CN109643401A - 即将到期库存的需求预测 - Google Patents

即将到期库存的需求预测 Download PDF

Info

Publication number
CN109643401A
CN109643401A CN201780053058.4A CN201780053058A CN109643401A CN 109643401 A CN109643401 A CN 109643401A CN 201780053058 A CN201780053058 A CN 201780053058A CN 109643401 A CN109643401 A CN 109643401A
Authority
CN
China
Prior art keywords
manager
price
list
inventory
expire
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
Application number
CN201780053058.4A
Other languages
English (en)
Inventor
Y·H·叶
张力
C·佩利卡诺
叶鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Airbnb Inc
Original Assignee
Airbnb Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Airbnb Inc filed Critical Airbnb Inc
Publication of CN109643401A publication Critical patent/CN109643401A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开包括用于基于即将到期库存的价格来预测需求的方法。在线系统提供即将到期库存的管理者与多个客户之间的连接。在线系统为在线系统的客户提供用于管理者的即将到期库存的列表。管理者指定列表中即将到期库存的价格，并且被提供由在线系统生成的价格提示。需求函数基于列表和即将到期库存的特征来预测针对即将到期库存的需求。管理者选项函数预测管理者接受价格提示的可能性。在线系统使用需求函数和管理者选项函数来创建蒙特卡洛定价模型，以向管理者提供针对列表的价格提示。

