JP2019530916A - 期限切れ在庫の需要予測 - Google Patents

Abstract

本開示は、期限切れ在庫の価格に基づいて需要を予測するための方法を含む。オンラインシステムは、期限切れ在庫のマネージャと複数のクライアントとの間の接続を提供する。オンラインシステムは、マネージャの期限切れ在庫のリスティングをオンラインシステム上のクライアントに提供する。マネージャは、リスティングにおける期限切れ在庫の価格を指定し、オンラインシステムによって生成された価格予想を提示される。需要関数は、リスティングおよび期限切れ在庫の特徴に基づいて期限切れ在庫の需要を予測する。マネージャオプション関数は、マネージャによる価格予想の受入れの尤度を予測する。オンラインシステムは、需要関数およびマネージャオプション関数を使用して、モンテカルロ価格決定モデルを作成し、リスティングについての価格予想をマネージャに提供する。

Description

本出願は、一般に、期限切れ在庫の状況（ｃｏｎｔｅｘｔ）における機械学習モデルおよびデータ分析の使用に関し、詳細には、期限切れ在庫に関係する機械学習サンプルデータに対する訓練ラベルの割り当てに関する。

商品またはサービスの典型的な取引において、商品を管理または所有するマネージャは、商品の価格を設定し、提案された価格を支払うことに関係者が合意するのを待つ。マネージャが商品を適切に価格決定できないことはよくあるが、市場の不完全な情報および他の経済的要因により、最終的に価格を支払うことに合意する者もいる。しかしながら、期限切れ在庫の価格決定は、在庫が期限切れになる前に売れなければ、在庫が無駄になり、マネージャが収入を得られないので、より困難な試みである。したがって、期限切れ在庫のマネージャは、その在庫の価格決定が高すぎて期限切れによって収入を失う危険を冒すか、またはその在庫の価格決定が低すぎて利用率は良いが次善の収入を得るかのいずれかに陥りやすい。さらに、期限切れ在庫の理想的または所望の市場清算価格は、その期限日が近づくにつれて変化する可能性がある。この要因の組み合わせは、期限切れ在庫のマネージャがその在庫を最適に価格決定することを困難にする。

オンラインシステムは、マネージャが期限切れ在庫のリスティングを作成できるようにし、クライアントがリスト化された期限切れ在庫を予約指定する、借りる、または買うための取引要求を提出できるようにする。オンラインシステムは、期限切れ在庫のリスティングに対する需要を推定し、また、マネージャが価格の範囲上でリスティングの価格を決定する尤度を推定する。オンラインシステムは、期限切れ在庫、関連付けられたリスティング、および期限切れ在庫の市場を記述する特徴のセットを定義する。これらの記述的特徴のセットは、リスティングについての特徴ベクトルである。オンラインシステムは、そのリスティングの特徴ベクトルを需要関数に入力することによって、リスティングに対する需要を推定する。オンラインシステムは、特徴ベクトルをマネージャオプション関数に入力することによって、マネージャがリスティングの価格を決定する尤度を推定する。実施形態によっては、需要関数についての特徴ベクトルは、マネージャオプション関数とは異なる特徴のセットを含んでよい。
さらに、マネージャオプション関数は、リスティングを記述する特徴に加えてマネージャを記述する特徴を含んでよい。

需要関数は、特徴ベクトルの特徴毎の特徴モデルで構成され、ここで、特徴ベクトルの各特徴は特徴モデルに関連付けられる。需要関数は、特徴モデルを合計して需要推定を生成する一般化加法モデルであってよい。オンラインシステムは、訓練データを使用して需要関数を訓練してよく、ここで、訓練データからの各サンプルは、リスティングの期限切れ在庫が、それが期限切れになる前にクライアントからの取引要求を受け取ったかどうかを記述するバイナリラベル、ならびにサンプル時間毎に期限切れ在庫のリスティングを記述する特徴ベクトルを備える。オンラインシステムは、単一のリスティングについての複数のサンプルを収集してよく、ここで、各サンプルは、期限切れ在庫の期限切れ前の時間期間中の期限切れ在庫のリスティングの特徴に対応する。

マネージャオプションモデルは、需要モデルと同様に作成される。特徴ベクトルの各特徴は、関連付けられた特徴モデルを有し、それらは、一般化加法モデルを使用して組み合わされて、システムによって提供された予想（ｔｉｐ）によって与えられた価格で期限切れ在庫を価格決定することをマネージャが選択する尤度に関連付けられた受入れ推定を生成することができる。両方の関数の特徴は重複することがあるが、２つの関数は、異なる訓練データおよび訓練ラベルを使用する。肯定ラベルを有するマネージャオプション関数に対する訓練データの各サンプルは、マネージャが取引を受け取った過去の期限切れリスティングについてのマネージャが設定した価格に対応する。マネージャオプション関数に対する否定訓練データは、マネージャによって設定された最低価格と価格０との間でランダムに生成される。

次いで、オンラインシステムは、需要推定をクライアントから取引要求を受け取る尤度に変換するために尤度モデルを使用する。オンラインシステムは、受入れ推定を、マネージャが与えられた価格でリスティングを価格決定する尤度に変換するために、別個の尤度モデルを使用する。次いで、オンラインシステムは、期限切れ在庫のマネージャのための価格予想を作成してよい。オンラインシステムは、期限切れ在庫の現在の価格よりも高いまたは低い試験価格のセットを生成することによって価格予想を算出する。次いで、オンラインシステムは、期限切れ在庫のリスティングの変更された特徴ベクトルであって各変更された特徴ベクトルが異なる試験価格を有する特徴ベクトルを、需要関数に入力する。同じプロセスが、マネージャオプションモデルに関するいくつかの試験価格および変更された特徴ベクトルを生成するために使用される。需要関数およびマネージャオプション関数はそれぞれ、需要推定および受入れ推定のセットを生成し、オンラインシステムが、尤度モデルを使用してそれらを試験尤度のセットに変換する。

オンラインシステムは、尤度関数によって生成されたデータポイントに基づき関数を適合させてよく、各データポイントは、試験尤度と、結果として試験尤度となる対応する試験価格で構成される。需要関数のデータポイントに適合された関数は、価格の範囲と、結果の予測される尤度であって取引要求を受け取る尤度とを表す。マネージャオプション関数のデータポイントに適合された関数は、価格の範囲と、結果の予測される尤度であってマネージャがその価格で価格予想を受け入れる尤度を表す。次いで、両方の尤度対価格関数が組み合わされて累積尤度関数が作成される。次いで、オンラインシステムは、累積尤度関数を使用して価格予想を作成する。

一実施形態にかかる、予約する期限切れ在庫を使用可能にするオンラインシステムを含むコンピューティング環境のブロック図である。 一実施形態にかかる、オンラインシステムの論理コンポーネントのブロック図である。 一実施形態にかかる、価格決定モジュールのコンポーネントおよび動作を示す図である。 一実施形態にかかる、価格決定モジュールのコンポーネントおよび動作を示す図である。 一実施形態にかかる、価格決定モジュールのコンポーネントおよび動作を示す図である。 一実施形態にかかる、需要関数に関して価格決定モジュールによって使用される訓練データに対するラベル付け論理を示す図である。 一実施形態にかかる、需要関数に関して価格決定モジュールによって使用される訓練データに対するラベル付け論理を示す図である。 一実施形態にかかる、需要関数に関して価格決定モジュールによって使用される訓練データに対するラベル付け論理を示す図である。 一実施形態にかかる、需要関数に関して価格決定モジュールによって使用される訓練データに対するラベル付け論理を示す図である。 一実施形態にかかる、需要関数に関して価格決定モジュールによって使用される訓練データを格納するための例示的なストアを示す図である。 一実施形態にかかる、マネージャオプション関数に関して価格決定モジュールによって使用される訓練データを格納するための例示的なストアを示す図である。 一実施形態にかかる、特徴モデルを示す図である。 一実施形態にかかる、例示的な需要特徴モデルを示す図である。 一実施形態にかかる、例示的な需要特徴モデルを示す図である。 一実施形態にかかる例示的なマネージャオプションモデルを示す図である。 一実施形態にかかる例示的なマネージャオプションモデルを示す図である。 一実施形態にかかる、価格決定モジュールによって使用される需要尤度モデルを示す図である。 一実施形態にかかる、価格決定モジュールによって使用されるマネージャオプション尤度モデルを示す図である。 一実施形態にかかる、リスティングの需要モデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングの需要モデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングの需要モデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングのマネージャオプションモデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングのマネージャオプションモデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングのマネージャオプションモデルを作成するプロセスを示す図である。 一実施形態にかかる、リスティングのモンテカルロ価格決定モデルの作成を示す図である。 一実施形態にかかる、アジリティ価格決定戦略の概念図である。

図面は、本発明のさまざまな実施形態を単に例示を目的として示す。本明細書に示された構造および方法の代替的実施形態が、本明細書に記載された本発明の原理から逸脱することなく採用されてよいことは、以下の説明から当業者には容易に認識されよう。

Ｉ．システム概要
図１は、一実施形態にかかる、購入、レンタル、リース、予約指定などのために期限切れ在庫を提供するためのオンラインシステムを含むコンピューティング環境のブロック図である。ネットワーク１０９は、本明細書ではクライアント１０２Ａと呼ばれる取引の一方の当事者と、本明細書ではマネージャ１０２Ｂと呼ばれる取引の他方の当事者との間の通信経路を表す。

説明を明確にするため、クライアントは、価値の潜在的な買い手、借主、賃借人、予約指定を保持しているクライアント、またはいかなる形式であれ期限切れ在庫に対するアクセスと引き換えに対価を提供する任意の他の当事者を含む。説明を明確にするため、マネージャは、期限切れ在庫のアイテムの売り手、地主および地主の代わりに不動産を管理する不動産所有者、賃貸人、チケット販売員またはレストランもしくはホテル予約係りのような予約指定在庫を管理する者、または（いかなる形式であれ）期限切れ在庫に対するアクセスの提供と引き換えに対価を受け取る任意の他の当事者を含む。取引される期限切れ在庫の種類に応じて、期限切れ在庫は売り、借り、予約指定などされてよい。説明を明確にするために、こうした異なる種類の取引は、可能な種類の取引の集合全体に対する１つの便利な用語を提供するために、本明細書では「予約」と呼ばれる。

オンラインシステム１１１は、ネットワーク１０９を介してクライアントおよびマネージャに関連付けられたコンピューティングデバイス１０１を結合してクライアントとマネージャがネットワーク１０９上で実質的に対話できるようにする、１つまたは複数のコンピューティングデバイスを含む。一実施形態において、ネットワークはインターネットである。ネットワークはまた、必ずしもインターネットの一部ではない専用またはプライベート通信リンク（例えば、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、またはローカルエリアネットワーク（ＬＡＮ））も利用することができる。ネットワークは、標準通信技術および／またはプロトコルを使用する。

