一种数据集的基于机器学习的动态定价方法技术

本发明专利技术实施例提供了一种数据集的基于机器学习的动态定价方法，采用LSTM模型作为动态定价模型，包括：A1、获取销售方提供的数据集的历史交易信息以及对所述历史交易信息从多个彼此不同的价值衡量维度提取数据集交易时状态数据的自定义配置参数；A2、根据所述自定义配置参数从历史交易信息中提取状态数据按照动态定价模型的输入需求配置为所需的训练数据，所述训练数据中设定时间区内的定价、状态数据与收益按照对应关系进行配置；A3、用训练数据训练所述动态定价模型学习根据定价和多个彼此不同的价值衡量维度对应的状态数据预测收益的能力以提供建议定价，本发明专利技术的动态定价模型能根据数据集的不同的价值衡量维度合理地为销售方提供建议定价。

【技术实现步骤摘要】
一种数据集的基于机器学习的动态定价方法
本专利技术涉及数据交易定价领域，具体来说涉及交易标的为数据集的交易市场的配套
，更具体地说，涉及一种数据集的基于机器学习的动态定价方法。
技术介绍
随着大数据技术的日益发展，数据本身也成为了一种商品，具有极高的交易价值。2008年，全球数据交易市场就已经着手开始建立。近年来，伴随着区块链等新兴技术的崛起，各国政府政策大力扶持，加之资本注入，使得大数据交易市场在底层技术的驱动下呈现加快发展的趋势。根据上海经济和信息化委员会的统计，全球目前有五大顶级大数据交易平台，分别是：Factual、BDEX(BigDataExchange)、Infochimps、DataPlaza和中国贵阳大数据交易所。数据交易定价技术的探讨主要分为基于查询、基于机器学习两种，但是两种技术的学术讨论都不够深入，还没有成为主流。基于查询的定价技术是指待交易的数据存储在数据库中，消费者通过精确的查询语句进行查询，获得满足条件、且经过一定程度预处理的数据，即：具体的数据元组。例如，授权公告号为CN105824919B的本文档来自技高网...

【技术保护点】
1.一种数据集的基于机器学习的动态定价方法，采用LSTM模型作为动态定价模型，其特征在于，包括：/nA1、获取销售方提供的数据集的历史交易信息以及对所述历史交易信息从多个彼此不同的价值衡量维度提取数据集交易时状态数据的自定义配置参数；/nA2、根据所述自定义配置参数从历史交易信息中提取状态数据按照动态定价模型的输入需求配置为所需的训练数据，所述训练数据中设定时间区内的定价、状态数据与收益按照对应关系进行配置；/nA3、用训练数据训练所述动态定价模型学习根据定价和多个彼此不同的价值衡量维度对应的状态数据预测收益的能力以提供建议定价。/n

【技术特征摘要】
1.一种数据集的基于机器学习的动态定价方法，采用LSTM模型作为动态定价模型，其特征在于，包括：
A1、获取销售方提供的数据集的历史交易信息以及对所述历史交易信息从多个彼此不同的价值衡量维度提取数据集交易时状态数据的自定义配置参数；
A2、根据所述自定义配置参数从历史交易信息中提取状态数据按照动态定价模型的输入需求配置为所需的训练数据，所述训练数据中设定时间区内的定价、状态数据与收益按照对应关系进行配置；
A3、用训练数据训练所述动态定价模型学习根据定价和多个彼此不同的价值衡量维度对应的状态数据预测收益的能力以提供建议定价。


2.根据权利要求1所述的方法，其特征在于，还包括：
A4、用训练好的动态定价模型为销售方预测让数据集在未来时间区间内获得收益最大化的建议定价。


3.根据权利要求2所述的方法，其特征在于，还包括：
获取产生过建议定价的时间区间在现实环境中的反馈对应的历史交易信息后，根据实际定价与建议定价的不同关系采取不同的学习率学习该反馈对应的历史交易信息，更新动态定价模型的参数。


4.根据权利要求3所述的方法，其特征在于，所述根据实际定价与建议定价的不同关系采取不同的学习率学习该反馈对应的历史交易信息包括：
当销售方的实际定价与建议定价未在预设误差范围内匹配且预测收益大于等于实际收益，使用设定的第一学习率；
当销售方的实际定价与建议定价在预设误差范围内匹配，使用设定的大于等于第一学习率的第二学习率；
当销售方的实际定价与建议定价未在预设误差范围内匹配且预测收益小于实际收益，使用设定的大于等于第二学习率的第三学习率。

<...

【专利技术属性】
技术研发人员：孙毅，李博，贾林鹏，张瀚文，李忠诚，张珺，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11