CN108629062A - 用于定价优化的方法、装置和系统 - Google Patents
用于定价优化的方法、装置和系统 Download PDFInfo
- Publication number
- CN108629062A CN108629062A CN201710184638.9A CN201710184638A CN108629062A CN 108629062 A CN108629062 A CN 108629062A CN 201710184638 A CN201710184638 A CN 201710184638A CN 108629062 A CN108629062 A CN 108629062A
- Authority
- CN
- China
- Prior art keywords
- price
- model
- data
- optimization
- causal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000005094 computer simulation Methods 0.000 claims abstract description 32
- 230000001364 causal effect Effects 0.000 claims description 49
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用于定价优化的方法、装置和系统。根据本公开的用于定价优化的方法包括基于与产品定价相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型；以及基于所述数据生成模型执行定价优化，以确定最优定价方案。在本公开的实施方式中，能够真实地还原数据的生成过程，减少与定价过程无关的因素，因而获得最后定价方案更加准确，并能够增强客户认可度。
Description
技术领域
本公开涉及过程挖掘技术领域，更特别地涉及一种基于过程挖掘技术的定价优化的方法以及定价优化的装置。
背景技术
过程挖掘技术是当下的一个热点研究问题。过程挖掘技术可以在各个领域得到广泛应用，诸如产品质量控制、客户满意度分析、基因工程等。根据数据的特点和应用问题的不同，已经提出了各种不同的过程挖掘模型。
定价优化是产品零售领域的一类重要应用问题，该技术致力于为客户提供最优产品定价或定价策略，从而最大化用户的销售额或收益。在产品定价领域，传统的定价方法是通过经营者的经验/直觉进行定价，即根据管理者多年的销售经验及主观的市场分析，来决定产品价格。很显然，此类方法极大程度依赖于决策者个人的能力。此外，还有一些产品或者研究是基于A/B测试来生成定价策略，即将实验产品分成两个组，分别采用不同的定价策略A和定价策略B，并通过一段时间的实验，根据实验结果来选出两个定价策略中最优的定价策略；或者基于渐进式的实验，逐步地优化定价策略。
近年来，在传统定价的方法基础之上，还提出了一种基于预测技术的预测型产品定价优化方法和系统。根据该定价优化技术，将首先基于对历史销售及环境数据的学习来预测产品的销售量，然后基于预测结果来构建优化模型，并通过最优化求解来获得最优定价方案。
然而，由于预测模型本身可能会引入一些无关因素，丢失一些真实真正原因，因而会导致获得次优优化策略；另一方面，由于产品销售过程的不可重复性，即无法在现实环境下同步测试多种定价方案，因而如何增强客户的认可度也是一个亟待解决的问题。
发明内容
有鉴于此，本公开提出了一种用于定价优化的方法、装置和系统，以至少部分上消除或者缓解现有技术中的问题。
根据本公开的第一方面，提供了一种用于定价优化的方法。该方法可以包括：基于与产品定价相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型；以及，基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。
根据本公开的第一方面的实施方式，所述基于与产品定价相关的特征执行仿真建模可以进一步包括：基于与产品定价相关的特征以及专家知识来构建因果模型；以及针对构建的因果模型，在专家知识的指导下执行因果推理，以进行模型结构和参数学习。
根据本公开的第一方面的另一实施方式，所述基于与产品定价相关的特征执行仿真建模可以进一步包括：接收动态输入的专家领域知识；以及基于所述专家领域知识，更新构建的因果模型以优化因果模型的结构和参数。
根据本公开的第一方面的再一实施方式，所述方法还可以包括：基于所述专家领域知识，识别已有专家知识中所存在的冲突，并执行知识冲突消解。
根据本公开的第一方面的又一实施方式，所述方法还可以包括：针对所述专家知识执行格式转换，以便允许在构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。
根据本公开的第一方面的另一实施方式，所述方法还可以包括：基于所述数据生成模型，利用销量预测技术，生成销量预测式；以及其中所述基于与所述数据生成模型相关的信息执行定价优化可以进一步包括：基于所生成的销量预测式来执行定价优化。
根据本公开的第一方面的再一实施方式，所述方法可以进一步包括：从待处理数据中提取与所述产品定价相关的特征。
根据本公开的第一方面的又一实施方式，基于与所述数据生成模型相关的信息执行定价优化可以包括：基于与所述数据生成模型相关的信息、优化目标和实际约束条件来构建优化模型；以及基于所述优化模型，求解优化问题，以得到所述最优定价方案。
