一、电子商务中动态定价研究及Agent实现（论文文献综述）
张孟如[1]（2021）在《零售商双渠道下服装产品多阶段定价研究》文中指出随着经济、技术的全球化快速发展,服装行业发展呈现出新的趋势。一方面全球化发展使得企业为了满足消费者需求以及自身的生存发展,不断提高产品供应量,刺激消费者提高消费能力,消费者对于服装产品的品质、潮流度、性价比等都有更高的要求,由此导致市场供大于求的现象更加明显。另一方面经济水平和电子商务的发展,服装产品的销售渠道发生变化,线上渠道正逐渐融入消费者生活,对零售商产生重要影响,其为增加市场占有份额保持竞争力而建立双渠道进行销售。服装产品生命周期较短具有易逝性,产品的剩余价值随时间变化较快。零售商为避免产品价值无形降损以及期末产品滞销堆积问题,更多的零售商选择产品线上、线下双销售渠道结合销售并且通过对产品多次定价的策略来增加利润。零售商若想要在这种背景下保持产品竞争优势,实现更高的利润,如何在双销售渠道中根据产品无形变质率、期初订货量、产品生命周期以及价格弹性因子的不同等对产品生命周期分成多个阶段进行定价是本文研究的问题。本文基于对服装产品特点、双销售渠道以及多阶段定价的相关理论与国内外文献的研究,以双渠道服装零售商为研究对象,考虑服装类易逝品的特点、价格对需求的影响等对其服装产品的多阶段定价进行研究,结合双渠道销售模式下与产品定价需求间影响的因素,产品的定价与价格弹性因子、产品无形变质率之间的关系以及价格对需求的影响,以零售商利润最大化为目标建立多阶段动态定价模型,应用动态规划思想,研究了产品生命周期、产品期初订货量以及产品无形变质因子、价格弹性因子、产品销售渠道选择的敏感性分析,通过模型计算出对销售周期分成一次、二次至到N次不同定价次数时产品的定价变化,主要研究内容和结论如下:针对服装产品具有易逝性特点,在双渠道中进行多阶段定价,根据算例仿真结果表明:1)服装产品以多阶段进行动态定价销售时,产品定价次数增加一定能够使产品需求增加、期末库存减少,当零售商想要解决库存积压问题时可以考虑增加产品定价次数,但零售商的期望利润并不总是如此,超过定价次数可能零售商利润反而降低。2)对于生命周期较长且订货量较大的产品,零售商可以采用较少的定价次数、较高定价水平的销售策略来获取最大利润。对于生命周期较短的产品其库存积压风险越大,零售商需要考虑减少产品的期初订货量,且产品的无形变质因子越大产品的期初订货量就要越小。3)对于产品无形变质因子较大的产品,零售商可以采用较小的期初订货量、少次数的定价调整策略就可以在较小的期末库存压力同时获得最大的利润。若此类型产品的期初库存量较大,零售商可以采用提高产品整体阶段售价水平使零售商获利更大。4)零售商在对产品进行销售渠道选择时,对于期初订货量小,产品生命周期短的产品,零售商可以采用产品全生命周期双渠道同时销售的策略,产品的期末库存和零售商利润都会达到最优;当产品生命周期较长且期初订货量较大零售商可以采用产品在线上渠道多阶段销售、限制产品在线下渠道销售时间阶段且增加产品定价次数的销售策略,零售商可以获得较大利润且产品期末剩余库存少,不占用线下渠道新品销售机会。
戴权[2]（2020）在《固定任务情境下快递运输众包定价策略研究》文中进行了进一步梳理以规模化的方式集中多时段的运送需求,通过转运和配送的方式实现货物的送达,是现有快递运输和配送活动的普遍做法。但该模式下,企业很难以较低的成本实现对客户快速响应的要求,如何解决运输时效性与经济性的矛盾,成为快递企业运营中的难点。众包被认为是最具前景的解决方案之一,它将客运和货运一体化,利用出行中的私家车资源帮助托运人完成运输任务。当前研究的运输众包类型多为随机型,即运输任务按时间点随机呈现。然而,通过快递中转场转运的快件,往往具有发运期固定、发运期间不追加快件等特性,此类固定任务情境较普遍地存在于拥有自动分拣设备的商超配送活动中。在固定任务情境的快递运输众包过程中,定价是众包活动开展的保障。定价过低,可能会造成托运方吸引不到合适数量的承运人;定价过高,则可能又会造成托运方在委托期内缺货。这两种现象都会导致托运方实际运输成本高于最佳运输成本。鉴于此,本文从经济性与时效性角度考虑,提出使用社会大众的运力资源完成中转场与边界网点间快递运输的众包模式;以托运方节省成本期望最大化为目标,构建基于潜在承运人选择行为的托运方收益管理模型,并对其中的潜在承运人选择行为模型的结构特性、到访量的预测方法、模型算法等关键问题进行了重点研究。本文的主要研究工作如下:（1）提出了在运输众包领域使用收益管理理论定价的新思想。基于国内外运输众包及定价的研究现状,界定了固定任务情境下运输众包定价的研究范围;明确了快递网络的功能特点,分析了快递中转场与网点间的空间位置、业务关系,构建了包含大众运力资源的快递众包网络。同时,深入剖析快递运输众包网络中交易双方的供需与定价之间的关系,探讨收益管理应用于快递运输众包的可行性,设计了固定任务情境下运输任务众包定价的总体流程。（2）建立了众包潜在承运人选择行为模型。承运人选择行为分析是运输众包收益管理的重要内容,是构建动态定价模型的基础。考虑影响潜在承运人承运的任务属性、任务效用,建立了众包潜在承运人选择行为模型,并剖析了模型的结构特点,探究各待估计参数之间的关系。实际运营中,根据运输任务属性划分出的任务类型多样,承运人选择时不仅受价格因素影响,还可能受任务的其他属性因素影响。论文改变以往只通过任务价格因素确定潜在承运人承运任务概率的方式,将承运人对任务属性的偏好考虑进来,建立了与动态定价模型相适应的多任务属性的潜在承运人选择行为模型。（3）针对可观测到访承运人数量的情境,构建了基于潜在承运人到访量的动态定价模型。快递运输众包过程中,受天气变化等因素影响,很难对委托时段内潜在承运人的真实到访速率做出准确预测,如果定价过程中依据的潜在承运人到访速率与真实的到访速率偏差较大,会给运营带来风险。论文结合任务委托期间潜在承运人实时到访量数据,使用负二项分布提出了一种实时预测未来潜在承运人到访量的方法;结合潜在承运人对快递运输任务的选择行为,构建托运人节约成本期望最大化模型,提出了一人一单和一人多单的可变速率动态定价策略,并给出模型的求解算法。（4）针对仅可观测任务被承运的情境,构建了基于快件委托数据的动态定价模型。任务委托过程中,运营方可能会观测并记录到所有到访的潜在承运人,也可能观测不到未承运任务的潜在承运人的到访情况,仅能查阅到快件被委托的时刻、委托价格。针对这种情况,提出了基于负二项分布、潜在承运人选择行为模型的潜在承运人到访量实时预测方法;根据收益管理理论,以托运方节省成本期望最大化为目标构建模型,给出了可变速率动态定价策略。最后,通过算例分析,比较了提出的两种可变速率动态定价策略与固定速率定价策略的效果。论文的主要创新之处在于:提出了使用运输众包与收益管理理论解决快递网络中边界网点快递运输问题的新思想;建立了多任务属性的潜在承运人选择行为模型,提出了基于潜在承运人到访量、快递委托数据的未来潜在承运人到访量实时预测方法;构建托运人节省成本期望最大化模型,给出了一人一单和一人多单的可变速率动态定价策略。
