mcm-mfp/task1/README.md

# Task 1: 2021年MFP访问计划——需求驱动的频次分配与日历排程

## 摘要

本文提出一套**因果逻辑清晰、闭环可审计**的2021年MFP访问频次分配与日历排程方案。核心创新点：

1. **截断回归修正**：识别到9个站点历史服务量 $\mu_i > 250$（最高396.6），说明高需求站点的观测数据被容量截断，采用截断正态模型恢复真实需求 $\tilde{\mu}_i$
2. **质量加权有效性**：考虑高服务量下每户分配食物减少的质量折扣
3. **满足率公平性**：以"年度服务量/真实需求"的均等程度衡量公平，而非简单的访问次数均等

方案遵循四阶段结构：需求估计 → 频次分配 → 效果评估 → 日历排程。

---

## 整体流程图

### Mermaid版本（GitHub可渲染）

```mermaid
flowchart TB
    subgraph INPUT["数据输入"]
        A[data.xlsx<br/>70站点数据]
    end

    subgraph TASK1["TASK 1: 基础排程"]
        direction TB
        subgraph CORE["核心流程 ✅ 已完成"]
            B1[01_clean.py<br/>数据清洗]
            B2[02_demand_correction.py<br/>截断回归修正]
            B3[03_allocate.py<br/>Hamilton分配]
            B4[04_evaluate.py<br/>指标计算]
            B5[05_schedule.py<br/>日历排程]
            B1 --> B2 --> B3 --> B4
            B3 --> B5
        end

        subgraph VALIDATE["结果验证 ✅ 已完成"]
            V1[06_validate.py<br/>约束检验]
            V2[07_backtest.py<br/>历史回测]
        end

        subgraph SENSITIVITY["敏感性分析 ✅ 已完成"]
            S1[08_sensitivity.py<br/>参数扫描]
        end

        subgraph VISUAL["可视化 ✅ 已完成"]
            P1[09_visualize.py<br/>图表生成]
        end

        CORE --> VALIDATE
        CORE --> SENSITIVITY
        VALIDATE --> VISUAL
        SENSITIVITY --> VISUAL
    end

    subgraph TASK2["TASK 2: 天气响应 ⏳"]
        C1[2a或2b方案]
    end

    subgraph TASK3["TASK 3: 双站点同车 ⏳"]
        D1[共生站点优化]
    end

    subgraph TASK4["TASK 4: Executive Summary ⏳"]
        E1[1页执行摘要]
    end

    A --> B1
    VISUAL --> TASK2
    VISUAL --> TASK3
    TASK2 --> TASK4
    TASK3 --> TASK4

    style CORE fill:#90EE90
    style VALIDATE fill:#90EE90
    style SENSITIVITY fill:#90EE90
    style VISUAL fill:#90EE90
```

