带有审查数据的离线定价和需求学习-研究论文

【文件属性】：
文件名称：带有审查数据的离线定价和需求学习-研究论文
文件大小：745KB
文件格式：PDF
更新时间：2021-05-20 19:39:27
price optimization demand censoring data-driven 我们在离线数据驱动的环境中研究带有需求审查的单个产品定价问题。 在这个问题中，零售商获得的库存数量有限，并且面临着随机需求，该需求以线性方式具有价格敏感性，而价格敏感性和基本需求分布却未知。 超出库存水平的任何未满足的需求都将丢失并且无法观察。 我们假设零售商可以访问由历史价格，库存水平和可能审查的销售数量三倍组成的离线数据集。 零售商的目标是使用离线数据集找到最佳价格，并通过有限的库存最大化其预期收入。 由于对脱机数据进行了需求审查，因此我们表明，不能始终保证在数据驱动的问题中存在接近最优的算法（我们称之为问题可识别性）。 我们为问题的可识别性开发了必要和充分的条件，并表明它与审查数据的某些质量指标直接相关。 我们提出了一种新颖的数据驱动算法，该算法可对冲因审查数据而引起的分布不确定性，并允许可证明的有限样本性能保证，而无论问题的可识别性和离线数据质量如何。 具体来说，我们证明，对于可识别的问题，所提出的算法是接近最佳的；对于不可识别的问题，其最坏情况下的收入损失接近所有数据驱动算法中可实现的最佳性能保证。 数值实验表明，与三种基准算法相比，我们的算法非常有效，并且显着提高了预期收入和最坏情况的收入。