Robust personnel rostering: how accurate should absenteeism predictions be?

由于缺勤引起的人员名册中断通常需要对员工的工作时间进行临时调整。缓解这种变化影响的常见策略是将员工分配到备用班次：特殊的待命职责，员工可以在此期间被召唤来替代缺席的员工。为了最大程度提高名册的鲁棒性，我们采用了一个预测-优化的方法，利用机器学习模型的缺勤预测来安排足够数量的备用班次。在本文中，我们提出了一种评估预测-优化方法生成的名册鲁棒性的方法，假设机器学习模型将在预定的预测性能水平上进行预测。我们的方法不是训练和测试机器学习模型，而是基于模型性能的表征模拟预测。我们展示了如何应用这种方法来确定模型需要达到的最小性能水平，以超越简单的非数据驱动鲁棒排班策略。在一个护士排班问题的计算研究中，我们展示了预测-优化方法在合理的性能要求下优于非数据驱动策略，特别是当员工具有可互换的技能时。

本论文试图通过机器学习模型预测员工缺勤情况，从而生成更具鲁棒性的员工排班计划。论文的目标是提出一种方法来评估这种预测-优化方法生成的排班计划的鲁棒性。

论文提出了一种基于机器学习模型的预测-优化方法来生成员工排班计划，并通过模拟预测结果来评估该方法的鲁棒性。该方法可以帮助确定机器学习模型的最低性能水平，以实现优于传统排班策略的效果。

论文的实验使用了护士排班问题作为案例研究，并展示了预测-优化方法在模型性能要求合理的情况下，尤其是在员工具有可互换技能的情况下，优于传统排班策略。该方法可以在不需要训练和测试机器学习模型的情况下进行预测，并且对于模型的性能要求提供了定量的评估方法。

在类似的领域中，已经有很多相关研究。例如，有研究使用深度强化学习来生成员工排班计划。还有研究使用遗传算法和模拟退火算法等优化算法来解决排班问题。