### ASCII版本（详细）

```
┌─────────────────────────────────────────────────────────────────────────────────────────┐
│                                    TASK 1 完整流程                                       │
├─────────────────────────────────────────────────────────────────────────────────────────┤
│                                                                                         │
│  ┌─────────────────────────────────────────────────────────────────────────────────┐   │
│  │                        核心流程 [已完成 ✓]                                        │   │
│  │                                                                                   │   │
│  │   data.xlsx ──▶ 01_clean ──▶ 02_demand ──▶ 03_allocate ──▶ 04_evaluate          │   │
│  │                              correction        │                                  │   │
│  │                                                ▼                                  │   │
│  │                                          05_schedule                              │   │
│  └─────────────────────────────────────────────────────────────────────────────────┘   │
│                          │                        │                                     │
│            ┌─────────────┴────────────┬───────────┴───────────┐                        │
│            ▼                          ▼                       ▼                        │
│  ┌──────────────────────┐  ┌──────────────────────┐  ┌──────────────────────┐         │
│  │ 结果验证 [已完成 ✓]   │  │ 敏感性分析 [已完成 ✓] │  │ 可视化 [已完成 ✓]    │         │
│  │                      │  │                      │  │                      │         │
│  │ 06_validate.py       │  │ 08_sensitivity.py    │  │ 09_visualize.py      │         │
│  │ ┌──────────────────┐ │  │ ┌──────────────────┐ │  │ ┌──────────────────┐ │         │
│  │ │✓ 约束满足检验    │ │  │ │✓ C ∈ {350..450} │ │  │ │✓ 站点地图(需求)  │ │         │
│  │ │  - Σk=730 ✓      │ │  │ │✓ p阈值扫描      │ │  │ │✓ k分布直方图     │ │         │
│  │ │  - k≥1 ✓         │ │  │ │✓ C̄ ∈ {200..300}│ │  │ │✓ E-F权衡曲线    │ │         │
│  │ │  - 每日2站点 ✓   │ │  │ │                  │ │  │ │✓ 日历热力图      │ │         │
│  │ └──────────────────┘ │  │ └──────────────────┘ │  │ │✓ 间隔分布箱线图  │ │         │
│  │                      │  │                      │  │ └──────────────────┘ │         │
│  │ 07_backtest.py       │  │ 结论:                │  │                      │         │
│  │ ┌──────────────────┐ │  │ E1变化 < 1.3%       │  │ 输出:                │         │
│  │ │✓ 2019数据回测    │ │  │ 模型稳健            │  │ figures/*.png        │         │
│  │ │✓ 预测vs实际对比  │ │  │                      │  │ (7张图)              │         │
│  │ │✓ 残差分析        │ │  │                      │  │                      │         │
│  │ └──────────────────┘ │  │                      │  │                      │         │
│  └──────────────────────┘  └──────────────────────┘  └──────────────────────┘         │
│                                        │                                               │
└────────────────────────────────────────┼───────────────────────────────────────────────┘
                                         │
                                         ▼
                    ┌────────────────────┴────────────────────┐
                    │                                         │
                    ▼                                         ▼
     ┌──────────────────────────┐           ┌──────────────────────────┐
     │  TASK 2: 天气响应 [待完成] │           │  TASK 3: 双站点 [待完成]  │
     └──────────────────────────┘           └──────────────────────────┘
                    │                                         │
                    └────────────────┬────────────────────────┘
                                     ▼
                      ┌──────────────────────────┐
                      │  TASK 4: 执行摘要 [待完成] │
                      └──────────────────────────┘
```

### 当前进度与待完成事项

| 模块 | 状态 | 脚本 | 说明 |
|------|------|------|------|
| 数据清洗 | ✅ 完成 | `01_clean.py` | 字段标准化 |
| 需求修正 | ✅ 完成 | `02_demand_correction.py` | 截断回归 |
| 频次分配 | ✅ 完成 | `03_allocate.py` | Hamilton方法 |
| 指标计算 | ✅ 完成 | `04_evaluate.py` | E1,E2,F1,F2 |
| 日历排程 | ✅ 完成 | `05_schedule.py` | 贪心+局部优化 |
| 约束验证 | ✅ 完成 | `06_validate.py` | 6项硬约束全部通过 |
| 历史回测 | ✅ 完成 | `07_backtest.py` | 模型有效性验证 |
| 敏感性分析 | ✅ 完成 | `08_sensitivity.py` | 参数稳健性检验 |
| 可视化 | ✅ 完成 | `09_visualize.py` | 7张论文图表 |

---

## 运行结果摘要

| 指标 | 推荐方案 | 均匀分配 | 2019缩放 | 变化 |
|------|---------|---------|---------|------|
| E1 (总服务量) | **140,121** | 104,797 | 104,071 | +34.6% |
| E2 (质量加权) | **131,673** | 101,309 | 100,264 | +31.3% |
| F1 (Gini系数) | 0.314 | **0.026** | 0.092 | 公平性降低 |
| F2 (最低满足率) | 2.0 | **8.4** | 5.0 | - |

**核心发现**：按需求比例分配可提升34.6%的总服务量，但存在有效性-公平性权衡。

---

## 1. 问题形式化

### 1.1 输入数据

| 字段 | 符号 | 说明 |
|------|------|------|
| 位置 | $(lat_i, lon_i)$ | 经纬度坐标 |
| 2019年访问次数 | $v_i$ | 历史频次，总计722次 |
| 单次服务人数均值 | $\mu_i$ | 观测均值，范围[17.2, 396.6] |
| 单次服务人数标准差 | $\sigma_i$ | 观测波动，范围[2.2, 93.5] |

### 1.2 运营参数

| 参数 | 值 | 来源 |
|------|-----|------|
| 卡车物理运力 | 15,000 lbs | 题面明确 |
| 典型服务户数 | [200, 250] | 题面"typical" |
| 每日可派车次 | 2 | 题面 |
| 年度总访问次数 $N$ | 730 | $365 \times 2$ |

