《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Residual scenario generation for stochastic planning: An emergency medical services application
编辑推荐：
针对随机规划中不确定未来条件的情景表示会同时影响决策质量与计算负担，研究人员提出残差情景生成（Residual Scenario Generation, RSG）方法，利用预测模型残差构造紧凑且具信息量的不确定性情景集。该方法将预测需求与由K-means聚类得
针对随机规划中不确定未来条件的情景表示会同时影响决策质量与计算负担，研究人员提出残差情景生成（Residual Scenario Generation, RSG）方法，利用预测模型残差构造紧凑且具信息量的不确定性情景集。该方法将预测需求与由K-means聚类得到的残差簇质心所代表的偏差相加生成情景，并在残差近似正态条件下通过分布积分估计情景概率。研究人员将RSG嵌入紧急医疗服务（Emergency Medical Services, EMS）战略-战术容量规划的双目标两阶段混合整数线性规划（two-stage mixed-integer linear programming, TS-MILP）模型，联合建模救护车基地选址、车队规模及计划性车辆再部署，人员需求由各车型固定乘组构成隐含决定。基于葡萄牙EMS真实数据的案例研究表明，RSG与蒙特卡洛（Monte Carlo, MC）、Bootstrap抽样（Bootstrap Sampling, BS）和拉丁超立方抽样（Latin Hypercube Sampling, LHS）相比取得可比性能，并显著减少情景数量；在生成Pareto前沿时，RSG所需计算时间仅为其他方法的约7%。结果还表明，车辆可用性低于70%（即不可用超过30%）会明显损害系统性能。研究结论支持紧凑情景集在随机规划中的实用性，并为EMS容量规划提供管理启示。
Paulo Abreu等围绕随机规划中预测不确定性的紧凑表示问题开展研究。研究背景是：EMS战略规划需要长期需求预测，而需求波动、事件严重性、服务与行驶时间等不确定性会影响基地选址、车队规模与人员配置；既有研究常将救护车基地选址、车队规模或人员规模作为独立问题处理，忽略战略决策间相互依赖，且预测与优化常被分开处理；同时，随机规划中情景数量过大会增加计算负担，需要兼顾统计代表性与计算效率的情景生成方法。研究人员提出残差情景生成（Residual Scenario Generation, RSG；利用预测残差构造代表性不确定性情景的方法），将预测需求与聚类后的预测残差代表偏差结合，构建紧凑情景集，并嵌入EMS双目标两阶段混合整数线性规划（two-stage mixed-integer linear programming, TS-MILP；第一阶段战略决策与第二阶段追索决策耦合）模型，联合考虑基地选址、车队规模与战略-战术层面计划性再部署；以葡萄牙EMS真实案例比较蒙特卡洛（Monte Carlo, MC）、Bootstrap抽样（Bootstrap Sampling, BS）和拉丁超立方抽样（Latin Hypercube Sampling, LHS）。结论是RSG在解质量上与传统方法可比，但情景数和计算量显著降低；车辆可用性不足会削弱系统绩效。其意义在于为随机规划提供可重复分析下更高效的情景构造途径，并为EMS容量规划提供管理启示。
关键技术方法（不超过250字）：研究使用葡萄牙EMS提供方INEM在里斯本地区2013—2018年的历史派遣数据，按车型和需求节点组织为月度时空需求；将数据分为A（2013—2014训练）、B（2015—2016验证）、C（2017—2018评估）三个两年子集。采用前馈神经网络预测各车型各节点月度派遣量，以MAE评价，并以残差作为RSG输入；用Shapiro–Wilk检验和概率密度/累积分布函数评估残差近似正态性。RSG以肘部法确定K-means簇数，聚类残差并以簇质心作为代表偏差，叠加到点预测并截断负需求，按残差分布积分计算情景概率。优化模型为双目标TS-MILP，用CPLEX求解；Pareto前沿采用Mavrotas的ε-约束实现，词典序与加权和用于多目标分析；MC、BS、LHS为基准，30个随机种子评估稳定性。
