FoodRL：用于实物食物捐赠预测的强化学习集成框架
机器学习
2025-11-10 v1
摘要
食物银行对于缓解粮食不安全至关重要，但其有效性取决于准确预测高度波动的实物捐赠，以确保公平和高效的资源分配。由于季节性变化和美国东南部的飓风以及西海岸的野火等自然灾害导致的不可预测波动和概念漂移，传统预测模型往往无法保持一致的准确性。为了应对这些挑战，我们提出了 FoodRL，这是一种新颖的基于强化学习（RL）的元学习框架，它根据近期表现和上下文信息对各种预测模型进行聚类和动态加权。在来自两个结构截然不同的美国食物银行（一个受野火影响的大型西海岸区域食物银行，另一个持续受飓风影响的东海岸州级食物银行）的多年数据上进行评估，FoodRL 始终优于基线方法，特别是在中断或衰退期间。通过提供更可靠和自适应的预测，FoodRL 可以促进相当于每年额外 170 万顿餐的食物重新分配，证明了其在社会影响以及人道主义供应链自适应集成学习方面的巨大潜力。
引用
@article{arxiv.2511.04865,
title = {FoodRL: A Reinforcement Learning Ensembling Framework For In-Kind Food Donation Forecasting},
author = {Esha Sharma and Lauren Davis and Julie Ivy and Min Chi},
journal= {arXiv preprint arXiv:2511.04865},
year = {2025}
}