### 1.3 硬约束

$$\sum_{i=1}^{70} k_i = 730 \tag{C1: 资源约束}$$
$$k_i \geq 1 \tag{C2: 覆盖约束}$$
$$|\text{sites on day } t| = 2 \tag{C3: 每日容量}$$

---

## 2. 阶段一：真实需求估计（截断回归）

### 2.1 问题本质：为什么需要修正？

**底层逻辑**：

题面说"typical visit serves 200-250 families"，但数据中 $\mu_{max} = 396.6$。这说明：

1. **200-250不是硬上限**：高需求站点可以服务更多家庭
2. **存在隐性容量约束**：卡车运力15000磅 ÷ 每户约38-75磅 ≈ 200-400户
3. **观测被截断**：当真实需求 > 容量时，只能观测到容量值

```
真实需求分布:          观测到的分布:
     │                      │
     │    ╱╲                │    ╱╲
     │   ╱  ╲               │   ╱  ╲▓▓▓  ← 被截断部分
     │  ╱    ╲              │  ╱    │
     │ ╱      ╲             │ ╱     │
     ├─────────────         ├───────┤
     0    μ̃    C            0   μ   C
```

**因此**：直接用 $\mu_i$ 会**系统性低估**高需求站点的真实需求。

### 2.2 截断概率的推导

**假设**：真实需求 $\tilde{D}_i \sim \mathcal{N}(\tilde{\mu}_i, \sigma_i^2)$

**推导**：截断概率 = 真实需求超过容量C的概率

$$p_i^{trunc} = P(\tilde{D}_i > C) = P\left(Z > \frac{C - \tilde{\mu}_i}{\sigma_i}\right) = 1 - \Phi\left(\frac{C - \tilde{\mu}_i}{\sigma_i}\right)$$

**近似**：由于我们不知道 $\tilde{\mu}_i$，用观测值 $\mu_i$ 近似：

$$p_i^{trunc} \approx 1 - \Phi\left(\frac{C - \mu_i}{\sigma_i}\right)$$

**物理意义**：$p_i^{trunc}$ 越大，说明该站点越可能被截断，需要更大的修正。

### 2.3 修正公式的推导

**截断正态的条件期望**（Mills ratio）：

对于 $X \sim \mathcal{N}(\mu, \sigma^2)$，有：

$$E[X | X > c] = \mu + \sigma \cdot \frac{\phi\left(\frac{c-\mu}{\sigma}\right)}{1 - \Phi\left(\frac{c-\mu}{\sigma}\right)}$$

**简化近似**：

当截断概率 $p^{trunc}$ 较小时，修正量近似与 $p^{trunc}$ 线性相关：

$$\tilde{\mu}_i \approx \mu_i \cdot (1 + \alpha \cdot p_i^{trunc})$$

取 $\alpha = 0.4$（经验系数，可通过敏感性分析调整）。

**分段处理的原因**：

- 当 $p^{trunc} < 0.02$：截断概率很低，修正量可忽略
- 当 $p^{trunc} \geq 0.02$：存在显著截断，需要修正

### 2.4 实际修正结果

| site_id | 站点名称 | $\mu$ | $\sigma$ | $p^{trunc}$ | $\tilde{\mu}$ | 修正幅度 |
|---------|---------|-------|----------|-------------|---------------|----------|
| 66 | MFP Waverly | 396.6 | 51.9 | 0.474 | 471.9 | +19.0% |
| 2 | MFP Avoca | 314.6 | 57.3 | 0.068 | 323.2 | +2.7% |
| 13 | MFP College TC3 | 261.5 | 92.0 | 0.066 | 268.4 | +2.6% |
| 17 | MFP Endwell | 285.2 | 60.8 | 0.030 | 288.6 | +1.2% |
| 30 | MFP Redeemer | 230.6 | 93.5 | 0.035 | 233.8 | +1.4% |

---

## 3. 阶段二：频次分配模型

### 3.1 分配原则的底层逻辑

**题面要求**："frequency informed by total demand in surrounding communities"

**问题**：什么是"周边社区需求"？

**两种理解**：
1. ❌ 用空间核平滑估计（循环论证：用供给估计需求）
2. ✅ 每个站点本身就服务其周边社区，$\tilde{\mu}_i$ 就是需求代理

**我们的选择**：直接用修正后的 $\tilde{\mu}_i$ 作为"周边社区需求"的代理。

**为什么按比例分配？**

假设目标是**最大化总服务量**且**保证公平**：

- 最大化 $\sum k_i \mu_i$ subject to $\sum k_i = N$
- 拉格朗日条件：$\frac{\partial}{\partial k_i}(k_i \mu_i - \lambda k_i) = \mu_i - \lambda = 0$

