最近看到一则eBay收购了商品价格预测的网站decide.com的新闻，再次证明了商品的价格预测这事是靠谱的。新闻里还提到Decide.com的全部26名员工，除了联合创始人兼CTO
自己以前也做过价格预测的工作，对这方面一直挺有兴趣，于是怀着一颗对机器学习八卦的心，学习一下Oren Etzioni是怎样预测机票价格的（其实也想看看他是怎么预测商品价格的，没找到相关资料）。
先说说为啥要做这个机票价格预测。2002年这哥们坐飞机的时候，发现周围乘客买的机票价格都比自己的便宜，立马就怒了，作为一个从事机器学习的科研工作者，表达怒气的方式也与众不同，他决定做一个帮助用户购买便宜机票的软件。02年怒的，回头就开搞，在03年SIGKDD上发了paper【1】，06年产品上线（Farecast），08年就被微软给收购了。看来有时候，情商低容易生气啥的也不是坏事。
再来看看他是怎么做这个预测算法的，其实并不复杂。
1、数据
每个航班起飞前21天的价格数据（每三小时抽样一次），两条航线，一共6个航空公司，12000条数据。对于每个航班，21*8=168个采样价格，记录下其中最低的价格以及经济舱机票售完的时间。
2、模型训练
分别训练三个独立模型Ripper，Q-learning，time series，并使用Stacked generalization方法将三个结果融合。
Ripper：是一种决策树的快速学习算法，据说准确度和C4.5差不多，但是效率上有明显优势。用到的特征不多，也很直观：航班号，距离飞机起飞的时间，当前价格，航空公司，航线，输出就是“buy”或者“wait”。由于两种预测错误的代价不同（如果将“buy”预测成“wait”，最悲催的下场是经济舱卖完了，只能买商务舱了），作者使用了MetaCost【2】解决这一问题，进一步提升了决策树模型的性能（+14%），但是却造成混合模型的效果下降（-29%）。所以，最终在决策树里没有用这个MetaCost。看来几个精心调优的单模型融合在一起的效果还真不一定是最好的。
Q-learning：一种增强学习算法，对模型在不同状态下采取的不同决策给予相应的奖惩，最终可以得到该模型在每个状态下的最优决策。这里将同一航班距离起飞前的时间作为不同的状态，如：UA168-Jan7-120，而“buy”和“wait”就是不同状态下的可能采取的行动，时间衰减因子为1。
惩罚函数如下：
time series：下一时刻价格是过去观测到价格的加权平均。如果时间序列模型预测的下一时刻价格高于当前价格，则输出“buy”，否则，输出“wait”。
其中a(i)是随i单调递增的函数，表示近期的机票价格在预测中其更大的作用，最终a(i)选用的是简单的线性函数。
多模型集成方法：Stacked Generalization（stacking）。就是将上面三个模型的输出作为最终集成模型的输入，这里应该也是用的决策树来做的集成。
3、实验结果：
模拟实际买票的场景，在飞机起飞前的不同时间段的购买行为，其中Optimal是最理想的情况，也就是知道未来机票的价格数据。
By hand，是模拟人的行为，做了简单的规则，如果当前价格大于历史同期最低价并且离出发时间大于7天，就“buy”，否则，“wait”。Upgrade Cost是由于“wait”导致经济舱没票了，被迫升级带来的额外支出。从单个模型看，时间序列那个还是挺不靠谱的，但是还是被加入到了最终的模型里面，应该是和其他的模型有着不错的互补效果吧。
4、题外话
好的算法也需要产品设计的配合才能发挥出最大的作用。基于机票预测算法的产品Farecast在2007年1月推出了Fare Guard最低价格担保模式，客人只需支付10美元购买此项服务，如果在未来7天内机票价格最终上涨，Farecast将支付客人锁定价格与最终实际票价之间的差额。如果机票价格下跌，客人将可以享受由此带来的费用节省。在我看来，这才是farecast一举成名最终被收购的关键。
【1】Oren Etzioni. To Buy or Not to Buy: Mining Airfare Data to Minimize Ticket Purchase Price. 2003
【2】P.Domingos. MetaCost: A general method for making classifiers cost-sensitive.1999.
扫一扫
6900
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
