利用上下文信息增强车辆路径问题的鲁棒性

我们研究了在数据驱动的需求预测中使用上下文信息来求解带时间窗的鲁棒能力约束车辆路径问题的益处。与估计需求分布或其均值不同，我们引入了上下文机器学习模型，即便部分或所有客户的历史观测数量有限，也能预测需求分位数。我们研究了利用此类预测分位数进行路径决策的方法，并将确定性优化模型与鲁棒优化模型进行比较。此外，我们使用精确或启发式方法求解优化模型，评估所得决策的效率和鲁棒性。我们大量的计算实验表明，当存在充足的历史数据时，使用鲁棒优化模型并预测多个分位数具有前景。在历史需求有限的场景下，使用仅含单个分位数的确定性模型展现出更大潜力。有趣的是，我们的结果还表明，在确定性模型中使用适当的分位数需求值，可得到与鲁棒模型鲁棒性水平相当的解决方案。这一点很重要，因为在大多数应用中，从业者即便在不确定的环境中也将确定性模型作为行业标准。此外，由于确定性模型计算挑战更少且只需预测单一需求值，搭配适当机器学习模型的确定性模型具备鲁棒决策的潜力。