Description

即将到期库存的需求预测
技术领域
本申请总体涉及机器学习模型和数据分析在即将到期库存背景下的使用，并且特别涉及将训练标签分配给与即将到期库存相关的机器学习样本数据。
背景技术
在针对商品或服务的典型交易中，控制或拥有商品的管理者设定商品的价格，并等待感兴趣的一方同意支付所提出的价格。管理者经常无法正确地定价商品，但由于市场信息不完整以及其他经济因素，有人可能会最终同意支付价格。但是，定价即将到期库存是一项更具挑战性的工作，因为如果库存未能在到期之前售出，则会浪费库存而管理者不会收到任何收入。因此，即将到期库存的管理者很容易对库存定价过高，冒着因到期而损失收入的风险，或者对库存定价过低，在使用良好的情况下收益欠佳。此外，针对即将到期库存的理想或期望市场清算价格可能会随着库存接近其到期日期而变化。这些因素的组合使得即将到期库存的管理者难以对其库存进行最佳定价。
发明内容
在线系统使得管理者能够为即将到期库存创建列表，并使客户能够提交交易请求以预定、租赁或购买列出的即将到期库存。在线系统估计对即将到期库存列表的需求，并估计管理者在一定价格范围内定价列表的可能性。在线系统定义描述即将到期库存、相关列表以及即将到期库存市场的特征集。这些描述特征集是针对列表的特征向量。在线系统通过将该列表的特征向量输入需求函数，来估计对列表的需求。在线系统通过将特征向量输入管理者选项函数，来估计管理者定价列表的可能性。根据实施例，用于需求函数的特征向量可以包括来自管理者选项函数的不同特征集。此外，除描述列表的特征之外，管理者选项函数还可以包括描述管理者的特征。
需求函数包括针对特征向量中每个特征的特征模型，其中特征向量中的每个特征与特征模型相关联。需求函数可以是广义相加模型，其对特征模型求和以生成需求估计。在线系统可以使用训练数据训练需求函数，其中来自训练数据的每个样本包括二元标签和特征向量，二元标签描述列表中的即将到期库存是否在到期之前收到来自客户的交易请求，特征向量描述每个样本时间处的即将到期库存列表。在线系统可以收集用于单个列表的多个样本，其中每个样本对应于即将到期库存到期之前的时间段内即将到期库存列表的特征。
管理者选项模型与需求模型类似地被创建。特征向量中的每个特征具有关联特征模型，并且这些特征模型可以使用广义相加模型进行组合以生成与管理者将选择以通过系统提供的提示、以给出的价格来定价即将到期库存的可能性相关联的接受估计。虽然两个函数的特征可能重叠，但这两个函数使用不同的训练数据和训练标签。用于具有正标签的管理者选项函数的训练数据的每个样本对应于管理者过去为接收到交易的即将到期列表设定的价格。用于管理者选项函数的负训练数据在管理者设定的最低价格与0价格之间随机生成。
然后，在线系统使用可能性模型将需求估计转换为从客户收到交易请求的可能性。在线系统使用单独可能性模型将接受估计转换为管理者以给定价格定价列表的可能性。然后，在线系统可以为即将到期库存的管理者创建价格提示。在线系统通过生成大于或小于即将到期库存当前价格的测试价格集计算价格提示。然后，在线系统将即将到期库存列表的修改特征向量输入需求函数，每个修改特征向量具有不同的测试价格。利用相同的过程生成用于管理者选项模型的多个测试价格和修改特征向量。需求函数和管理者选项函数均生成测试需求估计集和测试接受估计集，在线系统使用可能性模型将其转换为测试可能性集。
在线系统可以基于由可能性函数生成的数据点拟合函数，每个数据点包括测试可能性和产生测试可能性的相应测试价格。拟合为需求函数数据点的函数表示价格范围及其所导致的收到交易请求的预测可能性。拟合为管理者选项函数数据点的函数表示价格范围及其所导致的管理者以该价格接受价格提示的预测可能性。然后，将两个可能性与价格函数进行组合，以创建累积可能性函数。然后，在线系统使用累积可能性函数来创建价格提示。
附图说明
图1是根据一个实施例，包括在线系统的计算环境的框图，在线系统使得即将到期库存可以预订。
图2是根据一个实施例的在线系统的逻辑部件的框图。
图3A-3C是示出根据一个实施例的定价模块的部件和操作的图。
图4A-4D示出根据一个实施例，用于需求函数的定价模块所使用的训练数据的标签逻辑。
图5A示出根据一个实施例，用于存储需求函数的定价模块所使用的训练数据的示例存储。
图5B示出根据一个实施例，用于存储管理者选项函数的定价模块所使用的训练数据的示例存储。
图6示出根据一个实施例的特征模型。
图7A-7B示出根据一个实施例的示例需求特征模型。
图7C-7D示出根据一个实施例的示例管理者选项模型。
图8A示出根据一个实施例，定价模块所使用的需求可能性模型。
图8B示出根据一个实施例，定价模块所使用的管理者选项可能性模型。
图9A-9C示出根据一个实施例，为列表创建需求模型的过程。
图9D-9F示出根据一个实施例，为列表创建管理者选项模型的过程。
图10示出根据一个实施例，为列表创建蒙特卡洛定价模型。
图11是根据一个实施例的灵活定价策略的概念图。
附图仅出于说明性目的描绘本发明的各种实施例。从以下讨论中，本领域技术人员将容易地认识到，可以在不脱离本文所述的本发明原则的情况下采用本文所述结构和方法的替代实施例。
具体实施方式
I.系统总览
图1是根据一个实施例，包括在线系统的计算环境的框图，在线系统用于提供即将到期库存以便购买、租赁、出租、预定等。网络109表示交易的一方(本文中称为客户102A)与交易的另一方(本文中称为管理者102B)之间的通信途径。
为了清楚地说明，客户包括价值的潜在购买者、租客、承租人、持有预定的客户或考虑以任何形式交换即将到期库存的任意其它方。为了清楚地说明，管理者包括即将到期库存物品的卖家、房东和代表房东管理财产的财产所有者、出租人、管理库存预订的人(如售票员或餐厅或酒店预订人员)，或接收(以任何形式)交换即将到期库存的考虑的任意其它方。根据正在交易的即将到期库存的类型，可以出售、租赁、预定即将到期库存等。为了解释地说明，这些不同类型的交易在本文中被称为“预订”以提供用于整套可能交易类型的统一便利术语。
在线系统111包括一个或多个计算设备，并且跨越网络109耦合与客户和管理者相关联的计算设备101，以允许客户和管理者通过网络109虚拟地进行交互。在一个实施例中，网络是因特网。网络还可以利用不一定是因特网一部分的专用或私用通信链路(如广域网(WAN)、城域网(MAN)或局域网(LAN))。网络使用标准通信技术和/或协议。
客户和管理者使用计算设备101与在线系统113交互。计算设备101执行操作系统，例如，与Microsoft Windows兼容的操作系统(OS)、Apple OS X或iOS、Linux发行版或Google的Android OS。在一些实施例中，客户设备101可以使用诸如Microsoft InternetExplorer、Mozilla Firefox、Google Chrome、Apple Safari和/或Opera等网络浏览器113作为用户友好图形界面，用于与在线系统111交互。在其它实施例中，计算设备101可以执行用于访问在线系统111的专用软件应用程序。
在线系统111为客户和管理者提供计算平台，以经由其计算设备101进行交互以交易即将到期库存。在线系统111可以支持，例如，餐厅用餐在线系统(或任意其它类型的在线系统，如飞机或火车座位在线系统、酒店在线系统或日间水疗在线系统)、乘车共享(拼车)在线系统、住宿在线系统等。
在线系统111为管理者提供创建即将到期库存列表的能力。可以为即将到期库存中的每个单独实例创建列表，例如，由航空公司在线系统提供的每个航班的每架飞机上的每个座位。替代地，可以不考虑时间为特定库存创建列表，然后，可以在时间单位已经过去后按照到期的时间单位对列表进行交易。在这种情况下，列表对于即将到期库存集来说是共用的，库存集中的每个即将到期库存物品与另一物品的区别仅在于交易时间/日期范围不同。例如，对于房地产租赁系统，列表可以用于特定公寓或公寓楼，客户和管理者可以按照与该公寓或公寓楼相关联的不同时间单位(如日期)进行交易。
一般地，虽然不是必须的，但每个列表将具有与列表相关联的关联现实世界地理位置。其可以是租赁财产的位置，或者预定餐厅的位置，并且可能是待预定的特定桌子。在线系统111进一步向管理者提供在线软件工具，以帮助管理者管理列表，其中包括提供关于列表的实际需求和预测需求的信息，以及使管理者获得可以进行选择以用于提高特定列表的利用率和/或收入的信息的提示。
在线系统为客户提供搜索列表的能力、就可能的交易与管理者进行通信、正式或非正式地请求发生交易(例如，提出要约)，并实际执行针对列表的交易(例如，购买、租赁、预定)。在线系统111包括下述附加部件和模块。
II.在线系统
图2是根据一个实施例的在线系统111的逻辑部件的框图。在线系统111包括前端服务器201、客户模块203、管理者模块205、列表模块207、搜索模块209、交易模块211、定价模块213和数据库250。本领域技术人员将进一步理解，在线系统111还可以包括本文未描述的不同和其它模块。此外，未示出诸如防火墙、认证系统、支付处理系统、网络管理工具、负载平衡器等常规元件，因为它们不直接与本文描述的主题相关。
在线系统111可以使用单个计算设备或计算设备的网络来实现，包括基于云的计算机实现。计算设备优选为服务器类计算机，包括一个或多个高性能计算机处理器和随机存取存储器，并且运行诸如LINUX或其变体等操作系统。如本文所述的在线系统111的操作可以通过硬件或计算机程序进行控制，计算机程序安装在诸如固态驱动器或磁存储设备等非瞬时计算机可读存储设备中，并且由处理器执行以执行本文描述的功能。使用非瞬时计算机可读存储设备和用于数据访问和检索的适当数据库管理系统实现数据库250。在线系统111包括本文描述的操作所需的其它硬件元件，包括网络接口和协议、用于数据输入的输入设备，以及用于显示、打印或其它数据呈现的输出设备。另外，这里列出的操作必须以下述频率在下述规模的大数据集上执行：必须由计算机执行以在商业上有效的时间内执行，因此，不能在任意有效实施例中通过人类大脑中的心理步骤执行。
数据库250包括客户数据存储251、管理者数据存储252、列表数据存储253、查询数据存储254、交易数据存储255和训练数据存储256。本领域技术人员应当理解，这些数据存储不是通用数据库的组成部分，并且数据库250可以包含此处未明确提及的其它数据存储。可以使用任意适当数据库管理系统实现数据库，如MySQL、PostgreSQL、Microsoft SQLServer、Oracle、SAP、IBM DB2等。
前端服务器201包括客户和管理者计算设备101用于与在线系统111通信的程序代码，并且是用于该做法的一种手段。前端服务器201可以包括托管经由超文本传输协议(HTTP)可访问的一个或多个网站的网络服务器，使得诸如网络浏览器软件应用程序等用户代理可以向在线系统发送命令并从在线系统接收数据，网络浏览器软件应用程序可以安装在计算设备101上。前端服务器201还可以实现应用程序编程接口(API)，其允许安装在计算设备101上的软件应用程序调用API以向在线系统发送命令并从在线系统接收数据。前端服务器201进一步包括程序代码，用于将命令和数据路由至在线系统111的其它组件以执行本文描述的过程并相应地响应计算设备101。
