KR20170088363A

KR20170088363A - 시간 만료 인벤토리에 대한 수요 예측

Info

Publication number: KR20170088363A
Application number: KR1020177015660A
Authority: KR
Inventors: 바 이프라; 데이빗 마이클 홀츠; 양리 헥터 이; 리 장
Original assignee: 에어비앤비, 인크.
Priority date: 2014-11-26
Filing date: 2015-11-25
Publication date: 2017-08-01
Also published as: BR112017011134A2; US10664855B2; CA2968667A1; CN107580713A; WO2016086188A1; SG11201704158VA; MX2017006860A; AU2015353408A1; US20160148237A1; JP6783761B2; EP3224772A1; JP2018503172A

Abstract

본 명세서는 시간 만료 인벤토리의 가격에 기초하여 수요를 예측하는 방법을 포함한다. 온라인 시스템은 시간 만료 인벤토리의 관리자와 복수의 클라이언트 사이의 연결을 제공한다. 온라인 시스템은 관리자의 시간 만료 인벤토리에 대한 항목을 온라인 시스템 상의 클라이언트에게 제공한다. 관리자는 시간 만료 인벤토리의 가격을 지정한다. 수요 함수는 항목 및 시간 만료 인벤토리의 특징에 기초하여 시간 만료 인벤토리에 대한 수요를 예측한다. 온라인 시스템은 예측된 수요에 기초하여 온라인 시스템 상의 클라이언트로부터 시간 만료 인벤토리에 대한 요청을 수신할 가능성을 결정한다. 온라인 시스템은 결정된 가능성을 사용하여 항목의 가격 변화가 시간 만료 인벤토리에 대한 수요에 어떻게 영향을 미치는지에 대한 정보를 관리자에게 제공할 수도 있다.

Description

시간 만료 인벤토리에 대한 수요 예측{DEMAND PREDICTION FOR TIME-EXPIRING INVENTORY}

본 출원은 전체로서 본 출원에 참조로 포함되는 미국 가출원들 2014년 11월 26일에 출원된 제62/085,049호, 2015년 2월 5일에 출원된 제62/112,567호 및 2015년 5월 26일에 출원된 제62/166,440호의 이익을 주장한다.

본 출원은 일반적으로 시간-만료 인벤토리의 맥락에서 머신 러닝 모델 및 데이터 분석의 사용에 관한 것으로서, 특히 시간-만료 인벤토리에 관련된 머신 러닝 표본 데이터에 트래이닝 라벨을 지정하는 것과 관련 있다.

상품 또는 서비스에 대한 일반적인 거래에서, 상품을 제어하거나 소비하는 관리자는 상품의 가격을 설정하고 제안된 가격을 지불하는데 동의하는, 관심 있는 당사자를 기다린다. 종종 관리자는 상품의 가격을 제대로 정하는 것에 실패하지만, 시장 및 기타 경제적 요인에 대한 불완전한 정보로 인해 누군가는 결국 가격 지불에 동의하게 된다. 그러나, 인벤토리가 만료되기 전에 인벤토리가 판매되지 않는 경우, 인벤토리는 낭비되고 관리자는 수익을 받지 못하기 때문에, 시간-만료 인벤토리의 가격을 측정하는 것은 더 도전해볼 만한 노력(challenging endeavor)이다. 따라서, 시간-만료 인벤토리의 관리자는 그들의 인벤토리 가격이 너무 높게 정해졌는지 그리고 만료로부터 수익을 잃을 위험이 있는지, 또는 그들의 인벤토리 가격이 너무 낮게 정해졌는지 그리고 차선의 수익(suboptimal revenue)을 얻지만 좋은 이용률을 가지는지에 대해 민감하다. 게다가, 이상적 또는 바람직한 시간-만료 인벤토리에 대한 시장 청산 가격(market-clearing price)은 인벤토리가 그것의 만료일에 가까워지면서 변경될 수 있다. 이 요소들의 조합은 시간-만료 인벤토리의 관리자가 최선으로 그들의 인벤토리 가격을 정하는 것을 어렵게 한다.

시간-만료 인벤토리에 관련된 머신 러닝 표본 데이터에 트래이닝 라벨을 지정하여 시간 만료 인벤토리의 가격에 기초한 시간 만료 인벤토리의 수요를 예측하는 방법을 제공하고자 한다.

온라인 시스템은 관리자가 항목(listings)을 생성하게 하고, 클라이언트가 거래요청을 제출하여 열거된(listed) 시간-만료 인벤토리를 예약, 리스(lease), 또는 구입할 수 있게 한다. 온라인 시스템은 시간-만료 인벤토리의 항목에 대한 수요를 추정한다. 시스템은, 시간 만료 인벤토리, 연관된 항목, 및 시간 만료 인벤토리를 위한 시장을 서술하는 특징의 세트를 정의한다. 이 설명적 특징의 세트는 항목을 위한 특징 벡터가 된다. 온라인 시스템은 그 항목의 특징 벡터를 수요 함수에 입력함으로써 항목에 대한 수요를 추정한다.

수요 함수는 특징 벡터의 각 특징에 대한 특징 모델로 구성될 수도 있으며, 여기서 특징 벡터의 각 특징은 특징 모델에 연관된다. 수요 함수는 수요 추정치를 생성하기 위해 특징 모델을 합산하는, 일반화된 가산 모델(additive model)일 수도 있다. 온라인 시스템은 트래이닝 데이터를 사용하여 수요 함수를 트래이닝할 수도 있으며, 여기서 트래이닝 데이터의 각 표본은 각 표본 시간에서의 시간 만료 인벤토리의 항목을 설명하는 특징 벡터뿐만 아니라, 그것이 만료되기 전에 항목의 시간 만료 인벤토리가 클라이언트로부터 거래 요청을 수신했는지 여부를 서술하는 이진 라벨(binary label)을 포함한다. 온라인 시스템은 단일 항목에 대한 복수의 표본을 수집할 수도 있으며, 여기서 각 표본은 시간 만료 인벤토리의 만료 전의 기간 동안 시간 만료 인벤토리에 대한 항목의 특징에 대응한다.

그러면 온라인 시스템은 수요 추정치를 클라이언트로부터 거래 요청을 수신할 가능성으로 변환하는 가능성 모델(likelihood model)을 사용할 수도 있다. 그 후 온라인 시스템은 시간 만료 인벤토리의 관리자에 대한 가격 조언(price tip)을 생성할 수도 있다. 온라인 시스템은 시간 만료 인벤토리의 현재 가격보다 많거나 또는 적은 시험 가격의 세트를 생성함으로써 가격 조언을 계산한다. 그러면 온라인 시스템은 시간 만료 인벤토리의 항목의 변경된 가격 벡터를 수요 함수에 입력하며, 여기서 각 변경된 특성 벡터는 상이한 시험 가격을 가진다. 수요 함수는 시험 수요 추정치의 세트를 생성하고, 온라인 시스템은 가능성 모델을 사용하여 이를 시험 가능성으로 변환한다.

그러면 온라인 시스템은 시험 가능성 세트에 기초하여 가격 조언을 결정할 수도 있다. 온라인 시스템은 데이터 포인트에 기초하여 함수를 적합하게 할 수도 있으며, 각 데이터 포인트는 시험 가능성과 시험 가능성을 초래하는 해당 시험 가격으로 구성된다. 상기 함수는 가격의 범위와 거래 요청을 받을 예측된 가능성 결과를 표현한다. 온라인 시스템은 가격 및 함수 상의 포인트에 대한 요청 가능성의 결과물(product)을 최대화하는 새로운 가격을 선택할 수도 있다.

온라인 시스템은 예측된 수요에 기초하여 온라인 시스템 상의 클라이언트로부터 시간 만료 인벤토리에 대한 요청을 수신할 가능성을 결정할 수 있다. 또한, 온라인 시스템은 결정된 가능성을 사용하여 항목의 가격 변화가 시간 만료 인벤토리에 대한 수요에 어떻게 영향을 미치는지에 대한 정보를 관리자에게 제공할 수 있다.

도 1은, 일 실시예에 따른, 시간 만료 인벤토리를 예약접수할 수 있게 하는 온라인 시스템을 포함하는 컴퓨팅 환경의 블록도이다.
도 2는, 일 실시예에 따른, 온라인 시스템의 논리적 구성요소(logical component)의 블록도이다.
도 3a - 3b는, 일 실시예에 따른, 수요 모듈의 구성요소 및 작동을 도시하는 도면이다.
도 4a-4d는, 일 실시예에 따른, 수요 모듈에 의해 사용되는 데이터를 트래이닝하는 라벨링 논리를 도시한다.
도 5는, 일 실시예에 따른, 수요 모듈에 의해 사용되는 트래이닝 데이터를 저장하는 예시적인 저장소를 도시한다.
도 6은, 일 실시예에 따른, 특징 모델을 도시한다.
도 7a-7b는, 일 실시예에 따른, 예시적인 특징 모델을 도시한다.
도 8은, 일 실시예에 따른, 수요 모듈에 의해 사용되는 가능성 모델을 도시한다.
도 9a-9c는, 일 실시예에 따른, 항목에 대한 가격매김 모델을 생성하는 과정을 도시한다.
상기 도면들은 단지 도시(illustration)의 목적을 위해서 본 발명의 다양한 실시예들을 묘사한다. 당업자는 본원에 설명된 구조 및 방법의 대안적인 실시예가 본 명세서에 설명된 본 발명의 원리를 벗어나지 않고 사용될 수도 있다는 것을 다음의 설명으로부터 용이하게 인식할 것이다.

I. 시스템 개요(System Overview)

도 1은, 일 실시예에 따른, 구매, 임대, 리스(lease), 예약 등을 위해 시간 만료 인벤토리를 제공하는 온라인 시스템을 포함하는 컴퓨팅 환경의 블록도이다. 네트워크(109)는 본 명세서에서 클라이언트(102A)로 지칭되는, 거래에 대한 일 당사자와 본 명세서에서 매니저(102B)로 지칭되는, 거래에 대한 다른 당사자 사이의 통신 경로를 나타낸다.