コンピューティングデバイス１０１は、オンラインシステム１１３と対話するためにクライアントおよびマネージャによって使用される。コンピューティングデバイス１０１は、オペレーティングシステム、例えば、Ｍｉｃｒｏｓｏｆｔ Ｗｎｄｏｗｓ互換のオペレーティングシステム（ＯＳ）、Ａｐｐｌｅ ＯＳ ＸもしくはｉＯＳ、Ｌｉｎｕｘディストリビューション、またはＧｏｏｇｌｅのＡｎｄｒｏｉｄ ＯＳを実行する。いくつかの実施形態において、クライアントデバイス１０１は、Ｍｉｃｒｏｓｏｆｔ Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ、Ｍｏｚｉｌｌａ Ｆｉｒｅｆｏｘ、Ｇｏｏｇｌｅ Ｃｈｒｏｍｅ、Ａｐｐｌｅ Ｓａｆａｒｉおよび／またはＯｐｅｒａなどのウェブブラウザ１１３を、オンラインシステム１１１と対話するユーザが使いやすいグラフィカルインターフェースとして使用してよい。他の実施形態において、コンピューティングデバイス１０１は、オンラインシステム１１１にアクセスするための専用ソフトウェアアプリケーションを実行してよい。

オンラインシステム１１１は、クライアントとマネージャが期限切れ在庫について取引をするためにそれらのコンピューティングデバイス１０１を介して対話するためのコンピューティングプラットフォームを提供する。オンラインシステム１１１は、例えば、レストラン食事オンラインシステム（または飛行機もしくは列車座席オンラインシステム、ホテルオンラインシステムまたはデイスパオンラインシステムなど、任意の他の種類のオンラインシステム）、相乗り（カープール）オンラインシステム、宿泊施設オンラインシステムなどをサポートしてよい。

オンラインシステム１１１は、期限切れ在庫のリスティングを作成する能力をマネージャに提供する。リスティングは、航空会社オンラインシステムによってオファーされるフライト毎の各飛行機の各座席など、期限切れ在庫の個々のインスタンスに対して作成されてよい。あるいは、リスティングは、特定の在庫について時間に関係なく作成されてよく、そして、リスティングは、それらの単位時間がすでに経過したときに期限切れになる単位時間に取引されてよい。この場合、リスティングは、期限切れ在庫のセットに共通し、セットの期限切れ在庫の各アイテムは、取引される時間／日付範囲に限り他とは異なる。例えば、不動産賃貸システムの場合、リスティングは特定のアパートまたはマンション用にしてよく、クライアントおよびマネージャは、そのアパートまたはマンションと関連付けられた異なる単位時間（例えば、日付）に取引してよい。

一般的に、各リスティングは、必ずではないが、関連する現実世界の地理的位置がそのリスティングと関連付けられる。これは、賃貸する不動産の位置、または予約指定するレストランの位置、および場合により予約指定される固有のテーブルであってよい。オンラインシステム１１１は、マネージャがそのリスティングを管理するのに役立つオンラインソフトウェアツールをマネージャにさらに提供し、このことは、リスティングの実際のおよび予測される需要の情報、ならびにマネージャが特定のリスティングの利用および／または収入を改善するために使用することを選択できる情報をマネージャに与える予想を提供することを含む。

オンラインシステムは、リスティングを探索し、可能な取引に関してマネージャと通信し、取引が行われることを公式または非公式に要求し（例えば、オファーする）、およびリスティングに関する取引を実際に行う（例えば、買う、借りる、予約指定する）能力を、クライアントに提供する。オンラインシステム１１１は、以下に説明される付加的なコンポーネントおよびモジュールを備える。

ＩＩ．オンラインシステム
図２は、一実施形態にかかる、オンラインシステム１１１の論理コンポーネントのブロック図である。オンラインシステム１１１は、フロントエンドサーバ２０１、クライアントモジュール２０３、マネージャモジュール２０５、リスティングモジュール２０７、探索モジュール２０９、取引モジュール２１１、価格決定モジュール２１３、およびデータベース２５０を備える。さらに、オンラインシステム１１１が、本明細書に記載されていない、異なるおよび他のモジュールを含んでもよいことは、当業者には認識されよう。さらに、ファイアウォール、認証システム、支払い処理システム、ネットワーク管理ツール、負荷分散装置など、従来の要素は、本明細書に記載された主題と直接関係あるものではないので、図示されていない。

オンラインシステム１１１は、単一のコンピューティングデバイス、またはクラウドベースのコンピュータ実装を含むコンピューティングデバイスのネットワークを使用して実装されてよい。コンピューティングデバイスは好適には、１つまたは複数の高性能コンピュータプロセッサおよびランダムアクセスメモリを含み、ＬＩＮＵＸまたはその変型などのオペレーティングシステムを実行する、サーバクラスのコンピュータである。本明細書に記載されるように、オンラインシステム１１１の動作は、ハードウェアを通じて、またはソリッドステートドライブもしくは磁気記憶装置など非一時的コンピュータ可読記憶装置にインストールされたコンピュータプログラムを通じて制御され、本明細書に記載された関数を実行するようにプロセッサによって実施されることが可能である。データベース２５０は、非一時的コンピュータ可読記憶装置、ならびにデータアクセスおよび検索に適したデータベース管理システムを使用して実装される。オンラインシステム１１１は、ネットワークインターフェースおよびプロトコル、データエントリ用の入力装置、ならびに表示、印刷またはデータの他の提示用の出力装置を含む、本明細書に記載された動作に必要な他のハードウェア要素を含む。さらに、ここにリスト化された動作は、商業的に有益な時間量で実行されるためにコンピュータによって実施されなければならない頻度およびデータの大規模なセットで必然的に実行され、したがって、どの有益な実施形態においても人間の心の精神的ステップによって実行され得ない。

データベース２５０は、クライアントデータストア２５１、マネージャデータストア２５２、リスティングデータストア２５３、クエリデータストア２５４、取引データストア２５５、および訓練データストア２５６を含む。これらのデータストアが汎用データベースのコンポーネントではないこと、およびデータベース２５０がここでは明示的に言及されてない他のデータストアを含んでよいことは、当業者には認識されよう。データベースは、ＭｙＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ、Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ、Ｏｒａｃｌｅ、ＳＡＰ、またはＩＢＭ ＤＢ２など、任意の適切なデータベース管理システムを使用して実装されてよい。

フロントエンドサーバ２０１は、クライアントおよびマネージャのコンピューティングデバイス１０１がオンラインシステム１１１と通信するために使用するプログラムコードを含み、それを行うための１つの手段である。フロントエンドサーバ２０１は、コンピューティングデバイス１０１にインストールされてよいウェブブラウザソフトウェアアプリケーションなどのユーザエージェントがコマンドを送信してオンラインシステムからデータを受け取ることができるように、ハイパーテキスト転送プロトコル（ＨＴＴＰ）を介してアクセス可能な１つまたは複数のウェブサイトをホストするウェブサーバを含んでよい。フロントエンドサーバ２０１はまた、コンピューティングデバイス１０１にインストールされたソフトウェアアプリケーションがＡＰＩを呼び出してコマンドを送信しオンラインシステムからデータを受け取ることを可能にするアプリケーションプログラミングインターフェース（ＡＰＩ）を使用可能にしてもよい。フロントエンドサーバ２０１は、コマンドおよびデータをオンラインシステム１１１の他のコンポーネントに送って本明細書に記載されたプロセスを実施しそれによりコンピューティングデバイス１０１に応答するプログラムコードをさらに含む。

ＩＩ．Ａ クライアントおよびマネージャ
クライアントモジュール２０３は、クライアントがそれらとオンラインシステム１１１との対話を管理することを可能にし、オンラインシステム１１１の他のコンポーネントによって要求されてよいクライアントに関係する情報の処理論理を実行するプログラムコードを備え、それを行うための１つの手段である。各クライアントは、オンラインシステム１１１において、固有のクライアントＩＤおよびクライアントプロファイルを有し、その両方がクライアントストア２５１に格納された個々のクライアントオブジェクトによって表される。クライアントプロファイルは、プロファイルピクチャおよび／または他の識別情報、地理的位置、ならびにクライアントカレンダを含んでよい、いくつかのクライアントに関係する属性フィールドを含む。クライアントモジュール２０３は、クライアントがそれらのクライアントプロファイルを設定して変更するためのコードを提供する。オンラインシステム１１１は、クライアントが複数のマネージャと通信することを可能にする。オンラインシステム１１１は、クライアントがマネージャと通信、取引の要求、および取引を交換することを可能にする。

クライアントの地理的位置は、（例えば、それらのコンピューティングデバイス１０１によって提供される情報に基づく）クライアントの現在の位置、またはそれらの手動で入力された居住地の自宅住所、近隣地、都市、州、もしくは国である。クライアント位置は、特定のクライアントに関連する期限切れ在庫の探索基準をフィルタにかけるために、またはデフォルト言語選択を割り当てるために使用されてよい。

マネージャモジュール２０５は、マネージャがそれらとオンラインシステム１１１との対話およびリスティングを管理することを可能にするユーザインターフェースを提供し、オンラインシステム１１１の他のコンポーネントによって要求されてよいマネージャに関係する情報の処理論理を実行するプログラムコードを備え、それを行うための１つの手段である。各マネージャは、オンラインシステム１１１において、固有のマネージャＩＤおよびマネージャプロファイルを有し、その両方がマネージャストア２５２に格納された個々のマネージャオブジェクトによって表される。マネージャプロファイルは、マネージャによって所有または管理される１つまたは複数のリスティングと関連付けられ、マネージャによって管理されるリスティングのそれぞれについての取引要求およびリスティングカレンダのセットを含む、いくつかのマネージャ属性を含む。マネージャモジュール２０５は、マネージャがそれらのマネージャプロファイルおよびリスティングを設定し変更するためのコードを提供する。オンラインシステム１１１のユーザは、マネージャとクライアントの両方であり得る。この場合、ユーザは、クライアントストア２５１とマネージャストア２５２の両方のプロファイルエントリを有し、クライアントオブジェクトとマネージャオブジェクトの両方によって表される。オンラインシステム１１１は、マネージャがマネージャとの通信、取引の要求の応答、および取引の交換をすることを可能にする。

クライアントもしくはマネージャプロファイルの一部として含まれる、または取引を実施するために送信される任意の個人識別情報が、ユーザプライバシおよび保護のために暗号化される。例えば、マネージャが宿泊施設へのアクセスを許可してクライアントがそのアクセスに対して支払う取引が完了すると、取引情報が暗号化されて取引履歴情報としてデータベース２５０に格納される。

ＩＩ．Ｂ リスティング
リスティングモジュール２０７は、マネージャがクライアントによって予約される期限切れ在庫をリスト化するためのプログラムコードを備え、それを行うための１つの手段である。リスティングモジュール２０７は、オファーされる在庫を記述するマネージャからのリスティング、開始日、終了日、開始時間、および終了時間のうちの１つまたは複数を含むその可用性の時間フレーム、価格、地理的位置、在庫を特徴付ける画像および記述、ならびに任意の他の関連情報を受け取るように構成される。例えば、宿泊施設オンラインシステムの場合、リスティングは、宿泊施設の種類（例えば、家、アパート、部屋、睡眠場所など）、そのサイズの表現（例えば、面積または部屋数）、宿泊施設が使用可能な日付、および価格（例えば、一泊、週、月当たりなど）を含む。リスティングモジュール２０７は、ユーザがビデオ、写真、および他の媒体のような在庫に関する付加的な情報を含めることを可能にする。

各リスティングは、オンラインシステムにおいて、マネージャによって提供されるリスティングの情報、および固有のリスティングＩＤを含み、その両方がリスティングストア２５３に格納される、リスティングオブジェクトによって表される。各リスティングオブジェクトはまた、リスティングを提供するマネージャのマネージャオブジェクトと関連付けられる。