耿聪聪[3]（2020）在《动态定价对酒店顾客满意度的影响研究 ——基于在线评论的证据》文中研究说明随着互联网技术的发展,酒店可以透过在线旅游平台频繁地实施价格调整,这就打破了以往顾客认可的“供求关系”、“季节变化”的价格变动逻辑,与此同时,顾客获取价格信息的渠道也越来越多,这势必会对酒店顾客满意度产生影响。然而,关于动态定价的研究大多集中于本世纪前十年,彼时,动态定价刚刚兴起,互联网的发展还处于PC阶段,尚未进入移动互联时代,企业和顾客之间的互动尚不频繁。因此,学者们的研究中多是讨论了动态定价的优势以及对顾客购买意愿的影响,或者是最优价格模型的制定与工具性技术开发,缺乏对于顾客反馈的关注,也没有上升到顾客满意度层面进行研究。加之,对动态定价与顾客感知的研究多是通过问卷调查的方式,结合互联网情境较少。因此,文章将聚焦于互联网和酒店情境下顾客对动态定价的反应,通过在线评论,从定量和定性两个方面探讨动态定价对酒店顾客满意度的影响,其中以定量分析为主,以定性分析为辅。文章以携程旅行网酒店在线评论2483条数据为样本,对在线评论中数值型打分进行有序逻辑回归以此验证动态定价与酒店顾客满意度之间的关系,并进一步验证了顾客情绪的中介效应,酒店等级和顾客经验的调节效应。对文本型数据则进行内容分析,运用词频分析统计文本内容中高频词;运用社会语义网络分析词频之间的规律以及特征,以此发现语义之间的联系;运用情感分析以此得出文本的情感倾向和情感分布,以此补充说明动态定价对酒店顾客感知的影响,以期为酒店的营销和收益管理提供建议。有序逻辑回归结果表明,第一,动态定价对酒店顾客满意度有显着地负向影响;第二,顾客情绪在动态定价对酒店顾客满意度的影响中起到显着地中介作用,并且动态定价显着负向影响顾客情绪,顾客情绪显着正向影响酒店顾客满意度;第三,酒店等级在动态定价对酒店顾客满意度的影响中起到显着地调节作用,并且随着酒店等级的提升,动态定价对酒店顾客满意度的负向影响增强;第四,顾客经验在动态定价对酒店顾客满意度的影响中起到显着地调节作用,并且随着顾客经验的增多,动态定价对酒店顾客满意度的负向影响减弱。内容分析结果表明,词频分析结果主要集中于动态定价类、顾客情绪类以及行为类,其中动态定价整体高频词集中于表达具体的价格涨降情况或价格变动现象;情绪类高频词主要分为积极、中性以及消极三大类,其中消极情绪类高频词频率最高;行为类高频词则倾向于表达不利企业的行为词组。社会语义网络分析整体结果呈现“核心-次核心层-边缘”的分布,核心层是“酒店”“房价”等词组成,第二层是由动态定价类词语组成,边缘层主要由情绪类和顾客行为类组成。除此之外,相比动态定价频率低的评论,动态定价频率高的评论的社会语义网络更加反映了酒店的管理方面的问题。情感分析整体结果是顾客情绪倾向消极情感,然后是积极情感,最后是中性情感。除此之外,发现动态定价频率高的在线评论其消极情感倾向更强烈。
孔繁辉[4]（2020）在《全渠道供应链网络库存优化与定价策略研究》文中提出互联网的高速发展从根本上改变了供应链网络的内部结构与商业运作模式,以线下实体店、PC网店、移动网店、直播平台等并存的全新零售模式促使全渠道供应链网络逐渐形成。全渠道供应链网络供需关系的跨渠道性使得网络运行效率低下、内部协调能力较差,特别是库存系统紊乱以及产品定价恶性竞争问题突出。在此背景下,本文聚焦全渠道供应链网络中的库存优化与定价策略问题,以全渠道供应链中网络节点物流量预测结果为基础,对全渠道供应链网络中的库存控制与动态定价进行研究,从而提高全渠道供应链网络整体运行效率与内部协调能力。本文主要进行了以下几个方面研究:（1）全渠道供应链网络的运行特征及模式。在对全渠道供应链网络内部业务构成、网络运行环节以及运行过程分析基础上,深入分析全渠道供应链网络的显着特征,认清全渠道供应链网络的高度集成性和供需关系跨渠道性,在此基础上,剖析全渠道供应链网络的全新运作模式,探究多核心辐射模式对全渠道供应链网络内部优化造成的影响。（2）全渠道供应链网络优化要素分解。将全渠道供应链网络优化要素分为网络节点物流量、库存成本与定价策略,其中,对节点物流量进行预测是研究全渠道供应链网络库存优化与定价策略问题的前提和基础,节点企业根据物流量指标构建随机型库存决策模型,从而合理优化库存系统,同时,网络节点在充分考虑库存因素基础上对各营销渠道定价进行动态调整。（3）全渠道供应链网络节点物流量预测。物流量是供应链网络中节点成员进行业务往来的载体,也是企业协调物流系统的重要桥梁,节点成员通过对网络物流量的合理控制,实现对库存与定价决策的自我调节。对于全渠道供应链网络而言,节点成员间的物流联系更加复杂,这就对物流量预测方法提出了更高要求,传统的浅层学习模型在预测中过拟合问题凸显,因此本文构建深度学习模型对全渠道供应链网络节点物流量进行智能预测。（4）以物流量为基础的库存优化模型构建。库存优化的核心是通过制定最优的订货批量以及最佳的订货时间,从而最小化库存成本。在全渠道供应链网络中,库存系统需求率可以通过网络节点物流量直观体现,节点企业根据前一订货周期内的需求率以及订货批量,对下一订货周期的需求率做出理性判断,进而构建随机型库存决策模型,实现库存系统的供需平衡。（5）考虑库存因素的全渠道供应链网络定价策略。将全渠道供应链网络定价与库存优化相联动,在零售商全渠道营销共建共享库存情形下,分析网络节点不同渠道间价格冲突的相互作用原理,构建以零售商收益最大化为目标函数的非线性规划方程。当顾客需求服从均匀分布,各个渠道中的定价策略对自身以及其他渠道市场需求同时产生影响时,零售商在各个渠道间的定价策略存在纳什均衡。综上,本文从全渠道视角出发,将移动渠道和社交媒体渠道等新兴互联网营销渠道纳入供应链网络优化研究,打破了单一渠道或双渠道供应链网络为研究对象的渠道限制,最大程度上贴近供应链网络运行的实际情况;本文将深度学习算法运用到供应链网络节点物流量预测中,构建了栈式自编码器智能预测模型,该模型可通过多次迭代训练抽象数据的本质特征,预测结果比以往浅层神经网络模型具有更高的准确性;本文将物流量、库存和定价联合建模,以节点物流量预测为基础构建了随机型库存决策模型,以库存优化为前提求解出零售商在不同渠道的纳什均衡定价。