II.A客户和管理者
客户模块203包括程序代码，该程序代码允许客户管理其与在线系统111的交互，并执行可以由在线系统111的其它组件请求的客户相关信息的处理逻辑，并且是用于该做法的一种手段。在在线系统111中，每个客户由具有唯一客户ID和客户配置文件的单个客户对象表示，唯一客户ID和客户配置文件均存储在客户存储251中。客户配置文件包括多个客户相关属性字段，其可以包括配置文件图片和/或其它标识信息、地理位置和客户日历。客户模块203为客户提供用于建立和修改其客户配置文件的代码。在线系统111允许每个客户与多个管理者通信。在线系统111允许客户与管理者交流通信、请求交易和交易。
客户的地理位置是客户的当前位置(例如，基于其计算设备101提供的信息)，或其手动输入的家庭地址、社区、城市、州或居住国家。客户位置可以用于过滤与特定客户相关的即将到期库存的搜索条件或分配默认语言首选项。
管理者模块205包括程序代码，该程序代码提供允许管理者利用在线系统111管理其交互和列表的用户界面，并且执行可以由在线系统111的其它组件请求的管理者相关信息的处理逻辑，并且是用于该做法的一种手段。在在线系统111中，每个管理者由具有唯一管理者ID和管理者配置文件的单个管理者对象表示，唯一管理者ID和管理者配置文件均存储在管理者存储252中。管理者配置文件与管理者拥有或管理的一个或多个列表相关联，并且包括多个管理者属性，包括交易请求和由管理者管理的每个列表的列表日历集。管理者模块205为管理者提供用于代码，以建立和修改其管理者配置文件和列表。在线系统111的用户可以是管理者和客户。在这种情况下，用户将在客户存储251和管理者存储252中具有配置文件条目，并且由客户对象和管理者对象两者表示。在线系统111允许管理者与客户交流通信、回应交易请求和交易。
作为部分客户或管理者配置文件包含在内，或为了进行交易而传输的的任何个人识别信息都经过加密，以保护用户隐私和安全。例如，在完成交易，管理者授予住宿访问权并且客户完成该访问权的支付之后，交易信息被加密并作为历史交易信息存储在数据库250中。
II.B列表
列表模块207包括程序代码，用于管理者将即将到期库存列表以供客户预订，并且是用于该做法的一种手段。列表模块207配置为从管理者接收描述所提供库存的列表、包括开始日期、结束日期、开始时间和结束时间在内中的一个或多个的可用性时间框架、价格、地理位置、表征库存位置的图像和描述以及任意其它相关信息。例如，对于住宿在线系统，列表包括住宿类型(例如，住宅、公寓、房间、睡眠空间等)、住宿大小的表示(例如，建筑面积或房间编号)、住宿可用日期和价格(例如，每晚、每周、每月等)。列表模块207允许用户包括关于库存的附加信息，如视频、照片及其它媒体。
在线系统中，每个列表由列表对象表示，列表对象包括由管理者提供的列表信息和唯一列表ID，两者均存储在列表存储253中。每个列表对象还与提供列表的管理者的管理者对象相关联。
具体地，对于列表的地理位置来说，该位置与识别所提供列表的完整地址、社区、城市和/或国家的列表相关联。列表模块207还能够使用外部可用地理地图信息将一种类型的位置信息(例如，邮寄地址)转换为另一类型的位置信息(例如，国家、州、城市和社区)。
具体地，对于列表的价格来说，该价格是客户完成库存交易需要支付的金额。价格可以指定为一次性费用，或每天、每周、每天、每月和/或每季，或由管理者指定的其它时间间隔的金额。另外，价格可以包括附加费用，如住宿库存来说，清洁费、宠物费、服务费和税费。
每个列表对象都具有关联列表日历。列表日历存储由管理者指定或自动确定(例如，通过日历导入过程)的时间段内每个时间间隔的列表可用性(每个时间间隔可以视为即将到期库存的独立项)。也就是说，管理者访问列表的列表日历，并手动指示该列表可供客户交易的时间间隔、哪些时间间隔被管理者阻止为不可用，以及哪些时间间隔已经由客户交易。此外，列表日历通过识别由客户预订、被阻止或可用的过去时间间隔，继续存储关于列表可用性的历史信息。此外，列表日历可以包括日历规则，例如，库存允许的最小和最大夜晚数。来自每个列表日历的信息存储在列表253中。
II.C搜索、请求和交易
搜索模块209包括程序代码，该程序代码配置为从客户接收输入搜索查询并返回与输入查询匹配的即将到期库存集和/或列表，并且是用于执行该功能的一种手段。搜索查询被保存为由在线系统113存储在查询存储254中的查询对象。查询可以包括搜索位置、期望开始时间/日期、期望持续时间、期望列表类型和期望价格范围，并且还可以包括列表的其它期望属性。潜在客户不需要提供上面列出的查询的所有参数即可从搜索模块209接收结果。搜索模块209响应于所提交的查询来提供满足所提交查询的参数的即将到期库存集和/或列表。在线系统111还可以允许客户在不提交搜索查询的情况下浏览列表，在这种情况下，所记录的观看数据将仅指示客户已经查看了特定列表而没有来自所提交搜索查询的任何进一步细节。在客户提供选择即将到期库存/列表的输入以更仔细地检查可能的交易时，搜索模块209记录指示客户查看哪个库存/列表的选择/查看数据。该信息也存储在查询数据存储254中。
交易模块211包括程序代码，该程序代码配置为使客户能够提交合同交易请求(也称正式请求)以交易即将到期库存，并且是用于执行该功能的一种手段。在操作中，交易模块211从客户接收交易请求以交易即将到期库存物品，例如，特定管理者提供的列表的特定日期范围。交易请求可以是由客户发送的标准化请求表，其可以通过管理者对请求的响应(接受或拒绝收到的请求表)进行修改，从而在管理者与客户之间达成一致条款。对收到的请求的修改可以包括，例如，更改日期、价格或时间/日期范围(因此，有效地更改正在交易的即将到期库存)。标准化表可以要求客户记录开始时间/日期、持续时间(或结束时间)，或接受无需进一步沟通而形成约束必须包含的任意其它细节。
交易模块211从客户接收填写的表格，并将包括预订参数的完成请求表格呈现给与列表相关联的管理者。管理员可以接受请求、拒绝请求，或提供修改一个或多个参数的建议替代方案。如果管理者接受请求(或者如果客户接受建议的替代方案)，则交易模块211更新与请求和即将到期库存相关联的接受状态以指示该请求被接受。客户日历和列表日历也会更新，以反映即将到期库存在特定时间间隔已经交易。然后，本文中未具体描述的其它模块允许客户完成支付，并且管理者接收支付。
交易存储254存储由客户发出的请求，并且是用于执行该功能的一种手段。每个请求都由请求对象表示。请求可以包括时间戳、请求开始时间，以及请求持续时间或预定结束时间。由于管理者接受预订是与客户签订的具有合同约束力的协议，管理者将在指定时间向客户提供即将到期库存，所以管理者需要批准此类协议的所有信息均包含在请求中。管理者对请求的响应包括指示接受或拒绝的值和时间戳。
交易模块211还可以向管理者和客户提供交换非正式请求以进行交易的能力。如果接受非正式请求，其不足以对客户或管理者形成约束，并且就内容而言，可以不同于仅仅关于库存可用性的通信和一般查询，以及仅仅不满足在线系统111针对正式交易请求提出的任何特定要求的请求。交易模块211还可以在交易存储254中存储非正式请求，因为非正式请求和正式请求均提供关于即将到期库存需求的有用信息。
定价模块213将在下文中结合图3进行描述。
III.需求预测
III.A概述
图3A示出根据一个实施例的定价模块的部件和操作的流程图。为了为列表创建价格提示，定价模块213必须以许多潜在价格来估计需求和接受的可能性。表示列表的管理者接受给定价格的列表的可能性的模型和函数成为“管理者选项”模型和函数，因为其估计列表的管理者进行选择、接受或不接受由系统111通过价格提示指示的价格定价列表来提供的价格提示的可能性。
为了预测在线系统111中的即将到期库存的需求和接受情况，定价模块213使用一系列模型和函数，包括多个需求特征模型305、管理者选项特征模型、需求函数300、管理者选项函数303、需求可能性模型310、管理者选项可能性模型315、需求定价模型320、管理者选项定价模型325和蒙特卡洛定价模型327。
定价模块213使用从训练存储256中检索到的训练数据集来训练需求特征模型305。特征模型305用作需求函数300的一部分，以确定与列表存储223中的列表相关联的即将到期库存的需求估计。实际上，需求估计可以是无单位数值，但是，需求可能性模型310可以用需求估计来确定给定即将到期库存在到期之前收到交易请求的可能性。需求定价模型320可以利用模型310生成的可能性来预测即将到期库存以各种不同的测试价格收到交易请求的可能性，并进而提供关于价格(或来自特征模型305的任意其它特征)的变化将如何改变到期库存在到期之前收到交易请求的可能性的信息。
定价模块213对定价算法的管理者选项组件使用类似的过程。定价模块213用管理者选项训练数据来训练管理者选项特征模型307，然后将其用作管理者选项函数303的一部分。管理者选项函数303提供关于列表的管理者是否愿意以给定价格和给定特征向量定价列表的无单位估计。然后，管理者选项可能性模型315将管理者选项函数303的输出转换为可能性值。然后，管理者选项定价模型325可以预测管理者将以许多不同的测试价格接受列表的价格提示的可能性。这提供了关于价格提示的变化如何影响管理者接受价格提示的决策的信息。
然后，定价模块213从需求定价模型320和管理者选项定价模型325创建蒙特卡洛定价模型327。蒙特卡洛需求模型327组合两种模型以确定可能使列表收到交易请求并且列表的管理者可能接受的价格提示。
定价模块213对来自关联列表的个别即将到期库存的数据进行操作，其中，列表在列表存储223中用多个特征表示。为了预测需求，定价模块213聚合地分析多个此类库存，并且需求分析的聚合水平可以根据实施方式而变化。例如，需求预测可以是系统范围的，从而分析在线系统111上所有列表中的所有数据。替代地，可以单独分析更小的数据组。例如，在线住宿系统可以单独分析芝加哥大都市区的所有预定列表、肯塔基州的所有预定列表，或国家公园附近一定范围内所有列表的预期需求。然后，这些本地化需求估计用于预测这些特定区域的需求。同样的过程也用于预测管理者是否会选择接受价格提示的选项，从而选择以提示中包含的价格对列表进行定价。
在讨论特征时，m表示描述列表的特征的数量，各个特征用f1、f2、f3……fm表示，并且列表的所有特征集由特征向量f表示。给定列表的任意给定特征的值可以是诸如整数、浮点数或二进制值等数值，或者可以进行分类。常见特征包括列表的价格和库存到期之前的剩余时间。需求函数和管理者选项函数可以使用相同的特征向量f，或者可以分别对用于需求函数的不同的特征集合fD和用于管理者选项模型的特征集fA进行操作。某个特征可以同时包含在fD和fA中。关于用于训练各种函数和模型，并使用定价模块213获得关于即将到期库存的有用信息的样本训练数据的各个实例的结构的更多信息，参见下文的部分III.C。