具体的にリスティングの地理的位置に関して、リスティングと関連付けられた位置は、オファーされたリスティングの完全な住所、近隣地、都市、および／または国を特定する。リスティングモジュール２０７はまた、外部で使用可能な地理的地図情報を使用して、１つの種類の位置情報（例えば、郵送先住所）を別の種類の位置情報（例えば、国、州、都市、および近隣地）に変換する能力がある。

具体的にリスティングの価格に関して、価格は、在庫の取引を完了するためにクライアントが支払う必要がある金額である。価格は、1回限りの料金、１日当たり、１週間当たり、１日当たり、１月当たり、および／もしくは１シーズン当たりの金額として指定されるか、またはマネージャによって他の時間間隔にしてよい。さらに、価格は、付加的な課金、例えば、宿泊施設在庫の場合、クリーニング料金、ペット料金、サービス料金、および税金などを含んでよい。

各リスティングオブジェクトは、関連付けられたリスティングカレンダを有する。リスティングカレンダは、マネージャによって指定されるまたは（例えば、カレンダインポートプロセスを通じて）自動的に決定されるように、（それぞれが期限切れ在庫の独立したアイテムと考えられてよい）時間期間の時間間隔毎のリスティングの可用性を格納する。すなわち、マネージャは、リスティングのリスティングカレンダにアクセスして、リスティングがクライアントによる取引に使用可能である時間間隔、マネージャによって使用不可としてブロックされた時間間隔、およびクライアントによってすでに取引がされた時間間隔を手動で示す。さらに、リスティングカレンダは、クライアントによって予約された、ブロックされた、または使用可能な過去の時間間隔を識別することによってリスティングの可用性に関する履歴情報の格納を継続する。さらに、リスティングカレンダは、カレンダルール、例えば、在庫に許容される宿泊の最小日数および最大日数を含むことができる。各リスティングカレンダからの情報は、リスティングテーブル２５３に格納される。

ＩＩ．Ｃ 探索、要求および取引
探索モジュール２０９は、クライアントから入力探索クエリを受け取って入力クエリにマッチする期限切れ在庫および／またはリスティングのセットを返すように構成されたプログラムコードを備え、この関数を実行するための１つの手段である。探索クエリは、オンラインシステム１１３によってクエリストア２５４に格納されるクエリオブジェクトとして保存される。クエリは、探索位置、所望の開始時間／日付、所望の期間、所望のリスティング種類、および所望の価格範囲を含んでよく、リスティングの他の所望の属性を含んでもよい。潜在的なクライアントは、探索モジュール２０９から結果を受け取るために上記のクエリのすべてのパラメータを提供する必要はない。探索モジュール２０９は、提出されたクエリのパラメータを満たす提出されたクエリに応答した期限切れ在庫および／またはリスティングのセットを提供する。オンラインシステム１１１はまた、クライアントが探索クエリを提出せずにリスティングを閲覧することを可能にし、この場合、記録される一覧データは、提出された探索クエリよりも詳細なしに特定のリスティングをクライアントが一覧したことのみを示す。可能な取引をより入念に見直すために、クライアントが期限切れ在庫／リスティングを選択する入力を提供すると、探索モジュール２０９は、クライアントが一覧した在庫／リスティングを示す選択／一覧データを記録する。この情報もクエリデータストア２５４に格納される。

取引モジュール２１１は、クライアントが期限切れ在庫を取引するために取引契約要求（公式な要求とも呼ばれる）を提出できるように構成されたプログラムコードを備え、この関数を実行するための１つの手段である。動作において、取引モジュール２１１は、特定のマネージャによってオファーされたリスティングの特定の日付範囲など、期限切れ在庫のアイテムを取引する取引要求をクライアントから受け取る。取引要求は、クライアントによって送信される標準化された要求書式であってよく、マネージャによる要求への応答によって、受け取られた要求書式を受け入れるかまたは拒否するかのいずれかによって、マネージャとクライアントとの間の合意条件に達するように変更されてよい。受け取られた要求に対する変更は、例えば、日付、価格、または時間／日付範囲を変化させる（したがって、効果的に、期限切れ在庫が取引される）ことを含んでよい。標準化された書式は、クライアントが開始時間／日付、期間（もしくは終了時間）、またはそれ以上やりとりをせずに拘束力を持つ受入れに含まれなければならない任意の他の詳細を記録することを必要とする可能性がある。

取引モジュール２１１は、クライアントから記入済みの書式を受け取り、予約パラメータを含む完成された要求書式を、リスティングと関連付けられたマネージャに提示する。マネージャは、要求を受け入れること、要求を拒否すること、またはパラメータのうちの１つまたは複数を変更する提案された選択肢を提供することができる。マネージャが要求を受け入れると（またはクライアントが提案された選択肢を受け入れると）、取引モジュール２１１は、要求が受け入れられたことを示すように、要求および期限切れ在庫と関連付けられた受入れ状況を更新する。クライアントカレンダおよびリスティングカレンダも、期限切れ在庫が特定の時間間隔で取引されたことを反映するように更新される。次いで、本明細書に具体的に記載されてない他のモジュールが、クライアントに支払いを完了させ、マネージャに支払いを受け取らせる。

取引ストア２５４は、クライアントによって行われた要求を格納し、この関数を実行するための１つの手段である。各要求は、要求オブジェクトによって表される。要求は、タイムスタンプ、要求された開始時間、および要求された期間または予約指定終了時間を含んでよい。マネージャによる予約の受入れが、マネージャが期限切れ在庫を指定された時間にクライアントに提供するという契約上拘束力を持つクライアントとの合意であるため、マネージャがそのような合意を承認するために必要とする情報のすべてが、要求に含まれる。要求に対するマネージャ応答は、受入れまたは拒否を示す値、およびタイムスタンプから構成される。

取引モジュール２１１はまた、取引するための非公式な要求を交換する能力をマネージャおよびクライアントに提供してもよい。非公式な要求は、受入れられてもクライアントまたはマネージャを拘束するには十分ではなく、内容に関して、単なるやりとりおよび在庫の可用性に関する一般的な問い合わせから、オンラインシステム１１１が公式な取引要求に示すどのような特定の要件にもわずかに及ばない要求まで、さまざまな場合がある。取引モジュール２１１はまた、非公式と公式の両方の要求が期限切れ在庫の需要についての有益な情報を提供するので、非公式な要求を取引ストア２５４に格納してもよい。

価格決定モジュール２１３は図３に関してすぐ下に説明される。

ＩＩＩ．需要予測
ＩＩＩ．Ａ 概要
図３Ａは、一実施形態にかかる、価格決定モジュールのコンポーネントおよび動作を示すフロー図である。リスティングの価格予想を作成するために、価格決定モジュール２１３は、需要およびいくつかの潜在的価格での受入れの尤度を推定しなければならない。リスティングのマネージャに関する所与の価格でのリスティングの受入れの尤度を表すモデルおよび関数は「マネージャオプション」モデルおよび関数と呼ばれる。というのは、それらは、価格予想によって示された価格でリスティングを価格決定することによってシステム１１１によって提供された価格予想を受け入れるかそれとも受け入れないかのオプションをリスティングのマネージャが行使する尤度を推定するからである。

オンラインシステム１１１における期限切れ在庫に関する需要および受入れを予測するために、価格決定モジュール２１３は、複数の需要特徴モデル３０５、マネージャオプション特徴モデル、需要関数３００、マネージャオプション関数３０３、需要尤度モデル３１０、マネージャオプション尤度モデル３１５、需要価格決定モデル３２０、マネージャオプション価格決定モデル３２５、およびモンテカルロ価格決定モデル３２７を含む、モデルおよび関数のシーケンスを使用する。

価格決定モジュール２１３は、訓練ストア２５６から取り出される訓練データのセットを使用して需要特徴モデル３０５を訓練する。特徴モデル３０５は、リスティングストア２２３のリスティングと関連付けられた期限切れ在庫の需要推定を決定するために需要関数３００の一部として使用される。需要推定は実際には、無単位の数値であってよいが、需要尤度モデル３１０は、需要推定を使用して、所与の期限切れ在庫が期限切れの前に取引要求を受け取る尤度を決定することができる。需要価格決定モデル３２０は、モデル３１０によって生成された尤度を利用して、期限切れ在庫が多数の異なる試験価格で取引要求を受け取る尤度を予測し、したがって、価格（または特徴モデル３０５からの任意の他の特徴）の変化が、期限切れの前に期限切れ在庫が取引要求を受け取る尤度をどのように変えることが期待されるかに関する情報を提供することができる。

価格決定モジュール２１３は、価格決定アルゴリズムのマネージャオプションコンポーネントに対して同様のプロセスを使用する。価格決定モジュール２１３は、マネージャオプション訓練データを使用してマネージャオプション特徴モデル３０７を訓練し、次いで、マネージャオプション特徴モデル３０７は、マネージャオプション関数３０３の一部として使用される。マネージャオプション関数３０３は、リスティングのマネージャが所与の価格で所与の特徴ベクトルを用いてリスティングを価格決定するかどうかに関する無単位の推定を提供する。次いで、マネージャオプション関数３０３の出力が、マネージャオプション尤度モデル３１５によって尤度値に変換される。次いで、マネージャオプション価格決定モデル３２５は、マネージャが多くの異なる試験価格でリスティングについての価格予想を受け入れる尤度を予測することができる。これは、価格予想を受け入れるマネージャの判断に影響を価格予想の変化がどのように影響を与えるかに関する情報を提供する。

次いで、価格決定モジュール２１３は、需要価格決定モデル３２０およびマネージャオプション価格決定モデル３２５からモンテカルロ価格決定モデル３２７を作成する。モンテカルロ需要モデル３２７は、両方のモデルを組み合わせて価格予想を決定し、これは、リスティングが取引要求を受け取るという結果となる可能性が高いと共に、リスティングのマネージャによって受け入れられる可能性が高い。

価格決定モジュール２１３は、リスティングがリスティングストア２２３でいくつかの特徴で表される、関連付けられたリスティングからの個々の期限切れ在庫に関するデータで動作する。需要を予測するために、価格決定モジュール２１３は、そのような在庫の多くを集約して分析し、需要分析の集約のレベルは、実装によって異なってよい。例えば、需要予測は、オンラインシステム１１１上のすべてのリスティングにわたるすべてのデータが分析されるように、システムワイドにしてよい。あるいは、より小さいグループのデータが別個に分析されてよい。例えば、オンラインの宿泊施設システムは、シカゴの大都市圏のすべての予約指定リスティング、ケンタッキー州のすべての予約指定リスティング、または国立公園の特定の近接範囲内のすべてのリスティングについての期待される需要を別個に分析してよい。次いで、これらの局所的な需要の推定は、そのような特定の地域の需要を予測するために使用される。等価なプロセスが、マネージャが価格予想を受け入れるオプションを行使して、予想に含まれる価格でリスティングを価格決定することを選択するかどうかを予測するためにも使用される。

