Assessing the Impact: Does an Improvement to a Revenue Management System Lead to an Improved Revenue?
IVADO Labs(IVADO实验室);École Polytechnique de Montréal(蒙特利尔高等理工学院);Université de Montréal(蒙特利尔大学);Mila(米拉人工智能研究院)
几十年来,航空公司和其他行业一直在利用复杂的收入管理系统来最大限度地提高收入。虽然改善这些系统的不同组成部分一直是众多研究的重点,估计这种改进对收入的影响一直被忽视的文献,尽管其实际的重要性。事实上,量化系统变化的好处可以为投资决策提供支持。这是一个具有挑战性的问题,因为它对应于所生成的值与将系统保持为以前的值之间的差异。后者是不可观察的。此外,预期影响的相对价值可能很小。在本文中,我们把这个问题看作是对未观察到的收入的反事实预测。因此,对收入的影响是观察到的收入与估计收入之间的差额。这项工作的独创性在于创新性地应用计量经济学方法提出了宏观经济应用到一个新的问题设置。广泛适用的是,该方法的好处是只需要在系统应用变化之前和之后每天在航空公司网络中观察到的始发地-目的地对的收入数据。我们使用来自加拿大航空公司的真实大规模数据报告结果。我们比较了深度神经网络反事实预测模型与计量经济学模型。它们在反事实收入预测上分别实现了1%和1.1%的误差,并允许准确地估计小的影响(大约2%)。
2021-06-16 cs.AI cs.LG econ.EM
Revenue Maximization and Learning in Products Ranking
本文研究在线零售商在消费者注意力跨度随机且未知条件下的产品排序收益最大化问题,提出具有嵌套结构的最优排序近似算法,并设计在线学习算法实现次线性遗憾。
2025-11-09 cs.LG
Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer
GERAD(GERAD( GERAD是蒙特利尔大学等机构联合运营的研究机构,通常保留英文原名));HEC Montréal(蒙特利尔高等商学院)
我们提出了一个案例研究,使用机器学习分类算法来初始化一个大规模的商业求解器(GENCOL)的基础上列生成的背景下,航空公司机组人员配对的问题,其中小的节省只有1%转化为增加年收入的数千万美元的大型航空公司。在模仿学习框架下,我们专注于预测机组人员的下一个连接航班的问题,框架为从历史数据训练的多类分类问题,并设计了一个适应的神经网络方法,实现了高精度(99.7%的整体或82.5%的困难的情况下)。我们证明了我们的方法的有用性,通过使用简单的算法来结合飞行连接预测,形成初始机组配对集群,可以在GENCOL求解器中提供,从而提高10倍的速度和节省高达0.2%的成本。
2021-03-02 cs.LG math.OC stat.ML
Data-Driven Revenue Management for Air Cargo
PROS Inc(PROS公司)
针对航空货运收益管理面临的需求波动、运力多维不确定等挑战,提出一种数据驱动方法,经仿真验证,独立生成重量和体积竞价再求和的策略收益优于其他方案超3%。
2024-05-16 cs.GT cs.LG
The Sample Complexity of Up-to-$\varepsilon$ Multi-Dimensional Revenue Maximization
Microsoft Research(微软研究院);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Princeton University(普林斯顿大学)
我们认为,在无限制的多维设置多个投标人的收入最大化的样本复杂性。具体来说,我们研究了$n$添加剂投标人的$m$异质项目的价值独立绘制的标准模型。对于任何这样的实例和任何$\varepsilon>0$,我们表明,它是可以学习的$\varepsilon$贝叶斯激励兼容拍卖的预期收入是在$\varepsilon$的最佳$\varepsilon$ -BIC拍卖只有多项式多个样本。我们的完全非参数的方法是基于相当普遍的想法,并完全回避了困难的特点,这些设置的最佳(或接近最佳)拍卖。因此,我们的结果很容易扩展到一般的多维设置,包括估值,甚至不一定是次加性,和任意的分配约束。对于单个投标人和许多商品,或单个参数(好)和许多投标人的情况下,我们的分析产生确切的激励相容性(和后者也计算效率)。虽然单参数的情况已经很好地理解,我们的推论这种情况下稍微扩展了国家的最先进的。