根据本公开的第二方面，提供了一种用于定价优化的装置。该装置可以包括：仿真建模模块，用于基于与产品价格相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型；以及定价优化模块，用于基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。
根据本公开的第二方面的一个实施方式，所述仿真建模模块可以进一步包括：因果建模子模块，用于基于与产品价格相关的特征以及专家知识来构建因果模型；以及因果推理子模块，用于针对构建的因果模型，在专家知识的指导下执行因果推理，以进行模型结构和参数学习。
根据本公开的第二方面的另一实施方式，所述仿真建模模块可以进一步包括接口子模块，用于以下各项其中至少一个：接收动态输入的专家领域知识；提供对已有专家知识的访问；以及基于所述专家领域知识，更新所构建的因果模型以使其含有所输入的专家领域知识。
根据本公开的第二方面的再一实施方式，所述仿真建模模块还可以包括：知识处理子模块，用于基于所述专家领域知识，识别已有专家知识中所存在的冲突，并执行冲突知识消解。
根据本公开的第二方面的又一实施方式，所述仿真建模模块还可以包括：知识处理子模块，用于针对所述专家知识执行格式转换，以便允许在构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。
根据本公开的第二方面的另一实施方式，所述装置可以进一步包括：销量预测模块，用于基于所述数据生成模型，利用销量预测技术，生成销量预测式；以及其中，所述定价优化模可以块进一步被配置为：基于所生成的销量预测式来执行定价优化。
根据本公开的第二方面的再一实施方式，所述装置可以进一步包括：特征提取模块，从待处理数据中提取与所述产品价格相关的特征。
根据本公开的第二方面的又一实施方式，所述定价优化模型可以进一步被配置为：基于与所述数据生成模型相关的信息、优化目标和实际约束条件来构建优化模型；基于所述优化模型，求解优化问题，以得到所述最优定价方案。
根据本公开的第二方面的再一实施方式，所述装置可以进一步包括下述各项其中至少一个：特征数据库，用于存储与产品价格相关的特征；模型数据库，用于存储所述数据生成模型；以及知识数据库，用于存储专家知识。
根据本公开的第三方面，提供了一种用于定价优化的系统，所述系统可以包括：处理器和存储器，其中存储了至少一个或多个指令，当所述指令在所述处理器上被执行时，促使所述处理器执行根据本公开的第一方面所述的方法的步骤。
根据本公开的第四方面，提供了一种计算程序产品，其上包括有计算机程序代码，当被加载到计算机设备中时，其可以使得该计算机设备执行根据本公开的第一方面的方法的步骤。
在本公开的实施方式中，能够真实地还原数据的生成过程，减少与定价过程无关的因素，因而获得最后定价方案更加准确，能够增强客户认可度。在优选的实施方式中，还可以通过主动学习技术，增加与用户的交互，获得并集成专家知识，这样在获得更加准确的数据生成模型的同时，还能进一步增加用户的认可度。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开的附图中相同的标号表示相同或相似的部件。在附图中：
图1示意性地示出了的用于定价优化的方法的一个流程图；
图2示意性地示出了根据本公开的一个实施方式的用于定价优化的流程图；
图3示意性地示出了根据本公开的一个实施方式的仿真建模方法的流程图；
图4示意性地示出了根据本公开的一个实施方式的用于定价优化的装置的示意图；
图5示意性地示出了根据本公开的一个实施方式的仿真建模模块的示意图；以及
图6示意性地示出了根据本公开的一个实施方式的用于定价优化的系统的示意图。
具体实施方式
在下文中，将参考附图详细描述本公开的各个示例性实施方式。应当注意，这些附图和描述涉及的仅仅是作为示例的优选实施方式。可以应该指出的是，根据随后的描述，很容易设想出此处公开的结构和方法的替换实施方式，并且可以在不脱离本公开要求保护的公开的原理的情况下使用这些替代实施方式。
应当理解，给出这些示例性实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。此外在附图中，出于说明的目的，将可选的步骤、模块、模块等以虚线框示出。
在此使用的术语“包括”、“包含”及类似术语应该被理解为是开放性的术语，即“包括/包含但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
在详细描述在本公开中提出的优化定价方案之前，将首先参考图1来描述一个已有优化定价策略，其中图1示出了一种基于销量预测的最优定价优化策略的示意图。
如图1所示，首先在步骤101，从数据库中获取作为原始数据的训练数据D，对其进行数据预处理，例如执行数据清洗、集成等。在步骤102，利用特征提取模型对预处理后的数据执行特征提取，以得到与产品定价相关的特征X＝{x1,…xn}，例如{价格，销量，天气，温度，销量，节日…}等与定价相关的因素。然后在步骤103，基于销量预测模型来执行销量预测，进而得到销量预测式Y＝BX+C；最后在步骤104，借助于定价优化模型max f(x,y)S.t.gi(x),i＝1,…,K，基于生成的销量预测式，在约束条件的限制下，执行价格优化过程，进而得到最优定价方案(例如，{P1＝5,P2＝7,…}，从而呈现给用户。
