OMGPT：面向数据驱动运营决策的序列建模框架
机器学习
2025-05-21 v1 人工智能
摘要
我们从零构建了一个生成式预训练变换器（GPT）模型，以解决运营研究和管理科学中出现的序列决策问题，我们称之为 OMGPT。我们首先提出了一种通用的序列建模框架，将几个运营决策任务作为特例包括其中，如动态定价、库存管理、资源分配和排队控制。在该框架下，这些任务可以被视为一个序列预测问题，即目标是根据所有历史信息预测最优的未来动作。随后，我们训练了一个基于 Transformer 的神经网络模型（OMGPT），作为序列建模的自然且强大的架构。这标志着与现有方法相比，在这些运营研究/管理科学任务上实现的范式转变：（i）OMGPT 模型能够利用大量的预训练数据；（ii）在解决这些问题时，OMGPT 不需要假设任何分析模型结构，能够直接且丰富地将历史信息映射到未来动作。我们建立了一个贝叶斯视角来理论上理解 OMGPT 在这些任务上的工作机制，这与其性能与预训练任务多样性以及测试任务与预训练任务之间的发散程度相关。数值上，我们在上述所有任务上观察到该提出模型的惊人性能。
引用
@article{arxiv.2505.13580,
title = {OMGPT: A Sequence Modeling Framework for Data-driven Operational Decision Making},
author = {Hanzhao Wang and Guanting Chen and Kalyan Talluri and Xiaocheng Li},
journal= {arXiv preprint arXiv:2505.13580},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2405.14219