王祖德[5]（2020）在《基于深度强化学习的动态定价策略》文中研究表明随着移动互联网在各行各业的深入,诸多线下消费的行业将售卖和交易行为转向了线上,形成O2O模式。国内一些大型的O2O平台作为信息流的中间方,已经积累了大量的用户、商家、交易等类型的数据。因此,大数据时代线上电子化的交易已经构成了实时动态定价的应用环境基础,电子商务平台的自动化动态定价已经成为趋势。当面临电子商务平台大数据应用场景越来越复杂的环境条件,一方面数据的概率分布变得复杂且动态变化,另一方面特征数据来源于高维空间采样,因此传统的动态定价手段难以应对。近年来,深度学习和强化学习的结合,形成了深度强化学习理论,基于大数据的应用环境,已在多个领域取得了显着成效。本文运用深度强化学习理论来研究动态定价问题。首先,针对团购网站上大型连锁冷饮销售应用场景的O2O商业模式进行了分析,构建了有限库存下实时动态定价问题的模型。其次,将动态定价问题表述为一个马尔科夫决策过程,构建了动态定价问题的马尔科夫决策过程组成要素。然后,构建了动态定价问题的仿真环境并基于深度强化学习理论设计了针对应用场景的动态定价算法。最后,本文对应用场景案例进行了仿真实验以及结果分析。实验结果表明,本文基于深度强化学习设计的动态定价算法在仿真环境中的收益性质表现良好且应对线上需求分布的变化以及随机性风险也具有一定的鲁棒性。因此,基于深度强化学习建模动态定价问题是切实可行的,对于大数据环境下的动态定价问题具有良好的应用价值。
舒梦婷[6]（2020）在《考虑策略性消费者影响的双渠道供应链决策研究》文中研究指明互联网的普及和网络支撑技术的进步,使电子商务搭上了高速发展的列车,越来越多的零售商将“新零售策略”列为企业的战略发展方向,线上渠道销售额占总销售量的百分比也在日益增加。消费者不再跟以往一样,只能通过传统的零售店购物,互联网购物逐渐成新的趋势,演变成人们生活中不可或缺的部分;此外,互联网使用场景的扩展让消费者足不出户就能够获取商品信息;同时,信息不对称性的降低使得消费者们变得更具有“策略性”。策略性消费者的影响和零售商线上销售收益的日益增加,势必会影响传统的供应链结构。本文根据博弈论和消费者效用理论构建单阶段博弈模型和两阶段动态规划模型,研究了策略性消费者影响下双渠道供应链中零售商渠道选择和合同选择。首先,从最具代表性的由单一制造商和单个零售商构成的单渠道模型展开讨论分析,以供应链集中决策时的收益为基准,讨论供应链参与者在策略性消费者的影响下,基于不同合同进行分散式决策时的定价和收益问题。结果表明:基于订购量制定的合同（如数量折扣合同）能提升单渠道供应链收益,实现帕累托改进;该类合同在获得更多消费者剩余（消费者净收益）的同时能有效降低制造商和零售商的销售风险。其次,将零售商开通线上新销售渠道的决策纳入讨论范围。分析消费者的渠道效用感知差异、策略性程度、制造商品牌美誉度损失系数等对双渠道集中式决策供应链的影响。研究表明,当市场满足一定约束条件时,基于集中式决策的供应链会选择开通线上销售渠道。此外,分析零售商分别基于批发价格合同和数量折扣合同下的双渠道决策,并在此基础上讨论不同合同对零售商双渠道供应链的影响。研究发现:当供应链采用分散式决策且采用数量折扣合同作时,零售商更倾向于开通线上渠道;无论供应链选取何种合同,基于双倍蚕食现象的影响,双渠道零售商线下渠道总会提升定价;当策略性消费者的耐心程度、对线上销售渠道接受程度增加时,批发价格合同更适合于考虑零售商开通线上销售渠道的情况。最后,为扩展已有研究结论的适用范围,放松了对双渠道零售商线下销售渠道定价不变约束,将具备动态调整商品定价能力的零售商纳入讨论范围,对比发现:在考虑零售商采取两阶段定价时,批发价格合同仍更加适用于存在双渠道零售商的供应链。同时,综合分析批发价格合同和数量折扣合同的优势和局限性,将零售商第一阶段的商品定价和基于市场信息预测的商品需求量同时纳入合同的约束范围。分析发现:满足上述约束的“基于零售商售价的数量折扣合同”适用范围更广,不仅能降低因新渠道不确定性带来的制造商品牌美誉度损失,同时还能促使零售商开通线上渠道,使其能在复杂多变的市场环境中获得竞争优势。
刘泽霖[7]（2020）在《基于强化学习的机票动态定价策略研究》文中认为随着互联网和旅游业的高速发展,在线旅行社（OTA）凭借出色的服务逐渐取代了传统的旅游代理商,成为人们旅行购票必不可少的一部分。而在OTA所经营的诸多业务中,机票业务占据了相当大的一部分。出于自身利润的考虑,OTA希望能够通过对机票产品价格的动态调整,最大化机票销售的利润。目前,大多数OTA都是通过在为航空公司代售机票并在此基础上额外收取一笔佣金来赚取利润,许多OTA尝试通过基于自身行业经验来调整佣金以获得更多利润。但由于在真实世界中机票的需求和用户的行为模式十分复杂,因此专家经验以及数学模型等方法应用在调价决策上存在着许多缺点。基于强化学习算法擅长解决策略优化问题的特点,本文采用强化学习的算法来对动态定价的策略进行研究。另一方面,由于强化学习的训练需要通过和环境不断进行交互来完成,而在动态定价问题中,直接和真实环境进行交互将会在市场上带来非常巨大的负面作用。考虑到这两个因素,如何模拟用户的行为并以此为基础开发出能够体现市场真实反馈的模拟环境是一个十分重要的研究。因此,我们提出了一种机票购买仿真模型。该模型可以根据历史数据模拟生成用户群体,再根据机票价格等其他信息,模拟用户的购买行为。模型还能够根据历史数据和新产生的数据不断调整自身参数,拥有一定的自学习能力并且使仿真模型具有更好的效果。此外,在强化学习算法的研究中,由于定价问题中市场、用户有着不确定性较高的特点,因此强化学习算法的表现会受到状态不可测所带来的影响。同时,用户的消费需求也会随着外部条件改变而改变,使用同一种定价模式无法兼顾到不同需求的用户,必然导致模型的效果不够优秀。所以基于上述两点,我们提出了一种基于模式转换的循环神经网络强化学习算法。最后在真实世界的数据集上的实验结果表明,我们的用户模拟仿真模型可以较好地模拟出用户的行为,同时我们的强化学习动态定价算法在和其他算法的对比中表现良好。
王欣,王芳[8]（2019）在《基于强化学习的动态定价策略研究综述》文中提出随着人工智能技术的不断发展,其应用领域也逐渐拓宽。为了能进一步将强化学习技术应用于动态定价领域,构建智能动态定价系统,对与动态定价相关的强化学习技术进行介绍,将已有研究从供应商数目（单供应商、多供应商）、所处环境模型（MDP、POMDP、Semi-MDP）、选用算法（Q-Learning, SARSA, Monte-Carlo）等方面进行综述。基于综述内容提出未来智能动态定价的研究方向。
