2025年11月12日至14日，数据驱动运筹学技术研讨会（DDTOR 2025）于香港中文大学（深圳）举行。本次会议是DDTOR（原“数据驱动排队挑战”）首次在亚洲举办。

研讨会汇集了来自运营管理、统计学、随机建模、数据科学与控制等领域的学者，3天期间吸引了近100名师生及业界人士现场参与。与会者就数据驱动运筹学的前沿议题进行交流，内容涵盖统计学习、随机优化、随机系统决策等多个方向。

当前，大型网络运营与服务系统管理中产生的数据，为相关研究提供了新的机会。本次会议旨在探讨数据驱动运筹学的未来方向，促进学界与业界的对话与合作。会议为参与者提供了深入的交流平台，并通过报告与讨论，分享了在学习、优化与随机系统推断等方面的研究进展。

扫码查看活动相册

会议由港中大（深圳）数据科学学院院长Guillermo Gallego教授作开场致辞，陈逸伦教授主持。

Gallego教授首先代表学院欢迎来自世界各地的与会者。他在致辞中谈到，人工智能的发展为运筹学注入了新的动力，同时推动了统计学、计算机科学与运筹学等领域之间的融合，并催生出新的研究模式与应用方向。在此背景下，本次会议的举办旨在探讨数据驱动运筹学在未来将如何发展，以及如何应对随之而来的科学与工程挑战。他也表示，希望借会议首次在亚洲举办之机，在深圳这座创新城市促进学者间的交流与合作，共同推动该领域向前发展。

Guillermo Gallego教授作开场致辞

陈逸伦教授主持

报告环节

本次研讨会汇聚了运筹学、统计学及相关领域的多位杰出学者，会议报告涵盖了一系列基础理论研究与落地应用成果，充分体现了数据驱动方法在推动运筹学前沿中的核心作用。

在基础理论层面，多位学者围绕随机逼近、多臂老虎机等智能决策算法，探讨了其在不同数据与决策环境下的性能与可靠性，深刻揭示了传统算法在现实场景中的局限性，并提出了更高效、更稳定的新方法。同时，另一些学者立足于传统应用概率与运筹学的研究范式，针对服务系统中需求端的自激发性，内生性以及耐心有限等复杂不确定性结构进行理论刻画，深化了我们对该类决策场景的理解。两类研究相互补充，共同构成了现代智能决策的理论基础。

在应用研究方面，多位学者聚焦平台运营、网络推理、国家公园管理等现实场景中的复杂决策问题，通过构建精准的运筹学模型，深入解析系统运行的内在规律，并将其与数据驱动方法深度融合，开发出更加高效的智能管理方案，从而实现系统性能的持续优化。这些研究充分彰显了数据驱动方法在理解与提升复杂系统效能方面的强大能力。

此外，本次研讨会的研究视野进一步拓展至人工智能等新兴领域，涵盖了大语言模型运行效率优化、生成模型的强化学习训练等前沿课题，展现出运筹学与人工智能技术的深度融合。

• Shubhada Agrawal（卡内基梅隆大学 / 印度科学研究所）："Concentration of Stochastic Approximation under Markovian Noise"
• Alessandro Arlotto（杜克大学）："Ballot Design and Electoral Outcomes: The Role of Candidate Order and Party Affiliation"
• 陈逸伦（香港中文大学（深圳））："The Side Effects of Adaptive Learning Algorithms"
• Andrew Daw（南加州大学）："Stopping Self-excitement"
• 高雪峰（香港中文大学）："Reward-directed Diffusion Models via Continuous-time Reinforcement Learning"
• John J. Hasenbein（德克萨斯大学奥斯汀分校）："Belief-driven Strategic Queueing Models"
• 洪桂毓（上海财经大学）："Learning When to Surge: Online Queue-based Pricing for Delay-sensitive Customers"
• 霍冬琰（香港科技大学）："Exploring the Operational Potential of Queue-ratio Policies in Multiclass Queueing Networks"
• Sandeep Juneja（阿育王大学）："Generating Samples from Exponentially Tilted Distributions via Diffusions"
• 刘伟亮（芝加哥大学布斯商学院）："Data-driven Matching for Impatient and Heterogeneous Demand and Supply"
• Michel Mandjes（莱顿大学）："Inference Problems in Stochastic Networks"
• Liron Ravner（海法大学）："Stochastic Approximation Algorithms for Regulating Queues with Strategic Customers"
• Patrick Rebeschini（牛津大学）："Optimal Sequential Inference and Decision Making: From Uniform A/B Testing to Gradient-Based Bandits"
• Cynthia Rush（哥伦比亚大学）："The Out-of-sample Prediction Error of the Square-root Lasso and Related Estimators"
• 司念（香港科技大学）："Evaluation of Queueing Scheduling and LLM Inference via Stability Conditions and A/B Tests"
• 许云贝（新加坡国立大学）："Finite-time Information-theoretic Bounds in Queueing Control"

• Galit Yom-Tov（以色列理工学院）："Optimizing Visitor Load at National Parks: Balancing Accessibility and Overcrowding through Online Reservation Systems"

   

交流讨论

会议为参与者提供了深入的交流平台，并通过专题报告与讨论，分享了在优化与随机系统推断等方面的最新研究成果。专家们围绕关键问题展开了积极交流与深入讨论，促进了思想碰撞与学术互动。