价格特征是管理者提供列表的价格。例如，在在线住宿系统中，价格特征的值将是客户预订特定日期的住宿的列出价格。列表管理者可以在列表的到期时间之前修改价格；因此，列表在到期前可以有过多个价格。
到期前时间特征定义为即将到期库存到期之前的时间间隔数量或持续时间。根据不同的实施方式，其可以是天数、小时、分钟等。再次使用在线住宿系统作为实例，单个即将到期库存的“到期”是指寻求预订列表的那天。例如，12月20日预定住宿的列表将于12月20日到期，因此，到期前时间特征的值将是从当前日期到12月20日的天数。在这种情况下，使用的时间间隔是一天，因为在线住宿系统中的预订通常是按天进行的。然而，在在线餐馆预订系统中，可以优选时间间隔为一小时，因为餐馆预订以更高的频率发生且时间窗更小。
除价格和到期前时间特征外，在线系统111中的即将到期库存列表还可以具有任意数量的特征。这些附加特征取决于在线系统111的实现，并且描述即将到期库存或列表。例如，在在线住宿系统中，列表可以具有表示所列住宿的平均客户评级、所列住宿的地理位置、所列住宿的床位数、所列住宿是否具有无线路由器，或所列住宿的任意其它相关属性的特征。另外，特征可以包括列表本身的特性，例如，列表的查看次数、列表中住宿的描述长度、接受之前列表的管理者是否会检查预订列表的请求，或在线列表的任意其它特性。列表的特征还可以包括描述管理者属性的特征，例如，管理者的评级、管理者使用在线系统的时长等。
特征还可以包括与列表相关但不与个别列表直接相关的特征。例如，这些特征可以提供在库存活动期间(即尚未到期或接近到期)，与库存中的给定物品相关的列表的市场状态信息。此类特征的实例是市场上由客户在在线系统111上执行的对该库存同一市场上其它库存的搜索数。例如，在在线住宿系统中，该特征可以是与位于旧金山诺埃谷社区的库存物品相关的该社区住宿日的搜索数。另一可能特征可以是二元特征，其指示是否有时间和地理位置上与库存充分接近的值得注意的事件(例如，超级碗)发生。
另外，特征可以描述多个其它特征之间的交互或者是其它特征的衍生。例如，可以计算列表在预订时间与其列出时间之间的平均价格。替代地，特征可以包括两个其它特征的值之间的相关值。
需求函数300和管理者选项函数303可以是使用列表的特征值分别产生需求估计或接受估计的任意函数或统计模型。需求估计是与列表需求正相关的无单位值，而接受估计是与列表的管理者接收给定输入特征向量的价格提示的可能性正相关的类似无单位值。在一个实施方式中，需求函数和管理者选项函数303是广义相加模型，其通过将特征的特征模型拟合在一起，确定该特征对需求估计或接受估计的贡献而创建。使用广义相加模型的需求函数300具有以下形式：D(f)＝w1(f1)+w2(f2)+…+wm(fm)。其中，D(f)是函数300，同时也是输出需求估计，w1\w2……wm是确定每个特征值f1、f2...fm的贡献的每个特征模型305的加权函数。使用广义相加模型的管理者选项函数将具有相同的形式，例如，A(f)＝w1(f1)+w2(f2)+…+wm(fm)。管理者选项模型也可以具有如上所述的不同特征，并且在任何情况下都具有与需求函数不同的权重。广义相加模型的拟合可以用包括随机梯度下降、kd树、贝叶斯法或反向拟合算法的多种拟合算法完成。这些算法用于迭代地拟合特征模型305，以减少特征模型305与先前即将到期库存的训练数据上的标签之间的部分剩余的一些损失函数。
需求特征模型305可以是将特征值与指示特征对即将到期库存在到期前收到交易请求的可能性的影响的权重相关联的任意非参数统计模型，其与需求估计相关d(f)。根据每个特征的特点，可以基于该特征可能值的训练数据，为每个特征拟合不同的统计模型。例如，可以使用B样条、三次样条、线性拟合、二元平面拟合、分段常数函数等。为了定义特征本身，可以使用有监督和无监督机器学习技术在训练广义相加模型之前确定开始时的特征。在使用监督学习技术的情况下，训练可以基于除训练数据的标签之外的一些其它信号，因为其替代地用于训练广义相加模型。同样地，管理者选项特征模型307可以使用不同的训练数据以相同的方式创建，并且替代地被赋予权重，该权重指示特征对管理者接受给定价格的列表价格提示的可能性的影响。
对于需求训练数据，将正标签分配给到期前从客户收到交易请求的先前即将到期库存(此处称为训练即将到期库存)，并将负标签分配给没有收到交易请求的到期训练即将到期库存。对于管理者选项训练数据，只要收到给定价格的列表的交易，就分配正标签。负标签分配给随机生成的定价数据，其中，生成的价格低于与正训练标签相关的最低价格。分别在部分III.C和III.D中提供关于训练数据结构和特征模型训练的进一步讨论，并且结合图4A-7D进行讨论。
返回到需求估计D(f)，需求估计是无单位度量，在不使用训练数据进行验证的情况下不可操作。例如，特定特征向量fa的D(fA)值可以是0.735。如果不确定需求函数300的哪些值对应于到期前从客户收到即将到期库存交易请求的可能性，则该信息本身没有任何帮助。需求可能性模型310是统计模型，其通过在给定具有特征向量f的列表的情况下将需求估计D(f)映射至收到交易请求的可能性P(D(f))来解决该问题。使用用于训练需求函数D(f)的每个特征向量f的相同正负训练标签来训练需求可能性模型310。结合图8A在部分III.E中描述了关于需求可能性模型310的进一步讨论。同样地，由管理者选项函数303产生的接受估计A(f)不直接指示管理者接受价格提示的可能性。因此，开发了等效管理者选项可能性模型315P(A(f))，并在部分III.E中结合图8B进行描述。
需求定价模型320模拟以围绕列表当前价格(或根据请求的任意其它任选价格)的各种测试价格收到列表的交易请求的可能性。定价模块213使用迭代过程生成需求定价模型320，需求定价模型320生成围绕初始数据点的测试数据，用于表示以列表当前价格收到交易请求的可能性。定价模块213利用相同的过程创建管理者选项需求模型325，其模拟管理者以各种测试价格接受价格类型的可能性。该过程在下文中的部分III.B中概述，并在部分III.F中结合图9进一步描述。
III.B示例过程流程
图3A还示出根据图中每个模型、函数和数据存储之间的箭头，为即将到期库存训练需求函数300和需求可能性模型310，以及管理者选项函数303和管理者选项可能性模型315的过程流程。定价模块213使用来自训练存储256的训练数据来训练(330和335)特征模型305和307。然后，定价模块213针对训练数据中每个样本的每个特征向量评估需求函数300和管理者选项函数303，并基于每个样本中每个特征向量的标签来训练(340和345)相应的可能性模型310或315。
图3B示出创建将列表的价格与其收到交易请求的可能性或需求定价模型320相关联的模型的过程，以及创建将列表的价格与管理者接受列表该价格的价格提示的可能性，或管理者选项定价模型325相关联的模型的过程。在定价模块213已经训练需求函数300和需求可能性模型310以及管理者选项函数303和管理者选项可能性模型315之后，定价模块213创建需求定价模型320和管理者选项定价模型325。当收到来自在线系统111的指令以预测给定列表价格的主题列表的需求时，定价模块213从列表223中检索(350)对应于主题列表的需求特征向量fs并将其用作需求函数300的输入。然后，定价模块213将得到的需求估计D(fs)发送(360)至需求可能性模型310，以转换为到期之前收到交易请求的可能性。然后，定价模块213可以将得到的可能性P(D(fs))传递(370)至需求定价模型320，用于建模列表的定价变化可能如何改变对列表的需求。
然后，为了生成需求定价模型320，定价模块213通过以价格间隔在正向和负向上递增价格特征创建测试价格，从而修改(380)特征向量fs中价格特征的值，进而创建修改特征向量fs (-1)和fs (-1)，其中包含等于每个测试价格的价格特征值。在修改特征向量中，除价格之外的所有其它特征值均保持不变。然后，由需求函数300和可能性模型310计算每个新特征向量P(D(fs (1)))和P(D(fs (-1)))收到交易请求的可能性，并与列表的原始可能性P(D(fs))分组。然后，定价模块213继续以价格间隔递增价格特征，以创建特征向量fs (2)和fs (-2)的附加测试价格，并且重复该过程直到创建足够的数据点以拟合单调递减函数，该函数接受输入价格并产生输出可能性。
定价模块213使用包括步骤355、365、375和385的过程，其分别大致对应于步骤350、360、370和380，以训练管理者选项需求模型325。由于通常提示指示的价格越高，管理者越有可能接收提示(管理者接受的可能性随着价格增加而增加)，因此，单调递增函数可能适用于管理者选项需求模型325。
更具体地，在步骤355中，定价模块213从列表223中检索(355)对应于主题列表的管理者选项特征向量fs，并将其用作管理者选项函数303的输入。然后，定价模块213将得到的接受估计A(fs)发送(365)至管理者选项可能性模型315，以转换为以特征向量fs中指示的价格接收列表价格提示的可能性。然后，定价模块213可以将得到的可能性P(A(fs))传递(375)至管理者选项定价模型325，用于建模列表提示中显示的列表的价格变化可能如何改变管理者接收价格提示的可能性，并进而以计算价格成功地定价列表。
为了生成管理者选项定价模型325，定价模块213通过以价格间隔在正方向和负方向上递增价格特征创建测试价格，从而修改(385)特征向量fs中价格特征的值，进而创建修改特征向量fs (1)和fs (-1)，其中包含等于每个测试价格的价格特征值。在修改特征向量中，除价格之外的所有其它特征值均保持不变。然后，由管理者选项函数303和管理者选项可能性模型315计算每个新特征向量P(D(fs (1)))和P(D(fs (-1)))的接收可能性，并与列表的原始可能性P(A(fs))分组。然后，定价模块213继续以价格间隔递增价格特征，以创建特征向量fs (2)和fs (-2)的附加测试价格，并且重复该过程直到创建足够的数据点以拟合单调递减函数，该函数接受输入价格并产生输出可能性。
图3C示出使用蒙特卡洛定价模型327对列表进行定价的过程。在达到需求定价模型320和管理者选项需求模型325的阈值数量的定价点时，定价模块213将两个模型组合(390)为累积可能性模型，该累积可能性模型表示以给定价格收到交易请求的可能性和管理者以给定价格接受价格提示的可能性。累积模型被称为蒙特卡洛定价模型327。蒙特卡洛定价模型327可以用于识别关于如何为列表定价和/或实现某种预订可能性的新提示。
