和功能業態。因此，保障物流園區的安全高效運行就顯得尤為重要。為了及時發現異常事件并且迅速針對性調整，京東物流智能園區算法團隊基于大數據和人工智能技術，創新性地探索出了集發現問題、分析問題和解決問題為一體的智能物流園區異常管理解決方案?；诮y計學和可解釋機器學習提出的分析框架，能夠有效發現智能園區中設備運行、車輛調度、人效、能源消耗等方面的異常并進行根因分析，從而優化提升物流業務。

由于物流園區中的貨物流量巨大、分揀系統結構復雜，容易在局部造成擁堵，從而影響物流時效，甚至造成貨物損壞或丟失。針對這一問題，智能物流園區異常管理解決方案不僅能夠通過計算機視覺手段及時發現擁堵點，也能夠通過機器學習和統計學技術有效分析分揀系統結構和各個入口的流量對擁堵事件的影響。從而，定位造成擁堵的根本原因，并加以改善，避免因為治標不治本帶來的異常事件反復發生。

碳中和是當前國家發展的大趨勢，物流園區也成為降低物流行業碳排放的重要一環。智能物流園區異常管理解決方案能夠為碳排放預測和提前治理，提供強大的技術支持。通過對復雜繁多的碳排放影響因素集合與碳排放量的關系進行理論建模，并抽絲剝繭，結合現實場景定位造成碳排放增加的主要因素，有針對性地加以優化和改善，從而有效實現節能減排。

除了在物流園區的場景，智能物流園區異常管理解決方案的核心技術也應用在物流時效分析和網絡規劃業務中，并成功幫助京東物流西南區域多個城市發現提升時效的關鍵因素，并提出了相應的整改建議。通過數字化和智能化手段，大大提升了異常分析和根因定位的效率和精確性，對業務增長起到了關鍵作用。

京東物流始終重視技術創新的重要作用，在長期技術投入和創新驅動下，軟件、硬件及系統集成的三位一體供應鏈物流技術核心競爭力持續升級，目前已形成了覆蓋園區、倉儲、分揀、運輸、配送等供應鏈各關鍵環節的技術產品及解決方案，以提升預測、決策和智能執行能力。不僅多項技術成果獲得國際、國內頂級榮譽和學術認可，京東物流還通過開放合作，拓展供應鏈物流新技術的應用落地，推動數實融合，讓一體化供應鏈成為企業、行業高質量發展的“助推器”。