Dec, 2023

定价的因果预测

PDF
TL;DR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。
demand forecastingpricing contextcausal relationshipdouble machine learning methodologytransformer-based forecasting models
发现论文，激发创造
  • 采用冷因果需求预测模型减轻冷启动预测问题

    介绍了基于因果推断的深度学习模型用于提高多元时间序列数据冷启动问题的预测精度，并在 15 个谷歌数据中心的网络流量数据集上进行了实验，证明了该模型比现有的预测模型更为准确。

    Jun, 2023

  • 电商生鲜零售中的 Markdown：一种反事实预测和多期优化方法

    该论文提出了一种新的基于数据驱动和可解释的降价定价策略，使用半参数结构模型进行反事实预测和多期价格优化，并采用随机模型建立顺序定价策略。

    May, 2021

  • 零售需求预测：多元时间序列的比较研究

    准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

    Aug, 2023

  • 电力市场的因果建模和推断

    使用因果推断方法，研究了北欧电力价格和主要电力发电燃料价格的动态信息流动情况。发现 Nord 和 German 的电力价格在同时段通过天然气价格进行互联，在长期内则逐渐适应到英国天然气价格共同建立的均衡价格水平。

    Oct, 2011

  • 基于深度学习的预测：来自在线时尚业的案例研究

    通过深度学习等方法应对数据量大、不规则、目录更替频繁、固定库存假设等挑战，对在线时尚行业的需求预测问题进行建模分析，并展示了该方法合理有效的实证结果。

    May, 2023

  • 将预测模型与因果效应估计相结合

    本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。

    Apr, 2023

  • 使用循环神经网络和 Transformer 进行销售预测

    利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

    Apr, 2022

  • 基于可解释深度学习技术的在线广告成本预测：竞价竞争环境中的洞见

    本文研究使用多种时序预测方法，通过竞争对手 CPC 发展的时间序列聚类识别得出外部影响变量，建立多变量模型来预测在线广告市场日均点击成本。研究表明，这种预测广告成本的方法比仅基于广告主收集数据的模型更具优势。

    Feb, 2023

  • 基于贝叶斯层次概率的日内电力价格预测

    我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究，该研究充分考虑了参数不确定性，并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证，证明了在一些点度量和概率得分方面，相较于基于最后价格信息的基准模型，我们的预测模型有明显的改进。最后，我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准，表明正交匹配追踪（OMP）在预测性能方面更佳。

    Mar, 2024

  • 超越预测的优化：处方定价优化

    本文介绍了一种基于历史销售数据和机器学习算法，利用二次规划问题以及半定规划松弛的快速近似算法来解决价格优化问题，使得实际销售商品的利润最大化，实验结果表明该优化算法可以同时得出数百个商品的最优价格，并且将销售商品的总毛利润提高了 8.2% 左右。

    May, 2016