基于当前的预测型优化技术，基于预测模型获得的预测式能够很好的拟合产品销售量，然而发明人注意到其同时可能会引入一些被错误认为会导致销量变化的无关因素，或者丢失一些真正的原因,继而导致优化模块不能生成最优的定价策略。另一方面，该方案生成的定价策略将直接用于指导定价，而由于产品销售过程的不可重复性，如何增强客户的认可度也是一个亟待解决的问题。
为此，在本公开的实施方式中，提供了一种新的定价预测方法、装置和系统。根据本公开的实施方式，提议采用仿真建模技术基于通过特征提取而获得的特征进行仿真建模，以得到能够描述特征之间的关系的数据生成模型，并进一步地基于生成的数据生成模型来执行定价优化。鉴于数据生成模型能够反映出特征之间的关系，还原数据生成过程，因而其能够协同定价优化技术而构建出最优的定价策略。
在下文中，将参考图2至图6来描述根据本公开的定价预测方法、装置和系统。然而，需要说明的是，这些描述仅仅出于说明的目的，本公开并不局限于这些实施方式和附图中的细节。
图2示意性地示出了根据本公开的一个实施方式的用于定价优化的流程图的示意图。如图2所示，首先在步骤201，基于与产品价格相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型。
可以设置一个特征数据库，用于存储与产品定价相关的特征。可以从特征数据库中获取与产品价格相关的特征(诸如天气、温度、湿度等)。在根据本发明的一些实施方式中，这些数据例如可以是第三方通过对原始的大量原始训练数据执行数据预处理(例如对原始数据的集成、规约、降噪等预处理)和特征提取而获得特征数据。在根据本发明的另外一些实施方式中，在执行定价优化的方法中本身也可以借助于数据预处理技术，对原始训练数据执行预处理，并借助特征提取技术，对经过预处理后的数据执行特征提取，以获得与产品价格相关的特征数据。
然后，可以基于获取的产品价格相关特征利用仿真模型进行仿真建模，以建立描述特征之间的关系的数据生成模型。仿真建模模型可以采取有向无环图结构G的形式。关于仿真建模的细节，将在下文中将参考图3进行详细描述。
接下来，将参考图3来描述仿真建模的方法，其中图3示意性地示出了根据本公开的一个实施方式的仿真建模方法的流程图。
如图3所示，首先可选地在步骤301，针对存储在专家知识库中的专家知识执行格式转换，以便允许在随后的构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。存储在知识库中的专家知识的格式可能存在不适于仿真建模使用的情况，此时可以考虑通过格式转换方法，将知识库中存储的专家知识转换成符合仿真建模的要求的格式，例如将文本信息转换成矩阵、向量等。这样，就可以允许不同格式的专家知识能够应用于仿真建模过程。
接着，在步骤302，基于与产品价格相关的特征以及专家知识来构建因果模型。首先，例如可以从存储与产品定价相关特征的特征数据库中获取与产品价格相关的特征变量，这些特征变量包括诸如温度、湿度等的外部特征变量、诸如产品价格等的控制特征变量和诸如产品销量、销售利润等目标特征变量。并且还可以进一步获得专家知识，例如经过步骤301转换过的专家知识或者存储在专家知识库中的无需转换的专家知识。基于这些信息，构建因果模型。所使用的因果模型可以包括多种因果模型。例如，因果模型例如可以包括线性非高斯无环模型LiNGAM模型，其例如可以表示为：
X＝(I-B)-1E,X∈RD×N,B∈RD×D,E∈RD×N 等式(1)
其中X指示描述所有特征变量的观测样本矩阵，B指示特征变量关系矩阵，I指示单位矩阵，D指示特征的维度，N为样本总数，E指示各个特征的噪音且E＝[e1；…；eD]，各个噪音ei∈RN(i＝1,….D)之间独立且服从非高斯分布。
作为另一示例，也可以采用贝叶斯网络模型，其例如可以表示为：
其中X指示描述所有特征变量的观测样本矩阵，p(X)指示所有特征变量的联合概率分布，xi指示描述第i个特征变量的观测样本向量，parent(xi)表示贝叶斯网络中特征变量xi的父节点集合，p(xi|parent(xi))指示特征变量xi在条件parent(xi)下的概率分布。
接下来，可以基于因果建模子模块构建的因果模型，在专家知识的指导下，由因果推理子模块进行模型结构和参数的学习。
针对LiNGAM模型，学习B和E，其中B可以转换成一个有向无环图G。可用的推理算法包括很多种，例如Direct_LiNGAM,ICA-LiNGAM推理算法等。而针对贝叶斯网络模型，学习网络结构和概率参数，可用的推理算法包括例如A*Lasso、MMHC等。
这样最终就可以得到描述特征之间的关系的数据生成模型。该数据生成模型例如可以通过接口子模块(例如人机交互子模块)来向用户展示，这使得用户能够更好的理解产品销量受到哪些因素影响以及他们的具体作用的过程。
在根据本发明的另外实施方式中，用户还可以通过例如接口子模块(例如，人机交互子模块)来动态地输入专家领域知识。因而，因果建模子模块和因果推理子模块可以接收动态输入的专家领域知识，并且可以基于所述专家领域知识，更新构建的因果模型，从而得到更优化的因果模型结构和参数。此外，还可以支持用户编辑，即支持用户向计算机反馈其所具有的领域知识。具体实现例如可以是支持用户向计算机反馈其所具有的领域知识。在另外一个具体实现中，例如是支持用户对有向无环图的编辑(添加/删除图的边或者路径)，用文本、语音等形式输入专家领域知识等。