隋智勇[9]（2018）在《平台企业动态定价的策略研究》文中研究表明平台企业是在经济全球化和信息技术广泛应用的背景下发展起来的一种介于市场与传统企业之间的组织形式。它既像市场一样通过连通供需配置资源,又像传统企业一样追求企业利润的最大化。近30年来,以美国为代表,随后在欧洲和亚洲等地均出现了新经济浪潮。这个过程中,一些典型企业对社会经济的发展,起到了巨大的推动作用。例如电子商务企业（Amazon、Ebay、阿里巴巴等）、银行卡网络（Visa、Master、中国银联等）、操作系统公司（微软、苹果、Palm等）、搜索引擎企业（Google、雅虎、百度等）、传媒企业（报纸、有广告的电视频道、门户网站等）、智能手机企业（苹果、诺基亚、Google等）以及游戏机企业（索尼、任天堂、微软等）等都在现代国民经济中占据十分重要的地位。这些看似毫无关联的企业背后,却蕴含着一些共同的经济规律:这些企业通常作为一个平台把一类（及以上）的代理人吸引到平台上,通过为这些不同代理人之间的交互作用提供服务来获取利润。例如电子商务企业为买家和卖家之间的交易提供服务;银行卡网络为持卡人和商户间的支付行为提供服务;操作系统为用户使用应用软件提供平台;搜索引擎为搜索用户与广告商的交流提供平台;传媒为用户与广告商的交流提供平台;智能手机为手机用户在手机上使用应用软件提供平台;游戏机为用户和游戏制作企业提供平台服务。这些平台企业目前仍然处于快速发展之中,并将在世界经济中占据越来越大的份额。平台企业的快速发展,引起了政府机构、管理者和经济学家的广泛关注。在现实中,许多平台企业的独特商业决策和竞争方式激起了学界的极大兴趣,学者们也围绕着平台经济以及相关问题进行了大量的研究,例如平台定价、平台管理和规制以及相关的机制设计等等。但是,却鲜有文献对平台的动态定价策略问题进行研究。由于当今大多平台都是基于信息技术的发展而出现的,因此信息技术在平台定价中有着广泛的应用,使得平台能够更精确地对不同消费者进行分类,因此产生了许多新的定价方式,其中最值得一提的就是“动态差别定价”。动态差别定价就是当市场中存在着重复购买时,企业能够根据消费者过去的购买记录给不同的消费者提供不同的价格,比较典型的就是对新老客户制定不同价格。例如中国移动会对新入网的用户给予赠送话费或者移动电话等优惠,而中国联通对新用户也有类似的优惠;同时京东商城等电子商务平台也会对新注册用户赠送优惠券,以吸引更多用户使用其服务;还有比较有代表性的案例就是中国移动出行市场新用户争夺战,为了使用户使用各自的打车软件出行,滴滴打车和快车均投入大量资金对用户进行补贴,以更快获取并锁定新用户;另外很多P2P理财平台也对新用户提供各种补贴和优惠券,但是对老用户却没有类似的优惠。随着信息技术的进一步发展和普及,动态差别定价可能会被应用于更多的行业。然而,现有关于平台定价的研究主要集中在平台企业静态定价行为,较少有文献从动态视角对平台定价进行分析。另外,虽然学者们对动态差别定价也有研究,但相关研究却均没有考虑到市场中存在网络外部性的情形,而平台的一个重要特征是具有网络外部性。如果考虑了这个因素,可能得到一些新的结论。因此,对平台企业的动态定价问题进行研究具有一定的理论意义和现实意义。基于以上现状,本文以博弈论为主要分析方法,建立了一个双寡头平台企业定价博弈模型,分析了网络外部性、消费者转换成本以及定价策略对市场均衡的影响。本文首先阐述选题的相关背景和现实、理论意义,然后概述研究内容、方法和创新之处,最后是相关概念界定,主要介绍关于本文研究的一些基本概念,例如平台、网络外部性、转换成本以及差别定价等等。然后回顾了网络平台定价和差别定价的相关理论,对文献进行了梳理,作为本题研究的起点和基础。在此基础上,本文设计了一个两期动态定价博弈模型,用于讨论在两种市场状况与两种消费者参与下平台企业的最优定价策略。首先是对成熟市场上平台企业的定价策略进行分析,分析了不同策略组合下各企业的最优定价和利润,进而对不同市场均衡进行了比较,求解了纳什均衡。然后假设市场上都为天真消费者,进而对新兴市场上双寡头平台企业的定价策略进行了分析。通过比较分析不同策略组合下各企业的最优定价和总利润,求解子博弈精炼纳什均衡。最后假设市场上都为老练消费者,进而对新兴市场上双寡头平台企业的定价策略进行了分析。通过比较分析不同策略组合下各企业的最优定价和总利润,求解子博弈精炼纳什均衡。本文在模型推导结束后,还进行了两个案例研究。该部分对移动支付领域和移动通讯领域进行了案例分析,进而对本文的研究结果进行检验和支撑。本文的最后,总结了本文的主要结论和管理启示,然后指出本文的研究不足和进一步研究的方向。通过以上研究,本文得到了以下结论:第一、在成熟市场上,如果双寡头平台企业都采取动态差别定价,则各企业会给予新客户同等的优惠额度,该额度与各企业初始市场份额无关,但是企业的初始市场份额会影响消费者预期以及各企业的最优定价,初始市场份额较大的企业会获取较多利润。如果双寡头平台企业都采取统一定价策略,则会出现单方面的消费者转换,初始份额较大企业的消费者会转换购买初始份额较小企业的产品,而初始份额较大企业会制定较高价格并获取较高利润。与双寡头平台企业都采取动态差别定价的情形相比,统一定价策略下各企业都会获得较高的利润。第二、双寡头平台企业在成熟市场上进行价格博弈时,存在两个纯策略纳什均衡一个混合策略纳什均衡。在非合作博弈前提下,当各企业的初始市场份额以及网络外部性满足某些条件时,双寡头平台企业都采取动态差别定价策略为一种随机稳定状态,此时双寡头平台企业可能陷入了某种“囚徒困境”。但是,如果该博弈为序贯博弈,则双寡头平台企业都采取统一定价策略为唯一的子博弈精炼纳什均衡。第三、在新兴市场上,如果市场上都为天真消费者,平台的网络外部性的强弱对子博弈精炼纳什均衡有着直接的影响。如果平台网络外部性较弱,则双寡头企业都采取动态差别定价为唯一的子博弈精炼纳什均衡。如果平台网络外部性较强,博弈可能出现多重均衡。如果将双寡头平台企业之间的定价策略博弈演化成协调博弈,双寡头企业都采取统一定价策略为博弈的随机稳定状态。第四、在新兴市场上,如果市场上都为老练消费者,平台的网络外部性影响了企业定价和利润,也影响了消费者的选择,进而影响了企业定价博弈的子博弈精炼纳什均衡。当平台网络外部性较弱时,双寡头企业都采取统一定价为唯一的子博弈精炼纳什均衡。如果平台网络外部性较强,博弈可能出现多重均衡。如果将双寡头平台企业之间的定价策略博弈演化成协调博弈,双寡头企业都采取统一定价策略为博弈的支付占优均衡,而双寡头企业都采取动态差别定价策略为博弈的风险占优均衡,后者为博弈的随机稳定状态。与天真消费假设下的市场均衡相比,双寡头企业都采取动态差别定价策略时的定价和利润都较低。但是,如果双寡头企业都采取统一定价策略,他们会获得较高的利润。与已有的研究相比,本文在充分考虑网络外部性对平台企业竞争的影响下,建立了动态定价博弈模型并进行模型最优解推导。研究结果表明,平台企业的定价决策不但与市场的初始规模有关系,而且会因为网络外部性的强弱,可能存在多个均衡解,丰富了动态差别定价的理论研究。同时,本文考虑了市场成熟度的差异以及消费者理性程度的差异,讨论了在不同的市场条件与消费者组合下,平台企业的最优定价决策,为平台企业的定价实践提供了决策参考。
