本發(fā)明涉及一種基于移動互聯(lián)網(wǎng)的動態(tài)定價技術(shù)，尤其涉及一種共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法。

背景技術(shù)：

隨著移動智能設(shè)備及移動支付的推廣和普及，使得供給和需求方的資源互換具備更高的實時性?；诖?，動態(tài)定價策略得到很大的發(fā)展：uber的動態(tài)定價策略獲得了較大的成功，引起了市場和業(yè)界的高度關(guān)注；airbnb于2015年對其民宿平臺實施了動態(tài)定價策略，用于提示供給方一個相對合理的房租價格，實現(xiàn)了基于數(shù)據(jù)的客觀市場指導(dǎo)和參考，并開源了其機(jī)器學(xué)習(xí)工程(aerosolve)代碼。

在全民共享經(jīng)濟(jì)資源模式興起的當(dāng)前，動態(tài)定價策略在一定程度上很好的解決了服務(wù)的合理定價問題，但其仍有許多需要改進(jìn)的問題，如定價變化過快、節(jié)日或應(yīng)急事件時定價過高、缺乏靈活性等等。

國內(nèi)動態(tài)定價的興起起步不久，目前已有使用案例，如滴滴打車、神州專車。然而其定價的策略較為單一，同時具備較強(qiáng)的局限性，動態(tài)定價并未在其價格制定上占據(jù)主要地位。本文基于特征篩選方法與機(jī)器學(xué)習(xí)方法，對影響定價的多因素及其權(quán)重進(jìn)行探索，并基于此構(gòu)建自動化的動態(tài)定價模型，通過多重定價策略的輔助使用，實現(xiàn)動態(tài)定價算法的優(yōu)化與應(yīng)用，解決了算法應(yīng)用單一、難以進(jìn)行因素干預(yù)、時效性低等問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法，并基于實際效果，優(yōu)化實現(xiàn)較為靈活的動態(tài)定價策略。本發(fā)明所提出的定價方法分為三個層次，分別為初步定價策略、基于特征篩選進(jìn)行權(quán)重優(yōu)化的定價策略、以及基于機(jī)器學(xué)習(xí)建模測試進(jìn)行權(quán)重優(yōu)化的定價策略。

本發(fā)明所采用的技術(shù)方案是：

一種共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法，包括如下步驟過：

步驟1、采用初步定價策略，包括如下步驟：

初步定價策略可以有多種類型，且比較靈活，如供給方定價、個性化細(xì)分定價、拍賣定價等多種類型。

多數(shù)服務(wù)商具備服務(wù)端、交易、客戶信息等數(shù)據(jù)，同時具備歷史同期及當(dāng)前產(chǎn)品的價格信息等數(shù)據(jù)，將服務(wù)端、交易、客戶信息、歷史同期及當(dāng)前產(chǎn)品的價格信息數(shù)據(jù)進(jìn)行收集；基于數(shù)據(jù)挖掘技術(shù)，可以實現(xiàn)基于訪問模式、購買模式、習(xí)慣偏好等特征進(jìn)行客戶分層；基于價格與需求之間、銷售商品之間的關(guān)聯(lián)特征進(jìn)行參考定價；基于商品關(guān)注人數(shù)、銷售量、庫存等的時間序列數(shù)據(jù)進(jìn)行預(yù)測定價。

初步定價策略存在個性化分群定價的公平問題、時間序列預(yù)測定價的突發(fā)時段定價不及時問題。因此，需要基于進(jìn)一步的定價策略進(jìn)行混合輔助。

步驟2、基于特征篩選的權(quán)重優(yōu)化

數(shù)據(jù)挖掘的特征提取步驟中，我們需要將盡可能多的信息整合到特征文件中，因此初始特征集包含所有選定特征。然而并非所有特征集中的特征都具有很好的代表性，且過多的特征會使信息冗余，使模型訓(xùn)練過擬合，反而會降低模型的判斷力，因此提取合適的特征則成為提高模型效果的重要環(huán)節(jié)。

