CRIC-Net：一种面向决策的校准预测方法，用于资源受限服务系统中的稀疏用户级需求预测

《Expert Systems with Applications》：CRIC-Net: Decision-Oriented Calibrated Forecasting for Sparse User-Level Demand in Resource-Constrained Service Systems

　　摘要：在资源受限的服务系统中进行运营规划时，仅预测总体需求是不够的。决策者必须预判用户层面的需求是否会出现以及何时集中出现，因为即便平均需求处于适中水平，短暂的需求激增也可能导致短缺。当需求表现为由常规行为与有意图的行为在不同时间背景下混合产生的零星重复事件时，这一挑战尤为突出。因此，传统的序列模型在行为不确定的时期可能会过度自信，扭曲情景分布，并低估后续的运营风险。我们提出了CRIC-Net（日历感知的检索与意图校准网络），这是一种以决策为导向的校准预测框架，可用于模拟事件发生与首次事件发生时间的联合分布。CRIC-Net整合了基于日历的周期性检索以获取长期常规数据、多意图胶囊分解法以处理混合行为机制，以及基于熵的样本依赖型温度缩放方法以实现考虑不确定性的校准。通过共享电动自行车充电网络的真实数据，我们证明CRIC-Net提升了预测的区分度与概率可靠性。当该框架被嵌入到滚动样本平均近似维护规划体系中时，在相同预算下，校准后的预测分布能降低短缺率（0.571对比0.628）和标准化成本（0.873对比0.907）。这些结果表明，经过校准的用户层面概率预测可通过为后续决策提供更可靠的情景，从而改善对风险敏感的运营规划。首先，它检索与目标时期日历背景相匹配的长期历史数据。接着，它将用户行为分解为多个潜在意图及其混合比例。最后，它利用意图不确定性来调整预测分布的置信度。通过这种方式，该模型旨在在常规情况下保持高精度，而在模糊情况下则采取更为保守的态度。尽管完整的实证评估是在共享电动自行车充电维护领域进行的，但这些建模组件是为那些存在稀疏重复需求、且有相似的用户历史、日历背景以及后续资源分配决策的场景设计的。具体而言，CRIC-Net包含三个关键组成部分。首先，基于日历的周期性检索会寻找在语义和日历上与目标时期相似的长期历史数据，从而避免将常规行为简化为简单的周期性模式。其次，多意图胶囊分解机制能够明确表示各种潜在行为机制的共存与切换，比如日常通勤习惯和临时充电需求等。第三，一种基于意图不确定性的样本依赖型校准模块会根据推断出的意图混合体的模糊程度来调整预测概率，从而避免在情况复杂的案例中出现过度自信的预测。为了验证更准确的概率是否真的能带来实际运营价值，我们利用经过校准的联合分布生成蒙特卡洛场景，并在预算约束条件下通过样本平均近似法来解决随机维护规划问题（Kleywegt, Shapiro, Homem-de Mello, 2002; Shapiro, Dentcheva, Ruszczynski, 2021）。我们不仅评估了区分度和校准指标，还在滚动时域模拟中考察了后续的短缺情况和成本问题。本文的主要贡献有三点：•一种针对风险敏感型运营规划的基于用户层面的概率建模方法。我们将私人电动自行车充电问题视为关于下一时期事件发生及首个事件出现时间窗口的耦合预测问题，这一建模方式比基于总需求回归的方法更符合受限维护决策的需求。此外，当存在相似的用户层面事件历史和后续决策结构时，该方法还为稀疏重复服务系统提供了可迁移的建模思路。•一种针对混合行为的机制驱动型预测架构。我们提出了CRIC-Net，该架构结合了基于日历的周期性检索和多意图胶囊分解技术，从而能够捕捉同一用户的长周期行为规律、行为模式的混合特征以及行为模式之间的切换现象。•一种具有决策层面验证的、注重行为特征的校准方法。我们开发了一种基于意图不确定性的样本依赖型校准机制，用于降低对模糊案例的过度自信，同时证明了经过校准的分布能够通过降低短缺风险和运营成本，从而改善共享电动自行车充电维护场景下的随机维护规划效果。本文的其余部分结构如下：第2节回顾相关研究并总结现有研究的不足之处；第3节介绍数据分析及实证依据；第4节介绍CRIC-Net模型；第5节阐述实验设计；第6节报告实验结果与分析；第7节和第8节探讨管理意义并总结全文。