IJCAIMay, 2024

基于后验抽样的时变需求收入管理学习

PDF
TL;DR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。
revenue managementdemand distributionunknown demandepisodic generalizationposterior sampling
发现论文，激发创造
  • 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

    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）。

    Apr, 2023

  • 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

  • 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

  • 有限未知估值的动态定价

    本文提出了针对动态定价情况下买家分组的拍卖模型，通过对分布无关和分布相关情况进行分析，得到了买家估价分布的上下界，提出了一种上界近似算法，并给出了其退化情况的解法。

    Jul, 2018

  • 高维下的动态定价

    研究了一个销售大量产品的公司所面临的定价问题，提出了一种基于稀疏结构的动态策略，称为正则化最大似然定价，其能在 log T 的复杂度下最小化收益损失。

    Sep, 2016

  • 有限供应下的动态定价

    考虑具有有限供应的动态定价问题，研究非依赖事先信息的机制，与依赖事先信息的机制进行对比分析，最终利用多臂老虎机方法提出了可行的动态定价机制，该机制的收益与离线基准相差最多 O ((k log n)^(2/3))，在 k/n 足够小的情况下，该机制的表现可以被提高到 O (√k log n)。

    Aug, 2011

  • 有保证的受限强化学习中高效的探索：后验抽样即可

    基于后验抽样的算法在约束马尔可夫决策过程（CMDP）的无限时间不折扣设置中提供了近最优的遗憾界限，同时在实证上比现有算法更具优势。

    Sep, 2023

  • 贝叶斯劝服下的动态定价与学习

    该研究探讨在线广告和动态定价设计的问题，使用贝叶斯说服模型来研究信号对买家定价和购买决策的影响，提出了一种具有低后悔率的在线算法。

    Apr, 2023

  • 上下文动态定价：算法、优化和局部差分隐私约束

    研究了上下文动态定价问题，探讨了需求模型、遗憾上限的最优化和隐私保护对动态定价的影响。

    Jun, 2024

  • 元动态定价：实验间的迁移学习

    研究了一种元动态定价算法，在求解一系列拓普森抽样动态定价实验及学习一组相关产品的未知先验时，通过解决学习先验的纵向探索与绩效发挥的横向开发之间的平衡问题，以及适当扩大估计先验的函数来考虑先验估计误差，从而实现先验在线学习。与先前的方法不同，该算法的元后悔率在 $N$ 增长时次线性增长，对于实验丰富的环境（大 $N$），求解一个未知的先验的代价可以忽略不计。

    Feb, 2019