2021-04-09 cs.GT cs.LG
A Game-theoretic Machine Learning Approach for Revenue Maximization in Sponsored Search
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
赞助搜索是搜索引擎的一个重要的盈利渠道,其中使用拍卖机制来选择显示给用户的广告并确定向广告商收取的价格。在文献中已经有几篇研究如何设计拍卖机制以优化搜索引擎的收益的工作。但由于使用了一些不切实际的假设,这些研究的实际价值并不十分明确。在本文中,我们提出了一种新的\emph{game-theoretic machine learning}方法,自然地结合了机器学习和博弈论,并学习拍卖机制使用一个双层优化框架。特别是,我们首先从历史数据中学习马尔可夫模型来描述广告客户如何改变他们的出价,以响应拍卖机制,然后对于任何给定的拍卖机制,我们使用学习的模型来预测其相应的未来出价序列。接下来,我们学习的拍卖机制,通过经验收益最大化的预测出价序列。我们证明了当预测周期趋于无穷大时,经验收益将收敛,并且遗传编程算法可以有效地优化经验收益。我们的实验表明,所提出的方法是能够产生一个更有效的拍卖机制比几个基线。
2014-06-04 cs.GT cs.LG
Reinforcement Learning Based Algorithm for the Maximization of EV Charging Station Revenue
Sofia University(索菲亚大学);Telecom Bretagne(布列塔尼电信学院)
本文提出了一种基于在线强化学习的应用程序,它增加了一个特定的电动汽车(EV)站的收入,连接到可再生能源。此外,所提出的应用程序适应车站的平均客户数量及其类型的趋势的变化。模型中的大部分参数都是随机模拟的,所采用的算法是Q-学习算法。通过计算机模拟验证了该模型的有效性。
2014-09-17 cs.CE cs.LG math.OC
A Game-Theoretic Analysis of the Empirical Revenue Maximization Algorithm with Endogenous Sampling
Peking University(北京大学);Technion - Israel Institute of Technology(以色列理工学院);Hong Kong University of Science and Technology(香港科技大学);Alibaba Group(阿里巴巴集团);Shanghai Jiao Tong University(上海交通大学)
经验收益最大化(ERM)是拍卖设计中最重要的价格学习算法之一:文献表明,它可以在重复拍卖和统一价格拍卖中学习到收益最大化拍卖者的近似最优保留价。然而,在这些应用程序中,提供输入的机构有动机操纵输入,以降低输出的价格。我们概括了Lavi et al(2019)提出的激励意识度量的定义,以量化由于$N$输入样本中的$m\ge 1$的变化而导致的ERM输出价格的降低,并提供了该度量到零的特定收敛率,因为对于不同类型的输入分布,$N$趋于无穷大。通过采用这一措施,我们构建了一个有效的,近似激励兼容的,和收入最优的学习算法使用ERM在重复拍卖对非近视投标人,并显示近似组激励兼容统一价格拍卖。
2020-10-12 cs.GT cs.LG econ.TH
Stochastic Dynamic Programming Heuristics for Influence Maximization-Revenue Optimization
University of Saskatchewan(萨斯喀彻温大学)
在过去的十年中,研究人员积极研究了著名的影响力最大化(IM)问题,重点是营销和社交网络。已有的研究通过获得影响扩散和利用子模块度的性质来解决IM问题。本文是基于一种新的方法,面向优化点击,从而在一个在线社交网络(OSN)收入的IM问题。我们的方法通过实施随机动态规划(SDP)采用一种新颖的决策角度,从现有的方法转移。因此,我们定义了一个新的问题影响最大化收入优化(IM-RO),并提出SDP作为一种方法,在其中可以解决这个问题。SDP方法在优化点击和产生收入方面为广告商带来了丰厚的收益,然而,该方法的一个缺点是其相关联的"维数灾难",特别是对于涉及大状态空间的问题。因此,我们引入劳伦斯程度启发式(LDH),自适应爬山(AHC)和多级粒子群优化(MPSO)算法的方法,这是数量级的速度比SDP方法,同时达到接近最优的结果。通过对各种合成网络和真实网络的比较分析,我们提出了AHC和LDH作为理想模型参数下的准确性,运行时间和可扩展性方面非常适合于IM-RO问题的算法。在本文中,我们提出了一个令人信服的调查SDP方法作为一个实用的和有利可图的方法,在OSN的背景下传播信息和优化收入。