更一般地，定价模块213基于需求生成可能性估计的能力为即将到期库存的管理者提供信息，从而使管理者在选择即将到期库存的价格时可以考虑该信息，而基于管理者选项的可能性允许在线系统为管理者生成更合适的价格类型。
III.C训练数据标签
III.C.1训练数据收集
图4A-4D示出根据一个实施例，定价模块213所使用的需求训练数据的标签逻辑。图4A中示出时间间隔为一天的列表日历。这意味着列表仅供客户每天预订(即使客户可能请求在多个相邻日期预订列表)。图4A示出如何从历史预订数据中对训练数据进行采样，历史预订数据可以从交易存储255中检索并单独传送到存储256以用作训练数据。图4A中示出的时间线表示从单个列表中获取的数据。该列表的到期时间(或到期日期)400为10月24日、起始列表时间(或起始列表日期)410为10月2日，并且收到和接受请求的时间(或日期)为10月15日。
列表的到期时间400是即将到期库存不再可用或不再在线系统111呈现给客户的时间。在在线预定系统中，到期时间400通常是预定开始的时间。
起始列表时间410是客户首次可以获得列表的时间，和/或管理者将列表提供给在线系统111的第一天。
收到和接受请求的时间420是管理者收到并(正式)接受来自客户的交易请求的时间，通常使交易在合同上对双方具有约束力。
在图4A的实例中，在训练存储256中记录(430)起始列表日期410与收到并接受请求的日期420之间每一天的训练数据的单独样本。每个样本包括记录当天列表的特征向量f。在知道列表的最终结果之前不应用样本标签。在图4A的实例中，赋予10月2日到10月15日中每一天的样本对应于接受请求的正标签，因为列表的最终结果是请求，并且随后在收到并接受请求的日期420接受该请求。
在一些实施例中，由于列表已被接受并且不再在在线系统111上向客户呈现，因此，在420与到期日期400之间的没有收集样本。例如，如果即将到期库存是唯一的，则可能发生这种情况。当即将到期库存不唯一(例如，航班上多个大致相同的座位)时，系统可以允许列表存留，从而可以在即将到期库存耗尽或到期之前的时间内收集更多数据。在一些实施例中，系统定义共享相同价格的多个列表，并将每个非唯一列表视为具有多个相同特征的唯一列表。列表组中成员的预订被应用于组中的一个列表，并且允许其余列表存留。
与在整个可用期间总共仅收集每个接受交易请求的一个数据点相比，在列表可用时记录每个时间间隔的训练数据样本大大增加了定价模块213可用于分析的数据点的数量。
图4B示出用于从历史预订数据中标记训练数据样本的第二示例结果。在图4B所示的情况下，到期日期400和起始列表日期与图4A中相同。然而，在图4B中，虽然列表从起始列表日期410到到期日期400均可用，但并没有收到列表的交易请求。结果，在列表可用日获取的所有样本440均用负训练标签标记，以指示在即将到期库存到期之前没有收到列表的交易请求。
与仅考虑收到交易请求的列表的模型相比，获取已经收到交易请求和还未收到交易请求的列表训练数据样本，并用不同方式对其进行标记进一步增加了定价模块213可用的数据量。
图4C示出用于从历史预订数据中获取并标记训练数据样本的第三更复杂示例结果。在图4C中，到期日期400和起始列表日期410与前两个实例中相同。然而，在图4C中，列表的管理者在10月15日收到交易请求，但随后拒绝请求450。这使得列表可用于接收进一步的交易请求。在请求拒绝日期450和到期日期之间没有收到进一步的交易请求。
在这种情况下，对收到列表交易请求前的日期的样本应用(430)正标签，随后拒绝(450)，因为如果管理者接受，原本可能会产生成功交易。由于请求拒绝日期450之后列表没有收到进一步的交易请求，第一次请求后的日期的样本用负标签标记(440)，因为在该时间段内未收到交易请求独立于早前收到的交易请求，因此，该时间段内的列表特征无法生成足够吸引交易请求的需求。在一些实施例中，请求拒绝日期450可以是收到被拒绝交易请求的日期。在其它实施例中，请求拒绝日期450是拒绝交易请求的日期。替代地(未示出)，如果在第一请求被拒绝(450)之后，收到第二交易请求，则剩余样本将标记为正标签。
图4D示出用于从历史预订数据中获取并标记训练数据样本的第四示例结果。在图4D中，到期日期400和起始列表日期410与先前实例中相同。如图4A所示，在10月15日收到并接受(420)交易请求，但是，在图4D中，请求列表的客户取消交易请求，从而允许在线系统111上的其他客户再次访问该列表。取消后，列表没有收到任何进一步的交易请求。在与图4C类似的情况下，从起始列表日期410到交易请求接受日期420的日期的样本用正标签标记(430)，并且在取消日期460客户可以获得列表后，训练数据用负标签标记(440)。在这种情况下，取消日期460和交易请求接受日期420之间的日期不生成样本，因为在该时间期间客户无法获得列表。再次(未示出)，如果列表在取消日期460之后收到交易请求，则取消日期之后的样本将改为收到正标签。
如上所述，在由时间段430和440指示的每个日期获取各个需求训练数据样本，然而，具体地标记样本470A-470D以用于下文中结合图5进行的讨论。
III.C.2需求训练数据存储
图5A示出根据一个实施例，用于存储定价模块213所使用的需求训练数据的示例表。图5示出用于训练数据表500和表510的存储样本的两个示例表。表500是指示可以包含在特征向量中的各种特征的一般实例，而表510是来自可以用于住宿系统的单个列表的样本470的特定实例。
在表500中，每行表示从历史预订数据记录的特定日的训练数据的单个样本。每行包含特征向量中每个特征的特征值(f1-fm)，以及对应于记录训练样本的列表的最终结果的训练标签(如结合图4A-4D所述)。在该实施例中，训练标签1用于表示收到列表的交易请求，并且训练标签-1用于表示在即将到期库存到期之前没有收到交易请求的情况。
表500的列示出多个示例特征类型：特征1和2是定量的，特征3是分类的，特征m是二元的。表500包括m+1列(其中一些为了说明目的在编辑时删除)，对应于m个特征和每个特征向量的训练标签。表500包括N行，对应于训练数据样本的总数N。
表510示出来自图4D所示的示例列表时间线的数据样本的选择。虽然将从起始列表日期410到请求接受日期，再从取消日期460到到期日期400每天记录样本，但为了讨论目的并便于说明，仅在表中示出样本470A-470D。
在表510中，列用在线住宿系统列表的实例特征标记，包括价格、到期日前天数、所列住宿的城市，以及所列住宿是否包括无线路由器(WiFi)等。因为样本470A-470D均来自相同的列表，所以城市特征和WiFi特征在所有样本中保持相同，而到期日前天数特征和价格特征在采样周期内变化。
样本470A是在收到交易请求并接受(420)之前记录的，因此应用训练标签1。样本470A是在10月4日，即到期日期400之前20天记录的，因此到期日前天数特征的值为20。在该实例中，10月4日的列表价格为$120，因此价格特征的值为120。在样本470B中，管理者将价格降至$100，并且自记录样本470A以来已经过去一周。因此，到期日前天数的值和价格特征的值已经改变，以反映列表特征的变化。在样本470B到样本470C之间的天数中，价格$100保持不变。样本470C记录在收到并接受请求的日期420上，表明收到请求的价格是$100。需要注意的是，该价格与样本470A的原价$120不同。
这种价格差异(以及可能的其它特征)引入了因果关系问题，因为不知道降低价格是否是导致客户提交列表交易请求的原因。例如，如果在价格为$120时没有收到交易请求，但是当价格降至$80时收到交易请求，则价格为$120的日期的训练数据样本的训练标签为1表示如果价格在到期前一直保持为$120，结果对于可能没有导致收到交易请求的特征值(例如，$120的价格)为阳性。
定价模块213可以根据实施例不同地处理这些类型的因果关系。在一些实施例中，如果样本与交易请求的接收日期420记录的样本大不相同(基于样本之间不同特征的数量、最大差异阈值或其它度量)，则抛弃样本。在另一实施例中，基于样本与收到请求日期记录的样本的差异大小，赋予样本较小权重(例如，可以赋予其0.5的标签)。在又一实施例中，可以将诸如“请求前天数”或“收到客户请求的价格”特征等附加特征添加至特征向量，以反映样本对需求函数300的贡献差异。在一些情况下，为了简化数据标记过程或者假设对需求预测模型的影响最小，这些具有不同特征的样本被赋予完整权重。在另一实施例中，起始列表日期410与收到请求日期420之间价格分布的平均值、中值或其它度量是单独的特征。
III.C.3管理者选项训练数据存储
图5B示出根据一个实施例，用于存储定价模块213所使用的管理者选项训练数据的示例表。出于示例的目的，表520表示从住宿系统上的单个列表获取的训练数据。整个训练数据集将包括来自多个列表的数据。虽然示例表中仅示出三个特征，但管理者选项函数303中可以包括更多特征。预订的夜晚表示该特定列表已经由住宿系统的客人成功预订的日期。在每个预订的夜晚，价格略有不同，因为主人已经在过去几天中调整了价格。由于这些夜晚已经成功预订并且主人已经同意所列价格，因此，前四个数据行收到正训练标签。系统假定主人在指定价格后认为这些价格是可接受的。
由定价模块213随机生成管理者选项函数303的负样本，以匹配该训练数据集中每个列表的正样本数。在这种情况下，因为有四个正标记样本，所以生成四个负样本。在一些实施例中，每个负样本被赋予0到管理者设定的最低价格之间的随机价格值。在该实例520中，主人设定的最低价格是$90。因此，四个负样本的价格在$0-$90之间。在其它实施例中，价格$0和管理者设定的最低价格之间均匀分布。本领域技术人员将理解，可以使用任意适当价格分布策略。
管理者选项函数303的训练数据可以包括可随时间变化的除价格之外的其它特征。因为生成的负样本没有关联日期，所以还可以基于来自正样本的数据生成与特定列表的日期相关联的特征。例如，生成的负样本可以列出主人平均评级，而不是预订列表时的主人评级。这在图5B中示出，所有负样本具有平均评级，而正样本具有略微变化的主人评级。定价模块213可以将分布拟合至特定特征的值，并基于正样本的值的分布选择特征的随机值，而不是为每个负样本生成相同的值。
III.D特征模型
图6示出根据一个实施例的特征模型w(f)。图6显示特征模型305，其将特征1的值与需求函数300中的权重相关联。统计模型600拟合至训练数据点610，训练数据点610是需求模型300输出D(f)与单个样本的对应特征值f之间的部分剩余。训练过程的每次迭代改变剩余，并将统计模型600拟合至数据。诸如随机梯度下降和反向拟合算法等算法寻求最小化需求模型300中所有特征的统计模型600之间的部分剩余。在迭代整个训练数据集时，统计模型600收敛于输出每个给定特征值的权重的特征模型305或307。许多统计方法可以用于拟合数据，包括B样条、三次样条、任意类型的回归、Kronecker或Dirac delta函数(用于分类和二元数据)，或这些方法的任意组合。在线系统111的管理员可以配置特征模型305和307以最佳地表示数据。拟合之后，对于全范围的特征值，特征模型305和307将具有介于-1和1之间的权重值。在一些实施例中，对特征值进行归一化以将范围限制在0-1之间。如果特征是分类的或二元的，则统计模型600可以简单地为从特征分类到权重值的映射，或基于将分类数据转换为设计用于确定权重的标度。