설명의 명료성을 위해, 클라이언트는 가치있는 잠재적인 구매자, 세입자(retners), 임차인(lessees), 예약을 보유한 고객, 또는 시간 만료 인벤토리를 향한 액세스를 교환하여 어떤 형태로든 대가를 제공하는 임의의 다른 당사자를 포함한다. 설명의 명료성을 위해, 매니저는 시간 만료 인벤토리 아이템의 판매자, 임대주(landlords) 및 임대주를 대신하여 부동산을 관리하는 부동산 소유자, 임대인(lessors), 티켓 판매원, 또는 레스토랑 또는 호텔 예약접수 직원과 같은 예약 인벤토리를 관리하는 이들, 또는 시간 만료 인벤토리에 대한 액세스를 제공하는 것과 교환하여 (어떤 형태로든) 대가를 받는 임의의 다른 당사자를 포함한다. 시간 만료 인벤토리가 거래되는 유형에 따르면, 시간 만료 인벤토리는 판매, 리스, 예약 등이 되고 있을 수도 있다. 설명의 명료성을 위해, 이런 상이한 유형의 거래는 본 명세서에서 “예약접수(bookings)”로 지칭되어 가능한 모든 유형의 거래 세트에 대해 하나의 편리한 용어를 제공한다.

온라인 시스템(111)은 네트워크(109)에 걸쳐있는 클라이언트와 매니저에 연관된 컴퓨팅 장치들(101)을 결합하여 클라이언트와 매니저가 네트워크(109)를 통해 가상으로 상호작용하게 하는 하나 이상의 컴퓨팅 장치를 포함한다. 일 실시예에서, 상기 네트워크는 인터넷이다. 또한 상기 네트워크는 필수적으로 인터넷의 부분이 아닌 전용(dedicated) 또는 사설 통신 링크(예를 들어, 광대역 네트워크(wide area networks, WANs), 초광대역 네트워크(metropolitan area networks, MANs), 또는 국지 네트워크 (local area networks(LANs))일 수 있다. 상기 네트워크는 표준 커뮤니케이션 기술 및/또는 프로토콜을 사용한다.

컴퓨팅 장치(101)는 온라인 시스템(113)과 상호작용을 위해 클라이언트와 매니저에 의해 사용된다. 컴퓨팅 장치(101)는, 예를 들어 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은, 운영체제(operating system)를 실행한다. 일부 실시예에서, 클라이언트 장치(101)는 마이크로소프트의 인터넷 익스플로러, 모질라의 파이어폭스, 구글의 크롬, 애플의 사파리 및/또는 오페라와 같은, 웹브라우저(113)를 온라인 시스템(111)과 상호작용하는 사용자 친화적 그래픽 인터페이스로서 사용할 수도 있다. 다른 실시예들에서, 클라이언트 장치(101)는 온라인 시스템(111)을 액세스하기 위한 전용 어플리케이션을 실행할 수도 있다.

온라인 시스템(111)은 클라이언트와 관리자가 그들의 컴퓨팅 장치(101)를 통해 상호작용하여 시간 만료 인벤토리를 거래하기 위한 컴퓨팅 플랫폼을 제공한다. 온라인 시스템(111)은, 예를 들어 레스토랑 다이닝 온라인 시스템 (또는 비행기 또는 기차 좌석 온라인 시스템, 호텔 온라인 시스템 또는 일일 스파 온라인 시스템과 같은 다른 종류의 온라인 시스템), 합승(카풀) 온라인 시스템, 숙박시설 온라인 시스템, 기타 등등을 지원할 수도 있다.

온라인 시스템(111)은 시간 만료 인벤토리에 대한 항목을 생성하기 위해 권한 있는 관리자를 제공할 수 있다. 항목은, 항공사(airline) 온라인 시스템에 의해 제공되는 각 항공편(flight)에 대한 각 비행기(plane)의 각 좌석과 같은, 시간 만료된 인벤토리의 개별 사례에 대해서 생성될 수도 있다. 대안적으로, 항목은 시간에 관계없이 특정 종류의 인벤토리에 대해서 생성될 수도 있으며, 그러면 상기 항목은 시간 단위가 이미 지났을 경우 만료되는 시간 단위에 대해서 거래될 수도 있다. 이 경우, 상기 항목은 시간 만료 인벤토리 세트에 대해 공통적이며, 세트 내 시간 만료 인벤토리의 각 아이템은 거래되고 있는 동안의 시간/날짜 범위에서만 다른 것과 달라진다(varying). 예를 들어, 부동산 임대 시스템에서, 항목은 특정 아파트 또는 분양 아파트(condominium)에 대한 것일 수도 있고, 클라이언트와 관리자는 아파트 또는 분양 아파트에 연관된 상이한 시간 단위(예를 들어, 날짜)로 거래할 수도 있다.

일반적으로, 반드시 그런 것은 아니지만, 각 항목은 상기 항목에 연관된 현실의 지리적 위치를 가질 것이다. 이는 임대를 위한 부동산의 위치, 또는 예약을 위한 레스토랑의 위치 및 예약 가능한 특정 테이블일 수도 있다. 온라인 시스템(111)은 관리자에게 특정 항목의 이용 및/또는 수익을 향상시키기 위해 사용할 수 있는 정보를 관리자에게 부여하는 조언뿐만 아니라, 관리자가 그들의 항목들을 관리하는데 도움을 주는 온라인 소프트웨어 도구를 더 제공한다.

온라인 시스템은 클라이언트에게 항목을 검색할 수 있고, 가능한 거래에 관련된 관리자와 통신할 수 있으며, 정식으로 또는 약식으로 거래가 일어나게 요청(예를 들어, 제안)할 수 있고, 그리고 실제로 항목에 관련된 거래를 수행(예를 들어, 구입, 리스, 예약)할 수 있는 능력을 제공한다. 온라인 시스템(111)은 추가 구성 요소 및 아래에 서술된 모듈을 포함한다.

II. 온라인 시스템(Online System)

도 2는, 일 실시예에 따른, 온라인 시스템(111)의 논리적 구성요소(logical component)의 블록도이다. 온라인 시스템(111)은 프런트엔드(front end) 서버(201), 클라이언트 모듈(203), 관리자 모듈(205), 항목 모듈(207), 검색 모듈(209), 거래 모듈(211), 수요 모듈(213), 및 데이터베이스(250)를 포함한다. 온라인 시스템(111)이 본 명세서에 서술되지 않은 다른 모듈을 포함할 수도 있다는 것이 당업자에게 명백할 것이다. 또한, 종래의 구성요소, 예를 들어 방화벽(firewalls), 인증 시스템, 결재 프로세싱 시스템, 네트워크 관리 도구, 부하균형(load balancers), 기타 등등은 본 발명의 재료가 아니기 때문에 설명되지 않는다.

온라인 시스템(111)은 단일 컴퓨팅 장치, 또는 클라우드 기반 컴퓨터 구현을 포함한 컴퓨팅 장치의 네트워크를 사용하여 구현될 수도 있다. 컴퓨팅 장치는 바람직하게는 하나 이상의 하이-퍼포먼스 컴퓨터 프로세서 및 임의 접근 메모리를 포함하고, 리눅스 또는 그의 변형과 같은 운영 체제를 실행하는 서버 클래스 컴퓨터이다. 본 명세서에 서술된 온라인 시스템(111)의 동작은 하드웨어를 통해서 또는 솔리드 스테이트 드라이브(solid state drive)와 같은 비일시적 컴퓨터 판독가능 저장 장치 또는 자기 저장 장치(magnetic storage devices)에 설치된 컴퓨터 프로그램을 통해 제어될 수 있고, 본 명세서에 서술된 기능을 수행하기 위해 프로세서에 의해 실행될 수 있다. 데이터베이스(250)는 비일시적 컴퓨터 판독가능 저장 장치 및 데이터 액세스 및 검색을 위한 적절한 데이터베이스 관리 시스템을 사용하여 구현된다. 온라인 시스템(111)은, 네트워크 인터페이스 및 프로토콜, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함한다. 게다가, 여기에 열거된 동작은 상업적으로 유용한 시간 내에 수행되기 위해 컴퓨터에 의해 수행되어야만 하는 이러한 주파수 및 대규모 데이터 세트를 통해 필연적으로 수행된다. 따라서 임의의 유용한 실시예에서 인간 마음의 정신적 단계(mental steps in the human mind)에 의해 수행될 수 없다.

데이터베이스(250)는 클라이언트 데이터 저장소(251), 관리자 데이터 저장소(252), 항목 데이터 저장소(253), 쿼리 데이터 저장소(254), 거래 데이터 저장소(255) 및 트래이닝 데이터 저장소(256)를 포함한다. 당업자에게는 이러한 데이터 저장소가 일반 데이터베이스의 구성요소가 아니고, 그 데이터베이스(250)는 여기에 명백하게 언급되지 않은 다른 데이터 저장소도 포함할 수도 있다는 것이 명백할 것이다. 마이크로소프트 SQL 서버, 오라클, SAP, IBM DB2, 기타 등등과 같은 임의의 적절한 데이터베이스 관리 시스템을 사용하여 구현될 수도 있다.

프론트엔드 서버(201)는 클라이언트와 관리자 컴퓨팅 장치(101)가 온라인 시스템(111)과 통신하기 위한 프로그램 코드를 포함하고, 이를 수행하는 하나의 수단이다. 프론트엔드 서버(201)는 컴퓨팅 장치(101) 상에 설치될 수도 있는 웹 브라우저 소프트웨어 애플리케이션과 같은 사용자 에이전트가 명령을 송신하고 온라인 시스템으로부터 데이터를 수신할 수 있도록 웹 서버를 포함할 수도 있다. 상기 웹서버는 하이퍼텍스트 전송 프로토콜(HTTP)을 통해 액세스할 수 있는 하나 이상의 웹사이트를 호스팅한다. 또한 프런트엔드 서버(201)는 응용 프로그램 애플리케이션(API)을 이용할 수도 있다. 응용 프로그램 애플리케이션(API)은 컴퓨팅 장치(101)에 설치된 소프트웨어 애플리케이션이 명령을 전송하고 온라인 시스템으로부터 데이터를 수신하기 위해 API를 호출할 수 있게 한다. 프런트엔드 서버(201)는 명령 및 데이터를 온라인 시스템(111)의 다른 구성요소로 라우팅하기 위한 프로그램 코드를 더 포함하여, 본 명세서에 서술된 과정을 수행하고 이에 따라 컴퓨팅 장치(101)에 응답한다.

II.A 클라이언트와 관리자(Clients and Managers)

클라이언트 모듈(203)은 클라이언트가 온라인 시스템(111)과의 상호작용을 관리하게 하고, 온라인 시스템(111)의 다른 구성요소에 의해 요청될 수도 있는, 정보와 관련된 클라이언트에 대한 프로세싱 논리를 실행하는 프로그램 코드를 포함하며, 이를 수행하는 하나의 수단이다. 각 클라이언트는 온라인 시스템(111)에서 개별 클라이언트 객체에 의해 표현된다. 개별 클라이언트 객체는 고유한 클라이언트 아이디와 클라이언트 프로파일을 가지며, 둘 다 클라이언트 저장소(251)에 저장된다. 클라이언트 프로파일은 프로파일 사진 및/또는 다른 식별 정보, 지리적 위치, 및 클라이언트 일정표(calendar)를 포함하는, 다수의 클라이언트 관련 속성 필드를 포함한다. 클라이언트 모듈(203)은 클라이언트에 대한 코드를 제공하여 그들의 클라이언트 프로파일을 설정하고 변경한다. 온라인 시스템(111)은 각 클라이언트가 다수의 관리자와 통신하게 한다. 온라인 시스템(111)은 클라이언트가 통신, 거래를 위한 요청, 및 관리자와의 거래를 교환하게 한다.

