[论文解读] Multi-objective pricing for shared vehicle systems.

Siddhartha Banerjee, Daniel Freund+1 more|arXiv (Cornell University)|Aug 24, 2016

Transportation and Mobility Innovations参考文献 15被引用 15

一句话总结

本文提出了一种数据驱动的多目标定价框架，用于共享交通工具系统（如共享单车、共享汽车）；通过无限供给近似方法处理网络外部性，从而在诸如福利和收入等目标下，于约束条件（如 Ramsey 定价）下提供严格的近似保证，同时确保在有限车辆系统中具有优异性能。

ABSTRACT

We propose a framework for data-driven pricing in shared vehicle systems (such as bikesharing and carsharing) in which customers can pick up and drop off vehicles in different locations. This framework provides efficient algorithms with rigorous approximation guarantees for a wide class of objective functions (including welfare and revenue), and under a variety of constraints on the prices. An interesting class of constraints accommodated by this framework includes multi-objective settings in which the goal is to maximize some objective function subject to some lower bound on another objective function. An important representative of this class is the Ramsey pricing problem, i.e. maximize revenue subject to some lower bound on welfare. Compared to traditional item-pricing problems, pricing in shared vehicle systems is more challenging due to network externalities, wherein setting prices at one demand node may affect the supply at each other node in the network. To capture the system dynamics, we use a closed queueing model in which exogenous demand (obtained from data) can be modulated through pricing. We achieve our approximation guarantees by first projecting the problem to an infinite-supply setting, deriving optimal prices in this limit, and then bounding the performance of these prices in the finite-vehicle system. Our infinite-to-finite supply reduction is of independent interest since it holds for a broader class of objective functions, and applies even more generally than the pricing problems that we consider.

研究动机与目标

• 解决在共享交通工具系统中设定最优价格的挑战，其中某一地点的定价会影响整个网络的供需，这是由于网络外部性所致。
• 开发一种支持多种目标（如最大化收入或社会福利）的定价框架，同时满足诸如最低福利水平等约束条件。
• 通过利用无限供给近似模型，为有限车辆系统中的定价决策提供严格的近似保证。
• 利用真实需求数据和动态价格调节，实现定价策略在现实共享出行系统中的实际部署。

提出的方法

• 将共享交通工具系统建模为一个闭合的排队网络，其中需求由数据驱动，并通过定价进行调节。
• 将有限车辆系统投影到无限供给极限，以解析方式推导最优价格。
• 使用无限供给解作为代理，推导有限系统的定价，并界定性能损失。
• 将无限到有限供给缩减技术应用于广泛的目标函数类别，而不仅限于定价，使其具有普遍适用性。
• 将定价问题表述为价格向量上的约束优化问题，目标如在福利约束下实现收入最大化。
• 通过分析无限供给最优价格与在实际有限车辆系统中性能之间的差距，推导出近似保证。

实验结果

研究问题

• RQ1 当网络外部性导致局部定价决策影响整个系统的供需时，如何优化共享交通工具系统中的定价？
• RQ2 在无限供给模型中的最优定价与实际有限车辆系统之间的性能差距是多少？
• RQ3 能否构建一个统一框架，同时处理多种目标（如收入与福利），并对某一目标施加硬性约束？
• RQ4 如何有效将数据驱动的需求模式整合到考虑动态供给约束的定价模型中？
• RQ5 无限供给近似在多大程度上能保持有限车辆共享出行系统中的最优性？

主要发现

• 无限供给近似为在有限车辆共享交通工具系统中推导近似最优价格提供了坚实的理论基础。
• 该框架为包括福利和收入最大化在内的广泛目标函数类别提供了严格的近似保证。
• 无限供给价格在有限系统中的性能损失是受控的，确保了尽管模型理想化，仍具有实际相关性。
• 该方法成功处理了多目标场景，如 Ramsey 定价——在维持最低福利水平的同时最大化收入。
• 无限到有限供给缩减技术具有通用性，可应用于定价之外的领域，为排队论和资源分配中的更广泛优化问题提供价值。
• 该方法实现了数据驱动的动态定价，能够考虑全网外部性，从而提升系统效率。