2018-04-04 cs.LG math.OC stat.ML
Revenue Maximization of Airbnb Marketplace using Search Results
Pennsylvania State University(宾夕法尼亚州立大学);Airbnb(爱彼迎)
在在线市场中正确定价产品或服务是一个具有挑战性的问题,也是业务成功的关键因素之一。当用户想要购买某个商品时,他们通常会搜索该商品。在此阶段,使用查询相关性模型来检索搜索页面上的商品,并将其从最相关到最不相关进行排序。所呈现的物品自然地为用户购买而彼此“竞争”。我们提供了一个实用的两阶段模型来定价这组检索到的项目,其值的分布是学习。定价策略的初始输出是一个搜索事件中顶部显示项目的价格向量。我们稍后将这些搜索结果汇总,为供应商提供每件商品的最佳价格。我们将我们的解决方案应用于从Airbnb Experiences市场获得的大规模搜索数据。线下评估结果显示,我们的策略在关键指标上比基准定价策略提高了至少+20%的预订遗憾率和+55%的收入潜力。
2019-11-16 cs.LG stat.ML
Learning Revenue Maximization using Posted Prices for Stochastic Strategic Patient Buyers
Tel Aviv University(特拉维夫大学);Ben-Gurion University(本-古里安大学);Google Research(谷歌研究院)
我们认为卖方面对买方有能力推迟他们的决定,我们称之为耐心。每个买家的类型是由价值和耐心,它是i.i.d.抽样。从分布。卖家希望使用公布的价格,最大限度地提高向买家销售的收入。在本文中,我们形式化的设置和特征所产生的Stackelberg均衡,卖方首先承诺她的策略,然后买家最好的反应。接下来,我们将展示如何计算最优纯策略和混合策略。然后,我们考虑一个学习设置,卖方不能访问买方类型的分布。我们的主要结果如下。我们得出一个样本的复杂性界的学习近似最优的纯策略,通过计算脂肪粉碎尺寸这个设置。此外,我们还给出了近似最优混合策略的一般样本复杂度界。我们还考虑了一个在线设置,并得出一个消失的遗憾界方面的最佳纯策略和最佳混合策略。
2022-06-26 cs.GT cs.LG
Objective Variables for Probabilistic Revenue Maximization in Second-Price Auctions with Reserve
Columbia University(哥伦比亚大学)
许多在线公司在第二价格拍卖中出售广告空间。在本文中,我们开发了一种概率方法来学习一个有利可图的策略,以设置保留价。我们使用历史拍卖数据与功能,以适应最佳保留价的预测。这个问题是微妙的-拍卖的结构是这样的,保留价定得太高比保留价定得太低更糟糕。为了解决这个问题,我们开发了目标变量,一个新的框架相结合的概率建模与最优决策。客观变量是“幻觉观测”,它将收入最大化任务转化为正则化的极大似然估计问题,我们用期望最大化算法解决这个问题。该框架允许各种预测机制来设定保留价。作为例子,我们研究了目标变量方法与回归,核化回归,和神经网络的模拟和真实数据。我们的方法在可扩展性和利润方面都优于以前的方法。
2015-06-24 cs.AI cs.GT cs.LG
Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation
PROS Inc(PROS公司)
本文提出一种仅用历史预订数据生成投标价格的数据驱动收益管理方法,通过事后贪心启发式与神经网络预测边际机会成本,仿真显示其收入差距小于1%,且在需求误设下比动态规划更稳健。
2023-04-14 cs.LG
On the Learning Curves of Revenue Maximization
Purdue University(普渡大学);Yale University(耶鲁大学);Technion(技术学院);Google Research(谷歌研究院)
