两全其美：未知到达模型下带预测的在线资源分配

在线决策者通常能获得关于未来变量（如到达、需求、库存等）的预测。这些预测可以来自单变量时间序列的简单预测算法，也可以来自利用多个时间序列和额外特征信息的最先进机器学习模型。然而，决策者事先并不知道预测的准确性，因此盲目遵循预测可能是有害的。在本文中，我们通过开发以对未知预测准确性鲁棒的方式利用预测的算法来解决这个问题。我们考虑在线资源分配问题，这是一个在线决策的通用模型，其中有限数量的资源可用于满足一系列到达的请求。先前的工作已经刻画了当到达是随机生成（i.i.d.）或完全对抗性时所能达到的最佳性能，并证明了存在算法在两种到达模型下都能匹配这些界限，而无需“知道”底层模型。在此背景下，我们以每种资源类型的影子价格形式引入预测。预测准确性自然定义为预测与实际影子价格之间的距离。我们通过一个形式化的下界严格刻画了任何算法在不知道预测准确性或底层到达模型的情况下，能够最优利用预测（即，在预测准确时“遵循”它们，在不准确时“忽略”它们）的程度。我们的主要贡献是提出了一种达到该下界的算法。最后，我们利用零售商H&M的真实数据进行了大规模实验，实证验证了我们的算法。