编者注：SCM 论文《基于机器学习和优化的资产管理建模》由 Carlos Rafavy 和 Justin Casey 撰写，由 Andrés Felipe Muñoz-Villamizar 博士指导。如需有关该研究的更多信息，请联系 MIT SCM 执行主任 Josué Velázquez Martínez 博士 ( [email protected] )。
我们的赞助公司是一家在美国各地设有分支机构的泵送设备供应商。其产品（特别是在租赁领域）是通用排水泵，设计用于建筑、市政、工业和应急响应行业。
该公司每周都会将排水泵从一个分公司重新分配到另一个分公司，以便更好 阿塞拜疆电子邮件列表 地安排出租设备。该公司花费了数百万美元来重新分配这些设备，因此正在寻找提高资产利用率的方法，确保在需要时提供合适类型的泵，而不会妨碍设备的移动性。
为了解决这个问题，我们采取了两种方法：开发一个复杂的需求预测模型和一个优化模型。
从本能转向数据驱动的决策
过去，该公司主要依靠直觉来做出分配决策。决策过程中缺乏统计需求预测或数学优化模型。我们着手通过开发集成决策工具来改变这种情况。
两个标准流程推动了我们在运营方面的研究：需求预测和运输优化。我们希望开发一个模型来准确预测需求，然后将其作为优化模型的输入。优化模型的目标是减少行驶距离。通过预测每个分支机构的需求，我们的赞助商可以主动定位他们的泵以满足客户需求。同时，优化模型将有助于最大限度地降低运输成本。
在研究了工业设备租赁和水利基础设施行业以及不同的机器学习和数学优化技术后，我们从四种机器学习算法中选择了一种用于需求预测。优化模型的主要约束与每个分支的需求和供应有关。
双模型解决方案
在项目的初始阶段，我们了解了公司产品的分布模式和间歇性需求性质。为了解决这个问题，我们创建了几个时间序列特征。在对每个预测算法进行多次迭代后，我们选择了前馈神经网络 (FNN) 进行需求预测。我们项目的最后一步是将 FNN 模型的预测纳入优化模型。