数据驱动在线库存路径问题的情景预测-后优化方法

库存补货与车辆路径的实时联合优化对于单仓库多零售商系统的成本效益运营至关重要。此问题十分复杂，因为未来需求预测应捕捉零售商需求的相关性，并且必须基于这些预测做出补货和路径决策。传统上，此类决策要么通过做出分布假设，要么使用基于机器学习的点预测来制定。前一种方法忽略了非平稳需求模式，而后一种方法仅提供点预测，忽略了固有的预测误差。因此，在实践中，服务水平往往达不到目标，卡车满载率不足，损害了日常运营的效率和可持续性。我们提出了Scenario Predict-then-Optimize（场景预测-优化）方法。这种完全数据驱动的在线库存路径规划方法在每个实时决策时刻包含两个后续步骤。场景预测步骤利用神经网络，特别是多时间范围分位数循环神经网络，来预测未来需求分位数，并在此基础上设计了一种场景采样方法。随后的场景优化步骤则求解一个基于场景的随机规划近似问题。结果表明，我们的方法优于经典的Predict-then-Optimize（预测-优化）范式和经验采样方法。我们在合成数据和真实数据上都证明了这一点。我们的方法对从业者很有吸引力。它速度快，不依赖于分布假设，并且无需面对单场景预测的负担。我们证明，该方法对于各种需求和成本参数都具有鲁棒性，提高了日常补货和路径决策的效率和可持续性。最后，Scenario Predict-then-Optimize具有通用性，可以轻松扩展以考虑其他运营约束，使其成为实践中的有用工具。