클라이언트의 지리적 위치는 (예를 들어, 그들의 컴퓨팅 장치(101)에 의해 제공된 정보에 기초한) 클라이언트의 현재 위치, 또는 그들이 수동으로 입력한 집 주소, 동네(neighborhood), 도시, 주, 또는 거주 국가이다. 클라이언트 위치는 특정 클라이언트에 관련된 시간 만료 인벤토리에 대한 검색 기준을 필터링하기 위해, 또는 디폴트 언어 선호도(default language preferences)를 할당하기 위해 사용될 수도 있다.

관리자 모듈(205)은 관리자들이 온라인 시스템(111)과 그들의 상호작용 및 항목을 관리하게 하는 사용자 인터페이스를 제공하고 온라인 시스템(111)의 다른 구성요소에 의해 요청될 수도 있는, 관리자 관련 정보를 위한 프로세싱 논리를 실행하는 프로그램 코드를 포함하며, 이를 수행하는 하나의 수단이다. 각 관리자는 온라인 시스템(111)에서 개별 관리자 객체에 의해 표현된다. 개별 관리자 객체는 고유한 관리자 아이디와 관리자 프로파일을 가지며, 둘 다 관리자 저장소(252)에 저장된다. 관리자 프로파일은 관리자에 의해 소유되거나 관리되는 하나 이상의 항목에 연관되고, 관리자에 의해 관리되는 각 항목에 대한 거래 요청 및 항목 일정표 세트를 포함하는, 다수의 관리자 속성을 포함한다. 관리자 모듈(205)은 관리자에 대한 코드를 제공하여 그들의 관리자 프로파일 및 항목을 설정하고 변경한다. 온라인 시스템(111)의 사용자는 관리자와 클라이언트 모두가 될 수 있다. 이 경우, 사용자는 클라이언트 저장소(251)와 관리자 저장소(252) 모두에 프로파일 엔트리를 가질 것이고, 클라이언트 객체와 관리자 객체 모두에 의해 표현될 것이다. 온라인 시스템(111)은 관리자가 통신, 거래를 위한 요청에 대한 응답, 및 관리자와의 거래를 교환하게 한다.

클라이언트 또는 관리자 프로파일의 일부로서 포함되거나, 거래를 수행하기 위해 전송되는 임의의 개인적인 식별 정보는 사용자 사생활 및 보호를 위해 암호화된다. 예를 들어, 매니저가 숙박 시설에 대한 액세스를 허가하고 클라이언트가 그러한 액세스에 대해 지불하는 거래 완료 시, 거래 정보는 암호화되어 데이터베이스(250)에 과거의 거래 정보(historical transaction information)로 저장된다.

II.B 항목(Listings)

항목 모듈(207)은 클라이언트에 의해 예약접수되는 시간 만료 인벤토리를 관리자가 열거하는 프로그램 코드를 포함하며, 이를 수행하는 하나의 수단이다. 항목 모듈(207)은 제공되고 있는 인벤토리, 하나 이상의 시작일, 종료일, 시작 시간, 및 종료시간을 포함하는 이용가능한 시간 프레임, 가격, 지리적 위치, 인벤토리를 특성화하는 이미지 및 설명, 및 임의의 다른 관련 정보를 서술하는 항목을 관리자로부터 수신하도록 구성된다. 예를 들어, 숙박시설 온라인 시스템을 위해, 항목은 숙박 시설의 유형(예를 들어, 집, 아파트, 방, 수면 장소, 기타), 그것의 사이즈 표현(예를 들어, 평방 피트(square footage), 또는 방의 수), 숙박시설을 이용할 수 있는 날짜, 및 가격(예를 들어, 일(night)별, 주별, 월별 등)을 포함한다. 항목 모듈(207)은 사용자가 비디오, 사진 및 다른 미디어와 같은, 인벤토리에 관한 추가 정보를 포함하게 한다.

각 항목은 온라인 시스템에서 항목 객체에 의해 표현된다. 상기 항목 객체는 관리자에 의해 제공되는 항목의 정보 및 고유한 항목 아이디를 포함하며, 둘 모두 항목 저장소(253)에 저장된다. 또한 각 항목 객체는 항목을 제공하는 관리자에 대한 관리자 객체에 연관된다.

구체적으로 항목의 지리적 위치에 관해서, 항목에 연관된 위치는 제공된 항목의 완전 주소(complete address), 동네, 도시, 및/또는 국가로 식별된다. 또한 항목 모듈(207)은 외부적으로 이용가능한 지리적 지도 정보를 사용하여 일 유형의 위치 정보(예를 들어, 메일 주소)를 다른 유형의 위치 정보(예를 들어, 국가, 주, 도시, 및 동네)로 변환할 수 있다.

구체적으로 항목의 가격에 관해서, 가격은 인벤토리에 대한 거래를 완료하기 위해 클라이언트가 지불해야 하는 돈의 양이다. 상기 가격은 일별, 주별, 일별, 월별, 및/또는 계절별, 또는 관리자에 의해 지정된 시간 간격별 돈의 양으로 지정될 수도 있다. 게다가, 가격은 숙박시설 인벤토리, 청소 비용, 애완동물 비용, 서비스 비용, 및 세금과 같은, 추가 요금을 포함한다.

각 항목 객체는 연관된 항목 일정표를 가진다. 항목 일정표는 관리자에 의해 지정되거나 (예를 들어, 일정표 가져오기 과정(import process)을 통해) 자동으로 결정된, 기간 내 각 시간 간격(이는 시간 만료 인벤토리의 독립적인 아이템으로 생각될 수도 있음) 동안 항목의 이용가능성을 저장한다. 즉, 관리자는 항목에 대한 항목 일정표를 액세스하고, 어느 시간이 클라이언트에 의한 거래를 위해 항목을 이용할 수 있는지, 어느 시간 간격이 관리자에 의해 이용할 수 없게 차단되었는지, 그리고 어느 시간 간격이 클라이언트에 의해 이미 거래되었는지를 수동으로 나타낸다. 또한, 항목 일정표는 클라이언트에 의해 예약접수 되었거나, 차단되었거나, 사용가능한 과거 시간 간격을 식별함으로써 항목의 이용가능성에 대한 과거의 정보를 계속 저장한다. 또한, 항목 일정표는 일정표 규칙, 예를 들어 인벤토리를 위해 허용되는 최소 및 최대 숙박일수(number of nights)를 포함할 수도 있다. 각 항목 일정표로부터의 정보는 항목 표(253)에 저장된다.

II.C 검색, 요청 및 거래(Search, Requests and Transactions)

검색 모듈(209)은 입력 검색 쿼리를 클라이언트로부터 수신하고, 입력 쿼리를 매칭하는 시간 만료 인벤토리 및/또는 항목의 세트를 리턴하도록 구성된 프로그램 코드를 포함하며, 이를 수행하는 하나의 수단이다. 검색 쿼리는 온라인 시스템(113)에 의해 쿼리 저장소(254)에 저장되는 쿼리 객체로 저장된다. 쿼리는 검색 장소, 바람직한 시작 시간/날짜, 바람직한 지속시간, 바람직한 항목 유형, 및 바람직한 가격 범위를 포함할 수도 있고, 또한 다른 바람직한 항목의 속성을 포함할 수도 있다. 잠재적인 고객은 검색 모듈(209)로부터 결과를 수신하기 위해 위에 열거된 쿼리 파라미터 전부를 제공할 필요가 없다. 검색 모듈(209)은 제출된 쿼리의 파라미터를 충족하는 제출된 쿼리에 응답하여 시간 만료 인벤토리 및/또는 항목의 세트를 제공한다. 또한 온라인 시스템(111)은 클라이언트가 검색 쿼리를 제출함 없이 항목을 탐색하게 하며, 이 경우 기록된 조회 데이터(viewing data)는 클라이언트가 제출된 검색 쿼리로부터 더 이상의 세부 사항 없이 특정 항목을 조회했다는 것을 나타낼 뿐이다. 시간 만료 인벤토리/항목을 선택하는 입력을 제공하여 클라이언트가 가능한 거래에 대해 더 신중하게 조회하면, 검색 모듈(209)은 클라이언트가 어떤 인벤토리/항목을 조회했는지 나타내는 선택/조회 데이터를 기록한다. 이 정보는 또한 쿼리 데이터 저장소(254)에 저장된다.

거래 모듈(211)은 클라이언트가 계약 거래 요청(contractual transaction requests)을 제출하여 시간 만료 인벤토리에 대해서 거래할 수 있도록 구성된 프로그램 코드를 포함하며, 이 기능을 수행하는 하나의 수단이다. 동작에서, 거래 모듈(211)은 거래 요청을 클라이언트로부터 수신하여, 특정 관리자에 의해 제공된 항목에 대한 특정 데이터 범위와 같은 시간 만료 인벤토리의 아이템에 대해서 거래한다. 거래 요청은 클라이언트가 송신한, 표준화된 요청 형태일 수도 있으며, 이는 수신된 요청 형태를 수락하거나 거부함으로써 만족할만한 조건(terms)이 관리자와 클라이언트 사이에 도달하도록 관리자에 의한 요청에 대한 응답에 의해 변형될 수도 있다. 수신된 요청에 대한 변형은, 예를 들어 날짜, 가격 또는 시간/날짜 범위가 변화하는 것(따라서, 어떤 시간 만료 인벤토리가 효율적으로 거래되고 있음)을 포함할 수도 있다. 표준화된 형태는 클라이언트가 시작 시간/날짜, 지속시간 (또는 종료 시간), 또는 추가 통신 없이 수락을 구속하기 위해서 포함되어야 하는 임의의 다른 세부 사항을 기록하는 것을 요구할 수도 있다.