段涵[10]（2017）在《服务型产品收益管理中的动态定价研究》文中提出随着经济环境的变动,传统的定价方法在实际运用中出现越来越多的漏洞,无法准确预测消费需求的变化、无法用精准的挖掘潜在消费需求、无法实现企业利润最大化,已经成为服务型企业收益管理的难题。本文主要在收益管理的情景下对服务型产品定价问题进行研究,通过研读和综述服务型产品动态定价的相关文献,明确了服务型产品的特点以及当前服务型产品定价的若干漏洞,并根据当前国内外动态定价的研究成果,归纳了动态定价影响因素并建立本文动态定价模型。之后选取当前热门且符合多维度特性的强化学习方法对模型求解计算,得到本文模型的最优状态动作对,形成环境和行为的最优路径从而得到最大利润。为了验证整体模型和最终结果,本文以服务型产品是否有空间上的移动为标准分情况做了案例仿真和分析,得到不同背景下的最优价格和利润。在固定服务型产品案例上,本文选取酒店客房服务收益管理为背景,建立了酒店客房动态定价模型,该模型结合实际状况将酒店客房剩余数量、消费者策略行为、预售和定价联合考虑进行价格决策,谋求最大化的企业利润。在移动服务型产品的案例上,本文选取高速铁路票价问题作为背景,建立高速铁路客票动态定价模型,模型结合高速铁路站点区间、剩余座位量、消费者策略行为、提前期和价格等多重因素,保证高上座率的同时追求最大化利润。在两个案例寻求最优解的过程中,本文利用强化学习理论和Q学习方法将收益管理的动态定价问题转化成AGENT遍历状态和动作的过程,通过Q学习迭代利润函数得到最优的状态动作对,直接指导企业定价行为。之后将本文的动态定价模型结果与传统定价方法进行比较发现动态定价方法要优于传统定价方法,同时进行了市场、库存、成本、消费者价格敏感程度等因素的敏感性分析。最后对文章进行总结,从动态定价模型、动态定价方法和因素的静态敏感性分析三个方面展开,得到关于企业应利用价格调节作用、关注价格影响因素出现的奇异值等七条结论并提出了相应的管理建议。
二、电子商务中动态定价研究及Agent实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、电子商务中动态定价研究及Agent实现（论文提纲范文）
（1）零售商双渠道下服装产品多阶段定价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 双渠道模式 |
| 1.1.2 服装产品多阶段定价 |
| 1.2 研究目的及研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容及研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第二章 相关理论综述和研究现状 |
| 2.1 服装产品定价理论 |
| 2.1.1 服装产品概念 |
| 2.1.2 易逝品定价方法 |
| 2.2 双渠道供应链理论 |
| 2.2.1 双渠道供应链概念 |
| 2.2.2 双渠道定价理论 |
| 2.3 多阶段定价策略理论 |
| 2.3.1 多阶段定价分析 |
| 2.3.2 多阶段产品定价影响因素 |
| 2.4 本章小结 |
| 第三章 零售商双渠道下服装产品多阶段定价模型构建 |
| 3.1 基本假设和参数说明 |
| 3.1.1 问题描述 |
| 3.1.2 模型假设和参数说明 |
| 3.2 产品多阶段定价模型构建 |
| 3.2.1 不同阶段产品的需求函数 |
| 3.2.2 不同阶段产品的成本函数 |
| 3.2.3 不同阶段零售商期望利润函数 |
| 3.3 模型分析 |
| 3.4 本章小结 |
| 第四章 Z企业服装产品双渠道多阶段定价算例分析 |
| 4.1 企业基本情况 |
| 4.2 算例分析 |
| 4.2.1 数据说明 |
| 4.2.2 算例计算 |
| 4.3 敏感性分析 |
| 4.3.1 内部因素对定价及零售商利润影响 |
| 4.3.2 外部因素对产品定价及零售商利润影响 |
| 4.4 零售商场景决策 |
| 4.4.1 零售商对不同变质率产品分阶段以及定价策略 |
| 4.4.2 库存风险下零售商对不同变质率产品应对策略 |
| 4.5 本章小结 |
| 第五章 研究结论与展望 |
| 5.1 研究结论 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（2）固定任务情境下快递运输众包定价策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 众包运营 |
| 1.2.2 众包承运人行为分析方法 |
| 1.2.3 众包情境下的收益管理 |
| 1.2.4 研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 研究技术路线 |
| 第2章 固定任务情境下快递运输众包定价分析 |
| 2.1 运输众包的研究内涵 |
| 2.1.1 运输众包的概念 |
| 2.1.2 运输众包的内涵 |
| 2.1.3 众包活动的参与方和业务流程 |
| 2.1.4 固定任务情境下运输众包研究范围 |
| 2.2 快递运输众包网络分析 |
| 2.2.1 传统快递网络体系 |
| 2.2.2 包含运输众包的快递网络体系 |
| 2.2.3 固定任务情境下快递运输众包活动特征 |
| 2.3 快递运输众包可行性分析 |
| 2.4 快递运输众包收益管理分析 |
| 2.4.1 收益管理理论方法 |
| 2.4.2 收益管理在快递运输众包领域适应性 |
| 2.5 本章小结 |
| 第3章 众包承运人选择行为模型构建 |
| 3.1 问题描述 |
| 3.2 建模思路 |
| 3.3 承运人选择行为模型构建 |
| 3.3.1 模型参数和变量 |
| 3.3.2 选择行为模型构建 |
| 3.4 参数估计 |
| 3.4.1 基于运营样本的参数估计 |
| 3.4.2 基于问卷样本的参数估计 |
| 3.5 算例分析 |
| 3.6 本章小结 |
| 第4章 考虑潜在承运人到访量的动态定价模型构建 |
| 4.1 问题描述 |
| 4.2 建模思路 |
| 4.3 模型构建 |
| 4.3.1 模型参数和变量 |
