MétaCan
Menu
Retour à la cohorte
Enregistrement W4412021126 · doi:10.1287/msom.2022.0098

Waiting Time Prediction with Invisible Customers

2025· article· en· W4412021126 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueManufacturing & Service Operations Management · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAdvanced Queuing Theory Analysis
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceBusinessOperations managementMarketingOperations researchEconomicsMathematics

Résumé

récupéré en direct d'OpenAlex

Problem definition: Motivated by technological advances in real-time data collection about customers location in service systems, we study the effect of partial visibility of customers on waiting time prediction. We consider systems where the predictor observes only a subset of the customers interacting with the system while serving all customers indiscriminately. Methodology/results: We formulate a novel model of a partially visible queue and analyze the waiting time prediction problem, deriving a closed-form expression for the optimal prediction. This facilitates quantifying the performance loss of arbitrary prediction methods because of partial visibility and their inherent limitations (i.e., bias and variance). We compare the performance of a wide range of commonly used predictive methods and examine how partial visibility along with other system parameters affects their performance. We further extend these numerical analyses to queueing systems that exhibit characteristics that are common in practice and that were studied in the service operations literature. Managerial implications: Our analysis shows that the phenomenon of invisible customers profoundly impacts the ability to accurately predict waiting times and should, therefore, be considered an important factor in the development of prediction tools. Such tools cannot be effectively deployed if technological barriers or operational limitations prevent a sufficiently high level of data integrity. This work provides specific insights into the effectiveness of various commonly used prediction methods, some of which are shown to be highly sensitive to partial visibility and other queueing systems characteristics. Our findings suggest that machine learning methods that use carefully chosen features offer the most effective generic solution for waiting time prediction in the presence of invisible customers and explain the mechanisms through which partial visibility deteriorates the performance of prediction methods. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2022.0098 .

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,295
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,203
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle