Datově-řízená sekvenční dynamická cenotvorba v dopravě

Abstract

This thesis deals with the problem of sequential dynamic pricing in mobility. It focuses on the domains with a limited number of resources, where the customers are buying products constructed from these resources. When we set a price for any product, we need to consider the possible revenue we might get from the resources that are included in the product if we did not sell that product. The problem is inspired by dynamic pricing for the long-haul bus routes with multiple stations. We model the problem using Markov Decision Process, and we use Monte Carlo Tree Search to solve the problem. We use domain knowledge to improve the standard Monte Carlo Tree Search algorithm. In this thesis, we propose heuristics that evaluate the states and replace the random rollout. We show that these heuristics improve the results when we have limited computational resources, or we solve large space problems.

Tato bakalářská práce se zabývá problémem sekvenční dynamické cenotvorby v dopravě. Konkrétně na případy cenotvorby, kde je limitovaný počet zdrojů a zákazníci kupují produkty složené z těchto zdrojů. Když volíme cenu produktu, potřebujeme zohlednit případné výnosy ze zdrojů, které by nám zůstali, pokud bychom daný produkt neprodali. Tento problém je inspirován dynamickou cenotvorbou pro dálkové autobusy s více stanicemi. Tento problém modelujeme pomocí Markovského rozhodovacího procesu a používáme Monte Carlo metodu stromového prohledávání pro řešení problému. Pro vylepšení Monte Carlo metody stromového prohledávání použijeme znalost domény, za účelem vytvoření heuristiky, které následně hodnotí stavy našeho problému v Markovském rozhodovacím procesu. Tyto heuristiky nahradí náhodný rollout. Ukážeme, že tyto heuristiky zlepší výsledky, když máme omezenou výpočetní kapacitu, nebo máme rozsáhlý problém.