🔬 physics

Bursty Arrivals, Smooth Sojourns: Non-Poissonian Temporal Dynamics in a Logistics Warehouse

Cet article analyse des données de haute résolution au niveau de la palette provenant d'un entrepôt espagnol pour révéler que, si les processus d'arrivée et de départ présentent une nature sporadique (burstiness) à queue lourde et non poissonnienne, les temps de séjour sortants suivent une distribution log-normale, dévoilant ainsi collectivement des régimes opérationnels distincts et des cycles hebdomadaires qui demeurent invisibles pour les statistiques agrégées traditionnelles.

Auteurs originaux : Alfonso de Miguel-Arribas, Yamir Moreno

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alfonso de Miguel-Arribas, Yamir Moreno

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un immense entrepôt, non pas comme un bâtiment statique rempli de boîtes, mais comme un organisme vivant, respirant, doté d'un battement de cœur. Depuis des décennies, des experts tentent de comprendre comment cet organisme fonctionne en observant son battement de cœur « moyen » — en comptant combien de camions arrivent par heure ou combien de temps un colis reste en moyenne sur place. Ils supposaient que le trafic était comme la pluie tombant sur un toit : régulier, aléatoire et prévisible.

Cet article soutient que l'entrepôt ressemble en réalité à une ville en pleine heure de pointe. Il ne se contente pas de faire « pleuvoir » des événements ; il connaît des tempêtes (des pics d'activité) suivies de périodes de calme. En observant les données avec un nouveau regard, celui de la « physique », les auteurs ont découvert que le rythme des événements dans cet entrepôt espagnol est bien plus chaotique et structuré que ne le suggéraient les anciens modèles.

Voici la décomposition de leurs découvertes en termes courants :

1. Le battement de cœur « par rafales » (Arrivées et Départs)

L'ancienne façon de penser supposait que les palettes (les plateformes en bois supportant les marchandises) arrivent et partent à un rythme régulier et aléatoire, comme des personnes entrant dans un parc à un taux constant.

Les auteurs ont trouvé le contraire. L'entrepôt fonctionne par rafales.

L'analogie : Imaginez une station de métro. Au lieu d'une personne arrivant chaque minute, vous avez soudain une vague de 50 personnes d'un coup (une rafale), suivie de 20 minutes de silence.
La découverte : Le temps entre l'arrivée ou le départ des palettes n'est pas aléatoire ; il est à « queue lourde ». Cela signifie que vous avez de grands intervalles suivis de grappes intenses. L'entrepôt ne fonctionne pas sur un chronomètre fluide ; il fonctionne sur un rythme de stop-and-go.

2. Le séjour « log-normal » (Combien de temps les choses restent)

Si l'arrivée des marchandises est chaotque, le temps qu'une palette passe à attendre à l'intérieur de l'entrepôt (son « séjour ») est étonnamment fluide et prévisible.

L'analogie : Pensez à la file d'attente d'un café. L'arrivée des clients est chaotique (une rafale à 8h00, du calme à 10h00). Mais le temps nécessaire pour obtenir votre café suit un schéma spécifique : la plupart des gens l'obtiennent en 5 minutes, certains en 10, et très peu en 30. Il est rare que cela prenne 2 heures.
La découverte : Le temps que passent les palettes dans la zone tampon de sortie suit une courbe « log-normale ». Cela suggère que si le début du processus est chaotique, le service lui-même est contraint par des règles humaines, des horaires et des goulots d'étranglement qui maintiennent la plupart des articles en mouvement dans une fenêtre spécifique (généralement autour de 24 heures).

3. La « gueule de bois du week-end » (Le cycle hebdomadaire)

La découverte la plus frappante est la façon dont l'entrepôt réagit au calendrier, plus précisément au week-end.

L'analogie : Imaginez une rivière qui coule vite pendant la semaine mais qui rencontre un barrage le samedi et le dimanche. L'eau (les palettes) s'accumule derrière le barrage. Quand le barrage s'ouvre le lundi, l'eau s'engouffre d'un coup.
La découverte : Les auteurs ont suivi l'« âge » de la cargaison. Ils ont observé un cycle hebdomadaire clair :
- Lundi matin : L'entrepôt est rempli de cargaisons « anciennes » qui sont arrivées avant le week-end et qui partent enfin, mélangées à de la cargaison « fraîche » arrivant ce jour-là.
- Milieu de semaine : Le système se vide, et la cargaison est jeune.
- Week-end : L'activité ralentit, et l'« âge » de la cargaison restante augmente.
- Cela prouve que l'entrepôt n'est pas une machine constante ; c'est un rythme dicté par la semaine de travail humaine.

4. Deux vitesses d'attente différentes

Les auteurs ont créé un moyen ingénieux de séparer les retards « réels » des retards « calendaires ».

