Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

onodera b

684 views

Published on

  • Be the first to comment

  • Be the first to like this

onodera b

  1. 1. 旅行パック作成のための複数オークション における入札エージェントの設計 複雑系工学講座 調和系工学分野 4年 小野寺 将輝 卒業論文発表
  2. 2.  複数のオークションサイトで同じ様な商品が多数取引されている 複数の商品の組み合わせに対して自動で入札を 行うことができるような入札エージェントの必要性 研究の背景  複数のオークションを常に監視し入札を繰り返すことは大きな負担である  関連を持つ複数の商品を、組み合わせて手に入れたい場合がある エージェントの入札戦略に関する従来研究  複数のオークション上で、価格予測ベースの戦略の実験と評価 [松原啓明, 他 2000]  最終落札価格の確率モデルを用いた複数商品の組合せ入札戦略の提案、評価 [松本康男, 他 2001]  複数オークションにおける財の落札状況を反映した入札予算分配手法の提案 [服部 宏充, 他 2001] 1. 希望を満たす組み合わせが唯一の場合. 2. 希望を満たす組み合わせが複数ある場合. 商品の組み合わせ
  3. 3. 目的 Trading Agent Competition(TAC) 複数オークション上で互いに関連を持つ複数の商品の組合せを扱うようなエージェ ントに関するシミュレーションを行う国際フォーラム TACにおいて、状況に合わせて、入札を行う商品の組み合わせを変更する エージェントを設計し、その有効性について考察する. 複数の候補となる商品の中から入札を行う商品の組み合わせを決定する. 各商品に対して最適な入札を行う[松原 他 00] [松本 他 01] [服部, 他01] 商品の組み合わせの中の1つの商品の確保が不可能になったときに, 入 札を行う商品の組み合わせを他の候補へ変更する 複数オークション、複数商品を扱う上で困難な点  第一回大会は2000年に開催、Michael Wellman(University of Michigan)らが組織
  4. 4. フライトマーケット TAC(商品と市場) ホテルオークション 娯楽オークション  行き(A)と帰り(D)のマー ケットが各日1つずつ  商品数に制限無し  買うのみ  良いホテル(G)と普通のホテ ル(N)のオークションが各日1 つずつ  16部屋ずつ  買うのみ  ワニレスリング(AW)、遊園地 (AP)、博物館(MU)のオーク ションがそれぞれ各日1つずつ  8枚ずつ  ゲーム開始時に一定数配布  エージェント間で売買  ゲーム終了時に終了  ゲーム終了時に終了  4~11分にランダムに1 つずつ終了  価格:初期値250~400   9010 )10()720/(10   x xttX A F1 A F2 A F3 A F4 D F5 D F2 D F3 D F4 G H1 G H2 G H4 G H3 N H1 N H2 N H3 N H4 AW E1 AW E2 AW E3 AW E4 AP E1 AP E2 AP E3 AP E4  ホテル間の移動は不可能 MU E1 MU E2 MU E3 MU E4 エージェントが、8人の顧客の好みにあわせた5日以内の旅行パックを計画し、必要なチ ケットを取引する。いかに低コストで顧客の希望に答えられるかを競い合う。1ゲームは12 分。 エージェントの取引する3種類の商品  価格:需給のバランスで決定  価格:需給のバランスで決定  one sided auction  ascending multi-unit auction  continuous double auction
  5. 5. { } A F1 G H1 AW E1{ } A F1 G H1 G H2 D F3 AW E1{ } A F1 G H1 G H2 G H3 D F4 AW E1{ } TAC(旅行パック作成の流れ) 時間 ),,,,,( muapawhbffprefer DA ij  客 j エージェントi },,{ EHFOij  (例1) },,{ EHFRi  )0,0,200,150,4,1(ijprefer 1iO iR }{ },,{ EHFpackij  ・・ ・ ・・ ・ G H1 G H3 ・・・ ・・・ ijpack オークション 終了 G H2 :目標旅行パックijO iR :所持している商品 オークション 終了 オークション 終了 A f :希望到着日 D f :希望出発日 hb:ホテルボーナス muapaw ,, :各種娯楽ボーナス A F1 G H1 G H2 G H3 D F4 AW E1{ } A F1 G H1 G H2 G H3 D F4 AW E1{ } A F1 G H1 G H2 D F3 AW E1{ } A F1 G H1 G H2 D F3 AW E1{ } A F1 G H1 AW E1{ } ・・・ { } 8iO ・・・ A F1 G H1 G H2 D F3 AW E1{ } 1ipack◎ ○ × 1ipack 1ipack A F1 G H1 G H2 G H3 D F4 AW E1{ } A F1 G H1 G H2 D F3 AW E1{ } A F1 G H1 G H2 D F4 AW E1
