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

技術要約：バースト的な到着と滑らかな滞留

問題提起
倉庫業務は物流ネットワークにおける重要なノードであるが、その時間的ダイナミクスは、しばしば集計されたパフォーマンス指標や、定常かつ記憶のない（ポアソン的な）イベントタイミングを仮定する待ち行列モデルを通じて分析される。統計物理学は、人間や社会技術システムにおけるバースト性やヘビーテイルなイベント間隔を広範に特徴づけてきたが、これらの概念は倉庫の文脈においては未だ十分に探索されていない。標準的なモデルは、指数分布からの逸脱として現れる隠れたボトルネック、フィードバックループ、または時間的相関を捉えきれないことが多い。本論文は、実世界の倉庫業務、具体的にはパレットレベルにおいて、非ポアソン的な時間構造を示すかどうか、またそれらの構造が集計統計では不可視のオペレーショナル・レジームを明らかにするかどうかを調査することで、この空白を埋めるものである。

手法
本研究は、スペインの大型物流倉庫から得られた、1か月分（2023年5月）の高解像度パレットレベルデータを利用している。データセットは、インバウンド業務（インバウンド・バッファゾーンへの到着、棚入れ）とアウトバウンド業務（アウトバウンド・バッファゾーンへの到着、出発）を区別している。棚入れ時の識別子リセットを考慮し、インバウンドおよびアウトバウンドのサブシステムは個別に分析されている。

分析フレームワークには、統計物理学と更新理論のツールを適用している：

1. 分布解析： 到着間隔、出発間隔、および滞留（滞在）時間は、最大尤度推定を用いてべき乗則の裾（$P(\tau) \sim \tau^{-\gamma}$）に適合させ、カットオフはコルモゴロフ・スミルノフ距離によって決定される。滞留時間は対数正規分布に対してもテストされる。
2. バースト性と記憶： イベントシーケンスの時間的組織化を特徴づけるため、バースト係数（$B$）と記憶係数（$M$）を算出する。$B$はイベント間隔の分散（規則的なものからバースト的なものまで）を測定し、$M$は連続する間隔間の相関を定量化する。
3. フローの離散化： ダイナミクスはグローバルに、また7つの異なる物流フロー（例：FactoryPickup、DirectShip、CustomerPickup）に分解して分析され、ルート固有の時間的シグネチャを特定する。フロー間の分布の類似性を定量化するために、イェンセン・シャノン（J–S）ダイバージェンスが使用される。
4. 更新およびエイジング解析： アウトバウンド・バッファ内の貨物の「年齢」を暦時間とともに追跡し、活動的なパレットの集団がどのように進化するかを観察する。特に、週単位の蓄積および解消サイクルに着目する。
5. 活動–滞留スケーリング： リトルの法則に着想を得て、個々のパレットの滞留時間を、その滞在中に発生した到着数（$A_i$）に対してプロットする。これにより、トラフィック量の多さによる遅延と、カレンダー駆動のサービス中断による遅延を区別するための帰無ベンチマーク（$\tau \approx A/\lambda$）を確立する。

主な貢献

1. 経験的特性評価： 本論文は、集計されたスループットを超えて、イベントレベルの時間的シグネチャを分析するために、統計物理学的診断を倉庫業務に適用することのプルーフ・オブ・コンセプト（概念実証）を提供する。
2. 手法の統合： 分布の適合、バースト性–記憶係数、およびJ–Sダイバージェンスを組み合わせることで、異なる物流フローにわたる時間的異質性の多面的な視点を作成する。
3. 新しい診断ツール： 著者らは、アウトバウンド・バッファのための2つの具体的な診断ツールを導入している。一つは、週単位のサイクルを可視化するための更新理論的なエイジング解析であり、もう一つは、通常のターンオーバーとカレンダーによる停滞を分離するための活動–滞留スケーリングプロットである。

結果

• 非ポアソン的ダイナミクス： 到着間隔および出発間隔は強く不均一でヘビーテイルであり、非ポアソン的な挙動と一致している。適合されたべき乗則の指数（$\gamma$）は、プロセスに応じて約1.86から2.93の範囲にある。対照的に、アウトバウンドの滞留時間は単峰性であり、対数正規分布（$\mu \approx 10.76, \sigma \approx 1.10$）によってよく記述される。これは、乗法的なマイクロ遅延を伴う制約されたサービスメカニズムを示唆している。
• バースト性 vs 滑らかさ： メモリ–バースト性図は、構造的な二分法を明らかにしている。到着および出発のシーケンスは非常にバースト的（$B \approx 0.8$）であり、記憶はほぼゼロである。これは、不規則だが弱い相関を持つ間隔であることを示している。一方、滞留時間は低いバースト性（$B \approx 0.08$）と中程度の正の記憶（$M \approx 0.49$）を示しており、時間的に持続的な、より滑らかな滞留時間を表している。
• フローの異質性： 物流フローによる離散化は、系統的な差異を示している。CustomerPickup や InboundDrag を含むルートは、高ボリュームの準備ルートと比較して、明確な時間的シグネチャと高い分布ダイバージェンスを示している。
• 週単位のエイジングサイクル： エイジング解析は、再帰的な週単位のパターンを明らかにしている。貨物は週末の間に蓄積し（年齢分布をより長いタイムスケールへとシフトさせる）、月曜日の活動再開とともにバッファが解消される。これにより、週の始まりには二峰性の年齢分布が生じる。
• オペレーショナル・レジーム： 活動–滞留スケーリングは、2つのレジームを特定している。ほとんどのパレットは、滞留時間が経験した活動量とともにスケールする、ほぼ線形なベースラインに従う。一方で、週末前に到着し月曜日に出発するパレットについては、再現可能な「オフベースライン」の枝が存在する。これらのパレットは、同時並行の活動量が低いにもかかわらず長い滞留時間を経験しており、これは混雑ではなく、カレンダー駆動の停滞効果を示している。

意義と主張
本論文は、倉庫のタイミングは単一の記憶のないプロセスでは適切に記述できないと主張している。代わりに、それは2つの結合されたレイヤーを通じて機能している：外部の、スケジュール駆動型のイベント活性化（到着／出発）、および内部の、滞留時間を規制するサービスルールである。本研究の意義は、限られた高解像度の産業データを用いることで、集計されたスループット統計では不可視のオペレーショナル・リズム（週単位の蓄積サイクルやフロー固有の時間的指紋など）を明らかにできることを示した点にある。

著者らは、これらの知見を「コンパクトな診断フレームワーク」として位置づけている。彼らは、自らの主張が診断的かつメカニズム的なものであり、普遍的なものではないことを明示しており、観測期間の短さ（1か月）や空間データの欠如といった限界についても言及している。本研究は新しい最適化アルゴリズムを提案するものではなく、むしろ、トラフィック量による遅延と、スケジュールされたサービス中断による遅延を区別するための、オペレーショナル・リズムを解釈する方法を提供している。