1. 从赛题到实战：拆解ARIMA预测与排班规划的核心链路

每年数学建模竞赛的C题，总能把我们这些“老建模人”拉回到当年通宵达旦、与队友争论不休的回忆里。今年的Mathorcup C题，把“ARIMA时间序列预测”和“人员排班混合整数规划模型”这两个经典工具绑在一起，乍一看是“预测+优化”的标准套路，但真做起来，你会发现里面全是细节和抉择。这不像是一个单纯的算法题，更像是一个模拟真实业务场景的沙盘：你得先像个数据分析师一样，从一堆可能杂乱无章的历史数据里，把未来的人员需求“算”出来；然后立刻切换成运筹调度专家的角色，拿着这个未必完全准确的需求预测，去设计一套既满足各种硬性约束（比如班次、工时、技能），又尽可能压低成本的排班表。

很多人拿到题目，第一反应是去搜“ARIMA模型公式”和“混合整数规划代码模板”，然后试图把两者生硬地拼接。这恰恰是新手最容易掉进去的坑。真正的难点不在于调用某个库的函数，而在于理解这两个模型如何“对话”：时间序列预测的误差会如何传导并影响排班方案的质量？排班模型中的复杂约束（如连续工作天数限制、技能匹配）反过来是否要求预测模型提供更细粒度的输出？这些问题，才是区分论文质量高低的关键。

我结合多年带赛和实际项目经验，将整个解题过程拆解为几个环环相扣的模块。我们不仅要讲清楚每一步“怎么做”，更要深挖“为什么这么做”，以及“这么做可能会遇到什么坑”。无论是备战竞赛的同学，还是工作中需要处理类似排班优化问题的朋友，希望这篇长文能给你提供一个清晰、可落地的思考框架和实操指南。

2. 赛题核心剖析：为什么是“预测+优化”？

拿到“ARIMA时间序列预测与人员排班混合整数规划模型”这个标题，我们首先要解构其背后的业务逻辑。这不是两个孤立的任务，而是一个典型的“数据驱动决策”流水线。在零售、餐饮、客服、医院等众多服务行业中，人员成本是运营成本的大头，而需求又存在明显的波动性（如小时、日、周、季节性波动）。盲目地按高峰需求配置全职人员会造成闲时人力浪费，而按平均需求配置又会导致高峰时段服务崩溃。

因此，科学的做法是分两步走：第一步，需求预测。基于历史业务数据（如客流量、订单量、服务请求量），预测未来一段时间（通常是未来一周或一天内各个时段）的人力需求。这里的需求通常被转化为“所需员工人时数”或“所需具备特定技能的员工数量”。第二步，排班优化。在预测需求的基础上，结合企业内部的员工信息（可用性、技能、合同工时、薪资成本等）和运营规则（最小化连续工作时间、班次间隔、法律法规等），生成成本最低或效率最高的排班表。

ARIMA模型因其在处理单变量时间序列上的成熟性和可解释性，常被用于第一步。而混合整数规划（MIP）因其能严格处理“是/否”（如某员工是否在某个时段上班）这类离散决策变量和各种线性约束，成为第二步建模的自然选择。赛题的挑战就在于如何将这两个环节无缝衔接，并处理其中的不确定性。

3. 数据基石：清洗、分析与特征工程

在动手建模之前，我们必须像侦探一样审视数据。题目通常会提供历史时段（如过去数月）的每小时/每日业务量数据，以及员工的基本信息表。这一步的质量直接决定了上层模型的可靠性。

3.1 时间序列数据的预处理与探索性分析

首先处理业务量数据。原始数据往往存在缺失值、异常值（如节假日爆单或系统故障导致的零值/极高值）以及明显的趋势和季节性。

缺失值与异常值处理：对于少量随机缺失，可采用前后时刻的均值或线性插值填补。对于异常值，需要结合业务背景判断：如果是合理的业务高峰（如促销日），应予以保留；如果是明显的错误记录（如负值），则需要修正或剔除。一个实用的技巧是使用箱线图或3σ原则（三倍标准差）进行初步识别，但最终判断需谨慎。

