基于交易数据与AI驱动的产品动态定价方法

基于交易数据与ai驱动的产品动态定价方法
技术领域
1.本发明属于数据处理领域，特别涉及一种产品动态定价技术。


背景技术：

2.报价的及时性、准确性是决定交易成败的先决条件。对于产品生产及销售企业来说，及时准确报价尤为重要，而动态定价是准确、快速报价的基础和前提。对产品定价方法的研究，可以加快报价的速度，提高报价的精度，为企业抢占先机、赢得市场具有重要意义。因而，需要研究支持跨领域多主体业务协同融合的动态定价方法，解决当前传统erp固定的业务流程难以适应生产企业业务动态变化需求的问题。
3.国内外学者对产品动态定价方法进行了大量研究，归结起来主要有基于收益的动态定价方法和基于神经网络的智能预测方法。
4.基于收益的动态定价方法一般以期望收益最大化为目标进行研究，并根据行业和产品种类的不同，选择与不同因素相关联的定价策略，从而提出针对性较强的单种产品动态定价模型。
5.基于神经网络的智能预测方法则趋向于研究不确定需求情况下的动态定价模型，具体来说就是根据历史价格曲线，尽可能地进行多步超前价格的智能预测；或以极大化输出为目标，进行追求利润最大化的市场趋势预测，并根据市场趋势调节产品价格。
6.现有技术主要存在以下缺点：
7.(1)基于收益的动态定价方法基本上都是基于传统市场预测模型，不适用于不确定需求情况下的定价。
8.(2)现有的基于神经网络的智能预测方法则将关注的重点放在了历史交易数据上，采集的信息基本上均是历史价格或趋势信息，没有考虑到价格与需求之间的相互影响，同时也并未考虑到在竞争环境下的需求波动问题，因此也很难对企业的动态定价问题提供一个具有参考价值的结果。


