随机与相关患者需求下的分布鲁棒医院容量扩展规划
最优化与控制
2024-04-04 v2
摘要
本文研究了在不确定的未来患者需求下，考虑空间和时间相关性的医院扩展设施的最优位置和容量问题。我们提出了一种集成时空神经网络的新型两阶段分布鲁棒优化模型。具体而言，我们开发了一个 STNN 模型，该模型在考虑医院网络时间序列数据集中时空模式的基础上，预测未来的医院占用率水平。STNN 模型的预测随后被用于构建 DRO 模型的模糊集。为解决两阶段 DRO 相关的计算挑战，我们采用线性决策规则技术，导出了易于处理的混合整数线性规划近似。在真实数据上进行的大量计算实验证明了 STNN 模型在最小化预测误差方面的优越性。与为每家医院单独构建的神经网络模型相比，所提出的 STNN 模型的平均 RMSE 降低了 53%。此外，结果证明了在 DRO 模型中纳入需求不确定性的时空依赖关系的价值，这一点已通过使用真实数据和完美信息场景进行的样本外分析得到证实。
引用
@article{arxiv.2403.13234,
title = {Distributionally Robust Hospital Capacity Expansion Planning under Stochastic and Correlated Patient Demand},
author = {Aliaa Alnaggar and Faiza Farrukh},
journal= {arXiv preprint arXiv:2403.13234},
year = {2024}
}
备注
The paper is being revised