[发明专利]一种共享经济下的基于数据挖掘的动态定价算法

说明书

技术领域

本发明涉及一种基于移动互联网的动态定价技术，尤其涉及一种共享经济下的基于数据挖掘的动态定价算法。

背景技术

随着移动智能设备及移动支付的推广和普及，使得供给和需求方的资源互换具备更高的实时性。基于此，动态定价策略得到很大的发展：Uber的动态定价策略获得了较大的成功，引起了市场和业界的高度关注；Airbnb于2015年对其民宿平台实施了动态定价策略，用于提示供给方一个相对合理的房租价格，实现了基于数据的客观市场指导和参考，并开源了其机器学习工程(Aerosolve)代码。

在全民共享经济资源模式兴起的当前，动态定价策略在一定程度上很好的解决了服务的合理定价问题，但其仍有许多需要改进的问题，如定价变化过快、节日或应急事件时定价过高、缺乏灵活性等等。

国内动态定价的兴起起步不久，目前已有使用案例，如滴滴打车、神州专车。然而其定价的策略较为单一，同时具备较强的局限性，动态定价并未在其价格制定上占据主要地位。本文基于特征筛选方法与机器学习方法，对影响定价的多因素及其权重进行探索，并基于此构建自动化的动态定价模型，通过多重定价策略的辅助使用，实现动态定价算法的优化与应用，解决了算法应用单一、难以进行因素干预、时效性低等问题。

发明内容

本发明的目的是提供一种共享经济下的基于数据挖掘的动态定价算法，并基于实际效果，优化实现较为灵活的动态定价策略。本发明所提出的定价方法分为三个层次，分别为初步定价策略、基于特征筛选进行权重优化的定价策略、以及基于机器学习建模测试进行权重优化的定价策略。

本发明所采用的技术方案是：

一种共享经济下的基于数据挖掘的动态定价算法，包括如下步骤过：

步骤1、采用初步定价策略，包括如下步骤：

初步定价策略可以有多种类型，且比较灵活，如供给方定价、个性化细分定价、拍卖定价等多种类型。

多数服务商具备服务端、交易、客户信息等数据，同时具备历史同期及当前产品的价格信息等数据，将服务端、交易、客户信息、历史同期及当前产品的价格信息数据进行收集；基于数据挖掘技术，可以实现基于访问模式、购买模式、习惯偏好等特征进行客户分层；基于价格与需求之间、销售商品之间的关联特征进行参考定价；基于商品关注人数、销售量、库存等的时间序列数据进行预测定价。

初步定价策略存在个性化分群定价的公平问题、时间序列预测定价的突发时段定价不及时问题。因此，需要基于进一步的定价策略进行混合辅助。

步骤2、基于特征筛选的权重优化

数据挖掘的特征提取步骤中，我们需要将尽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选定特征。然而并非所有特征集中的特征都具有很好的代表性，且过多的特征会使信息冗余，使模型训练过拟合，反而会降低模型的判断力，因此提取合适的特征则成为提高模型效果的重要环节。

有众多的特征筛选算法可以用来评价不同场景下特征的优劣，如主成分分析(principal component analysis，PCA)、最小冗余最大相关算法(minimal-redundancy-maximal-relevance，mRMR)、方差分析(analysis of variance，ANOVA)、二项分布(binomial distribution，BD)等等，本发明主要使用F-score方法实现特征筛选。

给定训练特征向量X，k＝1，2，则第i个特征的F-score可表示为

这里和分别为第i个特征在整个特征集和第k个数据集中的特征平均值。代表第k个数据集中第j条序列的第i个特征值，N_k是第k个数据集中的蛋白质序列条数。

我们可以看出，在F-score定义中，分子表示当前特征在不同数据集间的判别力，分母则表示其在各集内部序列之间的判别力。可见，分子越大，类别判别越准确；分母越小，类别判别错误率越小。也就是说，F-score值越大，当前特征越具有判别力，因此这个分值即可作为特征筛选的评价依据。

基于产品的所有属性，及市场的即时需求，转化为样本特征值，在大量特征集的情况下，基于实际数据中，其是否被购买或选定，来进行样本分类，作为后期建模的训练集。

通过F-score方法进行特征筛选，找出得分高的特征，并进行从高到低顺序排列，作为对订购与否影响依重至轻的特征。

通过历史数据的分析，所有高于阈值的特征信息都考虑到模型中，与动态定价策略产生相关。

步骤3、基于机器学习的权重优化