論文の概要: Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation

• arxiv url: http://arxiv.org/abs/2304.07391v1
• Date: Fri, 14 Apr 2023 21:10:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 19:21:16.492760
• Title: Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation
• Title（参考訳）: 需要予測のない収益管理:入札価格生成のためのデータ駆動アプローチ
• Authors: Ezgi C. Eren, Zhaoyang Zhang, Jonas Rauch, Ravi Kumar and Royce Kallesen
• Abstract要約: 本稿では、需要予測と最適化技術の必要性を排除したデータ駆動型の収益管理手法を提案する。 我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。 以上の結果から,我々のデータ駆動手法は,幅広い設定において理論的に最適(1%の収益格差)に近いままであることがわかった。
• 参考スコア（独自算出の注目度）: 25.53238782264327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional revenue management relies on long and stable historical data and predictable demand patterns. However, meeting those requirements is not always possible. Many industries face demand volatility on an ongoing basis, an example would be air cargo which has much shorter booking horizon with highly variable batch arrivals. Even for passenger airlines where revenue management (RM) is well-established, reacting to external shocks is a well-known challenge that requires user monitoring and manual intervention. Moreover, traditional RM comes with strict data requirements including historical bookings and pricing even in the absence of any bookings, spanning multiple years. For companies that have not established a practice in RM, that type of extensive data is usually not available. We present a data-driven approach to RM which eliminates the need for demand forecasting and optimization techniques. We develop a methodology to generate bid prices using historical booking data only. Our approach is an ex-post greedy heuristic to estimate proxies for marginal opportunity costs as a function of remaining capacity and time-to-departure solely based on historical booking data. We utilize a neural network algorithm to project bid price estimations into the future. We conduct an extensive simulation study where we measure performance of our methodology compared to that of an optimally generated bid price using dynamic programming (DP). We also extend our simulations to measure performance of both data-driven and DP generated bid prices under the presence of demand misspecification. Our results show that our data-driven methodology stays near a theoretical optimum (<1% revenue gap) for a wide-range of settings, whereas DP deviates more significantly from the optimal as the magnitude of misspecification is increased. This highlights the robustness of our data-driven approach.
• Abstract（参考訳）: 従来の収益管理は、長く安定した履歴データと予測可能な需要パターンに依存している。 しかし、これらの要件を満たすことが常に可能であるとは限らない。 多くの産業が需要変動に直面しており、例えば、非常に短い予約地平線と非常に可変なバッチ到着を持つ航空貨物がある。 収益管理(rm)が確立されている旅客航空会社であっても、外部ショックに対する反応は、ユーザの監視と手作業による介入を必要とする、よく知られた課題である。 さらに、従来のrmには、何年もにわたる予約がない場合でも、履歴予約や価格など、厳格なデータ要件がある。 RMでプラクティスを確立していない企業では、そのような広範なデータは通常利用できない。 本稿では,需要予測と最適化技術の必要性をなくすデータ駆動手法を提案する。 歴史的予約データのみを用いて入札価格を生成する手法を開発した。 このアプローチは,過去の予約データのみに基づいて残余容量と出勤時間の関数として,限界機会コストのプロキシを推定する,ポスト・グリーディ・ヒューリスティックなアプローチである。 我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。 本研究では,動的プログラミング(DP)を用いて提案手法の性能を最適に生成した入札価格と比較した広範なシミュレーション研究を行う。 また,データ駆動価格とdp生成入札価格の両方を,需要不特定の存在下で測定するためのシミュレーションも拡張した。 以上の結果から,データ駆動型手法は幅広い設定で理論的に最適な(<1%収益ギャップ) に近く,一方dpは不特定化の規模が大きくなるほど最適から大きく逸脱することが示された。 これは、データ駆動アプローチの堅牢性を強調します。

関連論文リスト

• Cost-Effective Proxy Reward Model Construction with On-Policy and Active Learning [70.22819290458581]
  人間のフィードバックによる強化学習(RLHF)は、現在の大規模言語モデルパイプラインにおいて広く採用されているアプローチである。 提案手法では,(1)OODを回避するためのオン・ポリシー・クエリと,(2)プライオリティ・クエリの最も情報性の高いデータを選択するためのアクティブ・ラーニングという2つの重要なイノベーションを導入している。
  論文  参考訳（メタデータ） (2024-07-02T10:09:19Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Learning with Posterior Sampling for Revenue Management under Time-varying Demand [36.22276574805786]
  価格設定項目やサービスによる収益を最大化するための収益管理問題について議論する。 この問題の1つの課題は、需要分布が未知であり、航空会社や小売業のような実際の応用において時間とともに変化することである。
  論文  参考訳（メタデータ） (2024-05-08T09:28:26Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Optimizing Data Collection for Machine Learning [87.37252958806856]
  現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。 過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。 本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:19:05Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• A machine learning approach to itinerary-level booking prediction in competitive airline markets [0.0]
  競合データ、価格、ソーシャルメディア、安全、航空会社のレビューなど、複数のソースからのデータを組み合わせています。 顧客行動は価格に敏感でスケジュールに敏感で快適なODに分類できることを示す。 このモデルは、従来の時系列予測よりも高い収益をもたらす予測を生成する。
  論文  参考訳（メタデータ） (2021-03-15T14:32:11Z)
• Uncertainty Quantification for Demand Prediction in Contextual Dynamic Pricing [20.828160401904697]
  本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。 偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
  論文  参考訳（メタデータ） (2020-03-16T04:21:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。