本文研究收益最大化学习曲线,揭示单件和单买家环境下学习曲线衰减率,证明在无分布限制时学习曲线收敛但速度极慢,而当最优收益由有限价格实现时衰减率为1/√n,离散分布下衰减几乎指数快。
2026-04-29 cs.DS cs.GT cs.LG
Integrating Reward Maximization and Population Estimation: Sequential Decision-Making for Internal Revenue Service Audit Selection
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学);Internal Revenue Service(美国国税局);University of Chicago(芝加哥大学)
我们引入了一个新的设置,优化和估计结构化土匪。在这里,一个策略必须选择一批武器,每一个武器都有自己的背景,这将使它既能最大化奖励,又能保持对奖励的准确(理想情况下是无偏的)人口估计。这种设置是许多公共和私营部门应用程序所固有的,通常需要处理延迟反馈、小数据和分布偏移。我们证明了它的重要性,从美国国税局(IRS)的真实数据。国税局每年对税基进行审计。其两个最重要的目标是查明可疑的误报和估计“税收差距”-支付数额与真实欠款数额之间的全球差额。基于与IRS的独特合作,我们将这两个过程作为一个统一的优化和估计结构化强盗。我们分析了IRS问题的优化和估计方法,并提出了一种新的无偏人口估计机制,实现了与基线方法相当的回报。这种方法有可能提高审计效率,同时保持对税收差距的政策相关估计。鉴于目前的税收缺口估计接近5000亿美元,这具有重要的社会后果。我们认为,这个问题的设置是肥沃的土壤,为进一步的研究,我们强调其有趣的挑战。这项研究和相关研究的结果目前正在被纳入国税局审计选择方法的不断改进之中。
2023-01-24 cs.CY cs.LG
Learning with Posterior Sampling for Revenue Management under Time-varying Demand
NEC Corporation(NEC公司);Kyoto University(京都大学);RIKEN AIP(理化学研究所人工智能项目);University of Tokyo(东京大学);Intent Exchange, Inc.(Intent Exchange公司)
针对未知且时变需求下的收益管理定价问题,提出基于后验采样与线性规划的高效算法,并给出贝叶斯遗憾界和实验验证。
2024-05-08 cs.LG stat.ML
Network Revenue Management with Demand Learning and Fair Resource-Consumption Balancing
New York University(纽约大学);Tsinghua University(清华大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文研究了基于价格的网络收益管理问题,通过引入正则化收益目标,提出了一种结合UCB需求学习的原始对偶型在线策略,在实现收益最大化的同时兼顾公平资源消耗平衡,并实现了 $\widetilde O(N^{5/2}\sqrt{T})$ 的最坏情况后悔界。
2023-09-08 cs.CY cs.LG stat.ML
Revenue Maximization Under Sequential Price Competition Via The Estimation Of s-Concave Demand Functions
Department of Statistics University of Michigan Ann Arbor, MI, USA(统计系密歇根大学安娜堡分校);Department of Management University of Miami Miami, USA(管理系迈阿密大学)
本文研究了多个卖方在T期内的序列价格竞争,提出利用半参数最小二乘估计的动态定价策略,证明价格收敛至纳什均衡的速度为O(T^{-1/7}),并建立新的集中性结果。
2026-05-07 cs.LG math.PR math.ST
Adaptive Regularized Submodular Maximization
