考虑策略型消费者的高斯过程回归动态定价算法.pdfVIP

第４１卷第２期计算机应用与软件Ｖｏｌ４１Ｎｏ．２

２０２４年２月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＦｅｂ．２０２４

考虑策略型消费者的高斯过程回归动态定价算法

毕文杰陈美芳

（中南大学商学院湖南长沙４１００００）

摘要现有需求不确定下的动态定价算法鲜有考虑消费者策略行为的。将零售商的价格决策过程描述为一

个多摇臂（ＭｕｌｔｉＡｒｍｅｄＢａｎｄｉｔ，ＭＡＢ）问题，提出一种非参数贝叶斯算法。将高斯过程回归与汤普森抽样算法相结

合，并加入策略型消费者购买决策过程，帮助零售商进行价格决策。仿真结果表明，该算法能有效提高零售商收

益，收敛速度更快。此外，策略型消费者的存在可以改善需求学习算法的性能，降低由于需求不确定性导致的零

售商收益损失。

关键词高斯过程回归动态定价策略型消费者机器学习

中图分类号ＴＰ１８ＴＰ３文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２４．０２．０３６

ＡＧＡＵＳＳＩＡＮＰＲＯＣＥＳＳＲＥＧＲＥＳＳＩＯＮＤＹＮＡＭＩＣＰＲＩＣＩＮＧＡＬＧＯＲＩＴＨＭ

ＣＯＮＳＩＤＥＲＩＮＧＳＴＲＡＴＥＧＩＣＣＯＮＳＵＭＥＲＳ



ＢｉＷｅｎｊｉｅＣｈｅｎＭｅｉｆａｎｇ

（ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００００，Ｈｕｎａｎ，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＦｅｗｄｙｎａｍｉｃｐｒｉｃｉｎｇａｌｇｏｒｉｔｈｍｓｗｈｅｎｆａｃｉｎｇｕｎｃｅｒｔａｉｎｄｅｍａｎｄｃｏｎｓｉｄｅｒｔｈｅｃｏｎｓｕｍｅｒｓｓｔｒａｔｅｇｉｃｂｅｈａｖｉｏｒ．

Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｒｅｔａｉｌｅｒｓｐｒｉｃｅｄｅｃｉｓｉｏｎｗａｓｄｅｓｃｒｉｂｅｄａｓａｍｕｌｔｉａｒｍｅｄｂａｎｄｉｔ（ＭＡＢ）ｐｒｏｂｌｅｍ，ａｎｄａｎｏｎｐａｒａｍｅｔｒｉｃ

Ｂａｙｅｓｉａｎａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄ．ＴｈｅａｌｇｏｒｉｔｈｍｃｏｍｂｉｎｅｄＧａｕｓｓｉａｎｐｒｏｃｅｓｓｒｅｇｒｅｓｓｉｏｎｗｉｔｈＴｈｏｍｐｓｏｎｓａｍｐｌｉｎｇ

ａｌｇｏｒｉｔｈｍ，ａｄｄｅｄｓｔｒａｔｅｇｉｃｃｏｎｓｕｍｅｒｓｐｕｒｃｈａｓｉｎｇｄｅｃｉｓｉｏｎ，ａｎｄｈｅｌｐｅｄｒｅｔａｉｌｅｒｓｔｏｍａｋｅｐｒｉｃｅｄｅｃｉｓｉｏｎｓ．Ｓｉｍｕｌａｔｉｏｎ

ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｒｅｔａｉｌｅｒｓｒｅｖｅｎｕｅａｎｄｃｏｎｖｅｒｇｅｆａｓｔｅｒ．Ｔｈｅｐｒｅｓｅｎｃｅｏｆ

ｓｔｒａｔｅｇｉｃｃｏｎｓｕｍｅｒｓｃａｎｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｄｅｍａｎｄｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍａｎｄｒｅｄｕｃｅｔｈｅｌｏｓｓｏｆｒｅｔａｉｌｅｒｓ

ｒｅｖｅｎｕｅｄｕｅｔｏｔｈｅｕｎｃｅｒｔａｉｎｔｙｏｆｄｅｍａｎｄ．

ＫｅｙｗｏｒｄｓＧａｕｓｓｉａｎｐｒｏｃｅｓｓｒｅｇｒｅｓｓｉｏｎＤｙｎａｍｉｃｐｒｉｃｉｎｇＳｔｒａｔｅｇｉｃｃｏｎｓｕｍｅｒＭａｃｈｉｎｅｌｅａｒｎｉｎｇ

对零售商而言是已知的［２－３］，这种假设显然不适用于

０引言现如今迅速变化的市场环境。在实际中，零售商可能

没有足够的信息来获取需求关系。在面对不确定性需

动态定价是收益管理领域的一个重要分支。零售求时，若零售商定价过低，导致大量消费者购买低价商

商通过动态地调整价格来响应不断变化的需求，以实品，则会降低零售商的收益；而过高的定价容易导致需

现供需匹配，从而