用于库存管理的共享单车需求预测的预测性与规范性表现
最优化与控制
2021-08-03 v1 机器学习
摘要
共享单车系统是一种快速发展的交通方式，并为被动的机动化个人出行提供了高效替代方案。单车需求的非对称性导致需要对单车站点进行再平衡，这通常于夜间进行。为确定某站点给定日期的最优起始库存水平，用户不满意函数(UDF)将用户取车和还车建模为具有分段线性强度的非齐次泊松过程。在本文中，我们引入变分泊松循环神经网络模型(VP-RNN)来预测未来的取车和还车强度，从而设计了可直接应用于UDF的深度生成模型。我们在来自美国纽约市的实际出行数据上针对传统和基于学习的预测方法实证评估了我们的方法，并展示了我们的模型在系统效率和需求满足方面优于基准。通过明确关注决策算法与基于学习的预测方法的结合，我们指出了文献中的若干不足。关键的是，我们展示了更准确的预测未必转化为更好的库存决策。通过提供对预测、模型假设与决策之间相互作用的洞察，我们指出预测与决策模型应被仔细评估和协调，以最优控制共享出行系统。
引用
@article{arxiv.2108.00858,
title = {Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management},
author = {Daniele Gammelli and Yihua Wang and Dennis Prak and Filipe Rodrigues and Stefan Minner and Francisco Camara Pereira},
journal= {arXiv preprint arXiv:2108.00858},
year = {2021}
}
备注
28 pages, 6 figures