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

Resumo Técnico: Chegadas de Explosão (Bursty), Permanências Suaves

Definição do Problema
As operações de armazém são nós críticos em redes logísticas, embora sua dinâmica temporal seja frequentemente analisada através de indicadores de desempenho agregados ou modelos de filas que assumem uma temporização de eventos estacionária e sem memória (poissoniana). Embora a física estatística tenha caracterizado extensivamente a natureza explosiva (burstiness) e os tempos entre eventos de cauda pesada em sistemas humanos e sociotécnicos, esses conceitos permanecem subexplorados em contextos de armazéns. Modelos padrão frequentemente falham em capturar gargalos ocultos, ciclos de retroalimentação ou correlações temporais que se manifestam como desvios de distribuições exponenciais. Este artigo aborda essa lacuna investigando se as operações de armazém do mundo real, especificamente ao nível de paletes, exibem estruturas temporais não-poissonianas e se essas estruturas revelam regimes operacionais invisíveis às estatísticas agregadas.

Metodologia
O estudo utiliza um mês de dados de alta resolução ao nível de palete de um grande armazém logístico na Espanha (maio de 2023). O conjunto de dados distingue entre operações de entrada (chegada à zona de buffer de entrada, estocagem) e operações de saída (chegada à zona de buffer de saída, partida). Devido ao reset de identificadores durante a estocagem, os subsistemas de entrada e saída são analisados separadamente.

O arcabouço analítico aplica ferramentas da física estatística e da teoria de renovação:

1. Análise Distributiva: Tempos de entre-chegada, entre-partida e de permanência (sojourn) são ajustados a caudas de lei de potência ($P(\tau) \sim \tau^{-\gamma}$) usando estimativa de máxima verossimilhança, com cortes determinados pela distância de Kolmogorov–Smirnov. Os tempos de permanência também são testados contra distribuições log-normais.
2. Explosividade e Memória: O estudo calcula o coeficiente de explosividade ($B$) e o coeficiente de memória ($M$) para caracterizar a organização temporal das sequências de eventos. $B$ mede a dispersão dos intervalos entre eventos (variando de regular a explosivo), enquanto $M$ quantifica as correlações entre intervalos consecutivos.
3. Desagregação de Fluxo: A dinâmica é analisada globalmente e desagregada por sete fluxos logísticos distintos (ex: FactoryPickup, DirectShip, CustomerPickup) para identificar assinaturas temporais específicas de cada rota. A divergência de Jensen–Shannon (J–S) é usada para quantificar a similaridade distributiva entre os fluxos.
4. Análise de Renovação e Envelhecimento: A "idade" da carga na zona de buffer de saída é monitorada ao longo do tempo de calendário para observar como a população de paletes ativos evolui, especificamente buscando ciclos de acumulação e limpeza semanais.
5. Escalonamento Atividade–Permanência: Inspirado na Lei de Little, o estudo plota o tempo de permanência de paletes individuais contra o número de chegadas ($A_i$) que ocorreram durante sua estadia. Isso estabelece um referencial nulo ($\tau \approx A/\lambda$) para distinguir entre atrasos causados por alto volume de tráfego e aqueles causados por interrupções de serviço baseadas no calendário.

Principais Contribuições

1. Caracterização Empírica: O artigo fornece uma prova de conceito para a aplicação de diagnósticos de física estatística em operações de armazém, indo além do throughput agregado para analisar assinaturas temporais ao nível de evento.
2. Integração Metodológica: Combina ajuste de distribuição, coeficientes de explosividade–memória e divergência J–S para criar uma visão multifacetada da heterogeneidade temporal entre diferentes fluxos logísticos.
3. Novos Diagnósticos: Os autores introduzem duas ferramentas diagnósticas específicas para o buffer de saída: uma análise de envelhecimento baseada em teoria de renovação para visualizar ciclos semanais e um gráfico de escalonamento atividade–permanência para separar o giro regular da estagnação induzida pelo calendário.

Resultados

• Dinâmicas Não-Poissonianas: Os tempos de entre-chegada e entre-partida são fortemente heterogêneos e de cauda pesada, consistentes com comportamento não-poissoniano. Os expoentes de lei de potência ajustados ($\gamma$) variam aproximadamente de 1,86 a 2,93, dependendo do processo. Em contraste, os tempos de permanência de saída são unimodais e bem descritos por uma distribuição log-normal ($\mu \approx 10,76, \sigma \approx 1,10$), sugerindo mecanismos de serviço restritos com microatrasos multiplicativos.
• Explosividade vs. Suavidade: O diagrama Memória-Explosividade revela uma dicotomia estrutural. As sequências de chegada e partida são altamente explosivas ($B \approx 0,8$) com memória próxima de zero, indicando intervalos irregulares, mas fracamente correlacionados. Os tempos de permanência, contudo, exibem baixa explosividade ($B \approx 0,08$) e memória positiva moderada ($M \approx 0,49$), indicando tempos de residência mais suaves e temporalmente persistentes.
• Heterogeneidade de Fluxo: A desagregação por fluxo logístico mostra diferenças sistemáticas. Rotas envolvendo CustomerPickup e InboundDrag exibem assinaturas temporais distintas e maior divergência distributiva em comparação com rotas de preparação de alto volume.
• Ciclos de Envelhecimento Semanal: A análise de envelhecimento revela um padrão semanal recorrente. A carga acumula-se durante os fins de semana (deslocando a distribuição de idade para escalas de tempo mais longas), e o buffer é limpo com a retomada das atividades nas segundas-feiras. Isso cria uma distribuição de idade bimodal no início da semana.
• Regimes Operacionais: O escalonamento atividade–permanência identifica dois regimes. A maioria dos paletes segue uma linha de base quase linear, onde o tempo de residência escala com a atividade experienciada. Existe um ramo reproduzível "fora da linha de base" para paletes que chegam antes dos fins de semana e partem nas segundas-feiras; estes paletes experimentam tempos de permanência longos apesar da baixa atividade concomitante, indicando um efeito de estagnação impulsionado pelo calendário, em vez de congestionamento.

Significância e Alegações
O artigo afirma que o tempo de armazém não é adequadamente descrito por um único processo sem memória. Em vez disso, opera através de duas camadas acopladas: ativação externa baseada em cronogramas de eventos (chegadas/partidas) e regras de serviço internas que regulam os tempos de residência. A significância do trabalho reside em demonstrar que dados industriais limitados, porém de alta resolução, podem revelar estruturas operacionais — como ciclos de acumulação semanal e impressões digitais temporais específicas de cada fluxo — que são invisíveis para as estatísticas de throughput agregado.

Os autores enquadram estas descobertas como um "arcabouço de diagnóstico compacto" para a complexidade temporal. Eles declaram explicitamente que suas alegações são diagnósticas e mecanísticas, e não universais, observando limitações como a janela de observação curta (um mês) e a falta de dados espaciais. O estudo não propõe novos algoritmos de otimização, mas sim fornece um método para interpretar ritmos operacionais, distinguindo atrasos causados pelo volume de tráfego daqueles causados por interrupções programadas de serviço.