L'analogie : Imaginez que vous attendez un bus.
- Scénario A (Régulier) : Le bus est en retard parce que le trafic est dense. Vous attendez 20 minutes, et 20 autres personnes sont montées dans le bus pendant votre attente. Votre temps d'attente correspond à l'activité.
- Scénario B (L'effet week-end) : Vous attendez 20 minutes, mais le chauffeur du bus est en pause, et personne d'autre n'est monté dans le bus pendant ce temps. Vous avez attendu longtemps, mais l'« activité » était nulle.
La découverte : La plupart des palettes suivent le Scénario A (Régulier). Cependant, un groupe spécifique de palettes — celles arrivées avant le week-end et partant le lundi — suit le Scénario B. Elles restent là pendant longtemps non pas à cause du trafic, mais parce que l'« horloge » de l'entrepôt s'est arrêtée de tourner pendant le week-end.

La vue d'ensemble

L'article conclut que si vous ne regardez que le nombre « moyen » de camions traversant un entrepôt, vous passez à côté de toute l'histoire. Vous manquez les rafales, les rythmes hebdomadaires et les retards cachés causés par le calendrier.

En traitant l'entrepôt comme un système complexe (en utilisant des outils de la physique statistique), les auteurs ont montré que des données limitées mais de haute qualité peuvent révéler la « personnalité » de l'entrepôt. Ce n'est pas seulement une salle de stockage ; c'est un système dynamique doté de son propre battement de cœur unique et non aléatoire, qui change selon le jour de la semaine et la route spécifique empruntée par les marchandises.

Résumé technique : Arrivées par rafales, séjours fluides

Énoncé du problème
Les opérations d'entrepôt sont des nœuds critiques dans les réseaux logistiques, pourtant leur dynamique temporelle est fréquemment analysée via des indicateurs de performance agrégés ou des modèles de files d'attente qui supposent une périodicité stationnaire et sans mémoire (poissonnienne). Bien que la physique statistique ait largement caractérisé le caractère saccadé (burstiness) et les temps entre événements à queue lourde dans les systèmes humains et socio-techniques, ces concepts restent sous-explorés dans le contexte des entrepôts. Les modèles standards échouent souvent à capturer les goulots d'étranglement cachés, les boucles de rétroaction ou les corrélations temporelles qui se manifestent par des écarts par rapport aux distributions exponentielles. Cet article comble cette lacune en examinant si les opérations réelles d'entrepôt, spécifiquement au niveau de la palette, présentent des structures temporelles non-poissoniennes et si ces structures révèlent des régimes opérationnels invisibles pour les statistiques agrégées.

Méthodologie
L'étude utilise un mois de données à haute résolution, au niveau de la palette, provenant d'un grand entrepôt logistique en Espagne (mai 2023). Le jeu de données distingue les opérations entrantes (arrivée dans la zone tampon d'entrée, mise en rayonnage) et les opérations sortantes (arrivée dans la zone tampon de sortie, départ). En raison de la réinitialisation des identifiants lors du rayonnage, les sous-systèmes d'entrée et de sortie sont analysés séparément.

Le cadre analytique applique des outils de la physique statistique et de la théorie du renouvellement :

Analyse distributionnelle : Les temps d'inter-arrivée, d'inter-départ et de séjour (résidence) sont ajustés à des queues de loi de puissance ( $P(\tau) \sim \tau^{-\gamma}$ ) par estimation de maximum de vraisemblance, avec des coupures déterminées par la distance de Kolmogorov–Smirnov. Les temps de séjour sont également testés par rapport à des distributions log-normales.
Burstiness et Mémoire : L'étude calcule le coefficient de burstiness ( $B$ ) et le coefficient de mémoire ( $M$ ) pour caractériser l'organisation temporelle des séquences d'événements. $B$ mesure la dispersion des temps entre événements (allant de régulier à saccadé/bursty), tandis que $M$ quantifie les corrélations entre intervalles consécutifs.
Disagrégation des flux : La dynamique est analysée globalement et désagrégée par sept flux logistiques distincts (ex: FactoryPickup, DirectShip, CustomerPickup) afin d'identifier des signatures temporelles spécifiques aux itinéraires. La divergence de Jensen–Shannon (J–S) est utilisée pour quantifier la similitude distributionnelle entre les flux.
Analyse du renouvellement et du vieillissement : L'« âge » de la cargaison dans la zone tampon de sortie est suivi au fil du temps calendaire pour observer l'évolution de la population de palettes actives, en examinant spécifiquement les cycles hebdomadaires d'accumulation et de déstockage.
Échelle Activité–Séjour : Inspiré par la loi de Little, l'étude trace le temps de séjour de palettes individuelles par rapport au nombre d'arrivées ( $A_i$ ) survenues durant leur présence. Cela établit un référentiel nul ( $\tau \approx A/\lambda$ ) pour distinguer les retards causés par un volume de trafic élevé de ceux causés par des interruptions de service dictées par le calendrier.