这说明最优解是 $k_i \propto \mu_i$（或 $\tilde{\mu}_i$）。

### 3.2 为什么用Hamilton方法？

**问题**：按比例分配得到的是实数，需要转换为整数。

**Hamilton方法（最大余数法）的优点**：
1. **保证总和**：$\sum k_i = N$ 严格成立
2. **公平性**：余数大的站点优先获得额外1次
3. **可解释**：政治选举中广泛使用，逻辑透明

**替代方法对比**：

| 方法 | 优点 | 缺点 |
|------|------|------|
| 四舍五入 | 简单 | 总和可能不等于N |
| 向下取整+贪心 | 简单 | 可能不公平 |
| Hamilton | 公平、总和准确 | 稍复杂 |
| 整数规划 | 可加约束 | 过于复杂 |

### 3.3 分配结果验证

- 总访问次数：$\sum k_i = 730$ ✓
- 访问次数范围：$[2, 32]$
- 覆盖约束：$\min k_i = 2 \geq 1$ ✓

---

## 4. 阶段三：效果评估指标

### 4.1 有效性指标的设计逻辑

**E1：原始总服务量**

$$E_1 = \sum_{i=1}^{70} k_i \cdot \mu_i$$

**问题**：E1假设服务量与访问次数线性增长，但忽略了**质量下降**。

**E2：质量加权服务量**

**底层逻辑**：当 $\mu_i > 250$ 时，每户获得的食物量下降。

$$\text{每户食物量} = \frac{15000 \text{ lbs}}{\mu_i}$$

当 $\mu_i = 250$ 时，每户60磅（典型值）。
当 $\mu_i = 400$ 时，每户37.5磅（低于典型）。

**质量折扣因子**：

$$q(\mu) = \min\left(1, \frac{250}{\mu}\right) = \begin{cases} 1 & \mu \leq 250 \\ \frac{250}{\mu} & \mu > 250 \end{cases}$$

**物理意义**：$q(\mu)$ 表示"相对于典型服务质量的比例"。

### 4.2 公平性指标的设计逻辑

**为什么不用"访问次数相等"衡量公平？**

题面说"are some served much better than others"——关键词是**served**，不是**visited**。

需求100的站点访问10次 vs 需求200的站点访问10次 → 后者服务不足。

**满足率的定义**：

$$r_i = \frac{\text{年度服务量}}{\text{年度需求}} = \frac{k_i \cdot \mu_i}{\tilde{\mu}_i}$$

**为什么用Gini系数？**

- Gini系数是衡量分布不均等的标准指标
- 取值[0,1]，0表示完全均等，1表示完全不均等
- 易于解释：收入分配、资源分配广泛使用

### 4.3 评估结果

| 方案 | E1 | E2 | F1 (Gini) | F2 (min r) |
|------|-----|-----|-----------|------------|
| **推荐方案** | **140,121** | **131,673** | 0.314 | 2.00 |
| 均匀分配 | 104,797 | 101,309 | **0.026** | **8.41** |
| 2019缩放 | 104,071 | 100,264 | 0.092 | 5.00 |

**有效性-公平性权衡**：

```
        F1 (Gini, 越小越公平)
        ▲
   0.4  │          ● 推荐方案 (E1=140k)
        │
   0.3  │
        │
   0.2  │
        │
   0.1  │      ● 2019缩放 (E1=104k)
        │
   0.0  │● 均匀分配 (E1=105k)
        └────────────────────────────▶ E1 (总服务量)
            100k    120k    140k
```