序列平稳性检验：这是ARIMA建模的前提。我们使用Augmented Dickey-Fuller (ADF) 检验。原假设是序列非平稳。如果p值大于显著性水平（如0.05），则不能拒绝原假设，说明序列非平稳，需要进行差分处理。在Python中，可以使用statsmodels库快速完成：

from statsmodels.tsa.stattools import adfuller result = adfuller(ts_data) # ts_data为你的时间序列 print('ADF Statistic: %f' % result[0]) print('p-value: %f' % result[1]) if result[1] > 0.05: print("序列非平稳，需要进行差分。") else: print("序列平稳。")

分解趋势与季节性：使用statsmodels.tsa.seasonal.seasonal_decompose进行分解，可以直观地看到序列的长期趋势（Trend）、季节性波动（Seasonal）和残差（Residual）。这有助于我们确定ARIMA模型中的季节性参数，并判断是否需要进行对数变换（当序列波动幅度随时间增大时）来稳定方差。

注意：很多新手会忽略方差稳定性。如果序列随着时间推移波动剧烈程度明显变化，直接拟合ARIMA效果可能不佳。此时可以考虑先进行对数转换（np.log(ts_data)），待预测完成后再通过指数变换（np.exp()）还原。

3.2 从业务量到人力需求的转换

预测模型直接输出的是“业务量”，但排班模型需要的是“人力需求”。这里需要一个转换系数或函数。例如：

• 简单线性转换：所需人数 = ceil(预测业务量 / 人均效率)。其中人均效率可能是一个常数，也可能分时段（如早班效率高，晚班效率低）。
• 带缓冲的转换：考虑到预测误差和服务水平要求，可能需要增加安全缓冲：所需人数 = ceil(预测业务量 * (1 + 安全系数) / 人均效率)。安全系数的设定本身就是一个优化问题，可以基于历史预测误差的分布（如均方根误差RMSE）来估算。

这一步是连接预测与优化的桥梁，务必在论文中清晰阐述你的转换逻辑和依据。

4. ARIMA模型实战：从原理到调参

ARIMA（自回归积分滑动平均模型）是处理单变量时间序列的利器。其模型表示为ARIMA(p, d, q)，其中：

• p (自回归阶数)：表示当前值与过去p个历史值的关系。
• d (差分阶数)：为使序列平稳所需的差分次数。
• q (移动平均阶数)：表示当前误差与过去q个历史误差的关系。

4.1 模型识别与定阶

在确保序列平稳（通过差分后）后，我们需要确定p和q的值。主要工具是自相关函数（ACF）图和偏自相关函数（PACF）图。

• ACF图：描述当前序列与自身滞后序列的简单相关性。如果ACF拖尾（逐渐衰减到0），而PACF在p阶后截尾（突然降至接近0），则提示AR(p)模型。
• PACF图：描述在排除中间滞后项影响后，当前序列与滞后序列的相关性。如果PACF拖尾，而ACF在q阶后截尾，则提示MA(q)模型。
• 如果两者都拖尾，则可能是ARMA或ARIMA模型。

在实际操作中，我们常使用网格搜索（Grid Search）配合信息准则（如AIC、BIC）来定阶。AIC/BIC值越小，说明模型在拟合优度和复杂度之间取得了更好的平衡。

import itertools import statsmodels.api as sm # 定义p, d, q的取值范围 p = d = q = range(0, 3) # 通常从0-2开始尝试 pdq = list(itertools.product(p, d, q)) best_aic = float('inf') best_order = None for param in pdq: try: model = sm.tsa.ARIMA(ts_data, order=param) results = model.fit() if results.aic < best_aic: best_aic = results.aic best_order = param except: continue print(f'Best ARIMA{best_order} model - AIC: {best_aic}')

4.2 模型检验与白噪声诊断

拟合模型后，绝不能直接用于预测。必须进行残差诊断，检验残差序列是否为白噪声（即随机、无自相关性）。如果残差不是白噪声，说明模型未能充分提取序列中的信息，预测能力将打折扣。