研究结果如下。5.1 评估情景生成方法的影响（Evaluating the impact of scenario generation methods）：研究人员先分析不同情景生成方法对规划解结构及权衡的影响，再在共同评估实例上检验实际绩效。5.1.1 基于不同情景生成方法的解（Solutions based on different scenario generation methods）：通过分别求解I
AB、I
B、I
BS、I
MC、I
LHS和I
RSG并生成Pareto前沿，发现基于预测需求的I
AB较基于简单历史数据的I
B成本更高且覆盖更低，部分源于预期需求下降；MC、BS和LHS的前沿相似，RSG前沿在覆盖与成本权衡上略好，但该比较需在共同评估集上验证。词典序优化显示，优先覆盖会导致开新基地和资源更分散，优先成本会导致关基地和资源更集中；b20与b27在多数实例中开放，其他基地选择随实例与方法变化。5.1.2 评估（Evaluation）：以评估实例I
C的确定性解Z
*为基线，将各方法所得解固定后在I
C上评价，发现仅依赖历史数据的Z
B最差，确定性预测Z
AB次弱；Z
MC、Z
BS和Z
LHS在两种偏好下达到与Z
*相同的覆盖，仅增加很小成本；Z
RSG覆盖相当，并在优先覆盖时成本略低。稳定性分析用30个随机种子表明，RSG不依赖随机过程而仅产生单一解，LHS与MC偏差较小，BS变异较大且出现离群值；计算量方面，RSG生成Pareto前沿所需时间约为其他方法的7%，显著减少情景数。5.2 评估EMS容量规划策略（Assessing EMS capacity planning strategies）：研究人员进一步分析计划性再部署与车辆可用性对规划的影响。5.2.1 含紧急车辆再部署的战略-战术规划（Strategic-tactical planning with relocation of emergency vehicles）：在I
C上对π
vt做敏感性分析，设置AEM为0—3次/月、AMBSIV为0—1次/月，VMER因法律要求固定；优先覆盖时，允许再部署不改变目标值，因为资源已较分散；优先成本时，允许AEM每月1次再部署可降低成本约�492,047（约9.5%），更多再部署收益递减且低于1.0%，AMBSIV再部署未显示类似收益。5.2.2 车辆不可用条件下的战略-战术规划（Strategic-tactical planning in vehicle unavailability conditions）：对ρ
v做敏感性分析，发现有效可用性低于80%时覆盖与成本开始变化；在70%可用性下，AEM影响最大，VMER次之，AMBSIV影响可忽略；车辆不可用超过30%（即ρ
v<70%）可能显著损害系统绩效。
讨论与结论部分可概括并翻译原文要点：研究人员指出，基于简单历史数据的容量规划劣于基于预测需求的规划，但确定性预测规划仍低于随机规划；随机规划结果接近最优，RSG与MC、BS、LHS总体相近，并在稳定性与计算量上表现更佳。即使仅有两年历史数据，也可获得预测性能可接受的模型。优化偏好显著影响空间策略：先覆盖后成本导致资源分散并开新基地，先成本后覆盖导致关基地并集中资源。次要敏感性分析表明，成本优先时有限计划性再部署可能有益；车辆不可用≥30%（ρ
v<70%）可能损害系统性能。原文管理启示包括：在需求不确定性下使用MC、BS、LHS和RSG生成情景可更真实建模未来并支持实践有效决策；RSG与传统方法结果相当但计算量显著更低且所需情景更少；成本优先时有限计划性再部署可能有益；覆盖优先导致资源更分散，成本优先导致资源更集中。局限包括：基于葡萄牙EMS单一案例（2013—2018），RSG依赖由历史数据建立的预测模型及历史派遣数据的代表性，不能直接用于缺乏历史时间序列的标准基准数据；不同车型情景独立生成，未显式表示车型间需求依赖；服务时间数据不足，未来将把服务时间作为第二类不确定性来源，并与其他战术/操作模型集成，拓展到金融和制造等数据场景。
