数据部分缺失下产品定价优化方法研究

摘要

随着人们生活质量的提高，顾客的需求也变的越来越多样化。为了更好的满足顾客个性化需求制造企业不得不面对更多小批量，多品种的订单，这也就需要企业能够对产品进行快速、准确的动态定价。但在面对加入顾客个性化需求产生的新产品或由于人为的疏忽，在产品动态定价的过程中经常会发生数据缺失的情况，导致企业无法对产品进行合理准确定价，最终导致企业的利润无法达到最大。而在以往的传统动态定价中面对缺失数据时往往采用的方法大多是去除存在缺失数据的样本或采用数据插补等方法，虽然这些方法也能得到预测结果但是这些方法的性能有限，直接去除缺失数据可能导致信息发生丢失，尤其是在缺失的数据不是随机分布时会在最后的分析中会引入偏差导致得出的结论发生错误。所以，为了让企业在面对需求多样化、小批次多批量的订单时可以更快速准确的对产品进行动态定价，研究一种不对原数据先进行处理直接利用存在缺失数据样本的新产品定价方法刻不容缓。 因此，本文在分析前人已有的有关产品动态定价和数据缺失处理方法的研究基础上，提出了基于梯度信息的最小二乘支持向量机回归算法对产品进行动态定价，直接利用包含缺失数据的特征进行预测建模而不是对数据进行删除或插补。该方法还使用留一法交叉验证策略同时确定了具有缺失值的特征对回归准确性的影响。首先，通过对文献进行阅读和分析，总结了影响产品价格的因素和缺失数据时处理方法。其次，介绍了在求解小样本量问题上具有较好能力的支持向量机相关理论与模型以及扩展的最小二乘支持向量机(LSSVM)相关理论与模型，在LSSVM的基础上引入了误差变量来表示当数据发生缺失时对回归结果造成的影响，构建了基于梯度信息的最小二乘支持向量机回归算法(GELSSVR)的产品动态定价模型，并将其与LSSVM模型算法和与完整数据预测得到的结果进行比较，验证本文提出方法的有效性；同时采用留一法交叉验证确定误差变量的上界和存在缺失特征对最后回归结果的影响。 最后，以某企业的实际数据为例，结合提出的产品动态定价模型验证基于梯度信息的最小二乘支持向量机回归算法的产品动态定价模型的可行性，为制造企业在发生数据缺失情况下对产品进行动态定价提供科学方法的支持和为其他处理缺失数据的应用提供参考。

目录

声明

1 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 国内外研究现状

1.2.1 基于SVR动态定价方法研究

1.2.2 对缺失数据的处理方法研究

1.3 研究目的与研究内容

1.3.1 研究目的

1.3.2 研究内容

1.3.3 研究框架

1.4论文创新点

2 相关理论综述

2.1 产品动态定价理论

2.1.1 影响产品定价的因素

2.1.2 产品动态定价的方法及策略

2.2 缺失数据处理方法

2.3 SVM基本理论与模型

2.4 本章小结

3 考虑数据缺失下GELSSVR模型构建

3.1 问题描述

3.2 传统LSSVR回归模型

3.3 GELSSVR模型构建

3.3.1 引入梯度信息

3.3.2 引入误差变量

3.3.3 引入加和的核函数

3.3.4 留一法交叉验证求解误差变量

3.4 本章小结

4 求解GELSSVR模型及算法对比

4.1 引入拉格朗日函数求解模型

4.2 算法对比

4.2.1 与LSSVR算法对比

4.2.2 与完整数据预测结果对比

4.3 本章小结

结论

参考文献

致谢

大连理工大学学位论文版权使用授权书