关键检验是Ljung-Box检验。其原假设是残差序列彼此独立（即白噪声）。我们希望p值大于0.05，从而不能拒绝原假设。

from statsmodels.stats.diagnostic import acorr_ljungbox lb_test = acorr_ljungbox(model_resid, lags=[10], return_df=True) # model_resid为模型残差 print(lb_test) if lb_test['lb_pvalue'].iloc[0] > 0.05: print("残差是白噪声，模型拟合充分。") else: print("残差非白噪声，模型可能需改进。")

此外，还应绘制残差的ACF/PACF图，观察是否在零附近随机波动，以及QQ图检验残差是否近似正态分布。

4.3 预测与不确定性量化

使用拟合好的模型进行向前多步预测。get_forecast()方法不仅可以返回点预测值，还能提供预测区间（置信区间），这至关重要。因为排班模型需要应对不确定性，预测区间给出了需求可能波动的范围。

# 预测未来24个时段 forecast_obj = results.get_forecast(steps=24) pred_mean = forecast_obj.predicted_mean # 点预测 pred_ci = forecast_obj.conf_int(alpha=0.05) # 95%置信区间 # 可视化 plt.plot(ts_data, label='历史数据') plt.plot(pred_mean.index, pred_mean, color='red', label='预测') plt.fill_between(pred_ci.index, pred_ci.iloc[:, 0], pred_ci.iloc[:, 1], color='pink', alpha=0.3, label='95%置信区间') plt.legend() plt.show()

将点预测值通过3.2节的转换公式，得到每个时段的基础人力需求。同时，可以将置信区间的上限作为“悲观场景”下的需求，用于生成鲁棒性更强的排班方案，这是一个高级的加分点。

5. 混合整数规划模型构建：定义、约束与目标

拿到分时段的人力需求预测后，我们进入排班优化核心。混合整数规划（MIP）的“混合”体现在变量既有连续型（如工作时长），也有整数型（如排班人数）；“整数”特指0-1决策变量，用于表示“是否安排”。

5.1 定义决策变量

这是建模最关键的一步，变量定义决定了模型的复杂度和表达能力。假设我们有员工集合I，时段集合T（例如一天中的24个小时或48个半小时段），班次类型集合K（如早班、中班、晚班）。

一种常见且强大的变量定义方式是使用0-1决策变量：

• x_{i,t}= 1，如果员工i在时段t工作；否则为0。
• 或者，更精细地定义y_{i,k}= 1，如果员工i被安排班次k；否则为0。其中每个班次k定义了其开始时间、结束时间和持续时间。

第一种方式（时段-员工）更灵活，可以处理任意形状的班次，但变量多（|I| * |T|），可能造成模型规模过大。第二种方式（班次-员工）更紧凑，但需要预先定义好所有可能的班次模式。在数学建模竞赛中，由于数据规模通常不大，采用第一种方式更为直观和通用。

5.2 构建约束条件

约束是模型的“交规”，确保排班方案可行。以下是一些核心约束：

1. 需求覆盖约束：每个时段t，在岗员工总数必须大于等于该时段预测的人力需求D_t。 [ \sum_{i \in I} x_{i,t} \geq D_t, \quad \forall t \in T ] 这里D_t就是我们从ARIMA预测转换后得到的数据。

2. 员工可用性约束：每个员工i只能在其可工作的时间段内被安排。 [ x_{i,t} = 0, \quad \forall i \in I, t \notin A_i ]A_i是员工i的可用时段集合。

3. 连续工作与休息约束：例如，禁止连续工作超过8小时，或工作一段时间后必须有连续至少11小时的休息。这需要引入辅助变量或复杂的逻辑约束。例如，对于“禁止连续工作超过N个时段”： [ \sum_{\tau=t}^{t+N} x_{i,\tau} \leq N, \quad \forall i \in I, t \in {1, 2, ..., |T|-N} ] 这条约束保证了在任何长度为N+1的时段窗口内，员工最多工作N个时段。

4. 每日/每周总工时约束：每个员工i每日或每周的总工作时间应在合同范围内。 [ L_i^{day} \leq \sum_{t \in T^{day}} x_{i,t} \leq U_i^{day}, \quad \forall i \in I ]L和U分别是工时下限和上限。