거래 모듈(211)은 작성된 형태를 클라이언트로부터 수신하고 예약접수 파라미터를 포함하는 완성된 요청 형태를 항목에 연관된 관리자에게 제공한다. 관리자는 상기 요청을 수락하거나, 상기 요청을 거부하거나, 또는 하나 이상의 파라미터를 변형하는 제안된 대안(proposed alternative)을 제공할 수도 있다. 관리자가 상기 요청을 수락하는 경우(또는 클라이언트가 제안된 대안을 수락하는 경우), 거래 모듈(211)은 상기 요청이 수락되었다는 것을 나타내기 위해 상기 요청 및 시간 만료 인벤토리에 연관된 수락 상태를 업데이트한다. 또한 클라이언트 일정표 및 항목 일정표는 시간 만료 인벤토리가 특정 시간 간격 동안 거래되어 왔다는 것을 반영하기 위해 업데이트된다. 본 명세서에 구체적으로 서술되지 않은 다른 모듈은 클라이언트가 결재를 완료하고, 관리자가 결재를 수신하게 한다.

거래 저장소(254)는 클라이언트에 의해 이루어진 요청을 저장하고, 이 기능을 수행하는 하나의 수단이다. 각 요청은 요청 객체에 의해 표현된다. 상기 요청은 타임스탬프(timestamp), 요청된 시작 시간, 및 요청된 지속시간 또는 예약 종료 시간을 포함할 수도 있다. 관리자에 의한 예약 접수의 수락은 관리자가 지정된 시간에 클라이언트에게 시간 만료 인벤토리를 제공할 것이라는, 클라이언트에 대한 계약상으로 구속력 있는 합의이기 때문에, 그러한 합의를 승인하기 위해 관리자가 필요로 하는 모든 정보가 요청에 포함된다. 요청에 응답한 관리자는 수락 또는 거부를 나타내는 값과 타임스탬프로 구성된다.

또한 거래 모듈(211)은 관리자와 클라이언트에게 거래하기 위한 약식 요청을 교환하는 능력을 제공할 수도 있다. 약식 요청은 수락되는 경우 클라이언트 또는 관리자를 구속하는데 충분하지 않고, 온라인 시스템(111)이 정식 거래 요청을 위해 명시한 지정 요구사항에 미치지 못하는 요청에 비해, 내용 측면에서 단순한 통신 및 인벤토리 능력에 관한 일반적인 문의와 달라지게 될 수도 있다. 약식 요청 및 정식 요청 모두 시간 만료 인벤토리에 대한 수요에 관하여 유용한 정보를 제공하기 때문에, 거래 모듈(211)은 또한 약식 요청을 거래 저장소(254)에 저장할 수도 있다.

수요 모듈(213)은 도 3과 관련하여 바로 아래에서 서술된다.

III. 수요 예측(Demand Prediction)

III.A 개요(Overview)

도 3a는, 일 실시예에 따른, 수요 모듈의 구성요소 및 동작을 도시하는 흐름도이다. 온라인 시스템(111)의 시간 만료 인벤토리에 대한 수요를 예측하기 위해서, 수요 모듈(213)은 다수의 특징 모델(305), 수요 함수(300), 가능성 모델(310), 및 가격매김 모델(pricing model)(320)을 포함하는 모델 및 함수의 시퀸스를 사용한다.

수요 모듈(213)은 트래이닝 저장소(256)로부터 검색된 트래이닝 데이터 세트를 사용하여 특징 모델(305)을 트래이닝한다. 특징 모델(305)은 수요 함수(300)의 일부로 사용되어 항목 저장소(223)의 항목에 연관된 시간 만료 인벤토리에 대한 수요 추정치를 결정한다. 수요 추정치는 실제로 단위가 없는 수치일 수도 있지만, 가능성 모델(310)은 수요 추정을 사용하여 주어진 시간 만료 인벤토리가 만료 이전에 거래 요청을 수신할 가능성을 결정한다. 가격매김 모델(320)은 모델(310)에 의해 생성된 가능성을 사용하여 많은 상이한 시험 가격으로 거래 요청을 수신할 가능성을 예측할 수 있고, 그러므로 가격 변화가 만료 이전에 시간 만료 인벤토리가 거래 요청을 수신할 가능성을 어떻게 이동시킬 것으로 예상되는지에 관한 정보를 제공한다.

수요 모듈(213)은 관련 항목의 개별 시간 만료 인벤토리에 관한 데이터를 동작시키고, 여기서 항목은 항목 저장소(223)에서 많은 특징에 의해 표현된다. 수요를 예측하기 위해, 수요 모듈(213)은 집계된 많은 인벤토리를 분석하고, 수요에 대한 집계 레벨은 구현에 따라 달라질 수도 있다. 예를 들어, 수요 예측은 온라인 시스템(111) 상의 모든 항목에 걸친 모든 데이터가 분석되도록 시스템 전체(system-wide)에 걸칠 수도 있다. 대안적으로, 보다 작은 데이터 그룹이 개별적으로 분석될 수도 있다. 예를 들어, 온라인 숙박시설 시스템은 시카고 대도시 지역의 모든 예약 항목, 켄터키 주의 모든 예약 항목, 또는 국립 공원에 가까운 거리에 있는 모든 항목에 대한 예상된 수요를 개별적으로 분석할 수도 있다. 이러한 지역화된 수요의 추정은 특정 지역에서의 수요를 예측하는데 사용된다.

특징들을 언급하는 경우, m은 항목을 서술하는 특징의 수를 표현하고, 개별 특징은 f ₁, f ₂, f ₃, ... , f _m으로 표현되며, 항목에 대한 모든 특징의 세트는 특징 벡터(f)에 의해 표현된다. 주어진 항목에 대해 임의의 주어진 특징의 값은 정수, 부동 소수점(floating point number), 또는 이진 값과 같은 수치일 수도 있거나, 또는 그것은 범주형(categorical)일 수도 있다. 공통 특징은 항목의 가격과 인벤토리가 만료될 때까지 남은 시간을 포함한다. 다양한 함수 및 모델 수요 모듈(213)을 트래이닝하기 위해 사용되는 표본 트래이닝 데이터의 개별 사례의 구조에 관한 보다 많은 정보를 위해서, 그리고 또한 시간 만료 인벤토리에 관한 유용한 정보를 획득하기 위해 수요 모듈(213)을 사용하기 위해, 아래의 섹션 III.C를 보라.

가격 특징은 항목이 관리자에 의해 제공되는 가격이다. 예를 들어, 온라인 숙박시설 시스템의 경우, 가격 특징은 특정 일에 숙박시설을 예약접수하는 클라이언트를 위해 열거된 가격일 것이다. 항목의 관리자는 항목의 만료 시간 전에 가격을 변화시킬 수도 있다; 그러므로, 만료되기 전에 항목은 다수의 가격을 가질 수도 있다.

만료까지의 시간 특징은 시간 만료 인벤토리의 만료 이전에 시간 간격의 수 또는 지속시간으로 정의된다. 구현에 따라, 이는 일, 시, 분 등일 수도 있다. 다시 온라인 숙박시설 시스템의 예를 사용하면, 개별 시간 만료 인벤토리의 “만료”는 항목을 예약접수하려고 하는 날일 것이다. 예를 들어, 12월 20일에 숙박시설을 예약하는 항목은 12월 20일에 만료될 것이고, 그러므로 만료까지의 시간 특징은 현재 날짜로부터 12월 20일까지의 일수(the number of days)일 것이다. 이 경우, 사용된 시간 간격은 일(days)인데, 온라인 숙박시설 시스템의 예약접수는 일반적으로 일일 단위로 이루어지기 때문이다. 그러나, 온라인 레스토랑 예약접수 시스템의 경우, 바람직한 시간 간경은 시(hour)가 될 것인데, 레스토랑 예약접수는 더 높은 빈도와 좁은 시간대에 발생하기 때문이다.

온라인 시스템(111)에서 시간 만료 인벤토리의 항목은 가격 특징 및 만료까지의 시간 특징과 더불어 임의의 수의 특징을 가질 수도 있다. 이러한 추가 특징은 온라인 시스템(111)의 구현에 따르며, 시간 만료 인벤토리 또는 항목을 설명한다. 예를 들어, 온라인 숙박시설 시스템에서 항목은 열거된 숙박시설에 대한 평균 클라이언트 등급, 열거된 숙박시설의 지리적 위치, 열거된 숙박시설의 침대 수, 열거된 숙박시설이 무선 라우터를 갖는지 여부, 또는 열거된 숙박시설의 임의의 다른 관련 속성을 표현하는 특징을 가질 수도 있다. 게다가, 특징은 항목 자체의 품질, 예를 들어 항목이 수신한 조회수(the number of views), 항목의 숙박시설을 설명하는 길이, 항목을 예약접수하기 위한 요청이 수락되기 전에 항목의 관리자에 의해 검토되는지 여부, 또는 임의의 다른 온라인 항목의 품질을 포함할 수도 있다.

특징은 또한 항목과 관련되나 개별 항목에 직접적으로 관련된 것은 아닌 특징을 포함할 수도 있다. 예를 들어, 이러한 특징은 인벤토리가 활성화된 동안(즉, 아직 만료되지 않거나 만료되기 직전인) 주어진 인벤토리의 아이템에 관련된 항목을 위한 시장의 상태에 관한 정보를 제공한다. 이러한 특징의 예는 인벤토리와 동일한 시장에서 다른 인벤토리에 대한 시장에서 온라인 시스템(111)의 클라이언트에 의해 수행되는 검색의 수이다. 예를 들어, 온라인 숙박시설 시스템의 경우, 특징은 그 동네에 위치한 인벤토리의 아이템에 관련하여 샌프란시스코 노이 밸리(Noe Valley) 동네의 숙박시설에 대한 당일 검색 횟수일 수도 있다. 다른 가능한 특징은 주목할만한 이벤트(예를 들어, 수퍼 볼)가 인벤토리에 대해 시간적으로 지리적 위치적으로 충분히 밀접하여 발생하는 지 여부를 나타내는 이진 특징일 수도 있다.

게다가, 일 특징은 다수의 다른 특징 사이의 상호작용을 서술하거나, 또는 다른 특징을 설명할 수도 있다. 예를 들어, 평균 가격은 예약접수되었던 시간과 열거된 시간 사이에서 항목에 대해 계산될 수도 있다. 대안적으로, 특징은 두 개의 다른 특징의 값 사이의 상관 값(correlation value)을 포함할 수도 있다.