特徴を論じるとき、ｍは、リスティングを記述する特徴の数を表し、個々の特徴は、ｆ₁，ｆ₂，ｆ₃，…，ｆ_mとして表され、リスティングの特徴のすべてのセットは、特徴ベクトルｆによって表される。所与のリスティングについての任意の所与の特徴の値は、整数、浮動小数点数、もしくはバイナリ値などであってよく、または分類別であってよい。共通の特徴は、リスティングの価格と、在庫が期限切れになるまでの残り時間とを含む。需要関数およびマネージャオプション関数は、同じ特徴ベクトルｆを利用してよく、またはそれらは、需要関数に対する特徴ｆ_Dおよびマネージャオプションモデルに対する特徴ｆ_Aの異なるセットでそれぞれ作用してよい。いくつかの特徴は、ｆ_Dとｆ_Aの両方に含まれてよい。さまざまな関数およびモデルを訓練するために使用され、また価格決定モジュール２１３を使用して期限切れ在庫についての有益な情報を取得するために使用される、サンプル訓練データの個々のインスタンスの構造についてのより多くの情報に関しては、以下の節ＩＩＩ．Ｃを参照されたい。

価格特徴は、マネージャによってリスティングがオファーされる価格である。例えば、オンライン宿泊施設システムの場合、価格特徴の値は、クライアントが特定の日に宿泊施設を予約するためのリスト化された価格となる。リスティングのマネージャは、リスティングの期限切れ時間の前に価格を変化させてよく、したがってリスティングは、それが期限切れになる前に複数の価格を有していてよい。

期限切れまでの時間特徴は、期限切れ在庫の期限切れの前の、時間間隔の数または時間の期間として定義される。実装に応じて、これは、日、時間、分などであってよい。オンライン宿泊施設システムの例を再度使用すると、個々の期限切れ在庫の「期限切れ」は、リスティングが予約されようとする日となる。例えば、１２月２０日に宿泊施設を予約指定するリスティングは、１２月２０日に期限切れになり、したがって、期限切れまでの時間特徴の値は、現在の日付から１２月２０日までの日数となる。この場合、オンライン宿泊施設システムでの予約が典型的には日ベースで行われるため、使用される時間間隔は１日である。しかしながら、オンラインレストラン予約システムの場合、レストラン予約がより高い頻度でより狭い時間窓において発生するため、時間間隔を１時間にすることが好ましい可能性がある。

オンラインシステム１１１の期限切れ在庫のリスティングは、価格および期限切れまでの時間特徴に加え、任意の数の特徴を有してよい。これらの付加的な特徴は、オンラインシステム１１１の実装に依存し、期限切れ在庫またはリスティングを記述する。例えば、オンライン宿泊施設システムにおいて、リスティングは、リスト化された宿泊施設の平均的クライアント評価、リスト化された宿泊施設の地理的位置、リスト化された宿泊施設のベッドの数、リスト化された宿泊施設が無線ルータを有するかどうか、またはリスト化された宿泊施設の任意の他の関連属性を表す特徴を有することがある。さらに、特徴は、リスティング自体の品質、例えば、リスティングが受け取った一覧の数、リスティングの宿泊施設の記述の長さ、リスティングを予約する要求が受け入れられる前にリスティングのマネージャによって見直されるかどうか、またはオンラインリスティングの任意の他の品質を含んでよい。リスティングの特徴はまた、マネージャ属性を記述する特徴、例えば、マネージャの評価、マネージャがオンラインシステムを使用している時間の長さなどを含んでもよい。

特徴はまた、リスティングに関連するが個々のリスティングには直接関係付けられていない特徴を含んでもよい。これらの特徴は、例えば、在庫がアクティブであった（すなわち、まだ期限切れでない、またはそれが期限切れになる時間に近い）間に、その在庫の所与のアイテムに関係付けられたリスティングの市場の状態についての情報を提供してよい。そのような特徴の例は、その在庫と同じ市場の他の在庫の市場でオンラインシステム１１１のクライアントによって実行された探索の数である。例えば、オンライン宿泊施設システムの場合、特徴は、サンフランシスコノイバレー近隣におけるその近隣に位置する在庫のアイテムと関係する宿泊施設についてのその日の探索の数であってよい。別の可能な特徴は、注目すべき出来事（例えば、スーパーボウル）が時間および地理的位置に関して在庫に十分近接して発生するかどうかを示すバイナリ特徴であってよい。

さらに、特徴は、複数の他の特徴の間の相互作用または他の特徴の導関数を記述してよい。例えば、リスティングのそれが予約された時間とそれがリスト化された時間との間の平均価格を算出されてよい。あるいは、特徴は、２つの他の特徴の値の間の相関値を含むことがある。

需要関数３００およびマネージャオプション関数３０３は、需要推定または受入れ推定をそれぞれ作り出すためにリスティングの特徴値を使用する任意の関数または統計モデルであってよい。需要推定は、リスティングの需要に正に相関付けられた無単位の値であり、受入れ推定は代わりに、入力特徴ベクトルが与えられてリスティングのマネージャが価格予想を受け入れる尤度に正に相関付けられた同様の無単位の値である。一実装において、需要関数およびマネージャオプション関数３０３は、特徴の特徴モデルを一緒に適合させて需要推定または受入れ推定に対するその特徴の寄与を決定することによって作成される一般化加法モデルである。一般化加法モデルを使用する需要関数３００は、Ｄ（ｆ）＝ｗ₁（ｆ₁）＋ｗ₂（ｆ₂）＋…＋ｗ_m（ｆ_m）の形式からなる。ここで、Ｄ（ｆ）は、需要関数３００であり、また出力需要推定でもあり、ｗ₁，ｗ₂，…，ｗ_mは、各特徴値ｆ₁，ｆ₂，…，ｆ_mのそれぞれのＤ（ｆ）に対する寄与を決定する特徴モデル３０５のそれぞれの重み関数である。一般化加法モデルを使用するマネージャオプション関数は、同じ形式、例えば、Ａ（ｆ）＝ｗ₁（ｆ₁）＋ｗ₂（ｆ₂）＋…＋ｗ_m（ｆ_m）となる。マネージャオプションモデルはまた、上述されたように異なる特徴を有してよく、いずれにせよ、需要関数と異なる重みを有するであろう。一般化加法モデルの適合は、確率的勾配降下法、ｋｄ木、ベイズ、またはバックフィッティングアルゴリズムを含むいくつかのフィッティングアルゴリズムを使用して達成されてよい。これらのアルゴリズムは、特徴モデル３０５と前の期限切れ在庫の訓練データのラベルとの間の部分残差の何らかの損失関数を低減するために、特徴モデル３０５を反復的に適合させるために使用される。

需要特徴モデル３０５は、期限切れの前に期限切れ在庫が取引要求を受け取る尤度で特徴の効果を示す重みに特徴値を関係付ける任意のノンパラメトリック統計モデルであってよく、そのモデルは、需要推定Ｄ（ｆ）に関係付けられる。各特徴の特性に応じて、その特徴の可能な値に関する訓練データに基づいて、異なる統計モデルが各特徴に適合されてよい。例えば、Ｂ−スプライン、３次スプライン、線形フィット、二変量平面フィット、区分定数関数などがすべて使用されてよい。特徴自体を定義するために、教師ありと教師なしの両方の機械学習技術を使用して、一般化加法モデルを訓練する前に最初に特徴を決定してよい。教師あり学習技術の場合、訓練は、一般化加法モデルを訓練するために代わりに使用されるような、訓練データのラベル以外の何らかの他の信号に基づいてよい。同様に、マネージャオプション特徴モデル３０７が、異なる訓練データを使用して同じやり方で作成されてよく、マネージャが所与の価格でリスティングの価格予想を受け入れる尤度で特徴の効果を示す重みが代わりに与えられる。

需要訓練データに関して、肯定ラベルが、期限切れの前にクライアントから取引要求を受け取った前の期限切れ在庫（本明細書では訓練期限切れ在庫と呼ばれる）に割り当てられ、否定ラベルが、取引要求を受け取らずに期限切れになる訓練期限切れ在庫に割り当てられる。マネージャオプション訓練データに関して、肯定ラベルは、所与の価格でリスティングについて取引が受け取られるときにいつでも割り当てられる。否定ラベルは、ランダムに生成された価格決定データに割り当てられ、生成された価格は、肯定訓練ラベルと関連付けられた最低価格よりも低い。訓練データ構造と特徴モデルの訓練のさらなる考察は、それぞれ節ＩＩＩ．Ｃと節ＩＩＩ．Ｄにおいて、図４Ａないし図７Ｄを参照して提供される。

需要推定Ｄ（ｆ）に戻ると、需要推定は、訓練データを使用した検証なしに作動できない無単位の測定である。例えば、特定の特徴ベクトルｆ_aについてのＤ（ｆ_a）の値は、０．７３５となることがある。この情報単独では、需要関数３００のどの値が、クライアントから期限切れ在庫の取引要求をその期限切れ前に受け取る尤度と対応するかを決定しなければ役立たない。需要尤度モデル３１０は、特徴ベクトルｆを有するリスティングを所与として、取引要求を受け取る尤度Ｐ（Ｄ（ｆ））に需要推定Ｄ（ｆ）をマッピングすることによってこの問題を解決する統計モデルである。需要尤度モデル３１０は、需要関数Ｄ（ｆ）を訓練するために使用される各特徴ベクトルｆの同じ肯定および否定訓練ラベルを使用することによって訓練される。需要尤度モデル３１０のさらなる考察は、図８Ａを参照して節ＩＩＩ．Ｅにおいて説明される。同様に、マネージャオプション関数３０３によってもたらされる受入れ推定Ａ（ｆ）は、マネージャが価格予想を受け入れる尤度を直接示さない。したがって、等価なマネージャオプション尤度モデル３１５Ｐ（Ａ（ｆ））が展開され、図８Ｂを参照して節ＩＩＩ．Ｅにおいて説明される。

需要価格決定モデル３２０は、リスティングの現在の価格に近いさまざまな試験価格（または任意の他の任意に選ばれる要求価格）でのリスティングの取引要求を受け取る尤度をモデル化する。価格決定モジュール２１３は、リスティングの現在の価格で取引要求を受け取る尤度を表す開始データポイントの周辺の試験データを生成する需要価格決定モデル３２０を生成する反復プロセスを使用する。価格決定モジュール２１３は、同じプロセスを利用して、マネージャがさまざまな試験価格で価格種類を受け入れる尤度をモデル化するマネージャオプション需要モデル３２５を作成する。このプロセスは、以下の節ＩＩＩ．Ｂで概説され、図９を参照して節ＩＩＩ．Ｆでさらに説明される。

ＩＩＩ．Ｂ 例示的なプロセスフロー
図３Ａはまた、図面におけるモデル、関数、およびデータストアのそれぞれの間の矢印に従って、期限切れ在庫について、需要関数３００および需要尤度モデル３１０ならびにマネージャオプション関数３０３およびマネージャオプション尤度モデル３１５を訓練するためのプロセスフローを示す。価格決定モジュール２１３は、訓練ストア２５６からの訓練データを使用して、特徴モデル３０５および３０７の訓練３３０および３３５を行う。次いで、価格決定モジュール２１３は、訓練データの各サンプルの特徴ベクトル毎の需要関数３００およびマネージャオプション関数３０３を評価し、各サンプルの特徴ベクトル毎のラベルに基づいて対応する尤度モデル３１０または３１５の訓練３４０および３４５を行う。