图7A-7B示出根据一个实施例的示例特征模型305。图7A示出具有典型的需求训练数据集的可能的价格特征的特征模型305的实例。在这种情况下，统计模型700通常是拟合价格数据的样条。根据统计模型，价格对非常便宜的列表需求有负面影响(可能是因为客户担心被骗)，在便宜但合理的价格水平，对列表需求有正面影响。随着价格上涨，对需求的影响变得越来越负面，直到某个点处，该价格水平的客户有更多弹性消费习惯，而价格特征对需求的负面影响减少。
图7B示出具有典型的需求训练数据集的“到期前天数”特征的典型特征模型305。在这种情况下使用的统计模型710表明，列表在到期日期前贴出的越早，对该列表的需求可能越高。这两个示例特征模型305中的任意一个可以与典型结果不同，并且在本文中仅用作实例以说明在线系统111背景下特征模型305的功能。
图7C-7D示出根据一个实施例的示例管理者选项模型。图7C示出典型的管理者选项训练数据集中可能的价格特征的特征模型307的实例。接受的可能性并非与价格负相关，而是与价格正相关(管理者更喜欢其列表的价格更高)，直到价格变得不合理并且相关性变为负的点。
图7D示出典型的管理者选项训练数据集中可能的“到期前天数特征”的特征模型307的实例。在该实例中，到期前天数特征对管理者选项的影响较小，直到到期前5天。此时，特征与管理者接受价格提示变得越来越正相关，因为列表越接近到期，由于列表之前难以出售，管理者越容易受到建议的影响。
III.E可能性模型
图8A示出根据一个实施例，定价模块213所使用的需求可能性模型310。一旦定价模块213训练完特征模型305，定价模块213可以将特征向量f的集用于多个训练数据样本，并使用需求函数300输出每个样本的估计需求D(f)。为了训练可能性模型310，定价模块213将可能性函数800拟合至估计需求D(f)的标记值。可能性函数800是解决确定特征向量f具有正标签给定D(f)的可能性的二元分类问题的函数，在其它情况下表示给定样本在即将到期库存到期前收到交易请求的可能性。在图8中，负标签用白色圆圈810表示，正标签用黑色圆圈820表示。可能性函数800基于对样本的估计需求来近似点为黑色的可能性。
在一些实施例中，Platt缩放算法用作可能性函数800。应用于需求函数的Platt缩放算法将具有以下形式：
P(D(f))＝(1+exp(αD(f)+β))-1
其中，α和β是习得常数。诸如铰链损失函数或其它类似技术的损失函数用于使用最大可能性法训练Platt缩放算法，以便最好地解决上述二元分类问题。
一旦定价模块213训练完可能性函数800，可能性模块310可以接收估计需求D(f)作为输入，并输出即将到期库存在到期前收到交易请求的可能性P(D(f))。
图8B示出根据一个实施例，定价模块213所使用的管理者选项可能性模型315。使用上述结合需求可能性模型310描述的相同过程训练管理者选项可能性模型315，唯一的区别在于使用管理者选项函数303A(f)创建数据点、使用单独的训练数据，以及输出的差异。
III.F需求定价模型和管理者选项定价模型
图9A-9C示出根据一个实施例，为列表创建需求定价模型320的过程。在使用训练数据样本训练完需求函数300(包括特征模型305)和需求可能性模型310(包括可能性函数800)之后，定价模块213具有将任意特征向量f转换为收到交易请求的可能性P(D(f))的能力。
如上所述，为了提供在测试价格范围内收到交易请求的可能性，定价模块213创建修改特征向量，其中，价格特征值等于测试价格集(包括列表的当前价格)，并且其余特征的值保持不变。然后，定价模块213确定测试需求估计及每个修改特征向量收到交易请求的相应测试可能性。
然后，定价模块213处理测试价格和收到交易请求的相应测试可能性，以识别满足信息的管理者或请求者的目标的价格。在一个实施例中，这通过将函数拟合至测试价格和可能性数据点以创建平滑的单调递减需求模型320来实现。该过程在图9A-9B中示出。
图9A中绘制了价格特征的值和即将到期库存收到交易请求的可能性。数据点900表示主题列表以其当前价格收到交易请求的当前可能性。最低价格915和最高价格905表示需求模型320中测试价格的上限和下限。这些最低限905和最高限915可以由列表的管理者设定或由定价模块213生成，以将模型限制在合理的价格值集内。替代地，用户和定价模块213可以提供单独的最小值和最大值。在实施例中，当存在两组最小值和最大值时，主人指定的最小值和最大值优先于定价模块213指定的最小值和最大值。
然后，定价模块213通过以价格间隔920正向和/或负向递增价格特征的值来创建测试数据点910。价格间隔920可以是主题列表的价格特征的原始值的量或比例。在一些实施例中，存在不同的正向和负向价格间隔。
定价模块213继续以价格间隔在原始价格的上述任一方向上递增价格特征的值。根据不同的实施例，该过程继续进行，直到覆盖测试价格的阈值范围或生成阈值数量的数据点。例如，这些测试价格可以为当前价格的两倍或更高/当前价格的一半或更低。一旦生成足够的测试价格，数据点就与价格函数930拟合，如图9C所示。可以使用任意函数拟合生成的价格与可能性数据。在一个实施例中，价格函数930是威布尔分布。
图9D-9F示出根据一个实施例，为列表创建管理者选项模型325的过程。在使用训练数据样本训练完管理者选项函数303(包括特征模型307)和管理者选项可能性模型315(包括可能性函数830)之后，定价模块213具有将任意特征向量f转换为管理者接受价格提示的可能性P(A(f))的能力。管理者选项模型325以与需求模型320相同的方式创建。首先，为列表生成初始数据点975。然后，以远离初始价格的价格间隔925生成测试数据点980。代替通常适用于需求定价模型320的单调递减函数，管理者选项定价模型325通常是单调递增函数。这很直观，因为管理者更倾向于选择列表的较高价格而不是较低价格，因为假设列表在到期前售出，其通常等同于更高的总收入。
IV.蒙特卡洛定价模型
图10示出根据一个实施例，为列表创建蒙特卡洛定价模型327。术语“蒙特卡洛定价模型327”指的是同时使用需求定价模型320和管理者选项定价模型325，这两个模型是以可能使得列表收到交易请求的价格生成可能被列表的管理者接受的价格提示的每种可能性分布。在一个实施例中，蒙特卡洛定价模型327可以通过下述方程描述：
其中，pT是价格提示的值，pi是测试价格，Pd(pt)是以测试价格收到交易请求的可能性，Pm(pt)是管理者以测试价格接受价格提示的可能性，并且k是缩放幂。
以这种方式，蒙特卡洛定价模型327可以概念化为确定定义成功价格提示的总体可能性的离散函数的质心。Pd(pt)是测试价格的需求模型320的输出，并且Pm(pt)是测试价格的管理者选项模型325的输出。
参数k允许模型对需求定价模型320或管理者选项定价模型进行加权，以表示对于整体蒙托卡罗定价模型327来说相对更重要。例如，如果住宿的主人更喜欢其列表每天都被预订，则需求模型的重要性会增加，因为主人将愿意接受较低的价格以保持一致。在一些实施例中，在线系统111可以允许管理者指定需求定价模型320和管理者选项定
价模型的相对重要性。这可以通过将k值暴露给管理者或通过向用户提供频率选项集直接实现，其中，每个选项对应于特定k值。例如，在住宿系统中，选项可能提出为：“您想偶尔、经常还是尽可能多地管理您的列表？”然后，每个后续选项将对应于不同且递增的k值。
一旦定价模块213使用蒙特卡洛定价模型327确定价格提示pT，则将价格提示呈现给列表的管理者，管理者收到选项以接受或拒绝价格提示。为了确定价格提示，可以将蒙特卡洛定价模型327概念化为寻找累积可能性模型1000的质心。累积可能性模型1000是需求模型320和管理者选项模型325的加权(乘k)乘积。最大可能性价格1020可以用作价格提示。然而，累积可能性模型1000的质心1010(pT)通常是更好的估计，并且可以替代地使用。
V.灵活定价模型
图11是根据一个实施例的灵活定价模型的概念图。灵活定价模型是允许在短时间段内修正无法简单地通过再训练需求定价模型320和管理者选项定价模型325来修正的价格提示的模型。灵活定价模型将学习率应用于列表未被预订的预定时间窗。在此时间窗期间列表未被预订的事实表明，时间窗期间的价格提示(或管理者的定价策略)定价过高。灵活定价模型可以用于确定一系列管理者选定价格与管理者设定的接受价格提示的价格组合之后的调整价格。灵活模型对时间窗中的价格进行一些统计测量，并减去与该值成比例的学习常数。例如，可以计算四天时间窗期间的最低价格，并且后一天的价格提示可以是四天最低价格减去学习常数。在其它实施例中，使用时间窗内包含的价格的中值、众数或平均价格。
图11描绘了到期日期1100为10月24日的列表的日历。10月13日，列表的价格提示为$150，然后在10月14日降至$140，10月15日为$155，等等。为了确定10月19日的价格提示，定价模块213计算(1130)整个时间窗1120内的最低价格1140，在该情况下为$130。然后，基于学习常数b将最低价格1140向下调整与最低价格1140成比例的学习量1150。在一些实施例中，使用时间窗内的价格平均值而非最小值。
在一些实施例中，定价模块213可以使用蒙特卡洛定价模型327来估计价格提示，然后基于时间窗1120或列表的最近价格按照学习量1150来调整价格提示，而不是从最低价格1140中减去学习量1150。
VI.附加考虑
本说明书的一些部分根据对信息进行操作的算法和符号表示来描述本发明的实施例。数据处理领域的技术人员通常使用这些算法描述和表示将其工作的内容有效地传达给本领域其他技术人员。这些操作虽然从功能、计算或逻辑方面进行描述，但应理解为由计算机程序或等效电路、微代码等实现。此外，在不失一般性的情况下，还证明有时将这些操作布置称为模块是方便的。所描述的操作及其相关模块可以体现为软件、固件、硬件或其任意组合。在一个实施例中，软件模块用计算机程序产品实现，该计算机程序产品包括含有计算机程序代码的持久计算机可读介质，该计算机程序代码可以由计算机处理器执行以执行所描述的任意或所有步骤、操作或过程。
最后，说明书中使用的语言主要是出于可读性和指导目的而选择的，并非选择其用于描绘或限制本发明的主题。因此，本发明的范围旨在不受说明书的限制，而是受基于本文的申请发布的任意权利要求限制。因此，本发明实施例的公开内容旨在说明而非限制本发明的范围，其实例在所附权利要求中阐述。

