运输规划的问题的核心是路径规划问题，根据业务需要求解时间最短，成本最低，车辆数量最少等为目标的函数，问题类型，求解方法应该是比较明确和普遍的，如最短路径问题，旅行商问题等，但在实际的工作过程中应用的比较少，一方面是因为在运营规划的团队，拥有数学，运筹学，计算机科学的人才较少，整个组织的专业积淀，工作氛围不支持采取算法的手段求解路径规划问题，另一方面是因为实际的业务中，有太多的不确定性，不同场景不同的要求，一些约定俗成的规则，这些内容无法全部抽象为约束条件带入模型中去，因此实际的规划过程中还是较多的根据管理经验进行规划．

运输规划问题在系统规划层面应用的范围还是比较广的，如外卖员，网约车的路径规划，将算法结合沉淀到产品上，取得了突破性的效果，京东也尝试了多次配送员路径规划系统的尝试，但均失败了，快递员对规划出来的配送路径，配送方案接受度较低，主要还是因为配送员面对的揽派场景，客户特性，服务区域较复杂，无法将林林总总的约束条件全部考虑齐全，并确认条件之间的相互影响关系，有一个思路是通过机器学习的方式，让系统去学习优秀的配送员的路径安排，从而寻找到其中的优秀经验，并进行复制，但不同配送员服务的区域情况不同，Ａ区域的配送路径方案不一定适用于Ｂ区域，再加上配送员日均揽派效能达到１２０以上，单量较大，算力要求高，实现起来难度较大；在社区团购领域，对网格站司机的路径规划就得到了相对较好的应用，原因是司机尽管日配送单量多，但配送点位稳定，数量少，规划起来难度小，非常适用单回路问题的求解方法．

学习运输规划问题，路径规划问题，可以通过学习运筹学的方式进行，运筹学中本身就有专门的运输规划问题的章节，涉及到的问题与实际需求也比较相符，运营规划的同学也没有必要掌握具体的求解方法，一方面本身难度较大，需要一些数学基础，再者不同的算法目前也有专门的求解软件，工作中只要与合适的算法工程师进行配合就能完成，运营同学可以多在业务场景梳理，业务需求提炼，业务问题诊断上多下功夫．

目前在工作中其实缺少的是跨学科，跨领域，跨专业的复合性人才，充当桥梁和纽带，将不同专业已经相对成熟的专业知识串联起来，在边界上寻求增量的突破，我们经常遇到的问题也是运营人员不懂技术，技术人员不了解业务场景，导致工作无从下手，有劲使不出来．