有眾多的特征篩選算法可以用來評價不同場景下特征的優(yōu)劣，如主成分分析(principalcomponentanalysis，pca)、最小冗余最大相關(guān)算法(minimal-redundancy-maximal-relevance，mrmr)、方差分析(analysisofvariance，anova)、二項分布(binomialdistribution，bd)等等，本發(fā)明主要使用f-score方法實現(xiàn)特征篩選。

給定訓(xùn)練特征向量x，k＝1，2，則第i個特征的f-score可表示為

這里和分別為第i個特征在整個特征集和第k個數(shù)據(jù)集中的特征平均值。代表第k個數(shù)據(jù)集中第j條序列的第i個特征值，nk是第k個數(shù)據(jù)集中的蛋白質(zhì)序列條數(shù)。

我們可以看出，在f-score定義中，分子表示當(dāng)前特征在不同數(shù)據(jù)集間的判別力，分母則表示其在各集內(nèi)部序列之間的判別力。可見，分子越大，類別判別越準(zhǔn)確；分母越小，類別判別錯誤率越小。也就是說，f-score值越大，當(dāng)前特征越具有判別力，因此這個分值即可作為特征篩選的評價依據(jù)。

基于產(chǎn)品的所有屬性，及市場的即時需求，轉(zhuǎn)化為樣本特征值，在大量特征集的情況下，基于實際數(shù)據(jù)中，其是否被購買或選定，來進(jìn)行樣本分類，作為后期建模的訓(xùn)練集。

通過f-score方法進(jìn)行特征篩選，找出得分高的特征，并進(jìn)行從高到低順序排列，作為對訂購與否影響依重至輕的特征。

通過歷史數(shù)據(jù)的分析，所有高于閾值的特征信息都考慮到模型中，與動態(tài)定價策略產(chǎn)生相關(guān)。

步驟3、基于機(jī)器學(xué)習(xí)的權(quán)重優(yōu)化

支持向量機(jī)是一種基于統(tǒng)計學(xué)理論的機(jī)器學(xué)習(xí)方法，它集成了學(xué)習(xí)理論vc維(vapnik-chervonenkisdimension)和結(jié)構(gòu)風(fēng)險最小原理，因在處理分類回歸方面表現(xiàn)出色，被廣泛應(yīng)用。其基本原理是通過引入核函數(shù)，將輸入向量映射到一個高維的空間，在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)回歸，從而很好地解決了非線性分類及回歸問題。

這里假設(shè)樣本集為這里l為樣本數(shù)，y為樣本目標(biāo)，d為輸入數(shù)據(jù)維度。則在高維空間中，最優(yōu)函數(shù)可表示為：

其中αi為lagrange因子，b是分類的閾值，而k(xi，xj)為核函數(shù)，即實現(xiàn)非線性變換的內(nèi)積函數(shù)。

在支持向量機(jī)中通常有四種內(nèi)積函數(shù)可選用于非線性變換——線性內(nèi)積函數(shù)，多項式內(nèi)積函數(shù)，sigmoid內(nèi)積函數(shù)及徑向基內(nèi)積函數(shù)。其中以多項式內(nèi)積函數(shù)，sigmoid內(nèi)積函數(shù)及徑向基內(nèi)積函數(shù)研究及使用最多，公式如下：

2)多項式形式的內(nèi)積函數(shù)：

k(x，xi)＝[(x·xi)+1]^q(3)

參數(shù)q由用戶預(yù)先指定，這里產(chǎn)生的是一個q階的多項式分類器。

2)sigmoid內(nèi)積函數(shù)：

k(x，xi)＝tanh[v(x·xi)+c](4)

其中v＞0，c＜0。使用這個內(nèi)積函數(shù)，則得到的就是一個雙層的感知機(jī)神經(jīng)網(wǎng)絡(luò)，其權(quán)值及隱藏節(jié)點數(shù)均由算法自動確定。