在根据本发明的其他实施方式中，还可以进一步基于用户输入的领域知识(专家知识)，发现新输入的专家知识与专家知识库中已有的知识之间存在的冲突，并消解存在的知识冲突，进而保证知识库中所有知识的一致性。
通过例如图3中的仿真建模方法，可以得到用以描述特征之间的关系的数据生成模型，例如有向无环图G。接着，可以基于该数据生成模型实行随后的定价优化操作。现在将返回图2，继续描述根据本公开的一个实施方式的定价优化方法。
如图2所示，接着，可选地在步骤202，基于所述数据生成模型，利用销量预测技术生成销量预测式。例如，可以基于在步骤201中得到的有向无环图，利用例如回归分析技术，生成每种产品的销量预测式Y＝f(XG),其中XG是有向无环图G中描述产品销量Y的节点的所有父节点。
然后在步骤203，基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。具体地，可以基于所获得的销量预测式Y＝f(XG)、优化目标(例如利润最大化、销售额最大化等)以及实际的约束条件(例如销售价格不低于进货价格的1.05倍，且不高于进货价格的1.3倍等)，构建定价优化模型，并利用优化处理方法(例如，线性规划、二值二次规划、混整规划等)来求解优化问题，以获得最优的定价策略。
在本公开的实施方式中，能够真实地还原数据的生成过程，减少与定价过程无关的因素，因而使获得的最后定价方案更加准确，能够增强客户认可度。在优选的实施方式中，还可以通过主动学习技术，增加与用户的交互，获得并集成专家知识，这样在获得更加准确的数据生成模型的同时，还能进一步增加用户的认可度。
需要说明的是，上面描述的步骤202是可选步骤，也可以在没有该步骤202的情况下，直接基于在步骤201生成的数据生成模型来构建优化模型。这是因为数据生成模型中已经包括了用于定价优化的基本信息。而进一步地，销量预测使得在获得特征变量关系的前提下，对产品销量的拟合更准确，获得更加精确的优化模型。
此外，需要说明的是，尽管在上面的描述中，将该定价优化方法描述为直接从构建仿真模型开始，但是实际上该方法中也可以包括诸如数据预处理、特征提取等步骤。也就是说，在定价优化中，所采用的特征库可以是第三方数据库，也可以在该定价优化方法中进行预处理和特征提取而得到特征数据。
关于基于销量预测式构建优化模型，可以采用任何已有的技术来实现，此处不再赘述。而在基于数据生成模型来构建优化模型时，可以将数据之间的关系作为构建优化模型时的条件。在这种情况下的构建优化模型的操作，本领域技术人员同样可以采用任何已有的方式来实现。
图4还示意性地示出了根据本公开的一个实施方式的用于定价优化的装置的示意图。如图4所示，该装置400包括仿真建模模块410和定价优化模块420。仿真建模模块410可以被配置用于基于与产品价格相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型。定价优化模块420可以被配置用于基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。
在根据本公开的一个实施方式中，该装置400还可以进一步包括销量预测模块430，用于基于所述数据生成模型，利用销量预测技术，生成销量预测式。在这种情况下，所述定价优化模块420可以进一步被配置为基于所生成的销量预测式来执行定价优化。
在根据本公开的另一实施方式中，该装置400还可以进一步包括特征提取模块440，其被配置为从待处理数据中提取与所述产品价格相关的特征。
在根据本公开的再一实施方式中，所述定价优化模型420可以进一步被配置为：基于与所述数据生成模型相关的信息、优化目标和实际约束条件来构建优化模型；基于所述优化模型，求解优化问题，以得到所述最优定价方案。
在根据本公开的又一实施方式中，所述装置400还可以进一步包括特征数据库460、模型数据库470和知识数据库480其中至少一个。特征数据库460被配置用于存储与产品价格相关的特征。所述模型数据库470被配置用于存储所述数据生成模型。知识数据库480被配置用于存储专家知识。
图5还详细示出了根据本公开的一个实施方式的仿真建模模块的示意图。如图5所示，所述仿真建模模块410进一步包括：因果建模子模块4101以及因果推理子模块4102。所述因果建模子模块4101可以被配置用于基于与产品价格相关的特征以及专家知识来构建因果模型。所述因果推理子模块4102被配置用于针对构建的因果模型，在专家知识的指导下执行因果推理，以进行模型结构和参数学习。
在根据本公开的另一实施方式中，所述仿真建模模块410还可以进一步包括接口子模块4103，其被配置用于以下各项其中至少一个：接收动态输入的专家领域知识；提供对已有专家知识的访问；以及基于所述专家领域知识，更新所构建的因果模型以使其含有所输入的专家领域知识。
在根据本公开的再一实施方式中，所述仿真建模模块410还包括：知识处理子模块4103，用于基于所述专家领域知识，识别已有专家知识中所存在的冲突，并执行冲突知识消解。
根据本公开的再一实施方式中，所述仿真建模模块410还包括知识处理子模块4104。该知识处理子模块4104，用于针对所述专家知识执行格式转换，以便允许在构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。
图6示意性地示出了根据本公开的一个实施方式的用于定价优化的系统的示意图。下面，将参考图6来描述可以实现本发明的定价优化的系统。