技术实现要素：

9.为解决上述技术问题，本发明提出一种基于交易数据与ai驱动的产品动态定价方法。
10.本发明采用的技术方案为：基于交易数据与ai驱动的产品动态定价方法，包括：
11.s1、获取产品交易数据，根据产品交易数据得到连续销量序列数据与产品价格销量数据集；
12.s2、根据连续销量序列数据进行产品销量预测；
13.s3、根据产品价格销量数据集，得到单个产品在多变量情况下的价格与销量间的关系；
14.s4、将步骤s2与步骤s3得到的结果作为决策模型的输入，从而得到产品在一个周期内的价格预测。
15.步骤s2具体为：采用基于双向lstm神经网络的销量趋势预测模块对输入的连续销量序列数据进行编码，并计算每个位置对应的隐藏状态，根据隐藏状态计算得到预测的销量值。
16.步骤s3具体为：采用基于多层全连接神经网络的关键关系建模预测模块，根据输入的产品价格与销量的数据，对单个产品在多变量情况下的价格与销量间的关系进行建模，并得到单个产品在多变量情况下的价格与销量间的关系数据。
17.还包括对销量趋势预测模块进行训练，销量趋势预测模块的输入为连续销量序列数据，输出为预测的销量值；当销量预测准确率大于0.9或者达到设定的迭代次数时，完成训练。
18.关键关系建模预测模块进行训练，关键关系建模预测模块的输入为产品价格与销量的数据，输出为单个产品在多变量情况下的价格与销量间的关系数据；当关键关系建模要求拟合度大于0.85或者达到设定的迭代次数时，完成训练。
19.步骤s4所述的决策模型基于深度决策神经网络，包括：环境单元、当前值网络单元、目标值网络单元、决策网络误差函数单元以及回放记忆单元；
20.所述环境单元用于存储状态数据，所述状态数据根据产品价格销量数据集、销量趋势预测模块的输出结果、关键关系建模预测模块的输出结果得到；
21.所述当前值网络以当前状态数据的特征向量作为输入，计算得到对应的q值，并根据q值选择对应的动作，在当前状态数据执行所选择的动作，得到新的状态数据、新的状态数据对应的特征向量、奖励、以及是否终止状态；
22.将当前状态数据的特征向量、选择的动作、奖励、新的状态数据对应的特征向量、以及是否终止状态作为五元组存入回放记忆单元；
23.所述目标值网络从回放记忆单元中采样若干样本，并计算q值。
24.本发明的有益效果：本发明的方法以深度决策神经网络为基础，结合动态的销量预测实时更新深度决策神经网络的环境参数，做到对市场趋势的实时反馈；同时采用多层全连接神经网络建模关键参数关系，比如销量与价格之间变动关系等，采用本发明的方法有效提升了动态定价的有效性，通过动态定价最大化产品收益，从而对产品仓储、产品生产材料等资源进行优化配置，避免资源的浪费。
附图说明
25.图1为本发明实施例提供的产品动态定价模型；
26.图2为本发明的方法流程图。
具体实施方式
27.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
28.本发明的基于交易数据和ai驱动的产品动态定价方法，包括以下步骤：
29.a、首先对产品交易数据进行搜集与整合，分别形成连续性产品销量数据集和产品价格销量数据集；
30.b、建立产品动态定价模型，使用连续性产品销量数据集训练销量趋势预测模块，
使用产品价格销量数据集训练关键关系建模模块；
31.c、截取某周期内的产品销量和对应价格数据，依托训练完成的销量趋势预测模块和关键关系建模模块，设定训练目标，对动态定价决策支持模块进行训练；
32.d、使用训练好的产品动态定价模型，对待定价的某型产品进行一个周期的动态定价。
33.步骤a：对产品交易数据进行搜集与整合，分别形成连续性产品销量数据集和产品价格销量数据集。比如本实施例采用https://www.kaggle.com/c/bluebook-for-bulldozers/data网站上某超市的产品销售数据，并以天为单位，统计某种产品每天的销售情况和对应的价格；连续性产品销售数据集中至少包括：销售时间、销售价格、销量这三种，并且至少需要有连续60天的数据，如果可以仍应包含该产品是否促销、是否节假日、以及销售地点等，当然相关数据项越多，预测结果越精确。
34.产品价格销量数据集则不要求连续性，只需要有产品的价格对应销量即可，如果要提高销量对市场变动的敏感度，则需加入涉及到的大宗商品指数、同产品竞争对手的价格等因素。
35.获取历史订单数据，结合当前产品定价信息，以相同的主要特征项进行合并，初步形成连续性产品销量数据集和产品价格销量数据集。例如本实施例中所使用到的数据集中的主要特征项包括：销售时间，产品id，销售地点，销量，销售单价，促销优惠等；实际应用中对于主要特征项个数的选取一般选择在5个以上，即可保证较好的预测准确度，当然选择的特征项个数越多，预测结果准确度越好。
36.步骤b：建立产品动态定价模型，如图1，并且使用连续性产品销量数据集训练销量趋势预测模块，使用产品价格销量数据集训练关键关系建模模块。
37.产品动态定价模型各模块详细介绍：
38.(1)销量趋势预测模块：该模块以双向lstm神经网络为核心，对输入的连续销量序列数据进行编码，并计算每个位置对应的隐藏状态，通过对最终隐藏状态的计算得到预测的销量值。具体表现为对某一长度为n的连续销量数据x＝{x1,
…
,xi,
…
,xn}进行向量化编码转化为码转化为其中dv为特征向量空间的维度，然后使用双向lstm网络对序列wc进行编码，其计算公式如下：
[0039][0040][0041]
得到前向和后向的隐藏状态和后，通过将它们拼接起来得到最终的隐藏状态后，通过将它们拼接起来得到最终的隐藏状态最后对向量hj进行logistic回归计算，得出销量预测值，其计算公式如下：
[0042][0043]
其中，
⊙
为元素乘法，w为预测权重矩阵。
[0044]
(2)关键关系建模模块：该模块以多层全连接神经网络为核心，利用输入的产品价格与销量的数据，对单个产品在多变量情况下的价格与销量间的关系进行建模。具体表现为对一个小批量样本x∈rn×d，其批量大小为n，输入个数为d，网络隐藏层的权重参数和偏差
参数分别为wh∈rd×h和bh∈r1×h，输出层的权重和偏差参数分别为wo∈rh×q和bo∈r1×q，则最终输出为o＝(σ(x
⊙
wh bh))
⊙
wo bo，其中，r表示样本的向量空间是在实数域内，
⊙
为元素乘法，σ为激活函数；
[0045]
这里关键关系建模模块为现有已知技术，其结构为多层的全连接，输出为在价格变动的情况下，销量变动的情况。
[0046]
(3)动态定价决策支持模块：该模块以深度决策神经网络为核心，结合从销量趋势预测模块和关键关系建模模块获得的数据，实现每步决策的环境数据动态更新，并实时将每步价格决策后的销量变动回传销量趋势预测模块，从而实现当前决策结果对后续预测与动态决策的实时影响，最终模块将输出一个周期(这里的一个周期单位可以是月、周、天，在具体应用中可以根据需要进行设置，一般建议设置一到两周作为一个周期)内的动态定价的参考决策。具体表现为对每一步的动态定价决策，将决策所产生的收益设置为q值，当前的环境数据为s，决策动作为a，那么当前值网络则实现q值的学习更新，其公式为：
[0047][0048]
其中，α为学习率，r和γ分别为奖励和奖励衰减因子，maxq(a
′
)则由目标值网络进行计算，以降低当前q值和目标q值的相关性，并且将评估后的最佳决策动作回传销量趋势预测模块，实现环境数据的实时更新。
[0049]
销量趋势预测模块的训练通过连续性产品销量数据集来进行，关键关系建模模块则通过产品价格销量数据集来进行训练，采用均方根误差rmse和平均绝对误差mae作为损失函数，采用sgd(梯度下降法)训练模型的参数，当模型产生的损失值满足设定要求或者达到最大迭代次数n，则终止模型的训练。
[0050]
对于销量趋势预测模块，当模型产生的损失值不满足要求且未达到最大迭代次数时，则调整实验参数，具体表现为：如损失值变化无明显规律，则对模型的结构进行调整，具体为调整lstm堆叠层数、隐藏层维度、各层之间的连接偏置等；如损失值变化过快或过慢，则调整模型的学习步长；
[0051]
对于关键关系建模模块的迭代调整跟销量趋势预测模块比较类似，不同之处在于：损失值变化无明显规律，对模型的结构进行调整，主要为调整全连接神经网络层数以及各层之间的连接偏置等。
[0052]
销量趋势预测模块、关键关系建模模块的具体调整方式为现有已知技术，本实施例中不做展开说明。
[0053]
这里的设定要求具体指：销量趋势预测一般要求准确率在0.9以上，关键关系建模要求拟合度在0.85以上；这里的最大迭代次数n一般n取值为105。
[0054]
步骤c：截取某周期内的产品销量和对应价格数据，依托训练完成的销量趋势预测模块和关键关系建模模块，设定训练目标，对动态定价决策支持模块进行训练；这里设定的训练目标一般为初次训练设定收益率在5％以上，后续每次训练相对之前提高3-5个百分点，直到收益率不再提高为止；收益率计算方式为：根据模型给出的当前步的动态价格以及在该价格下的销量情况，计算当前步的销售利润，收益率则为该销售利润相对于原本价格下的销售利润改变的百分点。
[0055]
这里的收益率不再提高指前后两次迭代的变化率维持在0.5％以内。
[0056]
在此步骤中，我们将进行动态定价决策支持模块的训练，其一轮迭代的具体过程
为：
[0057]
(1)从环境数据中读取当前状态数据s，计算其特征向量φ(s)；这里的环境数据主要有两个来源：一是在当前价格条件下，对应的销量情况(这部分数据来源于数据集中)；二是对当前价格进行涨价或降价，引起的销量变动情况(这部分数据来源于销量趋势预测模块和关键关系建模模块)；这里的状态数据s即如图1所示为“销量趋势预测模块、关键关系建模模型”两者的输出与数据集中的真实销量数据拼接得到的数据；
[0058]
(2)在当前值网络中使用φ(s)作为输入，得到网络在所有动作下的对应q值，使用贪婪算法在当前q值输出中选择对应动作a；
[0059]
(3)在状态s执行当前动作a，得到新状态s
′
对应的特征向量φ(s
′
)和奖励r，以及是否终止状态in；
[0060]
(4)将五元组{φ(s),a,r,φ(s
′
),in}存入回放记忆单元；
[0061]
(5)更新s值；
[0062]
(6)从回放记忆单元中采样m个样本，使用目标值网络进行目标q值计算；
[0063]
(7)损失函数设定为均方差函数，通过神经网络的梯度反向传播更新目标值网络的当前值网络参数。
[0064]
步骤d：使用训练好的产品动态定价模型，对待定价的某型产品进行一个周期的动态定价。
[0065]
将产品历史交易数据按照步骤a进行处理后，输入训练好的产品动态定价模型，给出该产品的一个周期内的动态定价参考。
[0066]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

