🔬 physics

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

Dit artikel analyseert hoog-resolutie palletgegevens van een Spaans magazijn om aan te tonen dat hoewel aankomst- en vertrekprocessen een heavy-tailed, niet-Poissoniaanse burstiness vertonen, de verblijftijden bij uitgaande stromen een lognormale verdeling volgen, wat gezamenlijk duidelijke operationele regimes en wekelijkse cycli onthult die onzichtbaar blijven voor traditionele geaggregeerde statistieken.

Oorspronkelijke auteurs: Alfonso de Miguel-Arribas, Yamir Moreno

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alfonso de Miguel-Arribas, Yamir Moreno

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme loods voor, niet als een statisch gebouw vol dozen, maar als een levend, ademend organisme met een hartslag. Decennialang hebben experts geprobeerd te begrijpen hoe dit organisme werkt door te kijken naar de "gemiddelde" hartslag—hoeveel vrachtwagens er per uur aankomen of hoe lang een pakketje gemiddeld ergens ligt. Ze gingen ervan uit dat het verkeer leek op regen die op een dak valt: gestaag, willekeurig en voorspelbaar.

Dit artikel betoogt dat de loods eigenlijk meer lijkt op een stad tijdens de spits. Er "regent" niet alleen gebeurtenissen; het heeft stormen (pieken in activiteit) gevolgd door stille periodes. Door de data te bekijken met een nieuwe blik ("physics glasses"), ontdekten de auteurs dat de timing van gebeurtenissen in deze Spaanse loods veel chaotischer en gestructureerder is dan de oude modellen suggereerden.

Hier is de uiteenzetting van hun bevindingen in alledaagse termen:

1. De "Bursty" Hartslag (Aankomsten en Vertrekken)

De oude manier van denken ging ervan uit dat pallets (de houten platformen die goederen vasthouden) aankomen en vertrekken in een gestaag, willekeurig tempo, zoals mensen die met een constante snelheid een park binnenwandelen.

De auteurs ontdekten het tegenovergestelde. De loods is "bursty" (gebeurtenis-geclusterd).

De Analogie: Stel je een metrostation voor. In plaats van dat er elke minuut één persoon aankomt, krijg je plotseling een drukte van 50 mensen tegelijk (een burst), gevolgd door 20 minuten stilte.
De Bevinding: De tijd tussen het aankomen of vertrekken van pallets is niet willekeurig; het is "heavy-tailed" (met een dikke staart). Dit betekent dat je enorme gaten krijgt gevolgd door intense clusters. De loods draait niet op een soepele timer; het draait op een stop-en-go ritme.

2. De "Log-Normale" Verblijftijd (Hoe lang dingen blijven)

Hoewel de aankomst van goederen chaotisch is, is de tijd die een pallet in de loods doorbrengt (de "sojourn") verrassend vloeiend en voorspelbaar.

De Analogie: Denk aan de rij bij een koffiebar. De aankomst van klanten is chaotisch (een piek om 8:00 uur, rustig om 10:00 uur). Maar de tijd die het kost om je koffie te krijgen, volgt een specifiek patroon: de meeste mensen krijgen het in 5 minuten, sommigen in 10, en zeer weinig in 30. Het duurt zelden 2 uur.
De Bevinding: De tijd die pallets doorbrengen in de uitgaande bufferzone volgt een "log-normale" curve. Dit suggereert dat hoewel het begin van het proces chaotisch is, de service zelf wordt beperkt door menselijke regels, schema's en knelpunten die ervoor zorgen dat de meeste artikelen binnen een specifieke tijdvenster bewegen (meestal rond de 24 uur).

3. De "Weekend-Kater" (De wekelijkse cyclus)

De meest opvallende ontdekking is hoe de loods reageert op de kalender, specifal het weekend.

De Analogie: Stel je een rivier voor die tijdens de week snel stroomt, maar op zaterdag en zondag tegen een dam aanloopt. Het water (de pallets) hoopt zich op achter de dam. Wanneer de dam op maandag opengaat, stroomt het water in één keer naar buiten.
De Bevinding: De auteurs volgden de "leeftijd" van de lading. Ze zagen een duidelijke wekelijkse cyclus:
- Maandagochtend: De loods zit vol met "oude" lading die vóór het weekend is gearriveerd en nu eindelijk vertrekt, gemengd met "verse" lading die die dag arriveert.
- Midden in de week: Het systeem klaart op en de lading is jong.
- Weekend: De activiteit vertraagt en de "leeftijd" van de resterende lading groeit.
- Dit bewijst dat de loods geen constante machine is; het is een ritme dat wordt gedreven door de menselijke werkweek.

4. Twee Verschillende "Snelheden" van Wachten

De auteurs hebben een slimme manier ontwikkeld om onderscheid te maken tussen "echte" vertragingen en "kalender"-vertragingen.