---

## 5. 阶段四：日历排程

### 5.1 排程目标的底层逻辑

**为什么要均匀分布访问日期？**

题面说"schedule published months in advance to help clients plan"。

如果某站点访问间隔不均匀（如：1月5次，2月0次），客户难以规划。

**理想间隔**：

$$\Delta_i^* = \frac{365}{k_i}$$

例如：$k_i = 12$ 次/年 → 理想间隔 ≈ 30天/次

### 5.2 贪心算法的设计逻辑

**为什么不用整数规划？**

730个访问事件 × 365天 = 26万个0-1变量，计算复杂度过高。

**贪心策略**：

1. 为每个访问事件计算"理想日期"
2. 按理想日期排序
3. 依次分配到最近的可用槽位

**为什么有效？**

- 理想日期已经考虑了均匀分布
- 按顺序分配避免了冲突
- 局部优化可进一步改善

### 5.3 排程结果

- 365天全部满载 ✓
- 平均间隔：55.4天
- 最大间隔：179天（低频站点）

---

## 6. 结果验证 ✅

### 6.1 约束满足检验 (`06_validate.py`)

| 检验项 | 公式 | 结果 |
|--------|------|------|
| C1: 资源约束 | $\sum k_i = 730$ | ✅ 通过 |
| C2: 覆盖约束 | $\min k_i \geq 1$ | ✅ 通过 (min=2) |
| C3: 日容量约束 | 每日恰好2站点 | ✅ 通过 |
| C4: 无重复约束 | 同一天不重复访问同一站点 | ✅ 通过 |
| C5: 排程一致性 | 排程次数 = k_i | ✅ 通过 |
| C6: 总天数 | 日历天数 = 365 | ✅ 通过 |

**结论**：所有6项硬约束全部通过。

### 6.2 模型有效性验证 (`07_backtest.py`)

**关键发现**：

| 指标 | 值 | 解读 |
|------|-----|------|
| corr(visits_2019, μ) | 0.0352 | 2019年访问次数与需求弱相关 |
| corr(visits_2019, μ̃) | 0.0433 | 历史分配未充分考虑需求 |
| CV(k/μ̃) | 0.0523 | k与μ̃高度成正比，模型内部一致 |
| 服务量改进 | +35.24% | 相比2019缩放方案 |

**结论**：2019年历史分配与需求几乎不相关(r=0.035)，说明历史分配未按需求进行。推荐方案实现按需分配，服务量提升35%。

---

## 7. 敏感性分析 ✅

### 7.1 参数扫描 (`08_sensitivity.py`)

| 参数 | 基准值 | 扫描范围 | 影响 |
|------|--------|---------|------|
| 有效容量 $C$ | 400 | [350, 375, 400, 425, 450] | 截断修正强度 |
| 截断阈值 $p^{trunc}$ | 0.02 | [0.01, 0.02, 0.05, 0.10] | 修正站点数 |
| 质量阈值 $\bar{C}$ | 250 | [200, 225, 250, 275, 300] | E2计算 |

### 7.2 敏感性分析结果

本节基于 `08_sensitivity.xlsx`（含 `sensitivity_C / sensitivity_p_thresh / sensitivity_c_bar / combo_scan / baseline` 等工作表）对**效率(E1/E2)**与**公平性(F1/F2/F3)**的变化做更细致解读。数值默认四舍五入展示。

**基准结果（C=400, p_thresh=0.02, $\bar{C}=250$）**：

| 指标 | 值 | 解读 |
|------|----|------|
| 修正站点数 | 5 | 发生截断修正的站点数量 |
| E1 | 140,121 | 总服务量 $\sum k_i\mu_i$ |
| E2 | 131,673 | 质量加权服务量 $\sum k_i\mu_i q(\mu_i)$ |
| F1 (Gini) | 0.3140 | 满足率分布不均衡程度（越小越公平） |
| F2 (min r) | 2.00 | 最低满足率（本次扫描恒为2） |
| F3 (CV of r) | 0.5569 | 满足率变异系数（越小越均衡） |
| 频次范围 | k_min=2, k_max=32 | 头部频次（k_max）反映资源集中度 |

#### 7.2.1 C（有效容量）：主要影响“修正站点数”和“头部频次”

| C | 修正站点数 | E1 | ΔE1 | E2 | ΔE2 | F1(Gini) | k_max |
|---|------------|----|-----|----|-----|----------|-------|
| 350 | 9 | 141,300 | +0.84% | 132,236 | +0.43% | 0.3141 | 35 |
| 375 | 7 | 140,476 | +0.25% | 131,687 | +0.01% | 0.3115 | 34 |
| 400 | 5 | 140,121 | +0.00% | 131,673 | +0.00% | 0.3140 | 32 |
| 425 | 3 | 139,692 | -0.31% | 131,538 | -0.10% | 0.3146 | 30 |
| 450 | 2 | 139,487 | -0.45% | 131,462 | -0.16% | 0.3153 | 29 |

