Crucial to freight carriers is the tactical planning of the service network. The aim is to obtain a cyclic plan over a given tactical planning horizon that satisfies predicted demand at a minimum cost. A central input to the planning process is the periodic demand, that is, the demand expected to repeat in every period in the planning horizon. We focus on large-scale tactical planning problems that require deterministic models for computational tractability. The problem of estimating periodic demand in this setting broadly present in practice has hitherto been overlooked in the literature. We address this gap by formally introducing the periodic demand estimation problem and propose a two-step methodology: Based on time series forecasts obtained in the first step, we propose, in the second step, to solve a multilevel mathematical programming formulation whose solution is a periodic demand estimate that minimizes fixed costs, and variable costs incurred by adapting the tactical plan at an operational level. We report results in an extensive empirical study of a real large-scale application from the Canadian National Railway Company. We compare our periodic demand estimates to the approach commonly used in practice which simply consists in using the mean of the time series forecasts. The results clearly show the importance of the periodic demand estimation problem. Indeed, the planning costs exhibit an important variation over different periodic demand estimates, and using an estimate different from the mean forecast can lead to substantial cost reductions. For example, the costs associated with the period demand estimates based on forecasts were comparable to, or even better than those obtained using the mean of actual demand.


翻译:对货运承运人来说,关键的是服务网络的战术规划。目的是在某一战术规划范围内获得一个周期性计划,以最低成本满足预测的需求。对规划过程的核心投入是定期需求,即在规划的每个阶段预计会重复需求。我们注重大规模战术规划问题,需要确定计算可移植性模型。在这一背景下,迄今广泛实践的实践中忽视了定期需求估算问题。我们通过正式引入定期需求估算问题来弥补这一差距,并提出一个两步方法:根据第一步获得的时间序列预测,我们提议在第二步解决一个多层次的数学方案编制方案,其解决办法是定期需求估算,最大限度地减少固定费用,以及将战术计划调整到业务层面产生的可变费用。我们报告对加拿大国家铁路公司实际大规模应用的广泛经验研究的结果。我们将我们定期需求估算与通常采用的方法相比较,即仅使用时间序列预测的平均值,提出一种两步方法:根据时间序列预测得出的时间序列预测,我们建议,在第二个步骤中,我们建议解决一个多层次的数学方案编制方案制定方案,其解决办法是定期需求估算,将固定费用降至最低程度,并将战术计划费用调整后产生的可变数。我们报告对加拿大国家铁路公司实际需求进行广泛应用的定期需求估算的结果,从实际需求估算的计算得出了不同的估计,而采用不同的估计,而采用不同的估计,从实际成本为不同的估计,从实际成本,可以清楚地预测,从不同的估计,从不同的估计成本为不同的估计,可以比较为不同的估计,从不同的估计,而采用不同的估计,从不同的估计,从不同的估计,从不同的估计,可以比较为不同的计算出不同的估计,从不同的估计,从不同的估计,实际成本为不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计成本为不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,从不同的估计,甚至比比比比不同的估计成本为不同的估计,可以比不同的估计,从不同的估计,从不同的估计,从不同的估计费用,从不同的估计,从不同的估计,从

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
52+阅读 · 2020年9月7日
【Manning新书】现代Java实战,592页pdf
专知会员服务
99+阅读 · 2020年5月22日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
28+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
0+阅读 · 2021年7月7日
Asymmetrical Vertical Federated Learning
Arxiv
3+阅读 · 2020年6月11日
VIP会员
Top
微信扫码咨询专知VIP会员