5. 班次完整性约束（如果采用时段-员工变量）：确保员工的班次是连续的，不能中间断开。这是一个难点，通常需要引入额外的变量来表示班次的开始和结束，或者通过约束“如果员工在t时段工作但在t+1时段不工作，那么这必须是一个班次的结束”来实现。

5.3 设定优化目标

最常见的优化目标是最小化总人力成本。成本可能包括：

• 固定成本：只要员工当天被排班，就产生的成本（如基本工资）。
• 可变成本：与工作时长成正比的成本（如加班费）。
• 惩罚成本：对不满足偏好的惩罚（如不希望上晚班的员工被安排了晚班）。

目标函数可以表示为： [ \min \sum_{i \in I} (固定成本_i * z_i + \sum_{t \in T} 可变成本_{i,t} * x_{i,t} + 偏好惩罚_{i,t} * x_{i,t}) ] 其中z_i是一个0-1变量，表示员工i当天是否被安排上班。

在多目标情况下（如既想成本最低，又想员工满意度最高），可以采用加权求和法将其转化为单目标，或者使用分层优化法（先优化主要目标，在最优解附近优化次要目标）。

6. 模型求解、结果分析与可视化

6.1 求解器选择与调用

构建好MIP模型后，我们需要使用专业的优化求解器。在竞赛环境中，常用的是PuLP（Python）或YALMIP（MATLAB）这类建模语言配合开源求解器（如CBC,GLPK）或商业求解器（如Gurobi,CPLEX）的学术免费版。

import pulp # 创建问题 prob = pulp.LpProblem('Staff_Scheduling', pulp.LpMinimize) # 定义变量 x = pulp.LpVariable.dicts('x', ((i, t) for i in employees for t in periods), cat='Binary') # 设置目标函数 prob += pulp.lpSum([cost[i][t] * x[i, t] for i in employees for t in periods]) # 添加约束 for t in periods: prob += pulp.lpSum([x[i, t] for i in employees]) >= demand_forecast[t] for i in employees: for t in unavailable[i]: # unavailable[i]是该员工不可用的时段列表 prob += x[i, t] == 0 # 求解 solver = pulp.PULP_CBC_CMD(msg=False, timeLimit=300) # 使用CBC求解器，限制5分钟 prob.solve(solver) # 检查状态 print(pulp.LpStatus[prob.status]) if pulp.LpStatus[prob.status] == 'Optimal': # 提取结果 schedule = {} for i in employees: for t in periods: if pulp.value(x[i, t]) > 0.5: schedule.setdefault(i, []).append(t)

踩坑实录：对于规模稍大的问题（如50个员工*48个时段），求解时间可能很长，甚至无法在有限时间内找到最优解。这时需要调整策略：1)设置时间限制：如solver = pulp.GUROBI(timeLimit=60)。2)接受近似最优解：许多求解器可以设置MIPGap（如prob.solve(pulp.GUROBI(mipgap=0.05))），表示接受与理论最优解差距在5%以内的解，这能极大加快求解速度。在论文中，明确说明你设定的求解精度和时间限制是专业性的体现。

6.2 结果解读与灵敏度分析

得到排班表后，不能仅仅展示一个表格。需要进行深入分析：

• 成本分析：总成本是多少？固定成本和可变成本占比如何？与简单的“按最大需求排班”方案相比，节省了多少成本？
• 覆盖率分析：是否所有时段的需求都得到了满足？有没有时段存在人力冗余或轻微缺口？
• 员工负荷分析：每个员工的工作时长是否均衡？是否有员工被过度使用或闲置？

灵敏度分析是提升论文深度的关键。可以探讨：

• 需求波动的影响：将ARIMA预测的置信区间上限作为需求输入，重新求解排班模型。对比新方案的成本和稳定性，分析为应对不确定性需要付出的额外成本（“鲁棒性溢价”）。
• 关键参数的影响：例如，改变法律规定的连续工作上限（从8小时降到6小时），总成本会增加多少？这能为政策制定提供量化依据。