**机制解释**：
- C 越小，越多站点满足 $p_{trunc}\ge p_{thresh}$，其 $\tilde{\mu}$ 被上调；Hamilton 分配会把更多频次给这些“被修正的高需求站点”，因此 **k_max 上升**、E1/E2 轻微上升。
- C 越大，修正更少、k_max 更低，资源更分散；但 **E1 最大相对波动仅 1.29%**，说明结论对 C 很稳健。

#### 7.2.2 p_thresh（截断阈值）：影响“是否修正”，但对总指标几乎无影响

| p_thresh | 修正站点数 | E1 | ΔE1 | E2 | ΔE2 | F1(Gini) | F3(CV) |
|----------|------------|----|-----|----|-----|----------|--------|
| 0.01 | 5 | 140,121 | +0.00% | 131,673 | +0.00% | 0.3140 | 0.5569 |
| 0.02 | 5 | 140,121 | +0.00% | 131,673 | +0.00% | 0.3140 | 0.5569 |
| 0.05 | 3 | 140,121 | +0.00% | 131,673 | +0.00% | 0.3143 | 0.5574 |
| 0.10 | 1 | 140,200 | +0.06% | 131,764 | +0.07% | 0.3161 | 0.5603 |

**解读**：
- p_thresh 从 0.01 提高到 0.10，修正站点数从 5 降到 1，但 **E1 仅 +0.06%（变化范围 0.0567%）**，E2 也仅 +0.07%。
- 说明“截断修正的启用边界”主要影响边缘站点是否被修正，但对总体分配格局（以及效率/公平性指标）影响很小。

#### 7.2.3 质量阈值 $\bar{C}$：只影响 E2（评价口径），不影响分配与公平性

| $\bar{C}$ | E2 | ΔE2 | 说明 |
|----|----|-----|------|
| 200 | 119,828 | -9.00% | $q(\mu)=\min(1,\bar{C}/\mu)$ 折扣更强 |
| 225 | 126,622 | -3.84% |  |
| 250 | 131,673 | +0.00% | 基准 |
| 275 | 135,068 | +2.58% |  |
| 300 | 136,707 | +3.82% | 折扣更弱，E2 更高 |

**关键点**：在当前实现中，c̄ 只进入 E2 的质量折扣因子，不参与频次分配（k 的求解）；因此 E1/F1/F2/F3 与 k 的分布保持不变，E2 的变化反映的是**指标口径**而非**决策结果**。

### 7.3 组合扫描（C×p_thresh）与稳健性小结

- 20 组组合扫描（固定 $\bar{C}=250$）整体范围：E1 ∈ [139,487, 141,300]，F1 ∈ [0.3114, 0.3161]，k_max ∈ [29, 35]，修正站点数 ∈ [1, 10]（且全程 k_min=2、F2=2 恒定）。
- 影响主导项是 C：同一 C 下不同 p_thresh 的 E1/F1 波动远小于不同 C 之间的差异。
- 若用“E1 越大越好、F1 越小越好”的视角看非支配（Pareto）点，组合扫描中出现的代表性折中包括：  
  - (C=375, p_thresh=0.01): 最低 Gini（更公平）  
  - (C=350, p_thresh=0.10): 在更高 E1 的同时保持较低 Gini  
  - (C=350, p_thresh=0.01): 最大 E1，但公平性略弱  
  差异量级整体较小，不改变“按需分配 + 约束可行”的主结论。

---

## 8. 可视化 ✅

### 8.1 图表清单 (`09_visualize.py`)

| 图编号 | 图名 | 文件 | 用途 |
|--------|------|------|------|
| Fig.1 | 站点地图 | `fig1_site_map.png` | 站点分布、需求大小、访问频次 |
| Fig.2 | 需求修正对比 | `fig2_demand_correction.png` | 5个修正站点μ→μ̃变化 |
| Fig.3 | 频次分配分布 | `fig3_k_distribution.png` | k分布 + k与μ̃相关性 |
| Fig.4 | 有效性-公平性权衡 | `fig4_efficiency_fairness.png` | 4种方案E-F对比 |
| Fig.5 | 日历热力图 | `fig5_calendar_heatmap.png` | 全年排程可视化 |
| Fig.6 | 访问间隔箱线图 | `fig6_gap_boxplot.png` | 间隔均匀性分析 |
| Fig.7 | 敏感性分析 | `fig7_sensitivity.png` | C, p_thresh, c̄的影响 |
| Fig.8 | 2019 vs 2021 对比地图（交互） | `fig8_2019_vs_2021_carto.html` | 2019实际 visits vs 2021计划(k) 及 Δ可视化 |