图6中所示的计算机系统包括CPU(中央处理单元)601、RAM(随机存取存储器)602、ROM(只读存储器)603、系统总线604、硬盘控制器605、键盘控制器606、串行接口控制器607、并行接口控制器608、显示器控制器609、硬盘610、键盘611、串行外部设备612、并行外部设备613和显示器614。在这些部件中，与系统总线604相连的有CPU 601、RAM 602、ROM 603、硬盘控制器605、键盘控制器606、串行接口控制器607、并行接口控制器608和显示器控制器609。硬盘610与硬盘控制器605相连，键盘611与键盘控制器606相连，串行外部设备612与串行接口控制器607相连，并行外部设备613与并行接口控制器608相连，以及显示器614与显示器控制器609相连。在存储器中可以存储一个或多个代码，所述代码在被所述计算机执行时，指示所述CPU执行在本公开的实施方式中提出的方法的步骤。
需要说明的是，图6所述的结构方框图仅仅为了示例的目的而示出的，并非是对本发明的限制。在一些情况下，可以根据需要添加或者减少其中的一些设备。
此外，本发明的实施方式可以以软件、硬件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。
本领域的普通技术人员可以理解上述的方法和装置可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD－ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供这样的代码。
本实施方式的装置及其组件可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
虽然已经参考目前考虑到的实施方式描述了本发明，但应该理解本发明不限于所公开的实施方式。相反，本发明旨在涵盖所附权利要求书的精神和范围内所包括的各种修改和等同布置。所附权利要求书的范围符合最广泛解释，以包含所有这样的修改及等同结构和功能。
Claims (18)
1.一种用于定价优化的方法，包括：
基于与产品定价相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型；以及
基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。
2.根据权利要求1所述的方法，其中所述基于与产品定价相关的特征执行仿真建模进一步包括：
基于与产品定价相关的特征以及专家知识来构建因果模型；以及
针对构建的因果模型，在专家知识的指导下执行因果推理，以进行模型结构和参数学习。
3.根据权利要求2所述的方法，其中所述基于与产品定价相关的特征执行仿真建模进一步包括：
接收动态输入的专家领域知识；以及
基于所述专家领域知识，更新构建的因果模型以优化因果模型的结构和参数。
4.根据权利要求3所述的方法，包括：
基于所述专家领域知识，识别已有专家知识中所存在的冲突，并执行知识冲突消解。
5.根据权利要求2所述的方法，还包括，
针对所述专家知识执行格式转换，以便允许在构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。
6.根据权利要求1-5其中任一项所述的方法，进一步包括：
基于所述数据生成模型，利用销量预测技术，生成销量预测式；以及
其中所述基于与所述数据生成模型相关的信息执行定价优化进一步包括：
基于所生成的销量预测式来执行定价优化。
7.根据权利要求1-5其中任一项所述的方法，进一步包括：
从待处理数据中提取与所述产品定价相关的特征。
8.根据权利要求1-5其中任一项所述的方法，其中基于与所述数据生成模型相关的信息执行定价优化包括：
基于与所述数据生成模型相关的信息、优化目标和实际约束条件来构建优化模型；以及
基于所述优化模型，求解优化问题，以得到所述最优定价方案。
9.一种用于定价优化的装置，包括：
仿真建模模块，用于基于与产品价格相关的特征执行仿真建模，以建立描述特征之间的关系的数据生成模型；以及
定价优化模块，用于基于与所述数据生成模型相关的信息执行定价优化，以确定最优定价方案。
10.根据权利要求9所述的装置，其中所述仿真建模模块进一步包括：
因果建模子模块，用于基于与产品价格相关的特征以及专家知识来构建因果模型；以及
因果推理子模块，用于针对构建的因果模型，在专家知识的指导下执行因果推理，以进行模型结构和参数学习。
11.根据权利要求10所述的装置，其中所述仿真建模模块进一步包括接口子模块，用于以下各项其中至少一个：
接收动态输入的专家领域知识；
提供对已有专家知识的访问；以及
基于所述专家领域知识，更新所构建的因果模型以使其含有所输入的专家领域知识。
12.根据权利要求11所述的装置，其中所述仿真建模模块还包括：
知识处理子模块，用于基于所述专家领域知识，识别已有专家知识中所存在的冲突，并执行冲突知识消解。
13.根据权利要求10所述的装置，其中所述仿真建模模块还包括：
知识处理子模块，用于针对所述专家知识执行格式转换，以便允许在构建因果模型和执行因果推理其中至少一个期间使用所述专家知识。
14.根据权利要求9-13其中任一项所述的装置，进一步包括：
销量预测模块，用于基于所述数据生成模型，利用销量预测技术，生成销量预测式；以及
其中所述定价优化模块进一步被配置为：
基于所生成的销量预测式来执行定价优化。
15.根据权利要求9-13其中任一项所述的装置，进一步包括：