3)徑向基內(nèi)積函數(shù)：

采用上述內(nèi)積函數(shù)，得到的支持向量機(jī)是一種區(qū)別于傳統(tǒng)徑向基函數(shù)(rbf)方法的分類器，其每一個內(nèi)積函數(shù)的中心對應(yīng)一個支持向量，其中參數(shù)σ越大，徑向基內(nèi)積函數(shù)的外推能力越弱。

使用支持向量機(jī)回歸(supportvectorregression，svr)，通過對特征集的特征進(jìn)行調(diào)整，基于最近及同期的實際交易數(shù)據(jù)進(jìn)行訓(xùn)練，從而構(gòu)建各因素與適時價格的函數(shù)關(guān)系，實現(xiàn)價格預(yù)測。

為保持模型的時效性，每次定價通過動態(tài)的特征提取和數(shù)據(jù)準(zhǔn)備，進(jìn)行動態(tài)建模。并基于所建最優(yōu)模型，進(jìn)行模型的應(yīng)用和價格預(yù)測。

同時，通過將價格信息作為特征之一，進(jìn)行基于支持向量機(jī)的分類預(yù)測，實現(xiàn)成交是否成功的預(yù)測及概率輸出。系統(tǒng)提供靈活的定價，為供給方提供足夠的自由度去訂立價格，并可基于價格計算產(chǎn)品可以售出的概率，用作反饋提醒。

在獲得成功的定價數(shù)據(jù)基礎(chǔ)上，系統(tǒng)通過變動單一屬性特征的方式，進(jìn)行不同產(chǎn)品屬性的權(quán)重調(diào)整，從而實現(xiàn)基于屬性標(biāo)準(zhǔn)的自動參數(shù)設(shè)置，實現(xiàn)動態(tài)定價。

值得一提的是，在整個建模的過程中，需求比例作為重要參考值之一，與其他特征因素對定價產(chǎn)生的影響是不等價的，具體體現(xiàn)為需求的供給具有絕對的影響地位。因此，特征篩選過程中，需求量比例不應(yīng)作為淘汰特征之一。相反的，需要進(jìn)行對應(yīng)性的權(quán)重放大。即在特征集歸一化步驟中，需給予需求量更大的特征間距。

本發(fā)明的有益效果是，本發(fā)明公開的一種共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法，通過多重定價策略的輔助使用，實現(xiàn)動態(tài)定價算法的優(yōu)化與應(yīng)用，解決了算法應(yīng)用單一、難以進(jìn)行因素干預(yù)、時效性低等問題。

下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)描述。

附圖說明

圖1為本發(fā)明具體實施例的數(shù)據(jù)挖掘?qū)崿F(xiàn)過程示意圖；

圖2為支持向量機(jī)示意圖。

圖3為本發(fā)明共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法的動態(tài)定價策略架構(gòu)圖。

具體實施方式

為了加深對本發(fā)明的理解，下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步詳細(xì)的說明。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護(hù)范圍。

一種共享經(jīng)濟(jì)下的基于數(shù)據(jù)挖掘的動態(tài)定價算法，包括如下步驟過：

步驟1、采用初步定價策略，包括如下步驟：

初步定價策略可以有多種類型，且比較靈活，如供給方定價、個性化細(xì)分定價、拍賣定價等多種類型。

多數(shù)服務(wù)商具備服務(wù)端、交易、客戶信息等數(shù)據(jù)，同時具備歷史同期及當(dāng)前產(chǎn)品的價格信息等數(shù)據(jù)?；跀?shù)據(jù)挖掘技術(shù)，可以實現(xiàn)基于訪問模式、購買模式、習(xí)慣偏好等特征進(jìn)行客戶分層；基于價格與需求之間、銷售商品之間的關(guān)聯(lián)特征進(jìn)行參考定價；基于商品關(guān)注人數(shù)、銷售量、庫存等的時間序列數(shù)據(jù)進(jìn)行預(yù)測定價等等。

