[发明专利]用于时间期满清单利用预测的基于回归树压缩的特征向量机的方法

说明书

本公开包括用于时间期满清单中的利用预测的回归树修改的特征向量机器学习模型的系统。在线计算系统接收用于列表的特征向量并且将特征向量和经修改的特征向量输入到需求函数中以生成需求估计。系统将需求估计输入到似然度模型来生成请求似然度的集合，每个请求似然度表示时间期满清单将在测试价格和测试期满时间的集合中的每一个处接收交易请求的似然度。系统还基于训练数据的集合而训练回归树模型，其包括来自集合的请求似然度和测试价格和用来生成被用于生成请求似然度的需求估计的测试期满时间段中的每一个。

相关申请的交叉引用

本申请要求于2016年4月20日提交的美国临时申请号62/325,006和于2017年4月7日提交的美国申请号15/482,453的权利，其整体内容通过引用并入本文。

技术领域

本申请大体涉及时间期满清单的上下文中的特征向量机学习模型和数据分析，并且特别地涉及将回归树应用到用于与时间期满清单有关的利用预测的特征向量机输出。

背景技术

在用于商品或者服务的典型的交易中，控制或者拥有商品的管理者设定商品的价格并且等待同意支付建议价格的感兴趣方。常常地，管理者未能正确地给商品定价，但是由于市场中的不完全信息和其他经济因素，因而某人可能最终同意支付价格。然而，定价时间期满清单是更具挑战性的努力，因为如果清单在其期满之前未被销售或者利用，所以清单被浪费并且管理者没有接收到收入。因此，时间期满清单的管理者对给其清单定价太高并且冒失去来自期满的收入的风险或者给其清单定价太低并且接收次最佳的收入但是具有好的利用是敏感的。此外，对于时间期满清单的理想或者期望的市场结算价格可以随着清单接近其期满日期而改变。因素的该组合使对于时间期满清单的管理者最佳地给其清单定价困难。

发明内容

在线系统使得管理者能够创建用于时间期满清单的列表并且使得客户端提交交易请求以保留、租赁或者购买列出的时间期满清单。在线系统估计对于时间期满清单的列表的需求。在线系统定义描述时间期满清单、相关联的列表和用于时间期满清单的市场的特征集。这些描述性特征的集合是用于列表的特征向量。在线系统通过将该列表的特征向量输入到需求函数中估计用于列表的需求。

需求函数可以包括用于特征向量的每个特征的特征模型，其中特征向量中的每个特征与特征模型相关联。需求函数可以是一般性加法模型，其将特征模型求和以生成需求估计。在线系统可以使用训练数据训练需求函数，其中来自训练数据的每个样本包括描述列表的时间期满清单在其期满之前是否接收到来自客户端的交易请求的二进制标签以及描述每个采样时间处的时间期满清单的列表的特征向量。在线系统可以采集用于单个列表的多个样本，其中每个样本对应于在时间期满清单的期满之前的时间段期间用于时间期满清单的列表的特征。

在线系统可以然后使用似然度模型将需求估计转换为接收来自客户端的交易请求的似然度。在线系统在大于或小于枢轴期满时间(例如，当前期满时间)的测试期满时间集中的每一个处生成大于或小于期满时间清单的枢轴价格(例如，当前价格)的测试价格集。在线系统然后将时间期满清单的列表的经修改的特征向量输入到需求函数中，每个经修改的特征向量具有不同的测试价格和测试期满时间组合。需求函数生成测试需求估计的集合，在线系统使用似然度模型将其转换为测试似然度的集合。

在线系统可以然后适配并且训练测试似然度的集合上的回归树。测试似然度的特征向量机输出的回归树压缩和导致测试似然度的对应的测试价格和测试期满时间可以被用于预测时间期满清单的利用。

附图说明

图1是根据一个实施例的包括制造用于预订的可用时间期满清单的在线系统的计算环境的块图。

图2是根据一个实施例的在线系统的逻辑部件的块图。

图3A至图3B是根据一个实施例的图示需求模块的部件和操作的示图。

图4A至图4D图示了根据一个实施例的用于训练由需求模块使用的数据的标签逻辑。