面向报童问题与定价的深度生成需求学习

我们考虑基于特征的报童问题中的数据驱动库存与定价决策，其中需求受价格和情境特征影响，且不做任何结构假设建模。未知需求分布导致具有挑战性的条件随机优化问题，决策依赖不确定性和特征融合进一步增加了难度。受深度生成学习最新进展启发，我们提出一种利用条件深度生成模型（cDGMs）应对这些挑战的新方法。cDGMs学习需求分布并生成条件于价格和特征的概率需求预测。这种生成方法实现了准确的利润估计，并支持为两个关键目标设计算法：（1）针对任意价格优化库存，（2）联合确定最优定价与库存水平。我们为该方法提供理论保证，包括利润估计的一致性及决策收敛到最优解。从简单到复杂场景的大量模拟——包括涉及文本特征的场景——以及一个真实案例研究，证明了该方法的有效性。我们的方法为管理科学与运筹学开辟了新范式，可推广至报童与定价问题的扩展，并有潜力解决其他条件随机优化问题。