2025年5月19日，第五十七期『管理决策与数据科学研究团队』系列研讨会以ZOOM线上会议的形式顺利举行。研讨会由张宁威青年研究员主持，张哲教授进行了题为“解析、仿真与机器学习方法在随机服务系统运营研究中的比较分析”的分享，学院师生共30余人参加。

张哲在报告中系统梳理了当前随机服务系统研究中三类主流方法，包括解析模型（Analytical Models, AM）、仿真模型（Simulation Models, SM）和基于学习的模型（Learning-based Models, LM）的基本原理、适用条件及各自优劣势。为帮助参会者更直观地理解三种方法在实际研究中的应用，他结合一些具体研究，对每种方法的应用场景和特点进行了讲解。

在解析模型部分，他结合Erlang B与Erlang C公式，说明了如何基于服务渠道数、到达率与服务率等关键输入变量，计算系统阻塞概率等性能指标。他指出解析模型推导过程清晰，但需建立在较强的假设基础上，如到达服从泊松分布、服务时间服从指数分布、系统处于稳态等，这些条件在现实系统中往往难以完全满足。

在仿真模型部分，他展示了针对专科门诊场景的一项研究，基于患者到达与医生服务流程数据，通过模拟不同的排班方案，分析了医生工作负载与排班效率之间的权衡，为门诊排班优化提供了依据。相比之下，仿真模型能有效捕捉复杂动态、适应现实约束，具有更强的灵活性。

在基于学习的模型部分，分享了两个研究案例：一项研究利用印度某综合医院的电子病历数据预测门诊候诊时间，另一项研究则基于跨境交通数据预测美加边境的通关等待时间。两项研究均以真实数据为基础，利用随机森林和XGBoost等机器学习方法，实现了对不同服务场景中等待时间的预测。通过这两个研究案例，他指出，基于学习的模型在处理高维、多源、非结构化数据方面具有优势，尤其适用于难以建立明确数学模型的情景。

研讨会尾声，张哲指出三类模型在不同应用场景下各有优劣，建议同学们结合自身研究目标，合理选择研究工具。他强调，解析模型目前仍是顶级学术期刊的主流方法，尤其适合希望长期从事科学研究的同学深入学习，而仿真与机器学习模型则更贴近实际决策，适用于解决现实中的复杂问题。

『管理决策与数据科学研究团队』由我院萃英讲席教授张哲教授组建，致力于运用数学建模、计算机仿真、经验研究、实验研究及数据科学等定量研究方法解决管理实际问题和研究问题，主要研究方向包括运营与供应链管理、系统可靠性、双轨服务系统、创新创业管理等。团队系列研讨会每月举行一次，敬请关注学院主页，欢迎广大师生参与。