Claims (16)

1.一种计算机执行方法，包括：
在在线计算系统处接收用于主题列表的第一特征向量和第二特征向量，所述主题列表包括能够由所述在线计算系统的多个客户中的一个客户预订并由管理者管理的即将到期库存，所述第一特征向量和所述第二特征向量各自包括所述列表的多个特征，所述列表包括指示所述即将到期库存的当前价格的价格特征；
将所述第一特征向量输入到需求函数中，以生成需求估计，所述需求估计是在所述即将到期库存到期前，所述即将到期库存将从所述客户中的一个客户收到交易请求的可能性的数字表示；
将所述第二特征向量输入到管理者选项函数中，以生成接受估计，所述接受估计是所述即将到期库存的所述管理者愿意以所述当前价格将所述即将到期库存提供给客户的可能性的数字表示；以及
存储所述需求估计和所述接受估计。
2.根据权利要求1所述的计算机执行方法：
其中所述需求函数包括多个需求特征模型，所述第一特征向量中的每个特征与所述需求特征模型中的一个需求特征模型相关联；以及
其中所述管理者选项函数包括多个管理者选项特征模型，所述第二特征向量中的每个特征与所述管理者选项特征模型中的一个管理者选项特征模型相关联。
3.根据权利要求2所述的计算机执行方法：
其中所述需求函数包括广义相加模型，所述广义相加模型包括所述需求特征模型；以及
其中所述管理者选项函数包括广义相加模型，所述广义相加模型包括所述管理者选项特征模型。
4.根据权利要求1所述的计算机执行方法：
其中所述管理者选项函数在训练数据上训练，其中来自所述训练数据的每个样本包括训练即将到期库存的二元标签和训练特征向量，正标签表示在所述训练即将到期库存到期前训练即将到期库存是否被定价并收到交易请求，所述训练特征向量具有与所述训练即将到期库存相关联的训练列表的多个特征。
5.根据权利要求4所述的计算机执行方法：
其中所述特征向量进一步包括到期前时间段特征，所述到期前时间段特征指示所述即将到期库存到期前的持续时间。
6.根据权利要求5所述的计算机执行方法：
其中具有负二元标签的所述训练数据具有生成的训练特征向量，所述生成的训练特征向量具有随机生成的价格特征。
7.根据权利要求6所述的计算机执行方法：
其中所述随机生成的价格特征在即将到期库存的最低价格与零之间被随机生成。
8.根据权利要求1所述的计算机执行方法，进一步包括：
生成大于或小于所述即将到期库存的所述价格的测试价格集；
针对所述测试价格集中的每个测试价格，将用所述测试价格替换所述当前价格的所述第一特征向量的修改版输入到所述需求函数中，以便生成测试需求估计；
针对所述测试价格集中的每个测试价格，将用所述测试价格替换所述当前价格的所述第二特征向量的修改版输入到所述管理者选项函数中，以便生成测试接受估计；
生成需求估计集，所述需求估计集包括基于所述测试价格生成的所述测试需求估计和基于所述当前价格生成的所述需求估计；以及
生成接受估计集，所述接受估计集包括基于所述测试价格生成的所述测试接受估计和基于所述当前价格生成的所述接受估计。
9.根据权利要求8所述的计算机执行方法，进一步包括：
将所述需求估计集输入到需求可能性模型中，以生成请求可能性集，每个请求可能性表示与所述需求估计中的一个需求估计相关联的所述即将到期库存将以所述测试价格中的每个测试价格收到交易请求的可能性；以及
将所述接受估计集输入到管理者选项可能性模型中，以生成管理者选项可能性集，每个管理者选项可能性表示与所述接受估计中的一个接受估计相关联的所述即将到期库存的所述管理者将以所述测试价格中的每个测试价格接受价格提示的可能性。
10.根据权利要求9所述的计算机执行方法，进一步包括：
基于第一数据点集拟合需求定价模型，所述第一数据点集中的每个数据点包括来自所述集的所述请求可能性和用于生成所述需求估计的所述测试价格中的一个，所述需求估计被用于生成所述请求可能性；所述函数表示在不同请求可能性下用于所述即将到期库存的价格范围；以及
基于第二数据点集拟合管理者选项定价模型，所述第二数据点集组中的每个数据点包括来自所述集的所述管理者选项可能性和用于生成所述接受估计的所述测试价格中的一个，所述接受估计被用于生成所述管理者选项可能性；所述函数表示在不同管理者选项可能性下用于所述即将到期库存的价格范围。
11.根据权利要求10所述的计算机执行方法，其中确定所述价格提示进一步包括使用所述需求模型和所述管理者选项模型来创建蒙特卡洛定价模型。
12.根据权利要求11所述的计算机执行方法，其中所述蒙特卡洛定价模型确定所述需求模型和所述管理者选项模型的乘积的质心。
13.根据权利要求12所述的计算机执行方法，其中所述乘积是加权乘积。
14.根据权利要求11所述的计算机执行方法，其中所述蒙特卡洛定价模型通过以下定义：
其中pT是所述价格提示的值，pi是测试价格，Pd(pi)是以所述测试价格收到交易请求的可能性，Pm(pi)是所述管理者以所述测试价格接受价格提示的可能性，并且k是缩放幂。
15.根据权利要求11所述的计算机执行方法，进一步包括基于灵活定价模型来修改所述价格提示。
16.根据权利要求15所述的计算机执行方法，其中所述灵活定价模型进一步包括：
基于当前时间之前的预定时间窗内的最低设定价格，通过从所述价格提示减去所述最低设定价格与学习率的乘积，来修改所述价格提示。
CN201780053058.4A 2016-07-18 2017-07-05 即将到期库存的需求预测 Pending CN109643401A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/213,062 2016-07-18
US15/213,062 US20180018683A1 (en) 2016-07-18 2016-07-18 Demand Prediction for Time-Expiring Inventory
PCT/US2017/040705 WO2018017323A1 (en) 2016-07-18 2017-07-05 Demand prediction for time-expiring inventory

