预测和优化是 AI 在物流中最常见的两类应用，但很多人容易混淆。简单区分：预测回答「会怎样」，优化回答「怎样更好」。
| 预测对象 | 输入数据 | 输出结果 |
|---|---|---|
| 需求预测 | 历史件量、促销日历、天气 | 明日各站点预计件量 |
| ETA预测 | 当前位置、路况、历史时效 | 预计送达时间 |
| 故障预测 | 设备运行数据、维修记录 | 未来 7 天故障概率 |
| 客户流失预测 | 下单频次、投诉记录、竞品活动 | 高流失风险客户名单 |
特点：预测只告诉你「可能会怎样」，不会直接告诉你「该怎么办」——那是优化的事。
| 优化对象 | 输入数据 | 输出结果 |
|---|---|---|
| 路径优化 | 配送点位、道路网络、时间窗 | 最优行驶路线 |
| 装载优化 | 包裹尺寸重量、车厢容积、装卸顺序 | 最优装载方案 |
| 库存补货优化 | 当前库存、预测需求、补货成本 | 最优补货时间与数量 |
| 班次与运力分配 | 预测件量、人员/车辆资源、成本约束 | 最优排班与派车方案 |
特点：优化要在多个目标间权衡（快 vs 省 vs 稳），通常有约束条件（车辆数、时间窗、预算）。
预测提供输入，优化基于输入做决策。比如：预测明天件量暴增 → 优化决定加派 3 辆车、调整分拣班次。如果预测错了，优化再精妙也白搭。
链条案例:从预测到优化,避免旺季爆仓
某城市配送中心,双11 期间经常出现「早上件量预估不足 → 中午突然爆仓 → 临时加人加车 → 成本高且效率低」的恶性循环。
效果:爆仓次数从旺季 7 次降至 1 次,人车资源利用率提升 18%,平均时效稳定在承诺时间内。
关键:如果第一步预测是 5000 件(严重低估),后面优化再好,也会因资源不足导致爆仓;如果预测是 12000 件(过高估计),会浪费人车成本。预测准确度直接影响优化效果。
你们熟悉的快递App里，哪些功能更像预测？哪些像优化？比如「预计送达时间」「智能改派地址」「拼单推荐」分别属于哪类？
列出至少 3 个 App 功能，标注是预测还是优化，并说明判断理由
