Queueing Causal Models: Comparative Analytics in Queueing Systems
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.
Notice bibliographique
Résumé
Problem definition: Much of the focus of queueing theory (QT) is on performance evaluation that supports comparative analytics—that is, comparing performance measures under different interventions. However, closed-form queueing models are very sensitive to assumptions. We develop a data-driven Structural Causal Queueing Model (SCQM)—a form of structural causal models that automatically adapts to the data-generating process of queueing systems, finds causal relations, and supports comparative analytics. Numerical experiments show that the accuracy of SCQM is competitive with QT, even for examples where analytical queueing solutions are available. Methodology: We employ structural causal modeling methodology that uses queueing-relevant features to develop a simulator that replicates the system’s data-generating process without requiring prior knowledge of its dynamics. We apply Machine Learning models for identifying the parent sets and causal relations. We then provide intervention analysis using Monte Carlo simulation. Managerial implications: We use queueing knowledge to develop an accurate self-adapting data-driven performance evaluator for congested systems that requires no prior knowledge of the system dynamics. Using this method, companies can perform comparative analytics of interventions for queueing systems that may not be analytically solvable. History: This paper was selected as part of the 1RR initiative between M&SOM and the MSOM Society. This paper was part of the 2024 MSOM Service Operations Service Management Special Interest Group Conference. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2024.1515 .
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 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle