Appointment Scheduling with Multiple Providers and Stochastic Service Times
Notice bibliographique
Résumé
In many appointment scheduling systems with multiple providers, customers are assigned appointment times but they are not assigned a specific provider in advance – that is, customers can be seen by any available provider. This type of system is common in a variety of service sectors, such as healthcare, banking, and legal counseling. The majority of the existing literature assumes constant service times or does not consider customer no-shows, which are unrealistic assumptions in many situations. In this paper, we overcome this shortcoming by developing an appointment scheduling model that considers stochastic service times along with customer no-shows for multiple-provider systems with identical providers. The objective is to minimize the weighted sum of customers’ waiting time, and providers’ idle time and overtime. We model this problem as a time-inhomogeneous Discrete-Time Markov Chain process. We use analytical results to reduce the space of optimal schedule candidates, and we employ machine learning techniques to detect patterns among optimal or near-optimal schedules. We then develop an effective heuristic method which provides schedules that perform better than the ones generated by existing models. We test our heuristic both on simulated data and a real-world application. As the real-world application, we collaborate with a local counseling center to implement the schedules suggested by our method. Results from this field experiment reveal an average schedule cost reduction of 16% per day, with a maximum reduction of 40% per day.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».