수요 함수(300)는 항목의 특징 값을 사용하여 수요 추정치를 생산하는 임의의 함수 또는 통계 모델일 수도 있다. 일 구현예에서, 수요 함수는 특징에 대한 특징 모델을 적합하게 함으로써 생성되는 일반화된 가산 모델로서, 동시에 수요 예측에 대한 특징의 기여도를 결정한다. 일반화된 가산 모델을 사용하는 수요 함수(300)는 다음의 형태를 갖는다:

여기서 D(f)는 수요 함수(300)이고 또한 출력 수요 추정치이며, w ₁, w ₂, ... , w _m 은 D(f)에 대해서 각 특징 값(f ₁, f ₂, ... , f _m)의 기여도(contribution)를 각각 결정하는, 각 특징 모델(305)의 가중치 함수이다. 일반화된 가산 모델의 적합은 확률 기울기 하강(stochastic gradient descent), 케이디-트리(kd-trees), 베이즈(Bayes), 또는 역적합(backfitting) 알고리즘을 포함하는 많은 적합 알고리즘(fitting algorithms)을 사용하여 완료될 수도 있다. 이러한 알고리즘은 반복하여 특징 모델(305)을 적합하게 하기 위해 사용되어, 특징 모델(305)과 시간 만료 인벤토리 이전의 트래이닝 데이터 상의 라벨 사이에서 부분 오차(partial residuals)의 일부 손실 함수를 감소시킨다.

특징 모델(305)은 특징 값을 만료 전에 거래 요청을 수신한 시간 만료 인벤토리의 가능성에 대한 특징의 효과를 나타내는 가중치에 관련시키는 임의의 비-모수(non-parametric) 통계 모델일 수도 있고, 이는 수요 추정치(D(f))에 관련된다. 각 특징의 특색(characteristic)에 따라, 상이한 통계 모델이 그 특징을 위해 가능한 값에 관한 트래이닝 데이터에 기초하여 각 특징으로 필터링될 수도 있다. 예를 들어, B-스플라인(B-splines), 3차원 스플라인(cubic splines), 선형 적합(linear fits), 이변수 접촉면(bivariate plane fits), 구분 상수 함수(piecewise constant functions) 등이 모두 사용될 수도 있다. 특징 자체를 정의하게 위해, 일반화된 가산 모델을 트래이닝하기 이전에, 지도 및 비지도(unsupervised) 머신 러닝 기술 모두가 처음에 특징을 결정하기 위해 사용될 수도 있다. 학습 지도 기술의 경우, 상기 트래이닝은 일반화된 가산 모델을 트래이닝하기 위해 사용되는 대신에, 트래이닝 데이터의 라벨 이외의 일부 다른 신호에 기초할 수도 있다.

양의 라벨(positive label)은, 만료 전에 거래 요청을 클라이언트로부터 수신한 이전 시간 만료 인벤토리(prior time-expiring inventory) (본 명세서에서는 트래이닝 시간 만료 인벤토리로 지칭됨)에 할당되고, 음의 라벨은, 거래 요청을 수신함 없이 만료된 트래이닝 시간 만료 인벤토리에 할당된다. 트래이닝 데이터 구조 및 특징 모델(305)에 대한 추가 언급은, 도 4a-7b를 참조하는, 섹션 III.C 및 III.D에서 각각 제공된다.

수요 추정치(D(f))로 돌아가서, 수요 추정치는 트래이닝 데이터를 사용하여 검증하지 않고는 실행할 수 없는 단위 없는 측정치이다. 예를 들어, 특정 특징 벡터(f _A)에 대한 D(f _A)의 값은 0.735일 수도 있다. 이 정보는 만료 이전에 시간 만료 인벤토리에 대한 거래 요청을 클라이언트로부터 수신할 가능성에 대응하는 수요 함수(300)의 어떤 값을 결정함 없이 단독으로 유익하지 않다. 특징 벡터(f)를 갖는 항목이 주어지면, 가능성 모델(310)은 수요 추정치(D(f))를 항목이 거래 요청을 수신할 가능성(P(D(f)))에 맵핑함으로써 이 문제를 해결하는 통계 모델이다. 가능성 모델(310)은 수요(D(f))를 추정하기 위해 사용된 각 특징 벡터(f)에 대해, 동일한 양 및 음의 트래이닝 라벨을 사용함으로써 트래이닝된다. 가능성 모델(310)의 추가 언급은 도 8을 참조하는 섹션III.E에서 서술된다.

가격매김 모델(320)은 항목의 현재 가격 근처의 다양한 시험 가격(test prices)에서 항목에 대한 거래 요청을 수신할 가능성을 모델링한다. 수요 모듈(213)은 반복 과정을 사용하여 가격매김 모델(320)을 생성한다. 상기 가격매김 모델(320)은 항목의 현재 가격에서 거래 요청을 수신할 가능성을 표현하는 초기 데이터 포인트를 둘러싼 시험 데이터를 생성한다. 이 과정은 아래의 섹션 III. B에 요약되고, 도 9를 참조하는 섹션 III. F에 더 서술된다.

III.B 과정 흐름의 예(Example Process Flow)

도 3a는 도면의 각 모델, 함수 및 데이터 저장소 사이의 화살표를 따라 시간 만료 인벤토리에 대한 수요 함수(300) 및 가능성 모델(310)을 트래이닝하는 과정의 흐름을 도시한다. 수요 모듈(213)은 트래이닝 데이터를 트래이닝 저장소(256)로부터 사용하여 특징 모델(305)을 트래이닝한다(330). 그러면 수요 모듈(213)은 트래이닝 데이터 내 각 표본의 각 특징 벡터에 대한 수요 함수(300)를 평가하고, 각 표본 내 각 특징 벡터에 대한 라벨에 기초하여 가능성 모델(310)을 트래이닝한다(340).

도 3b는 수요 모듈(213)이 수요 함수(300)와 가능성 모델(310)을 트래이닝한 이후 항목의 가격을 정하는 과정을 도시한다. 대상 항목(subject listing)에 대한 수요를 예측하기 위해 명령어를 온라인 시스템(111)로부터 수신하면, 수요 모듈(213)은 대상 항목에 대응한 특징 벡터(f_s)를 항목 표(223) 로부터 검색 하고(350), 그것을 수요 함수(300)에 대한 입력으로 사용한다. 그 다음 수요 모듈(213)은 만료 이전에 거래 요청을 수신할 가능성으로 변환을 위해 결과 수요 추정치(resulting demand estimate)(D(f _s))를 가능성 모델(310)에 송신한다(360). 그 후 수요 모듈(213)은 항목의 가격을 정하는 것의 변화가 항목에 대한 수요를 어떻게 바꿀지를 모델링하는데 사용하기 위해, 결과 가능성(resulting likelihood)((P(D(f _s)))을 가격매김 모델(320)로 전송한다(370).

가격매김 모델(320)을 생성하기 위해, 수요 모듈(213)은 시험 가격을 생성하는 양 및 음의 방향 모두에서 가격 간격만큼 가격 특징을 증가시킴으로써 특징 벡터(f _s) 내 가격 특징의 값을 변경하여, 변경된 특징 벡터(f _s ⁽¹⁾ 및 f _s ^(-1) )를 생성하고(380), 이는 각 시험 가격과 동일한 가격 특징 값을 포함한다. 변경된 특징 벡터에서, 가격 이외에 다른 모든 특징 값은 변경되지 않고 유지된다. 그러면 각 새로운 특징 벡터에 대한 거래 요청을 수신할 가능성((P(D(f _s ⁽¹⁾ )) 및 P(D(f _s ^(-1) )))은 수요 함수(300)와 가능성 모델(310)에 의해 계산되고, 항목에 대한 원래 가능성(original likelihood)(P(D(f _s )))으로 그룹화된다. 그 후 수요 모듈(213)은 가격 특징을 가격 간격만큼 계속 증가시켜 특징 벡터(f _s ⁽²⁾ 및 f _s ^(-2 )에 대한 추가 시험 가격을 생성하고 상기 과정은 충분한 데이터 포인트가 생성될 때까지 반복된다.

가격매김 포인트의 임계 개수에 도달하면, 수요 모듈(213)은 시험 가격 및 거래 요청을 수신할 해당 가능성을 처리하여 정보의 관리자 또는 요청자의 목표를 충족시키는 가격을 식별한다. 일 실시예에서, 이는 시험 가격 및 가능성을 단조 감소 가능성 함수(monotonically decreasing likelihood function)에 적합하게 함으로써 성취되고, 이는 입력 가격을 취하고 출력 가능성을 생성한다. 적합 함수(fit function)는 가격을 정하는 방법에 대한 새로운 조언을 식별 및/또는 특정 예약접수 가능성을 달성하기 위해 사용될 수도 있다.

보다 일반적으로, 시간 만료 인벤토리에 대한 가격을 선택하는 경우 수요에 기초하여 가능성 추정치를 생성하는 수요 모듈(213)의 능력은 시간 만료 인벤토리의 관리자에게 관리자가 고려할 수 있는 정보를 제공한다.

III.C 트래이닝 데이터 라벨(Training Data Labels)

도 4a-4d는, 일 실시예에 따른, 수요 모듈에 의해 사용되는 데이터를 트래이닝하는 라벨링 논리를 도시한다. 도 4a에서, 하루의 시간 간격을 갖는 항목 일정표가 디스플레이된다. 이는 항목이 클라이언트에 의한 예약접수가 일일 단위로만 제공되는 것을 의미한다. 도 4a는 트래이닝 데이터가 과거의 예약접수 데이터로부터 어떻게 표본 추출되는지를 도시하고, 이는 거래 저장소(255)로부터 검색되고 트래이닝 데이터로 사용하기 위해 저장소(256)로 개별적으로 전송될 수도 있다. 도 4a에 도시된 시간표(timeline)는 단일 항목으로부터 취해진 데이터를 표현한다. 상기 항목은 10월 24일인 만료 시간(400) (또는 만료 날짜), 10월 2일인 개시 항목 시간(initial listing time)(410) (또는 개시 항목 날짜), 및 10월 15일에 요청이 수신 및 수락된 시간(또는 날짜)를 가진다.

항목의 만료 시간(400)은 시간 만료 인벤토리가 더 이상 이용가능하지 않거나 온라인 시스템(111)에 의해 클라이언트에게 더 이상 제공되지 않는 시간이다. 온라인 예약 시스템에서, 만료 시간(400)은 일반적으로 예약이 시작된 시간이다.

개시 항목 시간(410)은 항목이 처음으로 클라이언트에게 이용가능하게 된 시간 및/또는 항목이 관리자에 의해 온라인 시스템(111)에게 제공된 첫 날이다.

요청이 수신 및 수락된 시간(420)은 클라이언트의 거래 요청이 수신되고 (공식적으로) 관리자에 의해 수락된 시간이며, 일반적으로 거래를 양 당사자 모두에게 계약적으로 구속시킨다.