特征提取模块，从待处理数据中提取与所述产品价格相关的特征。
16.根据权利要求9-13其中任一项所述的装置，其中所述定价优化模型进一步被配置为：
基于与所述数据生成模型相关的信息、优化目标和实际约束条件来构建优化模型；
基于所述优化模型，求解优化问题，以得到所述最优定价方案。
17.根据权利要求9-13其中任一项所述的装置，进一步包括下述各项其中至少一个：
特征数据库，用于存储与产品价格相关的特征；
模型数据库，用于存储所述数据生成模型；以及
知识数据库，用于存储专家知识。
18.一种用于定价优化的系统，包括
处理器，以及
存储器，其中存储了至少一个或多个指令，当所述指令在所述处理器上被执行时，促使所述处理器执行根据权利要求1-8所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710184638.9A CN108629062A (zh) | 2017-03-24 | 2017-03-24 | 用于定价优化的方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710184638.9A CN108629062A (zh) | 2017-03-24 | 2017-03-24 | 用于定价优化的方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629062A true CN108629062A (zh) | 2018-10-09 |
Family
ID=63707924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710184638.9A Pending CN108629062A (zh) | 2017-03-24 | 2017-03-24 | 用于定价优化的方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629062A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
| GB2609904A (en) * | 2021-08-05 | 2023-02-22 | Impulse Innovations Ltd | Systems and methods for generating a structural model architecture |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020116348A1 (en) * | 2000-05-19 | 2002-08-22 | Phillips Robert L. | Dynamic pricing system |
| US20080221949A1 (en) * | 2007-03-05 | 2008-09-11 | Delurgio Phillip D | System and Method for Updating Forecast Model |
| CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客（北京）科技有限公司 | 一种网络动态定价方法和系统 |
-
2017
- 2017-03-24 CN CN201710184638.9A patent/CN108629062A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020116348A1 (en) * | 2000-05-19 | 2002-08-22 | Phillips Robert L. | Dynamic pricing system |
| US20080221949A1 (en) * | 2007-03-05 | 2008-09-11 | Delurgio Phillip D | System and Method for Updating Forecast Model |
| CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客（北京）科技有限公司 | 一种网络动态定价方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 汪雅倩;朱家明: "基于需求学习法的邮轮动态定价策略", 兰州文理学院学报(自然科学版), vol. 30, no. 4, 10 July 2016 (2016-07-10), pages 22 - 26 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI718809B (zh) * | 2019-12-16 | 2021-02-11 | 財團法人工業技術研究院 | 收益預測方法、收益預測系統及圖案化使用者介面 |
| GB2609904A (en) * | 2021-08-05 | 2023-02-22 | Impulse Innovations Ltd | Systems and methods for generating a structural model architecture |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Davenport | From analytics to artificial intelligence | |