Contributions clés

Caractérisation empirique : L'article fournit une preuve de concept pour l'application de diagnostics de physique statistique aux opérations d'entrepôt, allant au-delà du débit agrégé pour analyser les signatures temporelles au niveau de l'événement.
Intégration méthodologique : Il combine l'ajustement de distributions, les coefficients de burstiness–mémoire et la divergence J–S pour créer une vue multidimensionnelle de l'hétérogénéité temporelle à travers différents flux logistiques.
Diagnostics novateurs : Les auteurs introduisent deux outils de diagnostic spécifiques pour la zone tampon de sortie : une analyse de vieillissement par la théorie du renouvellement pour visualiser les cycles hebdomadaires et un tracé d'échelle activité–séjour pour séparer la rotation régulière de la stagnation induite par le calendrier.

Résultats

Dynamiques non-poissoniennes : Les temps d'inter-arrivée et d'inter-départ sont fortement hétérogènes et à queue lourde, ce qui est cohérent avec un comportement non-poissonnien. Les exposants de loi de puissance ajustés ( $\gamma$ ) varient d'environ 1,86 à 2,93 selon le processus. En revanche, les temps de séjour de sortie sont unimodaux et bien décrits par une distribution log-normale ( $\mu \approx 10,76, \sigma \approx 1,10$ ), suggérant des mécanismes de service contraints par des micro-délais multiplicatifs.
Burstiness vs Fluidité : Le diagramme Mémoire-Burstiness révèle une dichotomie structurelle. Les séquences d'arrivées et de départs sont hautement saccadées ( $B \approx 0,8$ ) avec une mémoire quasi nulle, indiquant des intervalles irréguliers mais faiblement corrélés. Les temps de séjour, cependant, présentent une faible burstiness ( $B \approx 0,08$ ) et une mémoire positive modérée ( $M \approx 0,49$ ), indiquant des temps de résidence plus fluides et temporellement persistants.
Hétérogénéité des flux : La désagrégation par flux logistique montre des différences systématiques. Les itinéraires impliquant CustomerPickup et InboundDrag présentent des signatures temporelles distinctes et une divergence distributionnelle plus élevée par rapport aux routes de préparation à haut volume.
Cycles de vieillissement hebdomadaires : L'analyse de vieillissement révèle un motif hebdomadaire récurrent. La cargaison s'accumule pendant les week-ends (déplaçant la distribution de l'âge vers des échelles de temps plus longues), et la zone tampon est vidée lors de la reprise de l'activité le lundi. Cela crée une distribution d'âge bimodale au début de la semaine.
Régimes opérationnels : L'échelle activité–séjour identifie deux régimes. La plupart des palettes suivent une ligne de base quasi linéaire où le temps de résidence varie proportionnellement à l'activité vécue. Une branche reproductible « hors ligne de base » existe pour les palettes arrivant avant les week-ends et partant les lundis ; ces palettes connaissent des temps de résidence longs malgré une faible activité concomitante, indiquant un effet de stagnation dicté par le calendrier plutôt que par la congestion.

Signification et affirmations
L'article affirme que le cadencement d'un entrepôt n'est pas adéquatement décrit par un processus unique sans mémoire. Au lieu de cela, il fonctionne via deux couches couplées : l'activation externe des événements dictée par les horaires (arrivées/départs) et les règles de service internes régulant les temps de résidence. La portée du travail réside dans la démonstration que des données industrielles limitées mais à haute résolution peuvent révéler des structures opérationnelles — telles que les cycles d'accumulation hebdomadaires et les empreintes temporelles spécifiques aux flux — qui sont invisibles pour les statistiques de débit agrégées.

Les auteurs présentent ces résultats comme un « cadre de diagnostic compact » pour la complexité temporelle. Ils précisent explicitement que leurs affirmations sont de nature diagnostique et mécaniste plutôt qu'universelle, notant les limites telles que la courte fenêtre d'observation (un mois) et l'absence de données spatiales. L'étude ne propose pas de nouveaux algorithmes d'optimisation, mais fournit plutôt une méthode pour interpréter les rythmes opérationnels, distinguant les retards causés par le volume de trafic de ceux causés par les interruptions de service programmées.

1. Le battement de cœur « par rafales » (Arrivées et Départs)

2. Le séjour « log-normal » (Combien de temps les choses restent)

3. La « gueule de bois du week-end » (Le cycle hebdomadaire)

4. Deux vitesses d'attente différentes

La vue d'ensemble

Articles similaires