도 4a의 예에서, 트래이닝 데이터의 개별 표본은 개시 항목 날짜(410)와 요청이 수신 및 수락된 날짜(420) 사이에서 매일 동안 트래이닝 저장소(256)에 기록된다(430). 각 표본은 기록된 날짜의 항목에 대한 특징 벡터(f)로 구성된다. 표본에 대한 라벨은 항목의 최종 결과를 알 때까지 적용되지 않는다. 도 4a의 예에서, 10월 2일부터 10월 15일 동안 각 표본에 수락된 요청에 대응하는 양의 라벨(positive labels)이 주어지는데, 상기 항목의 궁극적인 결과는 요청이 수신 및 수락된 날짜(420)에 요청과 이어진 수락이 있었기 때문이다.

일부 실시예에서, 항목이 이미 수락되어 더 이상 온라인 시스템(111) 상의 고객에게 제공되지 않으므로, 표본은 420 및 만료 날짜(400) 사이의 날들 동안 수집되지 않는다. 이는 예를 들어 시간 만료 인벤토리가 유일한 경우 발생할 수도 있다. 시간 만료 인벤토리가 유일하지 않은 경우(예를 들어, 일 항공편에 여러 개의 대략 동일한 좌석), 시스템에서 인벤토리가 소진되거나 만료될 때까지 더 많은 데이터가 수집될 수도 있다. 일부 실시예에서, 시스템은 동일한 가격을 공유하는 다수의 항목을 정의하고 유일하지 않은(non-unique) 각 항목을 동일한 특징의 수를 갖는 유일한 항목으로 취급한다. 항목 그룹의 멤버의 예약접수는 그룹 내 항목 중 하나에 적용되며 항목 중 나머지는 계속 유지되게 한다.

항목을 이용할 수 있는 각 시간 간격 동안 트래이닝 데이터의 표본을 기록하는 것은, 이용가능한 전체 기간에 걸쳐 집계한 수락된 거래 요청에 대한 단 하나의 데이터 포인트를 수집하는 것과 비교하는 경우, 분석을 위해서 수요 모듈(213)에 이용할 수 있는 데이터 포인트의 수를 크게 증가시킨다.

도 4b는 과거의 예약접수 데이터로부터 트래이닝 데이터의 표본을 라벨링한 제2 예의 결과를 도시한다. 도 4b에 도시된 경우에서, 만료 날짜(400) 및 개시 항목 날짜는 도 4a와 동일하다. 그러나, 도 4b에서, 항목이 개시 항목 날짜(410)로부터 만료 날짜(400)까지 이용 가능하더라도, 항목에 대한 어떠한 거래 요청도 수신되지 않았다. 그 결과, 항목이 이용가능한 날 동안 모든 표본은 시간 만료 인벤토리가 만료되기 전에 항목에 대한 거래 요청이 수신되지 않았음을 나타내는 음의 트래이닝 라벨로 라벨링된다.

거래 요청을 수신하고 또한 거래 요청을 수신하지 않은 항목에 대한 트래이닝 데이터의 표본을 획득하는 것과 이를 상이하게 라벨링하는 것은, 거래 요청을 수신한 항목만을 고려하는 모델에 비해, 수요 모듈(213)에 이용가능한 데이터의 양을 더 증가시킨다.

도 4c는 과거의 예약접수 데이터로부터 트래이닝 데이터의 표본을 획득하고 라벨링하기 위한 제3의 보다 복잡한 예시 결과를 도시한다. 도 4c에서, 만료 날짜(400)와 개시 항목 날짜(410)는 이전의 두 예시와 동일하다. 그러나, 도 4c에서, 항목 관리자는 10월 15일에 거래 요청을 수신하지만, 이어서 요청(450)을 거부한다. 그러면 추가 거래 요청을 수신 하기 위해 항목을 그대로 둔다. 요청 거부 날짜(450)와 만료 날짜 사이에 더 이상의 거래 요청이 수신되지 않는다.

이 상황에서, 양의 라벨은 항목에 대한 거래 요청을 수신하고, 관리자가 수락했었다면 요청이 성공적인 거래를 초래할 수 있었기 때문에 이어서 거부(450)했던 이전의 날짜에 대한 표본에 적용된다(430). 상기 항목은 요청 거부 날짜(450) 후에 추가 거래 요청을 받지 않기 때문에, 제1 요청 이후의 날짜에 대한 표본은 음의 라벨(440)로 라벨링되며, 그 시간 동안 수신된 거래 요청의 부족은 이전 시간 내에 수신된 거래 요청과는 독립적이므로, 그 기간 동안의 항목 특징은 거래 요청을 유도하기에 충분한 수요를 생성할 수 없었다. 일부 실시예에서, 요청 거부 날짜(450)는 거부된 거래 요청이 수신되었던 날짜일 수도 있다. 다른 실시예에서, 요청 거부 날짜(450)는 거래 요청이 거부되었던 날짜이다. 대안적으로 제1 요청이 거부된 이후에 제2 거래 요청이 수신된 경우(미도시), 남아있는 표본은 양의 라벨로 라벨링된다.

도 4d는 과거의 예약접수 데이터로부터 트래이닝 데이터의 표본을 획득하고 라벨링하는 제4 예시 결과를 도시한다. 도 4d에서, 만료 날짜(400)와 개시 항목 날짜(410)는 이전의 예시들과 동일하다. 도 4a처럼, 거래 요청은 10월 15일에 수신되고 수락되나(420), 도 4d에서 항목을 요청했던 클라이언트는 온라인 시스템(111) 상의 다른 클라이언트가 항목에 다시 액세스할 수 있도록 거래 요청을 취소한다. 취소된 후에, 항목은 추가 거래 요청을 수신하지 않는다. 도 4c와 유사한 상황에서, 개시 항목 날짜(410)로부터 거래 요청 수락 날짜(420)까지의 날들 동안 표본은 양의 라벨로 라벨링되고(430), 취소 날짜(460)에 클라이언트가 이용 가능하게 된 후에, 트래이닝 데이터는 음의 라벨로 라벨링된다(440). 이 경우, 취소 날짜(460)와 거래 요청 수락 날짜(420) 사이의 날 동안 클라이언트가 항목을 이용할 수 없기 때문에 어떤 표본도 생성되지 않는다. 다시 항목이 취소 날짜(460) 후에 거래 요청을 수신하는 경우, 취소 날짜 후의 표본들은 대신에 양의 라벨을 수신할 것이다(미도시).

위에서와 같이, 개별 트래이닝 데이터 표본은 기간(430 및 440)에 의해 나타난 각 날짜에서 획득되나, 표본(470A-470D)은 도 5를 참조한 아래의 언급에서 사용하기 위해 특별히 라벨링된다.

도 5는, 일 실시예에 따른, 수요 모듈에 의해 사용되는 트래이닝 데이터를 저장하는 예시적인 저장소를 도시한다. 도 5는 트래이닝 데이터 표(500)와 표(510)의 저장된 표본을 위해 두 개의 예시를 디스플레이한다. 표(500)는 특징 벡터에 포함될 수도 있는 다양한 특징을 나타낸 일반적인 예시인 반면, 표(510)는 숙박시설 시스템에 사용될 수도 있는 단일 항목의 표본들(470)의 특정 예시이다.

표(500)에서, 각 행(row)은 과거의 예약접수 데이터로부터 특정일을 위해 기록된 트래이닝 데이터의 단일 표본을 표현한다. 각 행은 특징 벡터(f ₁ 에서 f _m) 내 각 특징의 특징 값과 트래이닝 표본이 기록된 항목의 최종 결과에 대응하는 트래이닝 라벨을 포함한다. 이 실시예에서, 1의 트래이닝 라벨은 거래 요청이 항목을 위해 수신되었는지를 표현하기 위해 사용되고, -1의 트래이닝 라벨은 시간 만료 인벤토리가 만료되기 전에 거래 요청이 수신되지 않은 상황을 표현하기 위해 사용된다.

표(500)의 열(columns)은 특징 유형의 예시의 수를 도시한다: 특징(1 및 2)는 수량(quantitative)이고, 특징(3)은 범주형(categorical), 및 특징(m)은 이진이다. 표(500)는 m개의 특징 및 각 특징 벡터에 대한 트래이닝 라벨에 대응하는 m+1의 열(그 중 일부는 설명을 위해 편집됨)을 포함한다. 표(500)는 트래이닝 데이터 표본의 총 수(N)에 대응하는 N개의 행을 포함한다.

표(510)는 도 4d에 도시된 예시적인 항목 시간표로부터 데이터 표본의 선택을 도시한다. 표본이 개시 항목 날짜(410)로부터 요청 수락 날짜까지 그리고 다시 취소 날짜(460)로부터 만료 날짜(400)까지 매일 기록되어도, 단지 표본(470A-470D)만이 설명의 목적 및 예시의 용이함을 위해 표에 도시된다.

표(510)에서, 열은 가격, 만료일까지의 날들, 열거된 숙박시설의 도시, 및 열거된 숙박시설이 무선 라우터(WiFi)를 포함하는지 여부를 포함하는 온라인 숙박시설 시스템 항목에 대한 예시적인 특징으로 라벨링된다. 표본(470A-470D)은 모두 동일한 항목을 출처로 하므로 도시 특징과 WiFi 특징은 모든 표본에서 동일하게 유지되는 반면, 만료까지의 날들 특징(days until expiration feature)과 가격 특징은 표본추출 기간 동안 변화한다.

표본(470A)은 거래 요청이 수신 및 수락(420) 전에 기록되고 따라서 1의 트래이닝 라벨이 적용된다. 표본(470A)은 만료일 20일 전인 10월 4일에 기록되고, 따라서 만료까지 날들 특징은 20의 값을 가진다. 이 예시에서, 10월 4일의 항목 가격은 $120이고, 따라서 가격 특징은 120의 값을 갖는다. 표본(470B)에서, 관리자는 가격을 $100까지 줄였고 표본(470A)이 기록된 때로부터 일주일이 경과했다. 그러므로, 만료까지의 날들 특징 및 가격 특징에 대한 값은 항목 특징의 변화를 반영하기 위해 변화한다. $100의 가격은 표본(470B 및 470C) 사이의 날들에서 일정하게 유지된다. 표본(470C)은 요청 수신 및 수락 날짜(420)에 기록되고, 요청이 수신된 날에 가격이 $100인 것을 나타낸다. 이 가격이 표본(470A)에 대한 $120의 원래 가격에 상이한 것을 주목해라.

이 가격 차이(및 잠재적으로 다른 기능)는 가격 인하가 클라이언트가 항목에 대한 거래 요청을 제출하도록 유도하는 원인 요소(causal factor)인지 여부를 알 수 없기 때문에 인과 관계 문제를 야기한다. 예를 들어, 거래 요청이 $120의 가격에서 수신되지 않았지만, 나중에 가격이 $80으로 낮아진 경우에 수신된 경우, 가격이 $120이었던 날짜 동안 트래이닝 데이터 표본에 대한 1의 트래이닝 라벨은 가격이 만료될 때까지 $120을 유지한 경우 거래 요청 수신을 초래하지 않았을 수도 있는 특징 값(예를 들어, 가격 $120)에 대한 긍정적인 결과를 나타낸다.