| 4.3.2 潜在承运人到访规律 |
| 4.3.3 建模步骤 |
| 4.3.4 一人一单委托模型构建 |
| 4.3.5 一人多单委托模型构建 |
| 4.4 模型求解 |
| 4.4.1 求解方法 |
| 4.4.2 使用策略 |
| 4.5 算例分析 |
| 4.5.1 算例计算 |
| 4.5.2 经济效益优势 |
| 4.5.3 环境效益优势 |
| 4.6 敏感性分析 |
| 4.7 本章小结 |
| 第5章 考虑任务委托数据的动态定价模型构建 |
| 5.1 问题描述 |
| 5.2 建模思路 |
| 5.3 模型构建 |
| 5.3.1 模型参数和变量 |
| 5.3.2 潜在承运人到访规律 |
| 5.3.3 一人一单委托模型构建 |
| 5.3.4 一人多单委托模型构建 |
| 5.4 算例分析 |
| 5.4.1 潜在承运人选择行为调查 |
| 5.4.2 算例结果比较 |
| 5.4.3 参数分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介与科研成果 |
| 致谢 |
（3）动态定价对酒店顾客满意度的影响研究 ——基于在线评论的证据（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景 |
| 一、实践背景 |
| 二、理论背景 |
| 第二节 研究目的与意义 |
| 一、研究目的 |
| 二、研究意义 |
| 第三节 技术路线图和研究方法 |
| 一、技术路线图 |
| 二、研究方法 |
| 第四节 研究创新点 |
| 第二章 文献综述 |
| 第一节 动态定价相关研究 |
| 一、动态定价的概念 |
| 二、动态定价的策略及影响 |
| 第二节 顾客满意度相关研究 |
| 一、顾客满意度 |
| 二、酒店顾客满意度研究现状 |
| 第三节 动态定价与顾客满意度的相关研究 |
| 第四节 顾客情绪 |
| 第五节 研究评述 |
| 第三章 理论基础与研究假设 |
| 第一节 理论基础 |
| 一、双权利原则 |
| 二、公平理论 |
| 三、交易效用理论 |
| 第二节 研究假设 |
| 一、动态定价与酒店顾客满意度 |
| 二、顾客情绪对动态定价与酒店顾客满意度关系的中介作用 |
| 三、酒店等级对动态定价和酒店顾客满意度关系的调节作用 |
| 四、顾客经验对动态定价和酒店顾客满意度关系的调节作用 |
| 第四章 数据整理与数值型数据分析 |
| 第一节 数据收集 |
| 第二节 数值型数据处理以及变量测量 |
| 第三节 文本型数据处理 |
| 第四节 假设检验 |
| 一、动态定价对酒店顾客满意度的影响 |
| 二、中介作用检验 |
| 三、调节作用检验 |
| 第五章 文本型数据分析 |
| 第一节 词频分析 |
| 第二节 社会语义网络分析 |
| 第三节 情感分析 |
| 第四节 小结 |
| 第六章 结论与建议及局限性 |
| 第一节 结论 |
| 第二节 管理建议 |
| 第三节 局限性与展望 |
| 一、局限性 |
| 二、展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 附录 |
| 致谢 |
（4）全渠道供应链网络库存优化与定价策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究方法与技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 本文创新点 |
| 第二章 研究综述 |
| 2.1 全渠道供应链网络物流量预测 |
| 2.1.1 物流量预测 |
| 2.1.2 深度学习预测算法 |
| 2.2 全渠道供应链网络库存优化 |
| 2.2.1 库存系统构成 |
| 2.2.2 库存优化决策 |
| 2.3 全渠道供应链网络定价策略 |
| 2.3.1 产品动态定价 |
| 2.3.2 弹性定价策略 |
| 2.4 研究评述 |
| 第三章 全渠道供应链网络运行特征及模式 |
| 3.1 全渠道供应链网络运行流程 |
| 3.1.1 网络结构 |
| 3.1.2 网络运行环节 |
| 3.1.3 业务运行过程 |
| 3.2 全渠道供应链网络运行特征 |
| 3.2.1 供需关系跨渠道性 |
| 3.2.2 节点信息共建共享 |
| 3.3 全渠道供应链网络模式 |
| 3.3.1 推-拉式模式 |
| 3.3.2 多核心辐射模式 |
| 3.4 全渠道供应链网络优化要素分解 |
| 3.4.1 网络物流量预测 |
| 3.4.2 库存成本控制 |
| 3.4.3 节点动态定价 |
| 3.5 本章小结 |
| 第四章 基于深度学习的全渠道供应链网络物流量预测 |
| 4.1 问题描述与假设 |
| 4.2 深度学习模型选择与构建 |
| 4.2.1 模型选择 |
| 4.2.2 特征提取 |
| 4.2.3 主成分分析 |
| 4.2.4 评价指标体系的建立 |
| 4.3 全渠道供应链网络物流量预测 |
| 4.3.1 预测步骤 |
| 4.3.2 模型输出 |
| 4.4 数值算例 |
| 4.4.1 算例描述 |
| 4.4.2 预测结果分析 |
| 4.4.3 性能度量与比较 |
| 4.5 本章小结 |
| 第五章 全渠道供应链网络节点库存优化 |
| 5.1 全渠道供应链网络节点库存优化目标 |
| 5.2 随机型库存决策 |
| 5.2.1 随机变量 |
| 5.2.2 库存决策模型 |
| 5.3 全渠道供应链网络节点库存优化模型构建 |
| 5.3.1 问题假设与符号说明 |
| 5.3.2 构建的优化模型 |
| 5.3.3 求解步骤 |
| 5.4 数值算例 |
| 5.4.1 算例描述 |
| 5.4.2 库存优化分析 |
| 5.5 本章小结 |
| 第六章 考虑库存因素的全渠道供应链网络定价策略 |
| 6.1 全渠道供应链网络定价特点 |
| 6.1.1 多种销售模式并存 |
| 6.1.2 渠道冲突显着 |
| 6.2 考虑库存因素的全渠道供应链网络节点动态定价模型 |
| 6.2.1 问题描述与假设 |
| 6.2.2 模型参数 |
| 6.3 弹性定价策略分析 |
| 6.3.1 模型构建 |
| 6.3.2 模型分析 |
| 6.4 数值算例 |
| 6.4.1 算例描述 |
| 6.4.2 结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（5）基于深度强化学习的动态定价策略（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容 |
