基于深度学习的时间序列预测对多阶段随机规划策略的影响
最优化与控制
2021-09-24 v2
摘要
多阶段随机规划为涉及不确定性的序贯决策问题提供了一种建模框架。该方法论中一个通常被忽视的方面是不确定性如何被纳入建模。传统上，采用形式简单的统计预测技术，例如（一阶）自回归时间序列模型，来提取情景并加入优化模型以表示不确定的未来。然而，这些预测模型的性能往往未得到充分评估。受概率预测进展的启发，我们将一种基于深度学习的时间序列预测方法纳入多阶段随机规划框架，并与采用传统预测方法对不确定性建模的情形进行比较。我们在一个实际问题上，于滚动时域框架中评估了更准确的预测对两种常用前瞻策略（一种确定性的和一种两阶段的）质量的影响。我们的结果表明，更准确的预测显著提升了模型性能，并使即便从计算代价低廉的启发式方法中也能获得高质量解。结果还表明，基于深度学习的方法的概率预测能力，当用作基于情景模型的（条件）采样工具以及为风险厌恶模型预测最坏情形时，尤其有益。
引用
@article{arxiv.2009.00665,
title = {On the Impact of Deep Learning-based Time-series Forecasts on Multistage Stochastic Programming Policies},
author = {Juyoung Wang and Mucahit Cevik and Merve Bodur},
journal= {arXiv preprint arXiv:2009.00665},
year = {2021}
}