수요 모듈(213)은 실시예에 따라 이러한 유형의 인과 관계를 상이하게 처리할 수도 있다. 일부 실시예에서, 일 표본은 거래 요청의 수신 날짜(420)에 기록된 표본과 실질적으로 (표본 사이의 상이한 특징의 수, 최대 차이 임계치 또는 다른 측량치(metric)에 기초하여) 차이가 나는 경우에 버려진다. 다른 실시예에서, 일 표본은 요청이 수신된 날짜에 기록된 표본과 얼마나 상이한가에 기초하여 더 적은 가중치가 부여된다(예를 들어, 0.5의 레벨이 부여될 수도 있다). 또 다른 실시예에서, “요청까지의 날들” 또는 “클라이언트 요청이 수신될 때의 가격”과 같은 추가 특징이 특징 벡터에 추가되어 수요 함수(300)에 대한 표본 기여도의 차이를 반영할 수도 있다. 일부 경우에서, 상이한 특징을 갖는 이 표본은 데이터 라벨링 과정을 단순화하기 위해 또는 수요 예측 모델에 최소한의 영향을 미치는 것으로 가정되기 때문에 완전한 가중치를 부여 받는다. 다른 실시예에서, 개시 항목 날짜(410)와 요청이 수신된 날짜(420) 사이의 가격 분포의 평균 값, 중간 값, 또는 다른 측정 값은 별개의 특징이다.

III.D 특징 모델(Feature Models)

도 6은, 일 실시예에 따른, 특징 모델(w(f))을 도시한다. 도 6은 수요 함수(300)의 가중치에 특징 값(1)을 관련시키는 특징 모델(305)을 디스플레이한다. 통계 모델(600)을 트래이닝 데이터 포인트에 적합하게 하고, 이는 수요 모델(300)의 출력(D(f))과 개별 표본에 대한 해당 특징 값(f) 사이의 부분 오차이다. 트래이닝 과정의 각 반복은 오차를 변화시키고 통계 모델(600)은 데이터에 적합하게 된다. 확률 기울기 하강과 역적합 알고리즘과 같은 알고리즘은 수요 모델(300)의 모든 특징에 대한 통계 모델(600) 사이의 부분 오차를 최소화하려고 한다. 트래이닝 데이터 세트를 반복하면, 통계 모델(600)은 각 주어진 특징 값에 대한 가중치를 출력하는 특징 모델(305)로 수렴한다. 많은 통계 방법은 비-스플라인, 3차원 스플라인, 임의의 회귀 유형, (범주 및 이진 데이터용) 디랙 델타 함수(Dirac delta functions), 또는 이 방법의 임의의 조합을 포함하는 데이터를 적합하게 하는데 사용된다. 온라인 시스템(111)의 관리자는 데이터를 가장 잘 표현하기 위해 특징 모델(305)을 구성할 수도 있다. 적합하게 하는 것 이후에, 특징 모델(305)은 특징 값의 전체 범위에 대해 -1과 1 사이의 가중치를 가질 것이다. 일부 실시예에서, 특징 값은 상기 범위를 0과 1사이로 제한하기 위해 정규화된다. 특징이 범주 또는 이진 값인 경우, 통계 모델(600)은 특징 범주로부터 가중치 값까지 단순하게 맵핑할 수도 있고 또는 가중치를 결정하는데 사용하기 위해 범주 데이터를 설계된 스케일로 변환하는 것에 기초할 수도 있다.

도 7a-7b는, 일 실시예에 따른, 예시적인 특징 모델(305)을 도시한다. 도 7a는 가격 특징에 대한 특징 모델(305)가 전형적인 트래이닝 데이터 세트일 수도 있는 예시를 도시한다. 이 경우, 통계 모델(700)은 가격 데이터에 대한 스플라인 적합(spline fit)의 전형이다. 통계 모델에 기초하면, (클라이언트가 사기(scammed) 당할 가능성에 대한 우려가 있기 때문에) 가격은 저렴한 항목에 대한 수요에 부정적인 영향을 미치고, 저렴하지만 합리적인 가격 수준에는 가격이 항목에 대한 긍정적인 영향을 미친다. 가격이 증가함에 따라 수요에 미치는 영향은, 그 가격의 수준에서의 고객이 보다 탄력적인 소비 습관을 갖고 가격 특성이 수요에 덜 부정적인 영향을 주는 특정 포인트까지 증가하여 음(negative)이 된다.

도 7b는 전형적인 트래이닝 데이터 세트를 갖는 “만료 전 날들” 특징에 대한 전형적인 특징 모델(305)을 도시한다. 이 경우 사용된 통계 모델(710)은 만료 날짜 이전에 항목이 더 일찍 게시되면, 그 항목에 대해 보다 많은 수요가 있을 것이라는 것을 나타낸다. 이들 예시적인 특징 모델(305) 중 어느 것이든 전형적인 결과들과 다를 수도 있으며, 온라인 시스템(111)의 맥락에서 특징 모델(305)의 기능을 예시하기 위한 예로서만 본 명세서에서 사용된다.

III.E 가능성 모델(Likelihood Model)

도 8은, 일 실시예에 따른, 수요 모듈(213)에 의해 사용되는 가능성 모델(310)을 도시한다. 일단 수요 모듈(213)이 특징 모델(305)을 트래이닝하면, 수요 모듈(213)은 다수의 트래이닝 데이터 표본에 대한 특징 벡터 (f)의 세트를 사용할 수도 있고, 수요 함수(300)를 사용하여 각 표본에 대한 추정 수요(D(f))를 출력할 수도 있다. 가능성 모델(310)을 트래이닝하기 위해, 수요 모듈(213)은 가능성 함수(800)를 추정된 수요(D(f))에 대한 라벨링된 값에 적합하게 한다. 가능성 함수(800)는 특징 벡터가 주어진 양의 라벨을 갖는 확률을 결정하는 이진 분류 문제를 해결하거나, 그렇지 않으면 시간 만료 인벤토리의 만료 이전에 주어진 표본이 거래 요청을 수신했던 가능성을 서술하는 함수이다. 도 8에서, 음의 라벨은 하얀 원(810)으로 표현되는 반면 양의 라벨은 검은 원(820)으로 표현된다. 가능성 함수(800)는 표본에 대한 추정된 수요에 기초하여 도트가 검은색으로 될 확률을 근사화한다.

일부 실시예에서, 플랫 스케일링 알고리즘(Platt scaling algorithm)이 가능성 함수(800)로 사용된다. 수요 함수에 적용된 플랫 스케일링의 형태는 아래와 같다:

α 및 β는 학습된 상수이다. 힌지 손실 함수(Hinge-loss function) 또는 다른 유사한 기술과 같은 손실 함수는 이 이진 분류 문제를 가장 잘 해결하도록 최대 가능성 방법을 사용하여 플랫 스케일링 알고리즘을 트래이닝하기 위해 사용된다. 일단 수요 모듈(213)이 가능성 함수(800)를 트래이닝하면, 가능성 모듈(310)은 추정된 수요(D(f))를 입력으로 수신할 수 있고, 시간 만료 인벤토리가 만료 전에 거래 요청을 수신할 가능성(P(D(f)))을 출력할 수 있다.

III.F 가격매김 모델(Pricing Model)

도 9a-9c는, 일 실시예에 따른, 항목에 대한 가격매김 모델(320)을 생성하는 과정을 도시한다. (특징 모델(305)을 포함한) 수요 모델(300) 및 (가능성 함수(800)를 포함한) 가능성 모델(310) 둘 다 트래이닝 데이터의 표본을 사용하여 트래이닝된 이후에, 수요 모듈(213)은 임의의 특징 벡터(f)를 거래 요청을 수신할 가능성(P(D(f)))으로 변환하는 능력을 가진다.

상술한 바와 같이, 시험 가격의 범위 내에서 거래 요청을 수신할 가능성을 제공하기 위해, 수요 모듈(213)은 (항목의 현재 가격을 포함한) 시험 가격의 세트와 동일한 가격 특징 값과 변하지 않는 채로 있는 나머지 특징 값을 갖는 변경된 특징 벡터를 생성한다. 그 후 수요 모듈(213)은 시험 수요 추정치와 각 변경된 특징 벡터에 대한 거래 요청을 수신할 해당 시험 가능성을 결정한다.

수요 모듈(213)은 시험 가격과 거래 요청을 수신할 해당 시험 가능성을 처리하여 상기 정보의 관리자 또는 요청자의 목표를 충족하는 가격을 식별한다. 일 실시예에서, 이는 시험 가격과 가능성 데이터 포인트에 대한 함수를 적합하게 함으로써 성취되고, 가격매김 모델(320)을 자동적으로 감소시킴으로써 평탄하게(smooth) 만든다. 이 과정은 도 9a-9b에 도시된다.

도 9a에서, 가격 특징과 시간 만료 인벤토리에 대한 거래 요청을 수신할 가능성의 값이 표시된다. 데이터 포인트(900)는 현재 가격에서 거래 요청을 수신할 대상 항목(subject listing)의 현재 가능성을 표현한다. 수요 모듈(213)은 양으로 및/또는 음으로 가격 간격(920)만큼의 가격 특징의 값을 구현함으로써 시험 데이터 포인트(910)를 생성한다. 가격 간격(920)은 대상 항목에 대한 가격 특징의 원래 값의 양(amount) 또는 비율일 수도 있다. 일부 실시예에서, 양의 가격 간격과 음의 가격 간격은 상이하다.

수요 모듈(213)은 원래 가격의 어느 한 방향으로 가격 간격만큼 가격 특징의 값을 계속 증가시킨다. 이 과정은 실시예에 따라 시험 가격의 임계 범위에 미치거나 또는 데이터 포인트의 임계 개수가 생성될 때까지 계속된다. 이러한 시험 가격은 예를 들어 현재 가격의 두배/절반으로 높거나/낮거나 또는 보다 높을/낮을 수도 있다. 일단 충분한 시험 가격이 생성되었으면, 데이터 포인트는 도 9c에 도시된 바와 같이 가격 함수(930)에 적합하게 된다. 임의의 함수가 생성된 가격 대 가능성 데이터를 적합하게 하는데 사용될 수도 있다. 일 실시예에서, 가격 함수(930)는 와이불 분포(Weibull distribution)이다.