| 第2章 国内外研究现状 |
| 2.1 动态定价介绍 |
| 2.2 需求函数刻画 |
| 2.3 动态定价学习理论 |
| 2.4 强化学习相关理论 |
| 2.4.1 强化学习简介 |
| 2.4.2 马尔科夫决策过程 |
| 2.4.3 强化学习组成要素 |
| 第3章 定价问题的模型与环境仿真 |
| 3.1 应用场景分析 |
| 3.2 数学模型 |
| 3.3 定价的马尔可夫决策过程 |
| 3.4 定价环境模拟 |
| 3.4.1 环境仿真方式 |
| 3.4.2 仿真环境设计 |
| 第4章 动态定价算法设计 |
| 4.1 基于DQN的动态定价算法 |
| 4.1.1 Q-learning算法 |
| 4.1.2 基于DQN算法框架的动态定价 |
| 4.2 基于A3C的动态定价算法 |
| 4.2.1 策略梯度类算法 |
| 4.2.2 Actor-Critic算法框架 |
| 4.2.3 基于A3C算法框架的动态定价 |
| 4.3 算法的神经网络架构 |
| 第5章 实验 |
| 5.1 实验设置 |
| 5.2 实验分析 |
| 5.2.1 需求具有时变性 |
| 5.2.2 引入需求随机性 |
| 第6章 总结 |
| 致谢 |
| 参考文献 |
（6）考虑策略性消费者影响的双渠道供应链决策研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 技术路线和创新点 |
| 1.2.1 技术路线图 |
| 1.2.2 创新点 |
| 1.3 研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 相关理论及方法 |
| 1.4.1 消费者效用理论 |
| 1.4.2 动态博弈 |
| 1.4.3 文献研究法 |
| 1.4.4 逆向归纳法 |
| 第2章 国内外研究综述 |
| 2.1 策略性消费者研究现状 |
| 2.2 双渠道供应链研究现状 |
| 2.3 供应链合同研究现状 |
| 2.4 动态定价研究现状 |
| 2.5 本章小结 |
| 第3章 考虑零售商单渠道销售的供应链策略研究 |
| 3.1 问题描述与基本假设 |
| 3.2 供应链集中式决策模型 |
| 3.3 供应链分散式决策模型 |
| 3.3.1 批发价格合同 |
| 3.3.2 数量折扣合同 |
| 3.4 本章小结 |
| 第4章 考虑零售商双渠道决策的供应链策略研究 |
| 4.1 问题描述与基本假设 |
| 4.1.1 问题描述 |
| 4.1.2 基本假设 |
| 4.2 双渠道集中式决策模型 |
| 4.2.1 理性预期均衡 |
| 4.2.2 模型求解 |
| 4.2.3 单双渠道比较分析 |
| 4.3 双渠道分散式决策模型 |
| 4.2.1 批发价格合同 |
| 4.2.2 数量折扣合同 |
| 4.2.3 合同比较分析 |
| 4.4 本章小结 |
| 第5章 考虑零售商两阶段定价的供应链策略研究 |
| 5.1 问题描述与基本假设 |
| 5.2 模型构建与分析 |
| 5.2.1 批发价格合同模型 |
| 5.2.2 数量折扣合同模型 |
| 5.2.3 推论分析 |
| 5.3 基于零售商售价的数量折扣合同 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（7）基于强化学习的机票动态定价策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机票仿真模型的研究现状 |
| 1.2.2 动态定价的研究现状 |
| 1.2.3 强化学习的研究现状 |
| 1.3 本文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 文章结构安排 |
| 第二章 相关技术 |
| 2.1 机票购买仿真模型 |
| 2.1.1 Logit模型 |
| 2.1.2 ARIMA时间序列模型 |
| 2.1.3 常见分类算法 |
| 2.2 动态定价 |
| 2.3 强化学习 |
| 2.3.1 强化学习概述 |
| 2.3.2 马尔可夫决策过程 |
| 2.3.3 Q-Learning |
| 2.4 本章小结 |
| 第三章 机票购买仿真模型 |
| 3.1 用户特征分析 |
| 3.1.1 用户特征内容 |
| 3.1.2 用户特征模型 |
| 3.2 基于用户特征与选择模型的机票购买仿真模型 |
| 3.2.1 机票购买仿真模型系统设计 |
| 3.2.2 用户生成模型 |
| 3.2.3 用户购买模型 |
| 3.2.4 机票购买率模型 |
| 3.2.5 机票购买量预测 |
| 3.3 基于生成对抗的用户决策模型 |
| 3.3.1 用户选择模型 |
| 3.3.2 用户奖励模型与状态模型 |
| 3.3.3 模型的训练 |
| 3.4 实验结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 评价指标 |
| 3.4.3 相关的比较算法 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于强化学习的机票动态定价策略研究 |
| 4.1 基于线性模型的强化学习算法 |
| 4.1.1 基于Q-Learning的动态定价 |
| 4.1.2 基于值函数近似的Q-Learning优化 |
| 4.2 基于神经网络的强化学习算法 |
| 4.2.1 神经网络与强化学习结合存在的问题 |
| 4.2.2 DQN-神经网络与强化学习的结合 |
| 4.2.3 基于DQN的机票动态定价算法 |
| 4.3 基于模式转换的强化学习算法 |
| 4.3.1 部分可观察马尔科夫决策过程 |
| 4.3.2 基于模式转换的强化学习算法RS-DRQN |
| 4.3.3 RS-DRQN在机票动态定价中的应用 |
| 4.4 实验结果分析 |
| 4.4.1 实验数据集 |
| 4.4.2 评价指标 |
| 4.4.3 相关的比较算法 |
| 4.4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 系统设计与实现 |
| 5.1 基于强化学习的机票动态定价系统设计 |
| 5.1.1 用户模拟模块 |
| 5.1.2 规则学习模块 |
| 5.1.3 定价模块 |
| 5.2 基于强化学习的机票动态定价系统实现 |
| 5.2.1 系统后端实现 |
| 5.2.2 系统前端实现 |
