Feature-Driven Priority Queuing

doi:10.1287/opre.2024.0754

Feature-Driven Priority Queuing

2026-05-01

1

PRE

AI

DOI：10.1287/opre.2024.0754

原文链接

原文求助

摘要

En 中文

传统排队理论假设作业类型可以被完美观测，并将每个作业分配到特定类型的优先队列中——我们称这种方法为类型驱动的优先排队。我们研究了特征驱动的优先排队，其中类型无法观测，必须使用分类器从可观测特征中推断。我们考察了两种实现方式。第一种是“类型优先”方法，先从特征预测类型概率，然后将这些概率映射到优先队列中。第二种是“直接”方法，绕过类型预测，以端到端的方式将特征直接映射到优先队列中。两种实现中的分类器都可以使用带有类型（如疾病发现）的特征数据（如胸部X光片）进行训练，但我们训练直接分类器以最小化经验等待成本，而非类型预测误差。在类型优先方法中，类型分类器在第一阶段被优化并固定；队列分配随后被优化以最小化基于类型分类器输出分布计算的估计等待成本。然而，实际等待成本取决于底层特征分布。只有当分类器恢复贝叶斯后验时，估计等待成本才会收敛到实际等待成本——这一条件在多维设置中复杂且错误的模型很少满足。直接方法则优化直接从带有类型标签的特征计算的经验等待成本，确保收敛到实际等待成本，并产生系统上更好的队列分配。我们通过分析证明了这一优势，在可处理的示例中进行了演示，并在大规模模拟中得到了证实。在包含10万张胸部X光片和最先进深度学习分类器的实验中，直接方法显著降低了放射科医生的平均等待成本，这得益于其在分配优先级时能够同时捕捉延迟成本差异和有限特征可分性。

Keyword:

data-driven operations

priority queues

digital triage

feature-driven classification

Feature-Driven Priority Queuing

摘要

期刊

机构

引用论文