Publications (1)

Publication Number Publication Date
CN109643401A true CN109643401A (zh) 2019-04-16

Family

ID=59351132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780053058.4A Pending CN109643401A (zh) 2016-07-18 2017-07-05 即将到期库存的需求预测

Country Status (10)

Country Link
US (1) US20180018683A1 (zh)
EP (1) EP3485438A1 (zh)
JP (1) JP2019530916A (zh)
KR (1) KR20190029605A (zh)
CN (1) CN109643401A (zh)
BR (1) BR112019000842A2 (zh)
CA (1) CA3031062A1 (zh)
MX (1) MX2019000421A (zh)
SG (2) SG11201811550XA (zh)
WO (1) WO2018017323A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9888087B2 (en) 2014-03-31 2018-02-06 Uber Technologies, Inc. Adjusting attributes for an on-demand service system based on real-time information
US11954623B2 (en) * 2018-05-18 2024-04-09 Assurant, Inc. Apparatus and method for resource allocation prediction and modeling, and resource acquisition offer generation, adjustment and approval
CN110837909A (zh) * 2018-08-17 2020-02-25 北京京东尚科信息技术有限公司 一种预测订单量的方法和装置
US11004034B2 (en) * 2019-02-06 2021-05-11 Laundris Corporation Inventory management system
EP3935581A4 (en) 2019-03-04 2022-11-30 Iocurrents, Inc. DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING
US11869106B1 (en) * 2019-09-20 2024-01-09 Airbnb, Inc. Cross-listed property matching using image descriptor features
US12093611B2 (en) * 2019-11-15 2024-09-17 Compass Point Retirement Planning, Inc. Systems and methods for controlling predictive modeling processes on a mobile device
KR102220953B1 (ko) * 2020-06-10 2021-03-02 김동주 할인 서비스 장치 및 방법
US20220269999A1 (en) * 2021-02-22 2022-08-25 Ramesh Arumugam Computer-Implemented System and Method for Renting Excess Storage Space
WO2023100315A1 (ja) * 2021-12-02 2023-06-08 日本電気株式会社 決定装置、決定方法、記録媒体

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010047308A1 (en) * 2000-03-31 2001-11-29 Joseph Kaminsky Concurrent dynamic pricing marketing and selling system
US7447652B2 (en) * 2001-05-31 2008-11-04 Ge Corporate Financial Services, Inc. Methods and systems for portfolio cash flow valuation
US7627495B2 (en) * 2003-06-03 2009-12-01 The Boeing Company Systems, methods and computer program products for modeling demand, supply and associated profitability of a good
US7379890B2 (en) * 2003-10-17 2008-05-27 Makor Issues And Rights Ltd. System and method for profit maximization in retail industry
AU2008230888A1 (en) * 2007-03-23 2008-10-02 Technology Licensing Corporation System and method for increasing demand for perishable goods at a point-of sale location utilizing location-based communication
US20130006794A1 (en) * 2011-06-30 2013-01-03 Microsoft Corporation Online marketplace with offer/bid pooling
US9519912B2 (en) * 2013-09-20 2016-12-13 Xerox Corporation Hybrid system for demand prediction
KR20170092521A (ko) * 2014-08-04 2017-08-11 월드벤쳐스 홀딩스, 엘엘씨 만료 임박 재고를 위한 전자 마켓플레이스 플랫폼
US20160055505A1 (en) * 2014-08-22 2016-02-25 Duetto Research, Inc. Price elasticity testing
WO2016086188A1 (en) * 2014-11-26 2016-06-02 Airbnb, Inc. Demand prediction for time-expiring inventory

Also Published As

Publication number Publication date
MX2019000421A (es) 2019-03-28
EP3485438A1 (en) 2019-05-22
SG10201913973PA (en) 2020-03-30
WO2018017323A1 (en) 2018-01-25
BR112019000842A2 (pt) 2019-04-30
CA3031062A1 (en) 2018-01-25
US20180018683A1 (en) 2018-01-18
SG11201811550XA (en) 2019-02-27
JP2019530916A (ja) 2019-10-24
KR20190029605A (ko) 2019-03-20

Similar Documents

Publication Publication Date Title
CN109643401A (zh) 即将到期库存的需求预测
CN107580713A (zh) 时间期满库存的需求预测
US8145535B2 (en) Computer implemented methods for providing options on products
CN109155039B (zh) 用于时间期满清单利用预测的基于回归树压缩的特征向量机的方法
JP6543700B2 (ja) 宿泊設備リスティングに対する宿主選好を決定すること
US7424449B2 (en) Computer-implemented method to provide options on products to enhance customer experience
US7983956B1 (en) System and method for providing options on products including flights
US20110040656A1 (en) System and method for generating predictions of price and availability of event tickets on secondary markets
CN105164706A (zh) 针对用户源的住处的预订可用性的自动确定
US20080133284A1 (en) Travel forecasting and allocating system and method
CN106104615A (zh) 用于提供一组价格估计值的方法和服务器，诸如飞机票价价格估计值
US20170031914A1 (en) Automated Database Record Activation Using Predictive Modeling of Database Access
Moyeenudin et al. Data management with PMS in hotel industry
Pan et al. Costly price adjustment and automated pricing: The case of Airbnb
US20150379600A1 (en) Order management system and method for limited counterpart transactions
AU2007284408B2 (en) System for concurrent optimization of business economics and customer value
Davis Jr Development of a Wait Time Prediction Model for the Service Industry
KR20240032466A (ko) 에너지 절감을 위한 분양형 호텔 관리 시스템
Pan Studies of the Airbnb Peer-To-Peer Platform
Walker Hire capacity of rental services
Rasheeda et al. Survey for Traffic Reduction and Management Plan through Carpooling System
AU2013263867A1 (en) System for Concurrent Optimization of Business Economics and Customer Value

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190416