然而初步定價策略同時存在一定的問題，如個性化分群定價的公平問題、時間序列預(yù)測定價的突發(fā)時段定價不及時問題等。因此，需要基于進(jìn)一步的定價策略進(jìn)行混合輔助。

步驟2、基于特征篩選的權(quán)重優(yōu)化

數(shù)據(jù)挖掘的特征提取步驟中，我們需要將盡可能多的信息整合到特征文件中，因此初始特征集包含所有選定特征。然而并非所有特征集中的特征都具有很好的代表性，且過多的特征會使信息冗余，使模型訓(xùn)練過擬合，反而會降低模型的判斷力，因此提取合適的特征則成為提高模型效果的重要環(huán)節(jié)。

有眾多的特征篩選算法可以用來評價不同場景下特征的優(yōu)劣，如主成分分析(principalcomponentanalysis，pca)、最小冗余最大相關(guān)算法(minimal-redundancy-maximal-relevance，mrmr)、方差分析(analysisofvariance，anova)、二項分布(binomialdistribution，bd)等等，本發(fā)明主要使用f-score方法實現(xiàn)特征篩選。

給定訓(xùn)練特征向量x，k＝1，2，則第i個特征的f-score可表示為

這里和分別為第i個特征在整個特征集和第k個數(shù)據(jù)集中的特征平均值。代表第k個數(shù)據(jù)集中第j條序列的第i個特征值，nk是第k個數(shù)據(jù)集中的蛋白質(zhì)序列條數(shù)。

我們可以看出，在f-score定義中，分子表示當(dāng)前特征在不同數(shù)據(jù)集間的判別力，分母則表示其在各集內(nèi)部序列之間的判別力?？梢姡肿釉酱?，類別判別越準(zhǔn)確；分母越小，類別判別錯誤率越小。也就是說，f-score值越大，當(dāng)前特征越具有判別力，因此這個分值即可作為特征篩選的評價依據(jù)。

基于產(chǎn)品的所有屬性，及市場的即時需求，轉(zhuǎn)化為樣本特征值，在大量特征集的情況下，基于實際數(shù)據(jù)中，其是否被購買或選定，來進(jìn)行樣本分類，作為后期建模的訓(xùn)練集。

通過f-score方法進(jìn)行特征篩選，找出得分高的特征，并進(jìn)行從高到低順序排列，作為對訂購與否影響依重至輕的特征。

通過歷史數(shù)據(jù)的分析，所有高于閾值的特征信息都考慮到模型中，與動態(tài)定價策略產(chǎn)生相關(guān)。

步驟3、基于機(jī)器學(xué)習(xí)的權(quán)重優(yōu)化

支持向量機(jī)是一種基于統(tǒng)計學(xué)理論的機(jī)器學(xué)習(xí)方法，它集成了學(xué)習(xí)理論vc維(vapnik-chervonenkisdimension)和結(jié)構(gòu)風(fēng)險最小原理，因在處理分類回歸方面表現(xiàn)出色，被廣泛應(yīng)用。其基本原理是通過引入核函數(shù)，將輸入向量映射到一個高維的空間，在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)回歸，從而很好地解決了非線性分類及回歸問題。

這里假設(shè)樣本集為這里l為樣本數(shù)，y為樣本目標(biāo)，d為輸入數(shù)據(jù)維度。則在高維空間中，最優(yōu)函數(shù)可表示為：

其中αi為lagrange因子，b是分類的閾值，而k(xi，xj)為核函數(shù)，即實現(xiàn)非線性變換的內(nèi)積函數(shù)。

在支持向量機(jī)中通常有四種內(nèi)積函數(shù)可選用于非線性變換——線性內(nèi)積函數(shù)，多項式內(nèi)積函數(shù)，sigmoid內(nèi)積函數(shù)及徑向基內(nèi)積函數(shù)。其中以多項式內(nèi)積函數(shù)，sigmoid內(nèi)積函數(shù)及徑向基內(nèi)積函數(shù)研究及使用最多，公式如下：

