Technische Samenvatting: Machine Learning-gebaseerde Voorspelling van Wachttijden voor Prioriteitswachtrijen

Probleemstelling

Het artikel behandelt de uitdaging van het voorspellen van transiënte wachttijden in multi-class prioriteitswachtrijen die opereren onder tijdvariërende omstandigheden. Hoewel de klassieke wachtrijtheorie exacte analytische resultaten biedt voor eenvoudige, stationaire systemen, bevatten real-world toepassingen (bijv. de gezondheidszorg, callcenters, logistiek) vaak niet-stationaire aankomstfrequenties, complexe servicetijdverdelingen en preëmptieregels. In dergelijke omgevingen hangt de wachttijd van een klant niet alleen af van de huidige wachtrijstatus, maar ook van toekomstige hoog-prioritaire aankomsten, wat analytische voorspelling bemoeilijkt.

De studie onderzoekt specifiek of machine learning (ML) modellen nauwkeurig wachttijden kunnen voorspellen met behulp van beperkte, operationeel observeerbare gegevens—specifiek de wachtrijlengte op het moment van aankomst en de prioriteitsklasse van de klant—zonder dat gedetailleerde kennis van onderliggende aankomstfrequentiefuncties of servicetijdverdelingen vereist is.

Methodologie

Datageneratie

De auteurs genereerden een synthetische dataset die 200 onafhankelijke dagen van een twee-klasse prioriteitswachtrij ($G(t)/G/1$) simuleert onder een tijdvariërende omgeving.

• Aankomstproces: Niet-stationaire aankomsten werden gemodelleerd met behulp van piecewise-homogene intervallen met Phase-Type (PH) verdelingen om variabiliteit te vangen die verder gaat dan eenvoudige exponentiële aannames.
• Service-discipline: Drie verschillende serviceregels werden gesimuleerd:
  1. Niet-preëmptief (Non-Preemptive): De service wordt ongehinderd voortgezet zodra deze is gestart.
  2. Preëmptief-herhalen (Preemptive-Repeat): Een aankomst met een hogere prioriteit onderbreekt een taak met een lagere prioriteit, waarbij de taak bij hervatting opnieuw moet beginnen vanaf het begin.
  3. Preëmptief-hervatten (Preemptive-Resume): Een aankomst met een hogere prioriteit onderbreekt een taak met een lagere prioriteit, waarbij de taak wordt hervat vanaf het punt van onderbreking.
• Kenmerken (Features): Twee feature-configuraties werden getest:
  1. Vier-kenmerken set: Aankomsttijd, inter-aankomsttijd, prioriteitsklasse en wachtrijlengte bij aankomst.
  2. Twee-kenmerken set: Prioriteitsklasse en wachtrijlengte bij aankomst alleen.

Geëvalueerde Modellen

Vijf machine learning modellen werden vergeleken:

1. Gradient Boosting Machine (GBM): Een standaard ensemble van beslissingsbomen.
2. Forced Priority-Split GBM (FS-GBM): Een variant waarbij de dataset hard wordt gesplitst op prioriteitsklasse voordat er aparte GBM-modellen worden getraind.
3. Random Forest (RF): Een standaard ensemble van gedecorreleerde beslissingsbomen.
4. Forced Priority-Split RF (FS-RF): Een variant met aparte RF-modellen die voor elke prioriteitsklasse zijn getraind.
5. Recurrent Neural Network (RNN): Een op LSTM gebaseerde architectuur ontworpen om temporele afhankelijkheden in de sequentie van klant-aankomsten binnen een dag te vangen.

Prestaties werden geëvalueerd met behulp van Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) en de coëfficiënt van determinatie ($R^2$).

Belangrijkste Bijdragen

• Verenigd Framework: De studie biedt een verenigd simulatieframework voor het genereren van transiënte data over niet-preëmptieve, preemptieve-repeat en preemptieve-resume disciplines met tijdvariërende aankomsten.
• Evaluatie van Prioriteitsbewuste Structuren: Het artikel test expliciet of het hard splitsen van data op prioriteitsklasse (FS-GBM, FS-RF) de voorspelling verbetert ten opzichte van standaardmodellen die prioriteit als een kenmerk behandelen.
• Haalbaarheid van Minimale Informatie: Het onderzoek toont aan dat nauwkeurige wachttijdvoorspelling haalbaar is met slechts twee inputs (wachtrijlengte en prioriteit), wat de aanname uitdaagt dat gedetailleerde systeemparameters noodzakelijk zijn voor datagedreven benaderingen.
• Vergelijkende Analyse: Het biedt een uitgebreide vergelijking tussen boom-gebaseerde ensembles en sequentie-gebaseerde deep learning modellen in de context van prioriteitswachtrijen.