### 8.2 Fig.1: 站点地图

展示70个站点的地理分布，点大小表示需求μ，颜色表示访问频次k。

![Fig.1: 站点地图](figures/fig1_site_map.png)

### 8.3 Fig.2: 需求修正对比

展示5个被截断修正的高需求站点，对比修正前μ和修正后μ̃。

![Fig.2: 需求修正对比](figures/fig2_demand_correction.png)

### 8.4 Fig.3: 频次分配分布

左图：k的分布直方图；右图：k与μ̃的线性关系（r≈1，验证按比例分配）。

![Fig.3: 频次分配分布](figures/fig3_k_distribution.png)

### 8.5 Fig.4: 有效性-公平性权衡

展示4种分配方案在E2-F1空间的位置，揭示效率与公平的Pareto权衡。

![Fig.4: 有效性-公平性权衡](figures/fig4_efficiency_fairness.png)

### 8.6 Fig.5: 日历热力图

全年365天排程可视化，颜色表示当日访问站点的需求总和。

![Fig.5: 日历热力图](figures/fig5_calendar_heatmap.png)

### 8.7 Fig.6: 访问间隔分析

左图：不同频次组的间隔均值分布；右图：间隔CV分布（衡量均匀性）。

![Fig.6: 访问间隔分析](figures/fig6_gap_boxplot.png)

### 8.8 Fig.7: 敏感性分析

参数C、p_thresh、c̄对模型输出的影响，验证模型稳健性。

![Fig.7: 敏感性分析](figures/fig7_sensitivity.png)

---

### 8.9 Fig.8: 2019 vs 2021 对比地图（交互）

使用 CartoDB 底图展示站点分布，并支持 3 种视图切换：2019 实际 visits、2021 计划频次 k、以及差异层 $\Delta = k - \text{scaled}(visits_{2019})$（将2019总量缩放到2021总量后再对比，避免总次数差异造成偏置）。

打开方式：用浏览器直接打开 `task1/fig8_2019_vs_2021_carto.html`（同目录需有 `task1/fig1_points.js`）。

## 9. 可复现流水线

### 9.1 完整脚本结构

```
task1/
├── 01_clean.py              ✅ 数据清洗
├── 02_demand_correction.py  ✅ 截断修正
├── 03_allocate.py           ✅ 频次分配
├── 04_evaluate.py           ✅ 指标计算
├── 05_schedule.py           ✅ 日历排程
├── 06_validate.py           ✅ 约束验证
├── 07_backtest.py           ✅ 历史回测
├── 08_sensitivity.py        ✅ 敏感性分析
├── 09_visualize.py          ✅ 可视化
├── 01_clean.xlsx
├── 02_demand.xlsx
├── 03_allocate.xlsx
├── 04_metrics.xlsx
├── 05_schedule.xlsx
├── 06_validate.xlsx
├── 07_backtest.xlsx
├── 08_sensitivity.xlsx
└── figures/                 ✅ 7张图表
```

### 9.2 运行命令

```bash
# 完整流程（全部已完成）
python task1/01_clean.py
python task1/02_demand_correction.py
python task1/03_allocate.py
python task1/04_evaluate.py
python task1/05_schedule.py
python task1/06_validate.py
python task1/07_backtest.py
python task1/08_sensitivity.py
python task1/09_visualize.py
```

---

## 10. 假设与局限性

### 10.1 显式假设

| 编号 | 假设 | 依据 | 影响 |
|------|------|------|------|
| A1 | 真实需求服从正态分布 | 中心极限定理 | 截断修正公式 |
| A2 | 有效容量 $C=400$ | $\mu_{max}=396.6$ | 修正强度 |
| A3 | 2021年需求≈2019年 | 题面要求 | 整体方案有效性 |
| A4 | 全年365天运营 | 简化假设 | 总访问次数 |
| A5 | 每日2站点硬约束 | 题面 | 排程可行性 |

### 10.2 局限性

1. **截断修正简化**：使用线性近似而非完整MLE
2. **需求外生性**：未建模"访问频次→需求"的反馈效应
3. **空间相关性**：未考虑相邻站点需求相关性
4. **季节性**：未考虑冬季需求下降

