无需需求预测的收益管理：一种基于数据驱动的出价生成方法

Apr, 2023

无需需求预测的收益管理：一种基于数据驱动的出价生成方法

Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation

Ezgi C. Eren, Zhaoyang Zhang, Jonas Rauch, Ravi Kumar, Royce Kallesen

TL;DR本论文提出了一种基于历史预订数据的数据驱动式收益管理方法，使用神经网络算法来预测投标价格估计值，以应对需求波动性和数据限制等挑战。经过模拟研究发现，相比于动态编程方法，该方法在应对需求规模变动方面表现更优秀，并在广泛的设置下保持近理论最优方法（小于 1% 的收入差距）。

Abstract

Traditional revenue management relies on long and stable historical data and predictable demand patterns. However, meeting those requirements is not always possible. Many industries face demand volatility on an o

revenue management demand volatility data-driven approach neural network algorithm simulation study

发现论文，激发创造

基于数据驱动的航空货运收益管理

本文介绍了一种面向空运货物行业的数据驱动的收入管理方法，通过模拟实验得出了独立生成重量和体积出价并将其相加进行价格优化的策略相较于其他方法能够获得超过 3% 的额外收入。

May, 2024

基于后验抽样的时变需求收入管理学习

本研究讨论了收益管理问题，通过定价商品或服务最大化收益。研究挑战之一是在真实应用中（如航空和零售行业）需求分布未知且随时间变化。为解决此问题，我们首先引入了一种基于典型应用场景的分段泛化收益管理问题，并提出了一种基于后验抽样的计算高效算法。我们推导了这种算法在需求参数可以在时间段之间相关的一般模型中的贝叶斯遗憾上界，同时推导了一种通用算法的遗憾下界。我们的实证研究表明，所提算法优于其他基准算法，并与事后最优策略具有可比性。我们还提出了所提算法的一种启发式修改，该修改在实验中进一步高效地学习定价策略。

May, 2024

基于数据驱动的需求响应在线互动竞标策略

本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

Feb, 2022

原始 - 对偶优化中的需求平衡用于盲目网络收入管理

本文提出了一个实际高效的算法，具有最优理论遗憾度，可解决具有未知非参数需求的经典网络收益管理问题。通过引入一种称为需求平衡的技术贡献，该算法在每个时间段内将原始解与另一个价格配对，以抵消资源库存约束上互补松弛度的违反，从而进一步提高原先结果的表现。数值实验与多种基准算法的比较进一步说明了我们算法的有效性。

Apr, 2024

商业建筑需求响应的高效数据驱动型 MPC

基于模型预测控制 (MPC) 的能源管理方法，通过数据驱动的途径和混合整数凸优化算法，实现对建筑物的热力学建模和需求响应，从而提高热舒适度、降低能耗和成本。

Jan, 2024

基于模型无关强化学习的广告展示的预算约束竞标

本研究提出一种基于强化学习的模型自由框架，将预算限制投标问题转化为马尔可夫决策过程，并采用深度神经网络学习适当的奖励 —— 从而优化决策策略 — 以在大规模真实数据集上执行 RTB 优化

Feb, 2018

用近似出价预测进行收入优化

本研究探讨广告拍卖问题，使用机器学习中预测平方损失的标准设置，将储备价优化问题进行了简化，首次形式上将收益与标准机器学习模型的质量联系起来

Jun, 2017

半参数动态情境定价

基于实时定价与上下文信息，本文提出了一种半参数模型，能够通过回归参数和残差分布来最大化收益，考虑到了细节特征。

Jan, 2019

使用 Spark 机器学习模型对航班票价数据进行预测分析

本论文通过利用 r2（确定系数）和 RMSE 研究了航班定价数据的预测性能和过程，结合了从 Expedia.com 获取的大型数据集，包含约 2000 万条记录或 4.68GB。该项目旨在确定在真实世界中用于预测美国境内直达航班机票价格的最佳模型。因此，良好的泛化能力和优化的处理时间是衡量模型的重要指标。通过特征重要性发现了关键业务洞见，并讨论了我们分析所使用的过程和工具。使用了四种回归机器学习算法：随机森林、梯度提升树、决策树和分解机，利用交叉验证和训练验证函数来评估性能和泛化能力。

Oct, 2023

定价的因果预测

本文提出了一种在定价环境中进行需求预测的新方法，通过建模价格作为需求的输入变量之间的因果关系，结合双机器学习方法和基于 Transformer 的预测模型。通过广泛的实证实验，在一个完全控制的设置中，我们证明了我们的方法通过合成但真实的数据更好地估计了因果效应。同时，我们展示了在真实世界数据中，我们的方法在离线策略设置（即定价策略发生变化时）中表现优于预测方法，只在在线策略设置中略有落后。

Dec, 2023