図３Ｂは、リスティングの価格をそれが取引要求を受け取る尤度に関係付けるモデル、すなわち需要価格決定モデル３２０を作成するプロセス、およびリスティングの価格を、リスティングのマネージャが価格予想をリスティングのその価格で受け入れる尤度に関係付けるモデル、すなわちマネージャオプション価格決定モデル３２５を作成するプロセスを示す。価格決定モジュール２１３が、需要関数３００および需要尤度モデル３１０ならびにマネージャオプション関数３０３およびマネージャオプション尤度モデル３１５を訓練した後、価格決定モジュール２１３は、需要価格決定モデル３２０およびマネージャオプション価格決定モデル３２５を作成する。リスティングの価格が与えられて目的のリスティングの需要を予測するオンラインシステム１１１からの命令を受け取ると、価格決定モジュール２１３は、リスティングテーブル２２３から目的のリスティングｆ_sに対応する需要特徴ベクトルを取り出し３５０、それを需要関数３００への入力として使用する。次いで、価格決定モジュール２１３は、結果の需要推定Ｄ（ｆ_s）を、期限切れの前に取引要求を受け取る尤度への変換のために需要尤度モデル３１０に送信３６０する。次いで、価格決定モジュール２１３は、結果の尤度Ｐ（Ｄ（ｆ_s））を、リスティングの価格決定の変化がリスティングの需要をどのように変えられるかをモデル化するのに使用される需要価格決定モデル３２０に転送３７０してよい。

需要価格決定モデル３２０を生成するために、価格決定モジュール２１３は次いで、特徴ベクトルｆ_sの価格特徴の値を、試験価格を作成する正方向と負方向の両方で、価格間隔で価格特徴をインクリメントすることによって変更３８０し、それにより、それぞれの試験価格に等しい価格特徴の値を含む変更された特徴ベクトルｆ_s ⁽¹⁾およびｆ_s ^(-1)を作成する。変更された特徴ベクトルにおいて、価格以外の他のすべての特徴値は変更されないままである。次いで、新しい特徴ベクトルのそれぞれの取引要求を受け取る尤度Ｐ（Ｄ（ｆ_s ⁽¹⁾））およびＰ（Ｄ（ｆ_s ^(-1)））は、需要関数３００および尤度モデル３１０によって算出され、リスティングの元の尤度Ｐ（Ｄ（ｆ_s））を用いてグループ化される。次いで、価格決定モジュール２１３は、特徴ベクトルｆ_s ⁽²⁾およびｆ_s ^(-2)の付加的な試験価格を作成するために価格間隔で価格特徴のインクリメントを継続し、入力価格を取り入れ出力尤度を生成する単調減少関数に適合するように十分なデータポイントが作成されるまで、プロセスが反復される。

価格決定モジュール２１３は、ステップ３５５、３６５、３７５、および３８５を含むプロセスを使用し、これらはステップ３５０、３６０、３７０、および３８０にそれぞれおおむね対応し、マネージャオプション需要モデル３２５を訓練する。マネージャは典型的には予想を受け入れる可能性が高いので、それがより高い価格を示す（マネージャ受入れの尤度が価格と共に増大する）場合、単調増加関数がマネージャオプション需要モデル３２５に適合してよい。

より具体的には、ステップ３５５において、価格決定モジュール２１３は、リスティングテーブル２２３から目的のリスティングｆ_sに対応するマネージャオプション特徴ベクトルを取り出し３５５、それをマネージャオプション関数３０３への入力として使用する。次いで、価格決定モジュール２１３は、結果の受入れ推定Ａ（ｆ_s）を、特徴ベクトルｆ_sで示される価格でリスティングの価格予想を受入れる尤度への変換のためにマネージャオプション尤度モデル３１５に送信３６５する。次いで、価格決定モジュール２１３は、価格予想に表示されるリスティングの価格決定の変化が、マネージャが価格予想を受け入れしたがって算出された価格でリスティングを成功裏に価格決定する尤度をどのように変えられるかをモデル化するのに使用される、マネージャオプション価格決定モデル３２５に対して、結果の尤度Ｐ（Ａ（ｆ_s））を転送３７５してよい。

マネージャオプション価格決定モデル３２５を生成するために、価格決定モジュール２１３は、特徴ベクトルｆ_sの価格特徴の値を、試験価格を作成する正方向と負方向の両方で、価格間隔で価格特徴をインクリメントすることによって変更３８５し、それにより、それぞれの試験価格に等しい価格特徴の値を含む変更された特徴ベクトルｆ_s ⁽¹⁾およびｆ_s ^(-1)を作成する。変更された特徴ベクトルにおいて、価格以外の他のすべての特徴値は変更されないままである。次いで、新しい特徴ベクトルのそれぞれの受入れの尤度Ｐ（Ａ（ｆ_s ⁽¹⁾））およびＰ（Ａ（ｆ_s ^(-1)））は、マネージャオプション関数３０３およびマネージャオプション尤度モデル３１５によって算出され、リスティングの元の尤度Ｐ（Ａ（ｆ_s））を用いてグループ化される。次いで、価格決定モジュール２１３は、特徴ベクトルｆ_s ⁽²⁾およびｆ_s ^(-2)の付加的な試験価格を作成するために価格間隔で価格特徴のインクリメントを継続し、入力価格を取り入れ出力尤度を生成する単調減少関数に適合するように十分なデータポイントが作成されるまで、プロセスが反復される。

図３Ｃは、モンテカルロ価格決定モデル３２７を使用してリスティングを価格決定するプロセスを示す。需要価格決定モデル３２０およびマネージャオプション需要モデル３２５の両方について閾値数の価格決定点に到達すると、価格決定モジュール２１３は、２つのモデルを、所与の価格で取引要求を受け取る尤度とマネージャが所与の価格で価格予想を受け入れる尤度との両方を表す累積尤度モデルに組み合わせる３９０。累積モデルはモンテカルロ需要モデル３２７と呼ばれる。モンテカルロ需要モデル３２７は、リスティングを価格決定するおよび／または予約の特定の尤度を達成するやり方の新しい予想を識別するために使用されてよい。

より一般的には、需要に基づく尤度推定を生成する価格決定モジュール２１３の能力が、期限切れ在庫の価格を選択するときにマネージャが考慮に入れられる情報を期限切れ在庫のマネージャに提供する一方、マネージャオプションに基づく尤度が、マネージャに対するより適切な価格種類をオンラインシステムが生成することを可能にする。

ＩＩＩ．Ｃ 訓練データラベル
ＩＩＩ．Ｃ．１ 訓練データ収集
図４Ａないし図４Ｄは、一実施形態にかかる、価格決定モジュール２１３によって使用される需要訓練データのラベル付け論理を示す。図４Ａにおいて、１日の時間間隔を有するリスティングカレンダが示されている。これは、リスティングが日ベースで（クライアントは、隣接する複数日でリスティングの予約を要求する場合もあるが）クライアントによって予約がオファーされることのみを意味する。図４Ａは、取引ストア２５５から取り出されて訓練データとして使用するために別個にストア２５６に転送されてよい、予約履歴データから訓練データがサンプリングされる方法を示す。図４Ａに示されたタイムラインは、単一のリスティングから取られたデータを表す。リスティングは、１０月２４日の期限切れ時間（または期限日）４００、１０月２日の開始リスティング時間（開始リスティング日）４１０、および１０月１５日の要求が受け取られて受け入れられる時間（または日）を有する。

リスティングの期限切れ時間４００は、期限切れ在庫がオンラインシステム１１１によってもはや使用できないまたはクライアントに提示されない時間である。オンライン予約指定システムにおいて、期限切れ時間４００は典型的には、予約指定が始まる時間である。

開始リスティング時間４１０は、リスティングが最初にクライアントに使用可能になる時間、および／またはリスティングがマネージャによってオンラインシステム１１１に提供された最初の日である。

要求が受け取られて受け入れられた時間４２０は、クライアントからの取引要求がマネージャによって受け取られると共に（公式に）受け入れられた時間であり、一般的に双方の当事者が契約上拘束力を持つ取引を行う。

図４Ａの例において、訓練データの別個のサンプルは、開始リスティング日４１０と要求が受け取られて受け入れられた日４２０との間の日毎に訓練ストア２５６に記録４３０される。各サンプルは、リスティングが記録された日のリスティングの特徴ベクトルｆで構成される。サンプルのラベルは、リスティングの最終結果が分かるまで適用されない。図４Ａの例において、１０月２日ないし１０月１５日のそれぞれのサンプルは、受け入れられる要求に対応する肯定ラベルが与えられ、その理由は、リスティングの最終結果が、要求が受け取られて受け入れられた日４２０における要求およびその要求のその後の受入れであったからである。

いくつかの実施形態において、リスティングがすでに受け入れられてもはやオンラインシステム１１１でクライアントに提示されていないので、４２０と期限日４００との間の日のどのサンプルも収集されない。これは、例えば、期限切れ在庫が固有であれば発生してよい。期限切れ在庫が固有でない（例えば、フライトにおける複数のほぼ同一の座席）とき、システムはリスティングを持続させることができ、したがって期限切れ在庫が使い果たされまたは期限切れになるまでの時間中、より多くのデータが収集されることができる。いくつかの実施形態において、システムは、同じ価格を共有し、各固有でないリスティングをいくつかの同一の特徴を有する固有のリスティングとして扱う複数のリスティングを定義する。リスティングのグループのメンバーの予約は、グループのリスティングのうちの１つに適用されて、残りのリスティングは、持続が可能にされる。

リスティングが使用可能である間に時間間隔毎の訓練データのサンプルを記録することにより、可用な全期間にわたって集約される受け入れられる取引要求毎に１つのみのデータポイントを収集することに比べると、分析のために価格決定モジュール２１３に使用可能なデータポイントの数が大幅に増加する。

図４Ｂは、予約履歴データからの訓練データのラベル付けサンプルの第２の例示的な結果を示す。図４Ｂに示されたケースでは、期限日４００および開始リスティング日は図４Ａと同じものである。しかしながら、図４Ｂにおいて、リスティングが開始リスティング日４１０から期限日４００まで使用可能であったにもかかわらず、リスティングのどの取引要求も受け取られなかった。結果として、リスティングが使用可能であった日に得られたすべてのサンプル４４０は、期限切れ在庫が期限切れになる前にリスティングの取引要求が受け取られなかったことを示す否定訓練ラベルでラベル付けされる。

取引要求を受け取ったリスティングとさらに取引要求を受け取ってないリスティングとの両方の訓練データのサンプルを取得すること、ならびにそれらの異なるラベル付けにより、取引要求を受け取ったリスティングのみを考慮するモデルに比べると、価格決定モジュール２１３に使用可能なデータ量がさらに増加する。

図４Ｃは、予約履歴データからの訓練データのサンプルの取得およびラベル付けのより複雑な第３の例示的な結果を示す。図４Ｃにおいて、期限日４００および開始リスティング日４１０は、前の２つの例と同じものである。しかしながら、図４Ｃにおいて、リスティングのマネージャは、１０月１５日の取引要求を受け取るがその後、要求を拒否４５０する。これは、さらに取引要求を受け取るためにリスティングを使用可能なままにする。取引要求はこれ以上、要求拒否日４５０と期限日との間に受け取られない。