3)多項式形式的內(nèi)積函數(shù)：

k(x，xi)＝[(x·xi)+1]^q(3)

參數(shù)q由用戶預(yù)先指定，這里產(chǎn)生的是一個q階的多項式分類器。

2)sigmoid內(nèi)積函數(shù)：

k(x，xi)＝tanh[v(x·xi)+c]

(4)

其中v＞0，c＜0。使用這個內(nèi)積函數(shù)，則得到的就是一個雙層的感知機(jī)神經(jīng)網(wǎng)絡(luò)，其權(quán)值及隱藏節(jié)點數(shù)均由算法自動確定。

3)徑向基內(nèi)積函數(shù)：

采用這個內(nèi)積函數(shù)，得到的支持向量機(jī)是一種區(qū)別于傳統(tǒng)徑向基函數(shù)(rbf)方法的分類器，其每一個內(nèi)積函數(shù)的中心對應(yīng)一個支持向量，其中參數(shù)σ越大，徑向基內(nèi)積函數(shù)的外推能力越弱。

使用支持向量機(jī)回歸(supportvectorregression，svr)，通過對特征集的特征進(jìn)行調(diào)整，基于最近及同期的實際交易數(shù)據(jù)進(jìn)行訓(xùn)練，從而構(gòu)建各因素與適時價格的函數(shù)關(guān)系，實現(xiàn)價格預(yù)測。

為保持模型的時效性，每次定價通過動態(tài)的特征提取和數(shù)據(jù)準(zhǔn)備，進(jìn)行動態(tài)建模。并基于所建最優(yōu)模型，進(jìn)行模型的應(yīng)用和價格預(yù)測。

同時，通過將價格信息作為特征之一，進(jìn)行基于支持向量機(jī)的分類預(yù)測，實現(xiàn)成交是否成功的預(yù)測及概率輸出。系統(tǒng)提供靈活的定價，為供給方提供足夠的自由度去訂立價格，并可基于價格計算產(chǎn)品可以售出的概率，用作反饋提醒。

在獲得成功的定價數(shù)據(jù)基礎(chǔ)上，系統(tǒng)通過變動單一屬性特征的方式，進(jìn)行不同產(chǎn)品屬性的權(quán)重調(diào)整，從而實現(xiàn)基于屬性標(biāo)準(zhǔn)的自動參數(shù)設(shè)置，實現(xiàn)動態(tài)定價。

值得一提的是，在整個建模的過程中，需求比例作為重要參考值之一，與其他特征因素對定價產(chǎn)生的影響是不等價的，具體體現(xiàn)為需求的供給具有絕對的影響地位。因此，特征篩選過程中，需求量比例不應(yīng)作為淘汰特征之一。相反的，需要進(jìn)行對應(yīng)性的權(quán)重放大。即在特征集歸一化步驟中，需給予需求量更大的特征間距。

本發(fā)明的具體實施例，

以一款移動端的旅游共享經(jīng)濟(jì)應(yīng)用平臺為例，該平臺為個人旅游創(chuàng)業(yè)者提供資金、技術(shù)、營銷及交易撮合扶助，降低創(chuàng)業(yè)門檻。倡導(dǎo)個人共享閑置資源、技術(shù)、能力，創(chuàng)造額外收益，為用戶提供基于旅游的社交平臺及差異化、個性化旅游產(chǎn)品服務(wù)。該平臺以社交為入口，把握中國移動互聯(lián)網(wǎng)未來重要的流量入口，目前該項目已在張家界、鎮(zhèn)江、三亞等地落地。

