針對庫存約束的動態定價的機器學習方法

2019-06-19 11:15:38 編輯：來源：

導讀 1933年，William R Thompson發表了一篇關于基于貝葉斯模型的算法的文章，該算法最終將被稱為Thompson樣本。這種啟發式在很大程度上被學

1933年，William R. Thompson發表了一篇關于基于貝葉斯模型的算法的文章，該算法最終將被稱為Thompson樣本。這種啟發式在很大程度上被學術界忽視，直到最近它成為激烈研究的主題，部分歸功于成功實施在線廣告展示的互聯網公司。

湯普森抽樣選擇行動來解決多臂匪徒問題中的勘探開發問題，以最大限度地提高績效并不斷學習，獲取新信息以改善未來績效。

在一項新研究中，“使用湯普森抽樣進行在線網絡收入管理”，麻省理工學院教授David Simchi-Levi及其團隊現已證明Thompson抽樣可用于收益管理問題，其中需求函數未知。

納入庫存限制

采用湯普森抽樣進行收益管理的主要挑戰是原始方法不包含庫存約束。然而，作者表明Thompson采樣可以自然地與經典的線性程序公式相結合，以包括庫存約束。

結果是動態定價算法結合了領域知識，具有很強的理論性能保證以及有前途的數值性能結果。

有趣的是，作者證明Thompson抽樣在不考慮領域知識的情況下表現不佳。

Simchi-Levi說：“令人興奮的是，湯姆森抽樣可以適應經典的線性程序公式，包括庫存限制，并且可以看出這種方法可以應用于一般的收益管理問題。”

行業應用可以提高收入

所提出的動態定價算法非常靈活，適用于各種行業，從航空公司和互聯網廣告一直到在線零售。

剛剛被運營研究期刊接受的這項新研究是Simchi-Levi的一項大型研究項目的一部分，該項目結合了機器學習和隨機優化，以提高收入，利潤和市場份額。

本研究流程中開發的算法已在諸如Groupon(日常做市商)，美國在線閃存銷售零售商Rue La La，拉丁美洲大型在線零售商B2W Digital以及大型釀酒公司等公司實施。 Simchi-Levi和他的團隊優化了公司在各種零售渠道的促銷和定價。

標簽：機器學習方法

免責聲明：本文由用戶上傳，如有侵權請聯系刪除！

本站除標明“本站原創”外所有信息均轉載自互聯網版權歸原作者所有。

郵箱：toplearningteam#gmail.com (請將#換成@)

<center id="kgcsy"></center>

欧美日韩激情电影,久久亚洲精品毛片,日日夜夜天天综合入口,亚洲激情六月丁香