Resultaten

Modelprestaties

• Superioriteit van RNN: Het Recurrent Neural Network (LSTM) behaalde consistent de hoogste nauwkeurigheid over alle drie de service-disciplines en beide feature-settings. Het toonde het vermogen om complexe temporele dynamiek te modelleren, met name in preemptieve settings waar onderbrekingen complexe afhankelijkheden creëren.
  • In de niet-preëmptieve setting (4 kenmerken) behaalde de RNN een $R^2$ van 0,987, vergeleken met ~0,94 voor de boom-gebaseerde modellen.
  • In de preemptieve-resume setting (het meest complexe scenario) behield de RNN een $R^2$ van 0,987, terwijl de boom-gebaseerde modellen daalden naar ~0,927.
• Stabiliteit van Boom-gebaseerde Modellen: GBM en Random Forest modellen boden stabiele en concurrerende prestaties, met name in niet-preëmptieve settings. Echter, zij vertoonden een verminderde nauwkeurigheid in preemptieve scenario's vergeleken met de RNN.
• Ineffectiviteit van Geforceerde Splitsing: De "Forced Priority-Split" varianten (FS-GBM en FS-RF) boden slechts marginale en inconsistente verbeteringen ten opzichte van hun standaard tegenhangers. De auteurs concluderen dat standaard boom-gebaseerde modellen al in staat zijn om impliciet prioriteit-specifieke nonlineariteiten te leren wanneer prioriteit als input-kenmerk wordt opgenomen, waardoor expliciete hard-splitting overbodig is.

Reductie van Kenmerken

Het reduceren van de input-kenmerken van vier naar twee (het verwijderen van aankomsttijd en inter-aankomsttijd) resulteerde in slechts een matige afname van de prestaties.

• De RNN behield een sterke voorspellende kracht, zelfs met minimale inputs, en behaalde een $R^2$ van 0,974 in de niet-preëmptieve case en 0,972 in de preemptieve-resume case met slechts twee kenmerken.
• Boom-gebaseerde modellen bleven ook stabiel, wat suggereert dat wachtrijlengte en prioriteit de meerderheid van de vereiste voorspellende informatie coderen.

Betekenis en Claims

Het artikel claimt dat machine learning, in het bijzonder sequentie-gebaseerde modellen zoals RNN's, een praktisch en krachtig alternatief biedt voor traditionele analytische methoden voor real-time wachttijdvoorspelling in prioriteitsgebaseerde servicesystemen.

• Praktische Inzetbaarheid: De bevinding dat nauwkeurige voorspellingen mogelijk zijn met enkel wachtrijlengte en prioriteit wordt benadrukt als een groot praktisch voordeel. In veel real-world systemen (bijv. ziekenhuizen, callcenters) zijn gedetailleerde aankomstfrequentiefuncties of serviceverdelingen onbekend of moeilijk te schatten, maar zijn wachtrijlengte en prioriteit gemakkelijk observeerbaar.
• Omgaan met Preëmptie: De studie demonstreert dat ML-modellen effectief de complexe effecten van preëmptie (zowel repeat als resume) kunnen vangen zonder de onderbrekingslogica expliciet te modelleren, een taak die analytisch uitdagend is.
• Modelselectie: Hoewel RNN's worden geïdentificeerd als de meest effectieve methode voor het vangen van temporele dynamiek in preemptieve systemen, worden boom-gebaseerde modellen gepresenteerd als betrouwbare, stabiele en computationeel efficiënte alternatieven, vooral wanneer interpreteerbaarheid of een eenvoudigere architectuur de voorkeur geniet.
• Beperkingen van Structurele Modificaties: Het artikel concludeert bescheiden dat het expliciet forceren van prioriteitssplitsingen de prestaties niet significant verbetert, wat suggereert dat moderne ensemble-methoden robuust genoeg zijn om door standaard feature-inclusie met prioriteitsheterogeniteit om te gaan.

De auteurs benadrukken dat hun werk de brug slaat tussen klassieke wachtrijtheorie en moderne datagedreven voorspelling, een framework dat geschikt is voor systemen met beperkte beschikbaarheid van data en dynamische operationele condities.