---

## 11. 结论与建议

### 11.1 方法论贡献

1. **截断偏误识别**：发现高需求站点 $\mu$ 被低估
2. **质量-数量权衡**：引入质量折扣因子
3. **满足率公平**：以服务充足度衡量公平

### 11.2 对FBST的运营建议

1. **MFP Waverly**：需求异常高（$k=32$），建议增派资源
2. **数据收集**：记录"被拒服务人数"以更准确估计需求
3. **动态调整**：季度末复盘，调整下季度排程

---

## 12. 论文展示数据表与深度解析 (Task 1 Results & Analysis)

### 表 1: 不同分配方案的性能对比 (效能与公平性的权衡)
| 分配方案 | 总服务量 (E1) | 质量加权服务量 (E2) | 满足率 Gini 系数 (F1) ↓ | 最低满足率 (F2) ↑ |
| :--- | :---: | :---: | :---: | :---: |
| **推荐方案 (μ̃ Proportional)** | **139,469** | **131,462** | 0.314 | 2.00 |
| 基线 1: 均匀分配 (Uniform) | 104,797 | 101,309 | **0.024** | **9.25** |
| 基线 2: 2019 历史缩放 (Scaled) | 104,071 | 100,264 | 0.091 | 5.00 |
| 基线 3: 原始需求比例 (Raw μ) | 139,129 | 131,397 | 0.313 | 2.00 |

**深度解析**：
*   **效能跃升**：推荐方案通过将资源集中于高需求站点，使总服务量 (E1) 相比 2019 年历史方案（缩放后）提升了 **34.0%**。在考虑服务质量折扣后 (E2)，依然保持了 **31.1%** 的显著增幅。
*   **公平性权衡**：均匀分配方案虽具有极低的 Gini 系数（0.024），但由于忽视了人口分布差异，导致大量高需求社区处于严重的“服务赤字”状态。推荐方案选择在维持最低服务门槛（$k \ge 2$）的前提下最大化总量，其 F1 指标反映了资源与需求精准匹配后的正态分布特征。

### 表 2: 关键高需求站点的截断回归修正 (Truncation Correction)
| 站点名称 (Site Name) | 观测均值 (μ) | 截断概率 ($P_{trunc}$) | 修正后需求 ($\tilde{\mu}$) | 修正幅度 |
| :--- | :---: | :---: | :---: | :---: |
| MFP Waverly | 396.6 | 81.57% | 429.0 | +8.2% |
| MFP Avoca | 314.6 | 26.84% | 323.0 | +2.7% |
| MFP Endwell United Methodist | 285.3 | 14.34% | 289.3 | +1.4% |
| MFP College TC3 -College | 261.5 | 16.80% | 265.9 | +1.7% |
| MFP Redeemer Lutheran Church | 230.6 | 10.07% | 232.9 | +1.0% |

**深度解析 (对应 Fig.2)**：
*   **识别隐性需求**：Fig.2 揭示了观测数据中的“幸存者偏差”。以 **MFP Waverly** 为例，其截断概率高达 **81.57%**，意味着该站点在历史运营中几乎处于永久性满载状态，观测均值 396.6 仅是运力上限的体现而非真实需求上限。
*   **修正意义**：通过截断正态模型，我们将该站点的潜在需求上调至 429.0。这一修正确保了资源分配不仅是基于“历史给了多少”，而是基于“社区实际缺多少”，有效弥补了高需求区域因历史供给不足而被低估的问题。

### 表 3: 方案稳健性与模型拟合统计
| 评估维度 | 指标名称 | 计算结果 | 业务含义 |
| :--- | :--- | :---: | :--- |
| **分配逻辑** | 历史相关性 $r(v_{2019}, \mu)$ | 0.035 | 证实 2019 年分配与需求几乎无关 (随机分配) |
| **改进潜力** | 相比历史方案提升幅度 | **+34.61%** | 实现按需分配后的效率净增益 |
| **约束满足** | 每日派车容量合格率 | 100% | 确保 365 天排程无资源冲突 |
| **均匀度** | 访问间隔 CV 均值 | 0.197 | 保证了客户对访问日期的可预测性 |

**深度解析**：
*   **模型稳健性**：敏感性分析显示，即使当运力估计 $C$ 在 [350, 450] 范围内波动时，总服务量 E1 的变化率不足 1.3%，证明了分配逻辑对参数设定具有极强的鲁棒性。
*   **排程科学性 (对应 Fig.5 & Fig.6)**：通过日历热力图可以观察到需求负荷在年度周期内的均匀分布，避免了车辆调度的高峰冲突；箱线图验证了各站点的访问间隔高度集中在理想值附近。