De Analogie: Stel je voor dat je op een bus wacht.
- Scenario A (Regulier): De bus is te laat omdat het druk is in het verkeer. Je wacht 20 minuten, en terwijl je wacht, zijn er 20 andere mensen in de bus gestapt. Je wachttijd komt overeen met de activiteit.
- Scenario B (Het Weekend-effect): Je wacht 20 minuten, maar de buschauffeur is op pauze en er is niemand anders in de bus gestapt terwijl je wachtte. Je hebt lang gewacht, maar de "activiteit" was nul.
De Bevinding: De meeste pallets volgen Scenario A (Regulier). Echter, een specifieke groep pallets—die zij arriveerden vóór het weekend en vertrokken op maandag—volgen Scenario B. Ze liggen daar een lange tijd, niet vanwege het verkeer, maar omdat de "klok" van de loods tijdens het weekend stopte met tikken.

De Grote Lijn

De paper concludeert dat als je alleen kijkt naar het "gemiddelde" aantal vrachtwagens dat door een loods beweegt, je het hele verhaal mist. Je mist de pieken, de wekelijkse ritmes en de verborgen vertragingen veroorzaakt door de kalender.

Door de loods te behandelen als een complex systeem (met behulp van instrumenten uit de statistische fysica), hebben de auteurs aangetoond dat beperkte maar hoogwaardige data de "persoonlijkheid" van de loods kunnen onthullen. Het is niet alleen een opslagruimte; het is een dynamisch systeem met zijn eigen unieke, niet-willekeurige hartslag die verandert afhankelijk van de dag van de week en de specifieke route die de goederen afleggen.

Technische Samenvatting: Bursting Aankomsten, Gladde Verblijftijden

Probleemstelling
Magazijnoperaties zijn kritieke knooppunten in logistieke netwerken, maar hun temporele dynamiek wordt vaak geanalyseerd via geaggregeerde prestatie-indicatoren of wachtrijmodellen die uitgaan van stationaire, geheugenloze (Poissoniaanse) gebeidentiming. Hoewel de statistische fysica uitgebreid de burstiness en heavy-tailed intervallen tussen gebeurtenissen in menselijke en socio-technische systemen heeft gekarakteriseerd, blijven deze concepten onderbelicht in de context van magazijnen. Standaardmodellen slagen er vaak niet in om verborgen knelpunten, feedbackloops of temporele correlaties te vangen die zich manifesteren als afwijkingen van exponentiële distributies. Dit artikel adresseert dit gat door te onderzoeken of real-world magazijnoperaties, specifiek op palletniveau, niet-Poissoniaanse temporele structuren vertonen en of deze structuren operationele regimes onthullen die onzichtbaar zijn voor geaggregeerde statistieken.

Methodologie
De studie maakt gebruik van één maand aan hoog-resolutie, pallet-niveau data van een groot logistiek magazijn in Spanje (mei 2023). De dataset maakt onderscheid tussen inbound-operaties (aankomst in de inbound bufferzone, schappen) en outbound-operaties (aankomst in de outbound bufferzone, vertrek). Vanwege identifier-resets tijdens het schappen worden de inbound- en outbound-subsystemen apart geanalyseerd.

Het analytische kader past instrumenten toe uit de statistische fysica en de vernieuingstheorie (renewal theory):

Distributionele Analyse: Inter-aankomst-, inter-vertrek- en verblijftijden (residence times) worden gefit aan power-law tails ( $P(\tau) \sim \tau^{-\gamma}$ ) met behulp van maximum likelihood schatting, waarbij cutoffs worden bepaald door de Kolmogorov–Smirnov afstand. Verblijftijden worden ook getest tegen log-normale distributies.
Burstiness en Geheugen: De studie berekent de burstiness-coëfficiënt ( $B$ ) en de geheugen-coëfficiënt ( $M$ ) om de temporele organisatie van gebeurtenissequenties te karakteriseren. $B$ meet de dispersie van intervallen tussen gebeurtenissen (variërend van regelmatig tot bursty), terwijl $M$ correlaties tussen opeenvolgende intervallen kwantificeert.
Flow Disaggregatie: De dynamiek wordt globaal geanalyseerd en gedisaggregeerd naar zeven verschillende logistieke flows (bijv. FactoryPickup, DirectShip, CustomerPickup) om route-specifieke temporele signatures te identificeren. Jensen–Shannon (J–S) divergentie wordt gebruikt om de distributionele gelijkenis tussen flows te kwantificeren.
Vernieuwing en Verouderingsanalyse: De "leeftijd" van vracht in de outbound bufferzone wordt gevolgd over de kalendertijd om te observeren hoe de populatie actieve pallets evolueert, specifelijk kijkend naar wekelijkse accumulatie- en afwikkelingscycli.
Activiteit–Verblijf Schaling: Geïnspireerd door de Wet van Little, plot de studie de verblijftijd van individuele pallets tegen het aantal aankomsten ( $A_i$ ) dat plaatsvond tijdens hun verblijf. Dit vestigt een null-benchmark ( $\tau \approx A/\lambda$ ) om onderscheid te maken tussen vertragingen veroorzaakt door hoge verkeersvolumes en vertragingen veroorzaakt door kalendergestuurde onderbrekingen van de dienstverlening.

