基于 Q 学习的动态零售定价——强化学习框架用于提升收入管理
机器学习
2024-11-28 v1
摘要
本文探讨了使用 Q 学习算法构建的强化学习（RL）框架，以增强零售行业的动态定价策略。不同于传统定价方法通常依赖静态需求模型，我们的 RL 方法能够持续适应不断变化的市场动态，提供更灵活和响应更快的定价策略。通过构建仿真零售环境，我们展示了 RL 如何有效应对消费者行为和市场条件的实时变化，从而实现更好的收入结果。我们的结果表明，RL 模型不仅在收入生成方面超越了传统方法，还提供了关于价格弹性与消费者需求之间复杂相互作用的洞察。这一研究凸显了将人工智能应用于经济决策的巨大潜力，为各种商业领域更为精细化、数据驱动的定价模型铺平了道路。
引用
@article{arxiv.2411.18261,
title = {Dynamic Retail Pricing via Q-Learning -- A Reinforcement Learning Framework for Enhanced Revenue Management},
author = {Mohit Apte and Ketan Kale and Pranav Datar and Pratiksha Deshmukh},
journal= {arXiv preprint arXiv:2411.18261},
year = {2024}
}
备注
This paper has been accepted for presentation at the 1st IEEE International Conference on AIML-Applications for Engineering & Technology (ICAET-25)