この状況において、マネージャが受け入れていれば要求は取引の成功という結果となったはずなので、肯定ラベルは、リスティングの取引要求が受け取られてその後拒否４５０されたのより前の日のサンプルに適用４３０される。リスティングが要求拒否日４５０の後にさらに取引要求を受け取らなかったので、第１の要求の後の日のサンプルが否定ラベルでラベル付け４４０され、その時間期間中に受け取られる取引要求の欠如が、それより早い時間に受け取られた取引要求と無関係であるので、したがってその時間期間中のリスティングの特徴が取引要求を引き付けるのに十分な需要を生成することができなかった。いくつかの実施形態において、要求拒否日４５０は、拒否された取引要求が受け取られた日であってよい。他の実施形態において、要求拒否日４５０は、取引要求が拒否された日である。あるいは第１の要求が拒否４５０された後に第２の取引要求が受け取られると（図示せず）、残りのサンプルは代わりに肯定ラベルでラベル付けされる。

図４Ｄは、予約履歴データからの訓練データのサンプルの取得およびラベル付けの第４の例示的な結果を示す。図４Ｄにおいて、期限日４００および開始リスティング日４１０は、やはり前の例と同じものである。図４Ａに見られるように、取引要求は１０月１５日に受け取られて受け入れられた４２０が、図４Ｄにおいては、リスティングを要求したクライアントが取引要求を取り消すことによって、リスティングをオンラインシステム１１１の他のクライアントに再度アクセス可能にする。取り消された後、リスティングはさらなる取引要求を受け取らない。図４Ｃと同様の状況において、開始リスティング日４１０から取引要求受入れ日４２０までの日数のサンプルは、肯定ラベルでラベル付け４３０され、リスティングが取り消し日４６０にクライアントに使用可能になった後、訓練データは、否定ラベルでラベル付け４４０される。この場合、取り消し日４６０と取引要求の受入れ日４２０との間の日には、リスティングがその時間中にクライアントに使用可能でないため、どのサンプルも生成されない。再度（図示せず）、取り消し日４６０の後にリスティングが取引要求を受け取ったのであれば、取り消し日の後のサンプルは代わりに肯定ラベルを受け取る。

上記のように、個々の需要訓練データサンプルは、時間期間４３０と４４０によって示された各日に取得されるが、サンプル４７０Ａないし４７０Ｄは、具体的には図５を参照して以下の考察において使用するためにラベル付けされる。

ＩＩＩ．Ｃ．２ 需要訓練データストレージ
図５Ａは、一実施形態にかかる、価格決定モジュール２１３によって使用される需要訓練データを格納するための例示的なテーブルを示す。図５は、訓練データテーブル５００およびテーブル５１０の格納されたサンプルの２つの例示的なテーブルを示す。テーブル５００は、特徴ベクトルに含められてよいさまざまな特徴を示す一般的な例である一方、テーブル５１０は、宿泊施設システムに使用されてよい単一のリスティングからのサンプル４７０の特定の例である。

テーブル５００において、各行は、特定の日に記録された予約履歴データからの訓練データの単一のサンプルを表す。各行は、特徴ベクトル（ｆ₁からｆ_mまで）の各特徴の特徴値と、訓練サンプルが（図４Ａないし図４Ｄを参照して説明されたように）記録されたリスティングの最終結果に対応する訓練ラベルを含む。この実施形態において、訓練ラベル１が使用されて、リスティングの取引要求が受け取られたことを表し、訓練ラベル−１が使用されて、期限切れ在庫が期限切れになる前にどの取引要求も受け取られなかった状況を表す。

テーブル５００の列は、いくつかの例示的な特徴種類を示し、特徴１および特徴２は量的であり、特徴３は分類別であり、特徴ｍはバイナリである。テーブル５００は、ｍ個の特徴に対応するｍ＋１列（その一部は、例示目的のため削除される）と、特徴ベクトル毎の訓練ラベルとを含む。テーブル５００は、訓練データサンプルの総数Ｎに対応するＮ行を含む。

テーブル５１０は、図４Ｄに示された例示的なリスティングタイムラインからのデータサンプルの選択を示す。サンプルは、開始リスティング日４１０から要求受入れ日まで、また取り消し日４６０から期限日４００までの各日に記録されるはずであるが、考察および例示を容易にする目的でサンプル４７０Ａないし４７０Ｄのみがテーブルに示されている。

テーブル５１０において、列は、価格、期限切れまでの日数、リスト化された宿泊施設の都市、およびリスト化された宿泊施設が無線ルータ（ＷｉＦｉ）を含むかどうかを含む、オンライン宿泊施設システムリスティングの例示的な特徴でラベル付けされる。サンプル４７０Ａないし４７０Ｄがすべて同じリスティングからのサンプルであり、都市特徴およびＷｉＦｉ特徴は、すべてのサンプルにわたって同じままである一方、期限切れまでの日数特徴および価格特徴は、サンプリング期間にわたって変化する。

サンプル４７０Ａは、取引要求が受け取られて受け入れられた４２０前に記録されたので、訓練ラベル１が適用される。サンプル４７０Ａは、期限日４００の２０日前の１０月４日に記録されたので、期限切れまでの日数特徴は、値２０を有する。この例において、１０月４日のリスティングの価格が＄１２０であったので、価格特徴は、値１２０を有する。サンプル４７０Ｂにおいて、マネージャは、価格を＄１００に減じて、サンプル４７０Ａが記録されて以来１週間が経過した。したがって、期限切れまでの日数特徴および価格特徴の値は、リスティング特徴の変化を反映するために変化した。価格＄１００は、サンプル４７０Ｂとサンプル４７０Ｃとの間の日において一定のままである。サンプル４７０Ｃは、要求が受け取られた価格が＄１００であったことを示す、要求が受け取られて受け入れられた日４２０に記録された。この価格がサンプル４７０Ａの元の価格＄１２０とは異なることに留意されたい。

この価格（および潜在的には他の特徴）の差は、価格を下げることが、クライアントがリスティングの取引要求を提出するように誘導する原因因子であったかどうか分からないので、因果関係の問題を持ち込む。例えば、取引要求が価格＄１２０で受け取られなかったが、後で価格が＄８０に下がったときに受け取られていた場合、価格が＄１２０であった日の訓練データサンプルの訓練ラベル１は、価格が期限切れになるまで＄１２０のままであったならば、取引要求の受け取りが生じなかったかもしれない特徴値（例えば、価格＄１２０）の肯定結果を示す。

価格決定モジュール２１３は、これらの種類の因果関係を実施形態に応じて異なって対処してよい。いくつかの実施形態において、サンプルが取引要求の受け取り日４２０に記録されたサンプルとは（サンプル間の異なる特徴の数、最大差閾値、または別の測定基準に基づいて）本質的に異なる場合、サンプルは捨てられる。別の実施形態において、サンプルは、要求が受け取られた日に記録されたサンプルとどれくらい異なるかに基づいてより少ない重み（例えば、ラベル０．５が与えられてよい）が与えられる。さらに別の実施形態において、「要求までの日」または「クライアント要求が受け取られた価格」特徴などの付加的な特徴は、サンプル寄与の差を需要関数３００に反映する特徴ベクトルに付加されてよい。いくつかの場合、異なる特徴を有するこれらのサンプルは、データのラベル付けプロセスを簡素化する目的で、またはサンプルが需要予測モデルの最小効果があると考えられるため、全重みが与えられる。別の実施形態において、開始リスティング日４１０と要求が受け取られた日４２０との間の価格の平均、中央値、または他の測定の分布は、別個の特徴である。

ＩＩＩ．Ｃ．３ マネージャオプション訓練データストレージ
図５Ｂは、一実施形態にかかる、価格決定モジュール２１３によってマネージャオプション訓練データを記憶するための例示的なテーブルを示す。例示のために、テーブル５２０は、宿泊施設システムにおける単一のリスティングから取られた訓練データを表す。訓練データの完全なセットは、多くのリスティングからのデータを含むことになる。例示的テーブルにおいて３つだけの特徴が示されるが、より多くの特徴がマネージャオプション関数３０３に含められてよい。予約された夜は、この特定のリスティングが宿泊施設システムのゲストによって成功裏に予約された日を示す。ホストが過去数日間に価格を調整したので、予約された夜毎に価格がいくらか異なる。これらの夜は成功裏に予約されていてホストがリスト化された価格を承認しているので、最初の４つのデータ行は、肯定訓練ラベルを受け取る。システムは、価格を指定した後にこれらの価格が受入れ可能であるとホストが考えていると想定した。

マネージャオプション関数３０３に対する否定サンプルは、訓練データのセットにおける各リスティングについての肯定サンプルの数にマッチするように価格決定モジュール２１３によってランダムに生成される。この場合、４つの肯定ラベルが付けられたサンプルがあり、４つの否定サンプルが生成される。いくつかの実施形態において、各否定サンプルは、各否定サンプルは、ゼロからマネージャによって設定された最低価格までの範囲内で価格にランダム値が与えられる。この例５２０において、ホストによって設定された最低価格は＄９０である。したがって、４つの否定サンプルは＄０と＄９０の間の価格を有する。他の実施形態において、価格は、＄０とマネージャによって設定された最低価格との間で均等に分散される。任意の適切な価格分布戦略が使用されてよいことは当業者には理解されよう。

マネージャオプション関数３０３に対する訓練データは、価格以外の時間変化する特徴を含んでよい。生成された否定サンプルは関連付けられた日付を有していないので、特定のリスティングの日付と関連付けられた特徴も、肯定サンプルからのデータに基づいて生成されてよい。例えば、生成された否定サンプルは、リスティングが予約された時間のホスト評価の代わりに、平均ホスト評価をリスト化してよい。これは図５Ｂに示されており、否定サンプルのすべてが平均評価を有し、肯定サンプルはわずかに異なるホスト評価を有する。すべての否定サンプルに対して同じ値を生成する代わりに、価格決定モジュール２１３は、特定の特徴の値に分布を適合させ、肯定サンプルの値の分布に基づいて特定のランダム値を選んでよい。

ＩＩＩ．Ｄ 特徴モデル
図６は、一実施形態にかかる特徴モデルｗ（ｆ）を示す。図６は、需要関数３００における重みに特徴の値１を関係付ける特徴モデル３０５を表示する。統計モデル６００は、訓練データポイント６１０に適合され、訓練データポイント６１０は、個々のサンプルに関する需要モデル３００出力Ｄ（ｆ）と対応する特徴値ｆとの間の部分残差である。訓練プロセスの各反復が残差を変化させ、統計モデル６００がデータに適合される。確率的勾配降下法やバックフィッティングアルゴリズムなどのアルゴリズムは、需要モデル３００におけるすべての特徴に関する統計モデル６００の間の部分残差を最小にしようとする。訓練データセットを通じて反復した後、統計モデル６００は、所与の特徴値毎に重みを出力する特徴モデル３０５または３０７に収束する。多くの統計方法が、データを適合させるために使用されてよく、それらの方法は、Ｂ−スプライン、３次スプライン、任意の種類の回帰、クロネッカー、もしくはディラックのデルタ関数（カテゴリおよびバイナリデータ用）、またはこれらの方法の任意の組み合わせを含む。オンラインシステム１１１の管理者は、データの最適表現のために特徴モデル３０５および３０７を構成してよい。適合した後、特徴モデル３０５および３０７は、特徴値の最大範囲の−１と１との間の荷重値を有する。いくつかの実施形態において、特徴値は０と１との間の範囲に制限するように標準化される。特徴が分類別またはバイナリである場合、統計モデル６００は単純に、特徴分類から荷重値へのマッピングであるか、または重みの決定に使用するために設計されたスケールに分類データを変換することに基づいてよい。