Belangrijkste Bijdragen

Empirische Karakterisering: Het artikel biedt een proof-of-concept voor het toepassen van statistisch-fysische diagnostiek op magazijnoperaties, waarbij men verder gaat dan geaggregeerde doorvoer om de temporele signatures van gebeurtenisniveau te analyseren.
Methodologische Integratie: Het combineert distributionele fitting, burstiness–memory coëfficiënten en J–S divergentie om een veelzijdige visie te creëren op de temporele heterogeniteit over verschillende logistieke flows.
Nieuwe Diagnostiek: De auteurs introduceren twee specifieke diagnostische instrumenten voor de outbound buffer: een renewal-theoretische verouderingsanalyse om wekelijkse cycli te visualiseren en een activiteit–verblijf schalingsplot om reguliere omloop te onderscheiden van kalender-geïnduceerde stagnatie.

Resultaten

Niet-Poissoniaanse Dynamiek: Inter-aankomst- en inter-vertrektijden zijn sterk heterogeen en heavy-tailed, wat consistent is met niet-Poissoniaans gedrag. Gefitte power-law exponenten ( $\gamma$ ) variëren van ongeveer 1.86 tot 2.93, afhankelijk van het proces. In contrast hiermee zijn de outbound verblijftijden unimodaal en goed beschreven door een log-normale distributie ( $\mu \approx 10.76, \sigma \approx 1.10$ ), wat wijst op beperkte service-mechanismen met multiplicatieve micro-vertragingen.
Burstiness versus Smoothness: Het Memory-Burstiness diagram onthult een structurele dichotomie. Aankomst- en vertreksequenties zijn zeer bursty ( $B \approx 0.8$ ) met bijna nul geheugen, wat duidt op onregelmatige maar zwak gecorreleerde intervallen. Verblijftijden vertonen echter een lage burstiness ( $B \approx 0.08$ ) en een matig positief geheugen ( $M \approx 0.49$ ), wat wijst op gladdere, temporeel persistente verblijfstijden.
Flow Heterogeniteit: Disaggregatie per logistieke flow laat systematische verschillen zien. Routes die betrokken zijn bij CustomerPickup en InboundDrag vertonen duidelijke temporele signatures en een hogere distributionele divergentie vergeleken met hoog-volume voorbereidingsroutes.
Wekelijkse Verouderingscycli: De verouderingsanalyse onthult een terugkerend wekelijks patroon. Vracht accumuleert tijdens de weekenden (waardoor de leeftijd-distributie verschuift naar langere tijdschalen), en de buffer wordt geleegd bij de hervatting van de activiteit op maandagen. Dit creëert een bimodale leeftijd-distributie aan het begin van de week.
Operationele Regimes: De activiteit–verblijf schaling identificeert twee regimes. De meeste pallets volgen een bijna lineaire baseline waarbij de verblijftijd schaalt met de ervaren activiteit. Er bestaat een reproduceerbare "off-baseline" tak voor pallets die vóór het weekend arriveren en op maandag vertrekken; deze pallets ervaren lange verblijftijden ondanks lage gelijktijdige activiteit, wat wijst op een kalendergestuurd stagnatie-effect in plaats van congestie.

Betekenis en Claims
Het artikel claimt dat magazijn-timing niet adequaat beschreven kan worden door een enkel geheugenloos proces. In plaats daarvan opereert het via twee gekoppelde lagen: externe, schema-gestuurde activatie van gebeurtenissen (aankomsten/vertrekken) en interne service-regels die de verblijftijden reguleren. De betekenis van het werk ligt in het demonstreren dat beperkte maar hoog-resolutie industriële data operationele structuren kunnen onthullen—zoals wekelijkse accumulatiecycli en flow-specifieke temporele vingerafdrukken—die onzichtbaar zijn voor geaggregeerde doorvoerstatistieken.

De auteurs framen deze bevindingen als een "compact diagnostisch kader" voor temporele complexiteit. Ze stellen expliciet dat hun claims diagnostisch en mechanistisch van aard zijn en niet universeel, waarbij zij wijzen op beperkingen zoals het korte observatievenster (één maand) en het gebrek aan ruimtelijke data. De studie stelt geen nieuwe optimalisatie-algoritmen voor, maar biedt eerder een methode om operationele ritmes te interpreteren, waarbij onderscheid wordt gemaakt tussen vertragingen veroorzaakt door verkeersvolume en vertragingen veroorzaakt door geplande onderbrekingen van de dienstverlening.