Naveen Jindal School of Management, University of Texas at Dallas(德克萨斯大学达拉斯分校纳文·金达尔管理学院);Department of Computer Science, University of Texas at Dallas(德克萨斯大学达拉斯分校计算机科学系)
在本文中,我们研究的问题之间的差异最大化的自适应子模(收入)函数和非负的模(成本)函数下的自适应设置。我们的问题的输入是一组$n$项目,其中每个项目都有一个特定的状态,从一些已知的先验分布$p$。收入函数$g$是在项目和状态上定义的,而成本函数$c$是在项目上定义的,即,每个项目都有固定的成本。每个项目的状态最初是未知的,必须选择一个项目,以观察其实现状态。策略$π$根据到目前为止所做的观察指定接下来要挑选哪个项。用$g_{avg}(π)$表示$π$的预期收入,用$c_{avg}(π)$表示$π$的预期成本。我们的目标是在$k$基数约束下确定最佳策略$π^o\in \arg\max_πg_{avg}(π)-c_{avg}(π)$.由于我们的目标函数可以取负值和正值,现有的子模最大化的结果可能不适用。为了克服这一挑战,我们与绩效获得者一起开发了一系列有效的解决方案。令$π^o$表示最优策略。对于$g$是自适应单调和自适应子模的情况,我们提出了一个有效的策略$π^l$,使得$g_{avg}(π^l) - c_{avg}(π^l) \geq (1-\frac{1}{e}-ε)g_{avg}(π^o) - c_{avg}(π^o)$只使用$O(nε^{-2}\log ε^{-1})$值进行Oracle查询.对于$g$是自适应子模的情况,我们提出了一种随机化策略$π^r$,使得$g_{avg…
2021-02-28 cs.AI cs.LG
Revenue Optimization with Price-Sensitive and Interdependent Demand
École polytechnique(巴黎政治学院)
本文针对直飞航班机票销售,在给定需求数据和价格选项的前提下,通过优化定价和数量决策来最大化航班收入。
2025-05-22 cs.LG math.OC
Pricing Query Complexity of Multiplicative Revenue Approximation
Chinese University of Hong Kong(香港中文大学);Georgia Institute of Technology(佐治亚理工学院);University of Iowa(爱荷华大学)
本文研究了在提供尺度提示的情况下,单买家收益最大化问题的定价查询复杂性,针对不同分布类型建立了紧的复杂性界限。
2026-02-11 cs.GT cs.LG
A Machine Learning Approach to Detect Customer Satisfaction From Multiple Tweet Parameters
Bangladesh University of Engineering and Technology(孟加拉工程技术大学)
本文提出一种基于机器学习的方法,利用推文的文本情感及时间、位置等附加特征检测客户满意度,显著提升了模型效果。
2024-02-25 cs.CL cs.LG
Single-Leg Revenue Management with Advice
Columbia University(哥伦比亚大学)
本文通过算法带建议框架研究单腿收益管理,刻画一致性-竞争力帕累托前沿,提出最优在线算法及保护水平策略的改进,并在合成数据上验证其有效性,结果可推广至展示广告、多重秘书和在线背包等问题。
2023-06-22 cs.DS cs.GT cs.LG
Online Submodular Maximization under a Matroid Constraint with Application to Learning Assignments
California Institute of Technology(加州理工学院);Carnegie Mellon University(卡内基梅隆大学);Google, Inc.(谷歌公司);ETH Zurich(苏黎世联邦理工学院);Duolingo(多邻国)
