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

Sintesi Tecnica: Arrivi Burstity, Soggiorni Fluidi

Problematica
Le operazioni di magazzino sono nodi critici nelle reti logistiche, eppure la loro dinamica temporale viene frequentemente analizzata attraverso indicatori di prestazione aggregati o modelli di code che assumono una temporizzazione degli eventi stazionaria e priva di memoria (poissoneana). Sebbene la fisica statistica abbia ampiamente caratterizzato la natura "bursty" (a raffiche) e i tempi inter-evento a coda pesante nei sistemi umani e socio-tecnici, questi concetti rimangono poco esplorati nel contesto dei magazzini. I modelli standard spesso non riescono a catturare colli di bottiglia nascosti, cicli di feedback o correlazioni temporali che si manifestano come deviazioni dalle distribuzioni esponenziali. Questo articolo affronta il vuoto investigando se le operazioni reali dei magazzini, specificamente a livello di pallet, esibiscano strutture temporali non-poissoneane e se tali strutture rivelino regimi operativi invisibili alle statistiche aggregate.

Metodologia
Lo studio utilizza un mese di dati ad alta risoluzione a livello di pallet provenienti da un grande magazzino logistico in Spagna (maggio 2023). Il dataset distingue tra operazioni in entrata (arrivo nella zona di buffer in entrata, scaffalatura) e operazioni in uscita (arrivo nella zona di buffer in uscita, partenza). A causa del reset degli identificatori durante la scaffalatura, i sottosistemi in entrata e in uscita vengono analizzati separatamente.

Il framework analitico applica strumenti della fisica statistica e della teoria del rinnovo:

1. Analisi Distributiva: I tempi inter-arrivo, inter-partenza e di soggiorno (residenza) sono adattati a code di legge di potenza ($P(\tau) \sim \tau^{-\gamma}$) utilizzando la stima di massima verosimiglianza, con cutoff determinati dalla distanza di Kolmogorov–Smirnov. Anche i tempi di soggiorno sono testati rispetto a distribuzioni log-normali.
2. Burstiness e Memoria: Lo studio calcola il coefficiente di burstiness ($B$) e il coefficiente di memoria ($M$) per caratterizzare l'organizzazione temporale delle sequenze di eventi. $B$ misura la dispersione dei tempi inter-evento (da regolari a bursty), mentre $M$ quantifica le correlazioni tra intervalli consecutivi.
3. Disaggregazione dei Flussi: La dinamica è analizzata globalmente e disaggregata per sette distinti flussi logistici (ad es. FactoryPickup, DirectShip, CustomerPickup) per identificare le firme temporali specifiche per ogni rotta. La divergenza di Jensen–Shannon (J–S) è utilizzata per quantificare la somiglianza distributiva tra i flussi.
4. Analisi del Rinnovo e dell'Invecchiamento: L' "età" del carico nella zona di buffer in uscita viene monitorata nel tempo del calendario per osservare come evolve la popolazione di pallet attivi, guardando specificamente ai cicli di accumulo e smaltimento settimanali.
5. Scaling Attività–Soggiorno: Ispirandosi alla Legge di Little, lo studio traccia il tempo di soggiorno dei singoli pallet rispetto al numero di arrivi ($A_i$) avvenuti durante la loro permanenza. Ciò stabilisce un benchmark nullo ($\tau \approx A/\lambda$) per distinguere tra ritardi causati dall'alto volume di traffico e quelli causati da interruzioni del servizio legate al calendario.

Contributi Chiave

1. Caratterizzazione Empirica: Il paper fornisce una prova di concetto per l'applicazione di diagnostiche di fisica statistica alle operazioni di magazzino, andando oltre il throughput aggregato per analizzare le firme temporali a livello di evento.
2. Integrazione Metodologica: Combina l'adattamento distributivo, i coefficienti di burstiness–memoria e la divergenza J–S per creare una visione multifasica dell'eterogeneità temporale tra i diversi flussi logistici.
3. Nuove Diagnostiche: Gli autori introducono due strumenti diagnostici specifici per il buffer in uscita: un'analisi di invecchiamento basata sulla teoria del rinnovo per visualizzare i cicli settimanali e un grafico di scaling attività–soggiorno per separare il turnover regolare dalla stagnazione indotta dal calendario.

Risultati

• Dinamiche Non-Poissoneane: I tempi inter-arrivo e inter-partenza sono fortemente eterogenei e a coda pesante, coerentemente con un comportamento non-poissoneano. Gli esponenti della legge di potenza adattati ($\gamma$) variano approssimativamente da 1.86 a 2.93 a seconda del processo. Al contrario, i tempi di soggiorno in uscita sono unimodali e ben descritti da una distribuzione log-normale ($\mu \approx 10.76, \sigma \approx 1.10$), suggerendo meccanismi di servizio vincolati con micro-ritardi moltiplicativi.
• Burstiness vs. Fluidità: Il diagramma Memoria-Burstiness rivela una dicotomia strutturale. Le sequenze di arrivo e partenza sono altamente bursty ($B \approx 0.8$) con memoria quasi nulla, indicando intervalli irregolari ma debolmente correlati. I tempi di soggiorno, tuttavia, esibiscono una bassa burstiness ($B \approx 0.08$) e una moderata memoria positiva ($M \approx 0.49$), indicando tempi di residenza più fluidi e temporalmente persistenti.
• Eterogeneità dei Flussi: La disaggregazione per flusso logistico mostra differenze sistematiche. Le rotte che coinvolgono CustomerPickup e InboundDrag presentano firme temporali distinte e una maggiore divergenza distributiva rispetto alle rotte di preparazione ad alto volume.
• Cicli di Invecchiamento Settimanale: L'analisi dell'invecchiamento rivela un pattern settimanale ricorrente. Il carico si accumula durante i fine settimana (spostando la distribuzione dell'età verso scale temporali più lunghe) e il buffer viene svuotato con la ripresa dell'attività il lunedì. Ciò crea una distribuzione dell'età bimodale all'inizio della settimana.
• Regimi Operativi: Lo scaling attività–soggiorno identifica due regimi. La maggior parte dei pallet segue una linea di base quasi lineare dove il tempo di residenza scala con l'attività esperita. Esiste un ramo "off-baseline" riproducibile per i pallet che arrivano prima del weekend e partono il lunedì; questi pallet sperimentano tempi di residenza lunghi nonostante la bassa attività concomitante, indicando un effetto di stagnazione guidato dal calendario piuttosto che dalla congestione.

Significatività e Rivendicazioni
Il paper sostiene che la temporizzazione dei magazzini non è adeguatamente descritta da un singolo processo privo di memoria. Invece, opera attraverso due strati accoppiati: l'attivazione degli eventi (arrivi/partenze) guidata da programmi esterni e le regole di servizio interne che regolano i tempi di residenza. La significatività del lavoro risiede nel dimostrare che dati industriali limitati ma ad alta risoluzione possono rivelare strutture operative — come i cicli di accumulo settimanale e le impronte temporali specifiche per flusso — che sono invisibili alle statistiche di throughput aggregate.

Gli autori inquadrano queste scoperte come un "framework diagnostico compatto" per la complessità temporale. Essi dichiarano esplicitamente che le loro rivendicazioni sono diagnostiche e meccanicistiche piuttosto che universali, notando i limiti come la breve finestra di osservazione (un mese) e la mancanza di dati spaziali. Lo studio non propone nuovi algoritmi di ottimizzazione, quanto piuttosto fornisce un metodo per interpretare i ritmi operativi, distinguendo tra ritardi causati dal volume di traffico e quelli causati da interruzioni programmate del servizio.