6.3 可视化呈现

一图胜千言。至少应提供三种可视化：

1. 需求预测图：包含历史数据、预测曲线和置信区间（如4.3节所示）。
2. 排班甘特图：横轴为时间，纵轴为员工，用不同颜色的条形表示每个员工的工作时段。这是最直观展示排班结果的方式。
3. 人力覆盖曲线图：横轴为时间，绘制两条曲线，一条是预测需求线，另一条是实际排班提供的劳动力线。可以清晰看到匹配程度和冗余/缺口。

使用matplotlib或plotly可以轻松实现这些图表。甘特图可以使用plotly的timeline功能或matplotlib的broken_barh绘制。

7. 进阶思考与模型拓展

基础模型能解决大部分问题，但要冲击更高奖项，需要考虑更复杂的现实因素。

7.1 处理多技能与任务分配

现实中员工可能具备多种技能（如收银、理货、客服）。需求也不再是简单的“总人数”，而是“需要N个具备技能A的员工和M个具备技能B的员工”。这需要在模型中引入技能维度。

定义三维决策变量x_{i,s,t}= 1，如果员工i在时段t执行技能s的任务。约束需变为：

• 分技能需求覆盖：sum_{i} x_{i,s,t} >= D_{s,t}。
• 员工技能匹配：x_{i,s,t} <= Skill_{i,s}，其中Skill_{i,s}是0-1参数，表示员工i是否掌握技能 *s`。
• 员工同时只能做一件事：sum_{s} x_{i,s,t} <= 1。

这大大增加了模型的复杂度和变量数量。

7.2 集成更高级的预测模型

ARIMA适合线性、稳定的序列。如果数据表现出复杂的非线性模式（如受多种外部因素影响），可以考虑：

• Prophet：由Facebook开发，能很好地处理节假日效应、多季节性（日、周、年）和趋势变化点。
• LSTM（长短期记忆网络）：一种深度学习模型，擅长捕捉长期依赖关系。但需要大量数据，且可解释性差，在数学建模中需谨慎使用，如果使用，必须详细说明网络结构、超参数选择和防止过拟合的策略。

一个稳健的策略是使用模型融合，例如用ARIMA捕捉线性部分，用LightGBM或神经网络捕捉非线性残差部分。

7.3 两阶段随机规划应对不确定性

这是运筹学的前沿方法。核心思想是：排班决策（第一阶段决策）必须在需求实现之前做出，而根据实际需求调整任务分配（第二阶段决策）则可以在需求实现后进行。目标是最小化“第一阶段成本 + 第二阶段期望成本”。

我们需要生成多个可能的需求场景（例如，从ARIMA预测的分布中抽样），并为每个场景定义第二阶段的调整变量和成本。最终目标是最小化总期望成本。这能生成鲁棒性极强的排班方案，但计算量巨大，通常需要分解算法（如Benders分解）来求解。在竞赛中，即使不能完全实现，提出这个思路并讨论其价值，也是论文的亮点。

8. 论文写作与模型评估要点

最后，模型建得好，更要“说”得好。论文是向评委展示你工作的唯一窗口。

模型评估部分绝不能只写“我们建立了模型，求解得到结果”。必须包含：

• 预测模型评估：在历史数据上划分训练集和测试集。使用均方根误差（RMSE）、平均绝对百分比误差（MAPE）等指标量化ARIMA模型的预测精度。与简单基准模型（如历史均值法、移动平均法）进行对比，证明ARIMA的有效性。
• 排班模型评估：
  • 可行性：生成的排班表是否100%满足所有硬性约束（需求覆盖、工时限制等）？必须逐一验证。
  • 最优性：报告求解器返回的目标函数值（总成本），并说明求解状态（Optimal, Feasible within gap）。
  • 对比分析：与一种“启发式方法”或“现状方法”（如均匀排班、按最大需求排班）进行对比，用表格清晰展示成本节约百分比、人力利用率提升等关键指标。

灵敏度分析小节如前所述，是体现思考深度的关键。不要怕展示模型的“弱点”，分析在什么参数变化下模型会失效或成本急剧上升，这恰恰说明你真正理解了模型的边界。

整个行文过程，务必保持逻辑链条的完整：从数据出发，到预测，到优化建模，到求解分析，最后到评估与展望。让评委能清晰地跟随你的思路，看到每个环节的决策依据和结果，这样的论文才能脱颖而出。