我们应该在赞助搜索中显示哪些广告,以最大限度地提高我们的收入?我们应该如何对信息源进行动态排名,以最大化排名的价值?这些应用程序表现出强烈的收益递减:Reddit降低了每个广告或信息源的边际效用。我们表明,这些和其他问题可以被形式化为反复选择分配的项目的位置,以最大限度地提高一个序列的单调子模块功能,逐一到达。我们提出了一个有效的算法,这个一般性的问题,并分析它在无遗憾模型。我们的算法具有很强的理论保证,如性能比收敛到最佳常数1 - 1/e。我们经验评估我们的算法在网络上的两个现实世界中的在线优化问题:广告分配与子模块化的实用程序,动态排名博客检测信息级联。最后,我们提出了第二个算法,处理更一般的情况下,可行集由拟阵约束,同时仍然保持1 - 1/e渐近性能比。
2014-07-03 cs.LG
A Bayesian and Machine Learning approach to estimating Influence Model parameters for IM-RO
University of Saskatchewan(萨斯喀彻温大学)
在线社交网络(OSN)的兴起引起了广告商和研究人员的极大兴趣,他们试图垄断其功能。研究人员的目标是制定策略,以确定如何在OSN内的用户之间传播信息,这些信息是由扩散或影响模型捕获的。我们认为IM-RO问题的影响模型,一种新的配方的影响最大化(IM)问题的基础上实施随机动态规划(SDP)。与涉及影响力传播和子模函数理论的现有方法相比,SDP方法专注于优化点击并最终为OSN中的广告主带来收入。在过去的十年中,影响力最大化的现有方法一直在积极研究,应用到多个领域,然而,我们的方法是一个更实际的变种,原来的IM问题。在本文中,我们通过对合成和真实世界数据集进行实验,对IM-RO问题的影响模型进行了分析。我们提出了一个贝叶斯和机器学习的方法来估计(影响最大化-收入优化)IM-RO问题的影响模型的参数。我们提出了一个贝叶斯分层模型,并实现了著名的朴素贝叶斯分类器(NBC),决策树分类器(DTC)和随机森林分类器(RFC)在三个现实世界的数据集。与以前的方法来估计影响模型参数相比,我们的策略具有直接在标准软件包,如WinBUGS/OpenBUGS/JAGS和Apache Spark中实现的巨大优势。我们展示了我们的方法在OSN的背景下传播信息和为广告商创收方面的效率和可用性。
2018-03-08 cs.LG stat.ML
Randomized Truthful Auctions with Learning Agents
Google Research(谷歌研究院);New York University(纽约大学);Yale University(耶鲁大学)
研究学习型智能体参与重复拍卖的设定,发现确定性真实拍卖无法保证收敛,且随机化拍卖在收入最大化上优于带保留价的第二价格拍卖,并给出了非渐近情况下的拍卖者后悔界。
2024-11-14 cs.GT cs.LG econ.TH
Constrained Triple-Head Price Optimization (C3PO) Network for Discrete-Choice Models
IBM T.J. Watson Research Center(IBM T.J. Watson研究院)
本文提出一种因果感知基础模型框架,用于离散选择环境中实时最优决策。通过约束三头价格优化网络解决服务提供者选择最优商品组合的问题,同时考虑用户个性化接受或拒绝选择。模型在模拟、合成和真实数据集上表现优异,应用于医疗、招标定价等领域,提升定价KPI。
2026-10-12 cs.LG math.OC
Fast Adaptive Non-Monotone Submodular Maximization Subject to a Knapsack Constraint
University of Essex(埃塞克斯大学);University of Amsterdam(阿姆斯特丹大学);Sapienza University of Rome(罗马智慧大学(罗马第一大学))
针对背包约束下非单调次模最大化问题,提出运行时间为O(n log n)的随机贪心算法,实现5.83近似比,并在随机版本中首次为非单调目标取得9近似比。
2023-10-23 cs.DS cs.LG
Adaptive maximization of social welfare
Università degli Studi di Milano(米兰大学);Politecnico di Milano(米兰理工大学);University of Oxford(牛津大学)
本文研究重复选择政策以最大化社会福利的问题,通过实验学习响应函数并间接推断效用,推导了遗憾下界并提出了达到最优速率的Exp3变体算法,同时在凹福利条件下利用二分搜索实现更优速率。
2024-07-29 cs.LG econ.EM stat.ML