該平臺的動態(tài)定價是以移動app為社交的溝通媒介，所展開的一種類拍賣的方式進(jìn)行的。拍賣機(jī)制是：賣家設(shè)置的一個起始價格，低起拍價格為10元。同時賣家可以自定義加價幅度，也可以使用系統(tǒng)自動代理加價；前者是固定不變的，而后者的加價幅度是隨著當(dāng)前出價金額的增加而增加的，但是對應(yīng)固定的“當(dāng)前價格”，其加價幅度也是固定的。買家可以在超越前一個人的出價記錄以及不小于賣家設(shè)置的加價幅度的情況下，自己出價或者采用代理出價的方式。代理出價是指系統(tǒng)根據(jù)買家所輸入的高價格，在有其他買家出價時，自動以小加價金額向上出價，以維持買家高出價者的位置，直到買家的高出價被其他買家超過為止。在系統(tǒng)自動代理加價的情況下，價格變動幅度是間接的由消費者需求決定的，有購買意愿的人越多，出價次數(shù)就越多，從而就導(dǎo)致了較高的“當(dāng)前價格”，這樣就隨之提升了加價幅度。也就是說，在app上拍賣的初始價格是賣家根據(jù)市場信息以及成本一收益而確定的，加價幅度是固定不變的或者是僅僅由需求間接決定的，而且是對所有商品都通用的。這種定價機(jī)制很簡單，但缺陷也很多。在現(xiàn)行的拍賣機(jī)制下，賣家很難搜集全面的客戶及競爭對手信息，不能對其進(jìn)行深度挖掘，也就不能依據(jù)客戶特征進(jìn)行差別化定價，也做不到對不同的商品依據(jù)時間變化、需求、庫存情況做出及時、適當(dāng)?shù)募觾r幅度的調(diào)整，從而不能達(dá)到客戶大滿意和賣家收入大化的目的。而基于數(shù)據(jù)挖掘的電子商務(wù)動態(tài)定價模型的引入則可以解決這個問題。系統(tǒng)可以搭建數(shù)據(jù)挖掘平臺完成模型中數(shù)據(jù)層和分析層的任務(wù)，即通過搜集買賣雙方以及外部市場的數(shù)據(jù)、建立數(shù)據(jù)倉庫、進(jìn)行數(shù)據(jù)挖掘形成輔助定價決策的知識庫。然后賣家(包括企業(yè)和個人)依托該平臺，并結(jié)合自身信息掌握情況和技術(shù)實力進(jìn)行動態(tài)定價決策。

在c2c模式下，賣家是個人，不能完成龐大的數(shù)據(jù)搜集直至數(shù)據(jù)挖掘的任務(wù)，那么基于動態(tài)競價的數(shù)據(jù)挖掘平臺就可以幫助完成這些信息搭建工作，然后運用統(tǒng)一的定價模型和算法依據(jù)各種動態(tài)定價策略對不同類型的商品做出相應(yīng)的定價決策，包括適當(dāng)?shù)某跏純r格的確定和加價幅度的調(diào)整，各個賣家可依據(jù)所銷售商品的不同選擇相應(yīng)的定價策略。另外，網(wǎng)絡(luò)平臺可以建立統(tǒng)一的標(biāo)準(zhǔn)幫助賣家對客戶進(jìn)行細(xì)分，并對不同的客戶實施不同的定價策略，尤其在拍賣中凸顯高忠誠度客戶的優(yōu)先機(jī)制，達(dá)到保存客戶、提高客戶滿意度的目的。當(dāng)然，為爭取新的買家，也可以采取一定的優(yōu)惠措施，增加客戶源，擴(kuò)大市場份額。

要說明的是，以上所述實施例是對本發(fā)明技術(shù)方案的說明而非限制，所屬技術(shù)領(lǐng)域普通技術(shù)人員的等同替換或者根據(jù)現(xiàn)有技術(shù)而做的其他修改，只要沒超出本發(fā)明技術(shù)方案的思路和范圍，均應(yīng)包含在本發(fā)明所要求的權(quán)利范圍之內(nèi)。