図７Ａないし図７Ｂは、一実施形態にかかる例示的な特徴モデル３０５を示す。図７Ａは、価格特徴の特徴モデル３０５が需要訓練データの典型的なセットを用いてどのようになり得るかの一例を示す。この場合、統計モデル７００は、価格データに適合するスプラインの典型である。統計モデルに基づいて、価格は、非常に安いリスティングの需要に否定的影響を有し（恐らくクライアントが詐欺に遭うことを懸念するため）、安いが手頃な価格レベルでは、価格はリスティングの需要に肯定的影響を有する。価格が上がるにつれ、需要への影響は、ますます否定的になり、これは、その価格レベルのクライアントがより弾力的な消費性向を有し、価格特徴が需要にあまり否定的影響を与えないあるポイントまで続く。

図７Ｂは、「期限切れになる前の日数」特徴の典型的な特徴モデル３０５が需要訓練データの典型的なセットを用いてどのようになり得るかを示す。この場合に使用される統計モデル７１０は、リスティングがその期限日の前にポストされるのが早いほど、そのリスティングの需要が高くなりやすいことを示す。これらの例示的な特徴モデル３０５のいずれも典型的な結果とは異なることがあり、本明細書ではオンラインシステム１１１の文脈において特徴モデル３０５の機能性を説明する例としてのみ使用される。

図７Ｃないし図７Ｄは、一実施形態にかかる例示的なマネージャオプションモデルを示す。図７Ｃは、価格特徴の特徴モデル３０７がマネージャオプション訓練データの典型的なセットにおいてどのようになり得るかの一例を示す。価格に負に相関付けられる代わりに、受入れの尤度は、価格が不合理になり相関が負になるポイントまで、価格と正に相関付けられる（マネージャがそれらのリスティングのより高い価格を好む）。

図７Ｄは、「期限切れになる前の日数特徴」の特徴モデル３０７がマネージャオプション訓練データの典型的なセットにおいてどのようになり得るかの一例を示す。この例において、期限切れになる前の日数特徴は、期限切れまで５日間未満になるまでマネージャオプションに対する影響は低い。そのポイントでは、特徴は、マネージャが価格予想を受け入れることとより正に相関付けられる。というのは、リスティングが期限切れに近づくほど、リスティングの販売が困難であるのでマネージャがアドバイスに影響されやすくなるからである。

ＩＩＩ．Ｅ 尤度モデル
図８Ａは、一実施形態にかかる、価格決定モジュール２１３によって使用される需要尤度モデル３１０を示す。価格決定モジュール２１３が特徴モデル３０５を訓練した後直ちに、価格決定モジュール２１３は、訓練データのいくつかのサンプルの特徴ベクトルｆのセットを使用し、需要関数３００を使用してサンプル毎に推定された需要Ｄ（ｆ）を出力してよい。尤度モデル３１０を訓練するために、価格決定モジュール２１３は、推定された需要Ｄ（ｆ）のラベル付けされた値に尤度関数８００を適合させる。尤度関数８００は、特徴ベクトルｆがＤ（ｆ）に与えられた肯定ラベルを有する尤度、そうでなければ期限切れ在庫の期限切れの前に所与のサンプルが取引要求を受け取った尤度を決定する、二項分類問題を解く関数である。図８において、否定ラベルは白丸８１０で表される一方、肯定ラベルは黒丸８２０で表される。尤度関数８００は、サンプルの推定された需要に基づいて点が黒い尤度を近似する。

いくつかの実施形態において、プラットスケーリングアルゴリズムは尤度関数８００として使用される。需要関数に適用されるプラットスケーリングアルゴリズムは、以下の式となる。
Ｐ（Ｄ（ｆ））＝（１＋ｅｘｐ（αＤ（ｆ）＋β））^-1
ここで、αおよびβは、学習された定数である。ヒンジ損失関数などの損失関数または別の同様の技術が使用され、この二項分類問題を最適に解くように、最尤法を使用してプラットスケーリングアルゴリズムを訓練する。

価格決定モジュール２１３が尤度関数８００を訓練した後直ちに、尤度モジュール３１０は、推定された需要Ｄ（ｆ）を入力として受け取り、期限切れの前に期限切れ在庫が取引要求を受け取る尤度Ｐ（Ｄ（ｆ））を出力することができる。

図８Ｂは、一実施形態にかかる、価格決定モジュール２１３によって使用されるマネージャオプション尤度モデル３１５を示す。マネージャオプション尤度モデル３１５は、需要尤度モデル３１０に関係して上述されたのと同じプロセスを使用して訓練され、異なるのは、データポイントの作成のためのマネージャオプション関数３０３Ａ（ｆ）の使用、別個の訓練データの使用、および出力の違いだけである。

ＩＩＩ．Ｆ 需要価格決定モデルおよびマネージャオプション価格決定モデル
図９Ａないし図９Ｃは、一実施形態にかかる、リスティングの需要価格決定モデル３２０を作成するプロセスを示す。需要モデル３００（特徴モデル３０５を含む）と需要尤度モデル３１０（尤度関数８００を含む）との両方が訓練データのサンプルを使用して訓練された後、価格決定モジュール２１３は、任意の特徴ベクトルｆを、取引要求を受け取る尤度Ｐ（Ｄ（ｆ））に変換する能力を有する。

上記で導入されたように、試験価格の範囲内で取引要求を受け取る尤度を提供するために、価格決定モジュール２１３は、試験価格のセット（リスティングの現在の価格を含む）に等しい価格特徴の値と変化しないままの残りの特徴の値とを用いて、変更される特徴ベクトルを作成する。次いで、価格決定モジュール２１３は、試験需要推定と、変更された特徴ベクトル毎の取引要求を受け取る対応する試験尤度とを決定する。

次いで、価格決定モジュール２１３は、試験価格と取引要求を受け取る対応する試験尤度とを処理して、マネージャまたは情報の要求者の目標を満たす価格を識別する。一実施形態において、これは、関数を試験価格および尤度データポイントに適合させて滑らかに単調に減少する需要モデル３２０を作成することによって実現される。このプロセスは、図９Ａないし図９Ｂに示されている。

図９Ａにおいて、価格特徴の値と期限切れ在庫の取引要求を受け取る尤度とが描かれている。データポイント９００は、その現在の価格で取引要求を受け取る目的のリスティングの現在の尤度を表す。最小価格９１５および最大価格９０５は、需要モデル３２０における試験価格の上限および下限を示す。これらの最大９０５および最小９１５限度は、モデルを合理的な価格の値のセットに限定するために、リスティングのマネージャによって設定され、または価格決定モジュール２１３によって生成されてよい。あるいは、ユーザと価格決定モジュール２１３によって別個の最大値および最小値が与えられてよい。最大値および最小値の２つのセットがある実施形態において、ホストによって指定された最大値および最小値が、価格決定モジュール２１３によって指定された最大値および最小値よりも優先される。

次いで、価格決定モジュール２１３は、価格特徴の値を価格間隔９２０で正および／または負にインクリメントすることによって試験データポイント９１０を作成する。価格間隔９２０は、目的のリスティングの価格特徴の元の値の量または比率にしてよい。いくつかの実施形態において、異なる正および負の価格間隔がある。

価格決定モジュール２１３は、元の価格のいずれかの方向の価格間隔で価格特徴の値のインクリメントを継続する。このプロセスは、実施形態に応じて、試験価格の閾値範囲がカバーされるまたは閾値数のデータポイントが生成されるまで継続する。これらの試験価格は、例えば、現在の価格の２倍／半分くらい高い／低い、またはより高い／より低くてよい。十分な試験価格が生成された後直ちに、データポイントは、図９Ｃに示されるように価格関数９３０で適合される。任意の関数が、生成された価格対尤度データを適合させるために使用されてよい。一実施形態において、価格関数９３０はワイブル分布である。

図９Ｄないし図９Ｆは、一実施形態にかかる、リスティングのマネージャオプションモデル３２５を作成するプロセスを示す。マネージャオプション関数３０３（特徴モデル３０７を含む）とマネージャオプション尤度モデル３１５（尤度関数８３０を含む）との両方が訓練データのサンプルを使用して訓練された後、価格決定モジュール２１３は、任意の特徴ベクトルｆをマネージャが価格予想を受け入れる尤度Ｐ（Ａ（ｆ））に変換する能力を有する。マネージャオプションモデル３２５は、需要モデル３２０と同じ方法で作成される。まず、初期データポイント９７５がリスティングに対して生成される。次いで、試験データポイント９８０が、初期価格から価格間隔９２５を置いて生成される。典型的には需要価格決定モデル３２０に適合する単調減少関数の代わりに、マネージャオプション価格決定モデル３２５は典型的には単調増加関数である。これは直観的に分かり、リスティングが期限切れの前に売れると想定すれば、より高い総収入としばしば同一視されるので、マネージャはリスティングに対して低い価格よりも高い価格を好みやすい。

ＩＶ． モンテカルロ価格決定モデル
図１０は、一実施形態にかかる、リスティングのモンテカルロ価格決定モデル３２７の作成を示す。モンテカルロ価格決定モデル３２７という用語は、需要価格決定モデル３２０とマネージャオプション価格決定モデル３２５の両方の使用を指し、それらは各々が、リスティングが取引要求を受け取る結果が見込まれる価格におけるそのリスティングのマネージャによって受入れられそうなリスティングの価格予想を生成するための尤度分布である。一実施形態において、モンテカルロ価格決定モデル３２７は、以下の方程式によって記述できる。：

式中、ｐ_Τは、価格予想の値であり、ｐ_iは、試験価格であり、ｐ_d（ｐ_i）は、試験価格で取引要求を受け取る尤度であり、ｐ_m（ｐ_i）は、マネージャが前記試験価格で価格予想を受け入れる尤度であり、ｋは、スケーリング指数である。

このように、モンテカルロ価格決定モデル３２７は、良好な価格予想の全体的尤度を定義する離散関数の質量中心を決定するものとして概念化されることができる。ｐ_d（ｐ_i）は、試験価格での需要モデル３２０の出力であり、ｐ_m（ｐ_i）は、試験価格でのマネージャオプションモデル３２５の出力である。パラメータｋは、モンテカルロ価格決定モデル３２７全体に比較的重要なものとしてモデルが需要価格決定モデル３２０またはマネージャオプション価格決定モデルのいずれかに重み付けすることを可能にする。例えば、宿泊施設のホストがそのリスティングが毎日予約されることを好む場合、ホストが一貫性のために低価格を進んで受け入れるので需要モデルの重要性が増大される。いくつかの実施形態において、オンラインシステム１１１は、マネージャが需要価格決定モデル３２０およびマネージャオプション価格決定モデルの相対的重要性を指定することを可能にしてよい。これは、ｋの値をマネージャに直接公開することによって、または各オプションがｋの特定の値に対応する頻度オプションのセットをユーザに提供することによって達成されてよい。例えば、宿泊施設システムにおいて、オプションは、「あなたのリスティングを時折、頻繁に、またはできるだけ多くホストしたいですか？」として提示されてよい。後の各選択肢は、異なる増加するｋの値に対応する。