| Relich et al. | A case-based reasoning approach to cost estimation of new product development | |
| Wauters et al. | A nearest neighbour extension to project duration forecasting with artificial intelligence | |
| Kotu et al. | Predictive analytics and data mining: concepts and practice with rapidminer | |
| JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
| Kahraman et al. | Intelligence decision systems in enterprise information management | |
| Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
| CA3131688A1 (en) | Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions | |
| Talagala et al. | FFORMPP: Feature-based forecast model performance prediction | |
| CN111459898A (zh) | 机器学习方法、计算机可读记录介质以及机器学习设备 | |
| Buyuktepe et al. | Food fraud detection using explainable artificial intelligence | |
| Sampath et al. | A generalized decision support framework for large‐scale project portfolio decisions | |
| Dehuri et al. | A condensed polynomial neural network for classification using swarm intelligence | |
| Wang et al. | Dichotomic pattern mining with applications to intent prediction from semi-structured clickstream datasets | |
| Wang et al. | Applying optimized BPN to a chaotic time series problem | |
| KR20180123826A (ko) | 이종 분류 간 상품분류의 대응관계 생성시스템 | |
| CN108629062A (zh) | 用于定价优化的方法、装置和系统 | |
| Zuluaga Ortiz et al. | Efficiency analysis trees as a tool to analyze the quality of university education | |
| Kumari et al. | Retail forecasting using neural network and data mining technique: a review and reflection | |
| Jones et al. | The Unsupervised Learning Workshop: Get started with unsupervised learning algorithms and simplify your unorganized data to help make future predictions | |
| Ceran et al. | Prediction of software quality with Machine Learning-Based ensemble methods | |
| Shrivastava et al. | Machine learning technique for product classification in ecommerce data using Microsoft Azure Cloud | |
| Trivedi | Machine Learning Fundamental Concepts | |
| Baykasoğlu | Gene expression programming based meta-modelling approach to production line design | |
| Zhen et al. | A structured modelling approach to simulating dynamic behaviours in complex organisations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |