[发明专利]一种数据集的基于机器学习的动态定价方法

权利要求书

1.一种数据集的基于机器学习的动态定价方法，采用LSTM模型作为动态定价模型，其特征在于，包括：

A1、获取销售方提供的数据集的历史交易信息以及对所述历史交易信息从多个彼此不同的价值衡量维度提取数据集交易时状态数据的自定义配置参数；

A2、根据所述自定义配置参数从历史交易信息中提取状态数据按照动态定价模型的输入需求配置为所需的训练数据，所述训练数据中设定时间区内的定价、状态数据与收益按照对应关系进行配置；

A3、用训练数据训练所述动态定价模型学习根据定价和多个彼此不同的价值衡量维度对应的状态数据预测收益的能力以提供建议定价。

2.根据权利要求1所述的方法，其特征在于，还包括：

A4、用训练好的动态定价模型为销售方预测让数据集在未来时间区间内获得收益最大化的建议定价。

3.根据权利要求2所述的方法，其特征在于，还包括：

获取产生过建议定价的时间区间在现实环境中的反馈对应的历史交易信息后，根据实际定价与建议定价的不同关系采取不同的学习率学习该反馈对应的历史交易信息，更新动态定价模型的参数。

4.根据权利要求3所述的方法，其特征在于，所述根据实际定价与建议定价的不同关系采取不同的学习率学习该反馈对应的历史交易信息包括：

当销售方的实际定价与建议定价未在预设误差范围内匹配且预测收益大于等于实际收益，使用设定的第一学习率；

当销售方的实际定价与建议定价在预设误差范围内匹配，使用设定的大于等于第一学习率的第二学习率；

当销售方的实际定价与建议定价未在预设误差范围内匹配且预测收益小于实际收益，使用设定的大于等于第二学习率的第三学习率。

5.根据权利要求1所述的方法，其特征在于，所述价值衡量维度包括：数据集的产品属性维度、销售情况维度和时间属性维度。

6.根据权利要求5所述的方法，其特征在于，数据集的产品属性维度、销售情况维度和/或时间属性维度包括多个彼此不同的子维度。

7.根据权利要求6所述的方法，其特征在于，对于子维度中表示数量的子维度，从多个数据提取角度提取该子维度对应的状态数据的波动信息。

8.根据权利要求5所述的方法，其特征在于，所述训练数据包括多个输入矩阵和目标值矩阵，所述输入矩阵记录所述状态数据，所述目标值矩阵记录相应状态数据下的收益。

9.根据权利要求5所述的方法，其特征在于，对于一个特定时间区间对应的输入矩阵，该输入矩阵中包括该特定时间区间的产品属性、时间属性以及该特定时间区间的上一时间区间的销售情况。

10.根据权利要求1至9任一项所述的方法，其特征在于，所述自定义配置参数包括用户设置的价值衡量维度、时间区间的长度和个数，时间区间的长度用于对历史交易信息进行长度划分，时间区间的个数用于确定给未来时间区间定价时每次使用的时间区间的个数。

11.一种计算机可读存储介质，其特征在于，其上包含有计算机程序，所述计算机程序可被处理器执行以实现权利要求1至10中任一项所述方法的步骤。

12.一种电子设备，其特征在于，包括：

一个或多个处理器；以及

存储器，其中存储器用于存储一个或多个可执行指令；

所述一个或多个处理器被配置为经由执行所述一个或多个可执行指令以实现权利要求1至10中任一项所述方法的步骤。