| 第六章 全文总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录一 符号与标记 |
| 附录二 英文缩略语表 |
| 攻读硕士学位期间已发表的论文 |
（8）基于强化学习的动态定价策略研究综述（论文提纲范文）
| 0 引 言 |
| 1 强化学习 |
| 1.1 马尔可夫决策过程(MDP) |
| 1.2 半马尔可夫决策过程(SMDP) |
| 1.3 部分可观测马尔可夫决策过程(POMDP) |
| 2 强化学习算法 |
| 2.1 Q-Learning算法 |
| 2.2 SARSA算法 |
| 2.3 蒙特卡罗算法 |
| 3 基于强化学习的动态定价策略 |
| 4 结 语 |
（9）平台企业动态定价的策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 选题背景与意义 |
| 一、选题背景 |
| 二、选题的理论意义 |
| 三、选题的现实意义 |
| 第二节 研究目的、内容、研究方法 |
| 一、研究目的 |
| 二、研究内容 |
| 三、研究方法 |
| 第三节 相关概念界定 |
| 一、平台企业的界定 |
| 二、网络外部性 |
| 三、消费者转换成本 |
| 四、差别定价 |
| 第二章 平台定价、差别定价理论文献回顾 |
| 第一节 平台定价理论回顾 |
| 一、平台企业定价模式和策略研究 |
| 二、特定平台定价研究 |
| 三、平台企业定价的实证研究 |
| 第二节 差别定价理论回顾 |
| 一、差别定价的分类 |
| 二、差别定价对市场的影响 |
| 三、动态差别定价 |
| 本章小结 |
| 第三章 成熟市场上的平台企业定价策略研究 |
| 第一节 模型基本假定 |
| 第二节 动态差别定价策略下平台定价分析 |
| 第三节 统一定价下平台定价分析 |
| 第四节 不同定价策略下平台定价的分析 |
| 第五节 成熟市场上的纳什均衡 |
| 第六节 协调博弈与成熟市场 |
| 本章小结 |
| 第四章 天真消费者假设下新兴市场中平台企业动态定价策略研究 |
| 第一节 动态差别定价策略下企业定价分析 |
| 第二节 统一定价策略下平台企业定价分析 |
| 第三节 企业采取不同定价策略下的均衡分析 |
| 第四节 不同定价策略组合下平台定价的比较与分析 |
| 本章小结 |
| 第五章 老练消费者假设下新兴市场中平台企业动态定价策略研究 |
| 第一节 动态差别定价策略下企业定价分析 |
| 一、市场均衡分析 |
| 二、不同消费者假设下市场均衡比较 |
| 第二节 统一定价策略下企业定价分析 |
| 一、市场均衡分析 |
| 二、不同消费者假设下市场均衡比较 |
| 第三节 企业采取不同定价策略下的均衡分析 |
| 第四节 不同定价策略组合下平台企业定价的比较与分析 |
| 本章小结 |
| 第六章 案例研究 |
| 第一节 成熟市场动态定价案例研究:移动通讯行业 |
| 一、案例背景 |
| 二、关于移动通信用户转网的调研 |
| 三、我国移动通信市场竞争现状:成熟市场竞争 |
| 四、案例研究结论 |
| 第二节 新兴市场动态定价研究:第三方支付平台 |
| 一、支付平台发展的历史 |
| 二、支付平台的网络外部性 |
| 三、我国电子支付平台的现状 |
| 四、支付宝与微信支付基于外部性的差别定价的行为 |
| 五、案例总结 |
| 本章小结 |
| 第七章 结论与展望 |
| 第一节 研究结论与创新 |
| 一、研究结论 |
| 二、研究的创新点 |
| 第二节 管理启示 |
| 一、平台企业定价需考虑竞争对手反应 |
| 二、平台企业定价需考虑网络外部性的强弱 |
| 三、平台企业定价要充分考虑消费者经验对市场的影响 |
| 第三节 研究的局限及展望 |
| 一、研究局限 |
| 二、未来研究的展望 |
| 参考文献 |
| 在读期间科研成果 |
| 致谢 |
（10）服务型产品收益管理中的动态定价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单产品和多产品的收益管理动态定价研究 |
| 1.2.2 易逝品和耐用品的收益管理动态定价研究 |
| 1.3 研究的技术路线和内容安排 |
| 1.4 研究的可行性及创新点 |
| 第二章 文献综述 |
| 2.1 服务型产品相关研究 |
| 2.2 服务型产品动态定价影响因素研究 |
| 第三章 服务型产品动态定价模型 |
| 3.1 服务型产品动态定价模型搭建 |
| 3.2 服务型产品动态定价模型计算 |
| 3.2.1 强化学习理论介绍 |
| 3.2.2 动态定价模型计算推演 |
| 第四章 固定服务型产品的动态定价—以国内酒店客房定价为例 |
| 4.1 酒店客房环境描述 |
| 4.2 参数确立及数据仿真 |
| 4.3 定价方法比较及敏感性分析 |
| 第五章 移动服务型产品动态定价—以我国高速铁路客票定价为例 |
| 5.1 高速铁路客票定价环境描述 |
| 5.2 参数确立及数据仿真 |
| 5.3 定价方法比较及敏感性分析 |
| 第六章 结论及未来展望 |
| 6.1 研究结论 |
| 6.2 不足及未来展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 在学期间的研究成果 |
| 致谢 |
四、电子商务中动态定价研究及Agent实现（论文参考文献）
- [1]零售商双渠道下服装产品多阶段定价研究[D]. 张孟如. 东华大学, 2021(01)
- [2]固定任务情境下快递运输众包定价策略研究[D]. 戴权. 吉林大学, 2020(03)
- [3]动态定价对酒店顾客满意度的影响研究 ——基于在线评论的证据[D]. 耿聪聪. 青岛大学, 2020(02)
- [4]全渠道供应链网络库存优化与定价策略研究[D]. 孔繁辉. 天津理工大学, 2020(05)
- [5]基于深度强化学习的动态定价策略[D]. 王祖德. 南京大学, 2020(02)
- [6]考虑策略性消费者影响的双渠道供应链决策研究[D]. 舒梦婷. 西南交通大学, 2020(07)
- [7]基于强化学习的机票动态定价策略研究[D]. 刘泽霖. 上海交通大学, 2020(01)
- [8]基于强化学习的动态定价策略研究综述[J]. 王欣,王芳. 计算机应用与软件, 2019(12)
- [9]平台企业动态定价的策略研究[D]. 隋智勇. 中南财经政法大学, 2018(08)
- [10]服务型产品收益管理中的动态定价研究[D]. 段涵. 北方工业大学, 2017(07)