価格決定モジュール２１３が価格予想ｐ_Τを決定すると、モンテカルロ価格決定モデル３２７を使用して、価格予想を受け入れるまたは否定するオプションを与えられたリスティングのマネージャに対して価格予想が提示される。価格予想を決定するために、モンテカルロ価格決定モデル３２７は、累積尤度モデル１０００の質量中心を求めるものとして概念化されてよい。累積尤度モデル１０００は、需要モデル３２０とマネージャオプションモデル３２５の（ｋによる）加重積である。最大尤度価格１０２０は、価格予想として使用されてよい。しかしながら、累積尤度モデル１０００の質量中心１０１０（ｐ_Τ）がより良い推定であることが多く、それが代わりに使用されてよい。

Ｖ． アジリティ価格決定モデル
図１１は、一実施形態にかかるアジリティ価格決定モデルの概念図である。アジリティ価格決定モデルは、需要価格決定モデル３２０およびマネージャオプション価格決定モデル３２５を単に再訓練することによっては不可能であろう短時間での価格予想の補正を可能にするモデルである。アジリティ価格決定モデルは、リスティングが予約されていない予め決定された時間窓に学習率を適用する。この窓の持続期間にリスティングが予約されていないという事実は、時間窓中の価格予想（またはマネージャの価格決定戦略）による価格が高すぎたことを示す。アジリティ価格決定モデルは、マネージャに選択された一連の価格が、マネージャが価格予想を受け入れることによって設定された価格と混ぜられた後に、調整された価格を決定するために使用されることができる。アジリティモデルは、時間窓内の価格のある種の統計的尺度を取り、その値に比例した学習定数を減算する。例えば、４日間の時間窓中の最低価格が算出されてよく、翌日の価格予想は、その最低４日間の価格から学習定数を減算したものであってよい。他の実施形態において、時間窓に含まれる価格の中央値、最頻値、または平均価格が使用される。

図１１は、１０月２４日に期限日１１００を有するリスティングについてのカレンダを示す。１０月１３日にリスティングの価格予想が＄１５０であり、次いで１０月１４日に＄１４０に下落し、１０月１５日に＄１５５となっている。１０月１９日の価格予想を決定するために、価格決定モジュール２１３は、時間窓１１２０にわたって最低価格１１４０を算出１１３０し、この場合、最低価格は＄１３０である。次いで、最低価格１１４０は、学習定数ｂに基づいて最低価格１１４０に比例する学習量１１５０によって下方に調整される。いくつかの実施形態において、時間窓における価格の平均が最低値の代わりに使用される。

いくつかの実施形態において、最低価格１１４０から学習量１１５０を減算する代わりに、価格決定モジュール２１３は、モンテカルロ価格決定モデル３２７を使用して価格予想を推定してよく、価格予想は、次いで、時間窓１１２０またはリスティングの最近の価格に基づいて学習量１１５０によって調整される。

ＶＩ． 付加的考察
本明細書の一部は、情報の操作のアルゴリズムおよび記号表現に関して発明の実施形態を説明している。これらのアルゴリズムの記述および表現は、データ処理の当業者によって自分達の仕事の内容を他の当業者に効率的に伝えるために広く使用されている。これらの動作は、機能的、計算的、または論理的に説明されているが、コンピュータプログラム、等価の電気回路またはマイクロコードなどによって実装されることは理解されよう。さらに、これらの動作の配置を、一般性を失うことなくモジュールと呼ぶことが時には好都合であることも分かっている。記載された動作およびそれらの関連付けられたモジュールは、ソフトウェア、ファームウェア、ハードウェア、またはそれらの任意の組み合わせにおいて具現化されてよい。一実施形態において、ソフトウェアモジュールは、記載された任意またはすべてのステップ、動作、またはプロセスを実行するためにコンピュータプロセッサによって実行されることが可能なコンピュータプログラムコードを含む持続的コンピュータ可読媒体を備えるコンピュータプログラム製品で実装される。

最後に、明細書に使用される言語は主に可読性および教育目的で選択されており、本発明の主題を線引きまたは制限するために選択されているものではない。したがって、本発明の範囲がこの詳細な説明によってではなく、むしろ本明細書に基づく出願における特許請求の範囲によって限定されることが意図される。したがって、本発明の実施形態の開示は、本発明の範囲の例示であるが限定でないことを意図し、その例は添付の特許請求の範囲に記載される。

Claims (16)

1. オンラインコンピューティングシステムで、目的のリスティングの第１の特徴ベクトルおよび第２の特徴ベクトルを受け取るステップであって、前記目的のリスティングは、前記オンラインコンピューティングシステムの複数のクライアントのうちの１つによって予約されること、およびマネージャによって管理されることに利用できる期限切れ在庫を備え、前記第１の特徴ベクトルおよび前記第２の特徴ベクトルはそれぞれ、前記期限切れ在庫の現在の価格を示す価格特徴を含む前記リスティングの複数の特徴を備える、該ステップと、
   前記第１の特徴ベクトルを需要関数に入力して、前記期限切れ在庫が期限切れになる前に前記期限切れ在庫が前記クライアントのうちの１つから取引要求を受け取る尤度の数値表現である需要推定を生成するステップと、
   前記第２の特徴ベクトルをマネージャオプション関数に入力して、前記期限切れ在庫の前記マネージャが前記現在の価格でクライアントに前記期限切れ在庫をオファーする尤度の数値表現である受入れ推定を生成するステップと、
   前記需要推定および前記受入れ推定を格納するステップと
   を含むことを特徴とするコンピュータ実施方法。
2. 前記需要関数は、複数の需要特徴モデルを備え、前記第１の特徴ベクトルにおける各特徴が前記需要特徴モデルのうちの１つと関連付けられ、
   前記マネージャオプション関数は、複数のマネージャオプション特徴モデルを備え、前記第２の特徴ベクトルにおける各特徴が前記マネージャオプション特徴モデルのうちの１つと関連付けられることを特徴とする請求項１に記載のコンピュータ実施方法。
3. 前記需要関数は、前記需要特徴モデルを含む一般化加法モデルを備え、
   前記マネージャオプション関数は、前記マネージャオプション特徴モデルを含む一般化加法モデルを備えたことを特徴とする請求項２に記載のコンピュータ実施方法。
4. 前記マネージャオプション関数は、訓練データで訓練され、前記訓練データからの各サンプルは、バイナリラベルと訓練期限切れ在庫の訓練特徴ベクトルとを備え、前記肯定ラベルは、訓練期限切れ在庫が前記訓練期限切れ在庫の期限切れの前に価格決定され取引要求を受け取ったかどうかを表し、前記訓練特徴ベクトルは、前記訓練期限切れ在庫と関連付けられた前記訓練リスティングの複数の特徴を有することを特徴とする請求項１に記載のコンピュータ実施方法。
5. 前記特徴ベクトルは、前記期限切れ在庫が期限切れになるまでの期間を示す期限切れまでの時間期間特徴をさらに備えたことを特徴とする請求項４に記載のコンピュータ実施方法。
6. 否定バイナリラベルを有する前記訓練データが、生成された訓練特徴ベクトルを有し、前記生成された訓練特徴ベクトルは、ランダムに生成された価格特徴を有することを特徴とする請求項５に記載のコンピュータ実施方法。
7. 前記ランダムに生成された価格特徴は、期限切れ在庫の最低価格とゼロとの間でランダムに生成されることを特徴とする請求項６に記載のコンピュータ実施方法。
8. 前記期限切れ在庫の前記価格よりも高いまたは低い試験価格のセットを生成するステップと、
   前記セットの前記試験価格のそれぞれについて、試験需要推定を生成するために、前記現在の価格を前記試験価格に置き換える前記第１の特徴ベクトルの変更されたバージョンを前記需要関数に入力するステップと、
   前記セットの前記試験価格のそれぞれについて、試験受入れ推定を生成するために、前記現在の価格を前記試験価格に置き換える前記第２の特徴ベクトルの変更されたバージョンを前記マネージャオプション関数に入力するステップと、
   前記試験価格に基づいて生成された前記試験需要推定および前記現在の価格に基づいて生成された前記需要推定から構成された需要推定のセットを生成するステップと、
   前記試験価格に基づいて生成された前記試験受入れ推定および前記現在の価格に基づいて生成された前記受入れ推定から構成された受入れ推定のセットを生成するステップと
   をさらに含むことを特徴とする請求項１に記載のコンピュータ実施方法。
9. 需要推定の前記セットを需要尤度モデルに入力して要求尤度のセットを生成するステップであって、各要求尤度は、前記需要推定のうちの１つと関連付けられた前記期限切れ在庫がそれぞれの前記試験価格で取引要求を受け取る尤度を表す、ステップと、
   受入れ推定の前記セットをマネージャオプション尤度モデルに入力してマネージャオプション尤度のセットを生成するステップであって、各マネージャオプション尤度は、前記受入れ推定のうちの１つと関連付けられた前記期限切れ在庫の前記マネージャがそれぞれの前記試験価格で価格予想を受け入れる尤度を表す、該ステップと
   をさらに含むことを特徴とする請求項８に記載のコンピュータ実施方法。
10. データポイントの第１のセットに基づいて需要価格決定モデルを適合させるステップであって、前記第１のセットの各データポイントは、前記セットからの前記要求尤度のうちの１つ、および前記要求尤度を生成するために使用された前記需要推定を生成するために使用される前記試験価格を備え、前記関数は、異なる要求尤度での前記期限切れ在庫の価格の範囲を表す、該ステップと、
    データポイントの第２のセットに基づいてマネージャオプション価格決定モデルを適合させるステップであって、前記第２のセットの各データポイントは、前記セットからの前記マネージャオプション尤度のうちの１つ、および前記マネージャオプション尤度を生成するために使用された前記受入れ推定を生成するために使用される前記試験価格を備え、前記関数は、異なるマネージャオプション尤度での前記期限切れ在庫の価格の範囲を表す、該ステップと
    をさらに含むことを特徴とする請求項９に記載のコンピュータ実施方法。
11. 前記価格予想を決定するステップは、前記需要モデルおよび前記マネージャオプションモデルを使用してモンテカルロ価格決定モデルを作成するステップをさらに含むことを特徴とする請求項１０に記載のコンピュータ実施方法。
12. 前記モンテカルロ価格決定モデルは、前記需要モデルと前記マネージャオプションモデルとの積の質量中心を決定することを特徴とする請求項１１に記載のコンピュータ実施方法。
13. 前記積は、加重積であることを特徴とする請求項１２に記載のコンピュータ実施方法。
14. 前記モンテカルロ価格決定モデルは、
    

    

    によって定義され、
    式中、ｐ_Τは、前記価格予想の値であり、ｐ_iは、試験価格であり、
    ｐ_d（ｐ_i）は、前記試験価格で取引要求を受け取る尤度であり、ｐ_m（ｐ_i）は、前記マネージャが前記試験価格で価格予想を受け入れる尤度であり、ｋは、スケーリング指数であることを特徴とする請求項１１に記載のコンピュータ実施方法。
15. アジリティ価格決定モデルに基づいて前記価格予想を変更するステップをさらに含むことを特徴とする請求項１１に記載のコンピュータ実施方法。
16. 前記アジリティ価格決定モデルは、
    現在の時間に先行する予め定義された時間窓にわたる最小設定価格に基づいて前記価格予想を変更するステップであって、学習率によって乗じられた前記最小設定価格を前記価格予想から引くことによって変更するステップをさらに含むことを特徴とする請求項１５に記載のコンピュータ実施方法。

Images