本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

Jun, 2023

本文提出了一个分布式鲁棒环境下的优化模型，其中 prescriptionness 系数代替了经典经验风险最小化目标来确定最大化上下文决策质量的政策，并使用双分方法求解模型，通过研究上下文最短路径问题来评估模型的鲁棒性。

Jun, 2023

本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

Apr, 2023

本文研究在观测数据驱动下的最优化问题，探讨了预测方法在定价等领域的限制，提出了一种新的因果效应目标优化的假设检验方法，并在利率设定数据中进行了实证研究。

May, 2016

本文阐述了数据科学中的预测性和规范性方法，提出了 Prescriptive Canvas 操作步骤，旨在帮助项目相关人员进行沟通和管理以实现业务的成功影响。

Jun, 2022

本文介绍了一种基于历史销售数据和机器学习算法，利用二次规划问题以及半定规划松弛的快速近似算法来解决价格优化问题，使得实际销售商品的利润最大化，实验结果表明该优化算法可以同时得出数百个商品的最优价格，并且将销售商品的总毛利润提高了 8.2% 左右。

May, 2016

研究人员提出了一种快速预测给定操作问题的战术解决方案的方法，并将其作为二阶最优预测随机程序来规范化问题，利用监督机器学习算法进行预测。与随机程序的样本平均逼近相比，深度学习算法在非常短的计算时间（毫秒或更短）内产生高度准确的预测。

Jan, 2019

我们提出了一个集成的预测 - 优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器 - 解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于 0.1%。我们将 PredOpt 与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt 对于需要立即且重复求解的动态 MIP 问题具有优势。

Nov, 2023

从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

Nov, 2023

通过结合预测性分析和指导性分析，本研究旨在评估不同的预测性和指导性分析方法对日益增长需求的医疗领域内运营挑战的贡献，并揭示在患者住院期间存在的真实世界的变化风险。

Nov, 2023