가격 함수(930)를 시험 가격에 적합하게 하고 가능성을 생성한 결과, 수요 모듈(213)은 가격 함수(930)를 관리자에게 제공하여 대상 항목에 대한 가격을 설정하는 것을 도울 수도 있다. 대안적으로, 수요 모듈(213)은 관리자에게 가격 조언을 제공할 수도 있다. 일 실시예에서, 가격 조언은 임계 가능성에 기초할 수도 있다(최대 가격은 거래 요청을 수신할 임계 가능성이다). 예를 들어, 임계 가능성이 가능성(940)에서 설정되는 경우, 결과적인 가격 조언은 가격(950)이 될 것이다. 다른 실시예에서, 가격은 가격 곱하기 가능성의 값을 최대화하기 위해 선택될 수도 있다. 예를 들어, 가격(970) 곱하기 가능성(960)이 가격 함수(930)에 대해 최대인 경우, 가격(970)은 사용자를 위한 가격 조언이 될 수도 있다. 일부 실시예에서, 수익 함수는 보다 좋은 가격 조언을 초래하는 가격과 거래 요청을 수신할 가능성 사이의 관계를 결정하기 위해 학습된다. 예를 들어, 수익 함수는 학습된 상수(a 및 b)에 기초한 가격 함수(930)에 대해서 아래의 수학식일 수도 있다(여기서 p_s는 대상 항목의 가정적 가격(hypothetical price)이다).

이 경우, 이 수익 함수에 대한 트래이닝 데이터는 이전 가격 예측과 다양한 항목에 대한 가격 예측을 위한 해당 가능성 값일 수도 있다. 또한, 다른 측정값이 가격 조언으로 사용자에게 제공되기 위해 사용될 수도 있다.

IV. 추가 고려 사항(Additional Considerations)

본 설명의 일부는 정보상 연산 기호 (symbolic representations) 및 알고리즘 용어에 관한 본 발명의 실시예들을 기술한다. 이러한 알고리즘적 설명 및 표현은, 일반적으로 그들의 작업 핵심을 효율적으로 다른 당업자에게 전달하기 위해 데이터 처리 분야의 당업자에 의해 사용된다. 이러한 동작은 기능적, 연산적, 또는 논리적으로 설명되지만, 컴퓨터나 이러한 동등한 전기회로, 마이크로코드 등에 의해 구현될 것으로 이해된다. 나아가, 이것은 모듈로서의 이러한 동작의 배열을 나타내기 위해, 때때로 일반성의 상실 없이 편리하게 입증된다. 상기 서술된 동작 및 그들의 연관된 모듈은 소프트웨어, 펌웨어, 하드웨어 또는 이들의 임의 조합 내에서 구현될 수 있다. 일 실시예에서, 소프트웨어 모듈은 컴퓨터 프로그램 코드를 포함하는 컴퓨터-판독 가능 매체로 구성되는 컴퓨터 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 컴퓨터 프로세서에 의해 실행될 수 있다.

마지막으로, 본 명세서에 이용된 언어는 주로 읽기 쉽고 교시적인 목적으로 선택되었으며, 발명의 주제를 한정하거나 정확하게 서술하기 위해 선택된 것은 아닐 수도 있다. 그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않으며, 청구항에 의해 제한된다는 것을 의도하고 있다. 따라서, 본 발명의 실시예의 개시 내용은 예시적인 것이며, 이하의 청구 범위에 열거된 본 발명의 범위를 제한하는 것이 아니다.

Claims

온라인 컴퓨팅 시스템에서, 대상 항목에 대한 특징 벡터를 수신하는 단계로서, 상기 대상 항목은 상기 온라인 컴퓨팅 시스템의 복수의 클라이언트 중 하나에 의해 예약접수될 수 있는 시간 만료 인벤토리를 포함하고, 상기 특징 벡터는 상기 시간 만료 인벤토리의 현재 가격을 나타내는 가격 특징을 포함한 복수의 항목의 특징을 포함하는, 대상 항목에 대한 특징 벡터를 수신하는 단계;
상기 시간 만료 인벤토리가 만료되기 전에 상기 시간 만료 인벤토리가 상기 클라이언트 중 하나로부터 거래 요청을 수신할 가능성의 수치적 표현인 수요 추정치를 생성하기 위해 수요 함수에 상기 특징 벡터를 입력하는 단계; 및
상기 수요 추정치를 저장하는 단계를 포함하는 컴퓨터 실행 방법.
제 1 항에 있어서,
상기 수요 함수는 복수의 특징 모델을 포함하고, 상기 특징 벡터 내 각 특징은 상기 특징 모델 중 하나에 연관된 컴퓨터 실행 방법.
제 2 항에 있어서,
상기 수요 함수는 상기 특징 모델을 포함하는 일반화된 가산 모델을 포함하는 컴퓨터 실행 방법.
제 1 항에 있어서,
상기 수요 함수는 트래이닝 데이터로 트래이닝되었고, 상기 트래이닝 데이터로부터의 각 표본은 이진 라벨 및 트래이닝 시간 만료 인벤토리의 트래이닝 특징 벡터를 포함하며, 상기 이진 라벨은 상기 트래이닝 시간 만료 인벤토리가 상기 트래이닝 시간 만료 인벤토리의 만료 전에 거래 요청을 수신했었는지 여부를 표현하며, 상기 트래이닝 특징 벡터는 상기 시간 만료 인벤토리에 연관된 복수의 트래이닝 항목의 특징인 컴퓨터 실행 방법.
제 4 항에 있어서,
상기 트래이닝 데이터는 복수의 트래이닝 시간 만료 인벤토리를 포함하고, 상기 트래이닝 시간 만료 인벤토리 중 적어도 하나는 복수의 표본에 연관되며, 각 표본은 상기 시간 만료 인벤토리의 만료 이전에 상이한 기간에 연관된 컴퓨터 실행 방법.
제 5 항에 있어서,
트래이닝 시간 만료 인벤토리 중 하나는 상기 시간 만료 인벤토리의 만료 이전에 거래 요청을 수신하지 않고,
상기 하나의 트래이닝 시간 만료 인벤토리에 연관된 각 표본은 음의 라벨을 갖는 컴퓨터 실행 방법.
제 5 항에 있어서,
상기 트래이닝 시간 만료 인벤토리 중 하나는 상기 시간 만료 인벤토리의 만료 이전에 거래 요청을 수신하고,
상기 거래 요청보다 이른 시간에 발생한, 상기 하나의 트래이닝 시간 만료 인벤토리에 연관된 각 샘플은 양의 라벨을 갖는 컴퓨터 실행 방법.
제 5 항에 있어서,
상기 트래이닝 시간 만료 인벤토리 중 하나는 상기 시간 만료 인벤토리의 만료 이전 제1 시간에서 거래 요청을 수신하고, 상기 시간 만료 인벤토리의 관리자가 상기 시간 이후 제2 시간에 상기 거래 요청을 거절하거나 또는 상기 관리자가 수락하지만 상기 클라이언트가 상기 제2 시간에 거래를 취소하며,
상기 제1 시간보다 이른 시간에 발생한, 상기 하나의 트래이닝 시간 만료 인벤토리에 연관된 각 샘플은 양의 라벨을 갖는 컴퓨터 실행 방법.
제 5 항에 있어서,
상기 시간 만료 인벤토리의 만료 전 다른 거래 요청을 수신하지 않는 경우, 제2 시간에 또는 상기 제2 시간 보다 늦게 발생한, 상기 하나의 트래이닝 시간 만료 인벤토리에 연관된 각 샘플은 음의 라벨을 갖는 컴퓨터 실행 방법.
제 2 항에 있어서,
상기 특징 벡터는 상기 시간 만료 인벤토리가 만료될 때까지의 지속 기간(duration)을 나타내는 만료까지 기간(time period) 특징을 더 포함하는 컴퓨터 실행 방법.
제 1 항에 있어서,
항목은 복수의 기간에 걸쳐 예약접수될 수 있고, 각 기간은 개별적으로 예약접수될 수 있는 시간 만료 인벤토리의 개별 아이템을 표현하는 컴퓨터 실행 방법.
제 1 항에 있어서,
상기 시간 만료 인벤토리보다 더 크거나 더 적은 시험 가격 세트를 생성하는 단계;
상기 세트 내 각 시험 가격에 대해, 시험 수요 추정치를 생성하기 위해 상기 현재 가격을 상기 시험 가격으로 대체한 상기 특징 벡터의 변경 버전을 상기 수요 함수에 입력하는 단계; 및
상기 시험 가격에 기초하여 생성된 상기 시험 수요 추정치 및 상기 현재 가격에 기초하여 생성된 상기 수요 추정치로 구성된 수요 추정치 세트를 생성하는 단계를 더 포함하는 컴퓨터 실행 방법.
제 2 항에 있어서,
요청 가능성 세트를 생성하기 위해 상기 수요 추정치 세트를 가능성 모델에 입력하는 단계로서, 각 요청 가능성은 상기 수요 추정치 중 하나에 연관된 시간 만료 인벤토리가 각 시험 가격에서 거래 요청을 수신할 가능성을 표현하는, 상기 수요 추정치 세트를 입력하는 단계를 더 포함하는 컴퓨터 실행 방법.
제 13 항에 있어서,
상기 요청 가능성 세트에 기초하여 상기 시간 만료 인벤토리 또는 상기 항목에 대한 가격 조언을 결정하는 단계를 더 포함하는 컴퓨터 실행 방법.
제14 항에 있어서,
상기 가격 조언을 결정하는 단계는,
데이터 포인트 세트에 기초하여 함수를 적합하게 하는 단계로서, 상기 세트 내 각 데이터 포인트는 상기 세트로부터 상기 요청 가능성 중 하나 및 상기 수요 추정치를 생성하기 위해 사용된 상기 시험 가격을 포함하고, 상기 시험 가격은 상기 요청 가능성을 생성하기 위해 사용되었으며, 상기 함수는 상이한 요청 가능성에서 상기 시간 만료 인벤토리에 대한 가격의 범위를 표현하는, 함수를 적합하게 하는 단계를 포함하는 컴퓨터 실행 방법.
제 15 항에 있어서,
상기 가격 조언을 결정하는 단계는 새로운 가격을 선택하는 단계를 더 포함하고, 상기 새로운 가격은 상기 함수에 기초하여 요청 가능성과 상기 시간 만료 인벤토리에 대한 가격을 곱한 결과물(product)을 최대화하는 컴퓨터 실행 방법.
제 15 항에 있어서,
상기 가격 조언을 결정하는 단계는 아래 수학식의 형태의 수익 함수를 최대화하는 단계를 더 포함하고,

p_s 는 대상 항목의 가정적 가격이고, f_s 는 p_s 와 동일한 가격을 갖는 대상 항목의 특징 벡터이며, a 및 b는 학습된 상수인 컴퓨터 실행 방법.