技术特征：
1.基于交易数据与ai驱动的产品动态定价方法，其特征在于，包括：s1、获取产品交易数据，根据产品交易数据得到连续销量序列数据与产品价格销量数据集；s2、根据连续销量序列数据进行产品销量预测；s3、根据产品价格销量数据集，得到单个产品在多变量情况下的价格与销量间的关系；s4、将步骤s2与步骤s3得到的结果作为决策模型的输入，从而得到产品在一个周期内的价格预测。2.根据权利要求1所述的基于交易数据与ai驱动的产品动态定价方法，其特征在于，步骤s2具体为：采用基于双向lstm神经网络的销量趋势预测模块对输入的连续销量序列数据进行编码，并计算每个位置对应的隐藏状态，根据隐藏状态计算得到预测的销量值。3.根据权利要求2所述的基于交易数据与ai驱动的产品动态定价方法，其特征在于，步骤s3具体为：采用基于多层全连接神经网络的关键关系建模预测模块，根据输入的产品价格与销量的数据，对单个产品在多变量情况下的价格与销量间的关系进行建模，并得到单个产品在多变量情况下的价格与销量间的关系数据。4.根据权利要求3所述的基于交易数据与ai驱动的产品动态定价方法，其特征在于，还包括对销量趋势预测模块进行训练，销量趋势预测模块的输入为连续销量序列数据，输出为预测的销量值；当销量预测准确率大于0.9或者达到设定的迭代次数时，完成训练。5.根据权利要求4所述的基于交易数据与ai驱动的产品动态定价方法，其特征在于，关键关系建模预测模块进行训练，关键关系建模预测模块的输入为产品价格与销量的数据，输出为单个产品在多变量情况下的价格与销量间的关系数据；当关键关系建模要求拟合度大于0.85或者达到设定的迭代次数时，完成训练。6.根据权利要求4所述的基于交易数据与ai驱动的产品动态定价方法，其特征在于，步骤s4所述的决策模型基于深度决策神经网络，包括：环境单元、当前值网络单元、目标值网络单元、决策网络误差函数单元以及回放记忆单元；所述环境单元用于存储状态数据，所述状态数据根据产品价格销量数据集、销量趋势预测模块的输出结果、关键关系建模预测模块的输出结果得到；所述当前值网络以当前状态数据的特征向量作为输入，计算得到对应的q值，并根据q值选择对应的动作，在当前状态数据执行所选择的动作，得到新的状态数据、新的状态数据对应的特征向量、奖励、以及是否终止状态；将当前状态数据的特征向量、选择的动作、奖励、新的状态数据对应的特征向量、以及是否终止状态作为五元组存入回放记忆单元；所述目标值网络从回放记忆单元中采样若干样本，并计算q值。

技术总结
本发明公开一种基于交易数据与AI驱动的产品动态定价方法，应用于产品价格预测，针对现有技术无法实现动态价格预测的问题；本发明以深度决策神经网络为基础，结合动态的销量预测实时更新深度决策神经网络的环境参数，做到对市场趋势的实时反馈；同时采用多层全连接神经网络建模关键参数关系，比如销量与价格之间变动关系等，提高预期值计算精准度，能够有效地提升动态定价方法的有效性。地提升动态定价方法的有效性。地提升动态定价方法的有效性。


技术研发人员：廖伟智 周佳瑞
受保护的技术使用者：电子科技大学
技术研发日：2022.02.18
技术公布日：2022/5/25