预测后优化（Forecast-Then-Optimize）深度学习方法
机器学习
2025-06-17 v1
摘要
时间序列预测支撑着各行业的重要决策，但复杂模型的原始预测往往存在系统性误差和偏差。我们审视预测后优化（FTO）框架，开创性地对其进行系统性综述。与传统的预测后优化（PTO）方法不同，FTO 通过集成方法、元学习器和不确定性调整等优化技术显式地优化预测结果。此外，深度学习和大型语言模型在大多数企业应用中已展现出优于传统参数化预测模型的优势。本文综述了 2016 年至 2025 年间的重大进展，分析了主流的深度学习 FTO 架构。聚焦于运营管理中的实际应用，我们展示了 FTO 在提升预测准确性、鲁棒性和决策效能方面的关键作用。本研究为未来的预测方法论奠定了基础指南，架起了理论与实际应用之间的桥梁。
引用
@article{arxiv.2506.13036,
title = {Forecast-Then-Optimize Deep Learning Methods},
author = {Jinhang Jiang and Nan Wu and Ben Liu and Mei Feng and Xin Ji and Karthik Srinivasan},
journal= {arXiv preprint arXiv:2506.13036},
year = {2025}
}
备注
44 pages, 2 figures