  6. 6. :エージェント i のスコア travel_penalty = 100×( + ) hotel_bonus = ent_bonus = 、 、 のうち含むものの合計 TAC(スコア) iS ijU iC    8 1j iiji CUS      0 ___1000 bonusentbonushotelpenaltytravel Uij G H N H   0 hb aw ap mu :エージェント i に割り当てられた客 j のutility :エージェント i のcost (旅行パックが割り当てられ た) (旅行パックが割り当てられなかった) :希望到着日と実際の到着日のずれ :希望出発日と実際の出発日のずれ A diff D diff A diff D diff ( の場合) ( の場合) ・・・ ijU A F1 9000 D F4 G H1 G H2 G H3 AW E1 AP E2 A F3 D F4 N H3 ・・・ ・・・ MU E3 1500 500 A F2 G H2 G H3 G H4 D F5 AW E2 AP E3 MU E4 2000   8 1j ijU iC 7500 iS 1500 客 旅行パック 8人
  7. 7. 1. 目標旅行パック を決定方法 エージェント設計(入札手順)  予測スコアが最大になる旅行パックとする 2. 必要な商品への入札方法  フライトチケット に含まれる全てのチケットを購入  ホテル 設定した価格更新幅に従って入札 必要な商品は買い 8人まとめてGA(GA1)で決定 売値=200-(経過時間×120)÷720000 買値=50+(経過時間×100)÷720000 3. 目標旅行パック に含まれるホテルの落札に失敗 を変更  作成可能な の中から予測スコアが最大になるものに変更 1人ずつ個別にGA(GA2)で決定 必要無い商品は売り  娯楽チケット )81( ~jOij ijO )81( ~jOij ijO ijO GAAgentの設計 設計のコンセプト  客の好みを可能な限り満たすためには、目標旅行パックの変更も行う
  8. 8. エージェント設計(GA) GAの設定 旅行パックを遺伝子型へコーディング(TAC02参加チームPaininNECを参考に使 用) 8 4 8 3 8 2 8 1 881 4 1 3 1 2 1 1 11 eeeehteeeeht  41 ee~ :(0~4、娯楽チケット):(0~9、日程)t h :(0,1、ホテルタイプ) 遺伝子 型: 適応度: 予測スコア(予備実験によって各商品の終値を仮定) 各種パラメータ: 集団数:200、世代数4000、交叉確率0.9、突然変異確率0.05 4321 eeete遺伝子 型: 41 ee~ :(0~4、娯楽チケット):(0~19、日程とホテルタイプ)t 適応度: 予測スコア(各商品の価格は現在の価格を使用)  所持している商品、近い将来手に入りそうな商品 コストを0と計算 各種パラメータ: 集団数:400、世代数200、交叉確率0.9、突然変異確率0.05 GA1・・・初期目標旅行パックの決定に使用 GA2・・・目標旅行パックの変更に使用
  9. 9. 相手となるエージェント(SimpleAgent)の設計 目標旅行パック の決定方法 日程:客の希望通り ホテル:ホテルボーナスが閾値以上なら良いホテルを使用 娯楽チケット:ボーナスの高い順に、日数分 の変更 行わない 入札失敗時の対応 ある客に必要なホテルの確保に失敗したならば、その客の残り全 ての入札を終了する. 入札価格 予算の制限を超えない範囲  TACを使用  GAAgent1体と、SimpleAgent7体 実験設定 予算の制限 ~ 目標とする旅行パックを作成できたと仮定した場合のutility  実験回数は100回. 実験設定 ijO ijO
  10. 10. 100ゲームの平均値 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000 utility cost score ChangeAgent RivalAgent  目標変更により全員分の旅行パックを実現できずに終わるケースが大幅に減った 安定した高スコアの実現 結果・考察 ChangeAgent:49 RivalAgent:58 目標を変更する必要 が生じたゲーム数  すでに所持している商品と近い将来手に入りそうな商品を、活かすように変更した 旅行パックの実現に成功している. 実験1 GAAgentとSimpleAgentの比較を行う GAAgent:49 SimpleAgent:58 GAAgent SimpleAgent
  11. 11. 実験2 さらに目標旅行パック を達成できない 場合のリスクも考慮して適応度を計算する  予測落札確率の導入(GAAgent2)  ホテルに関して予備実験の結果から、注文数ごとの落札できる確率を計算する 線形近似を用いて計算  各商品の落札確率を基に各旅行パックの作成に成功する可能性 を見積もる  適応度計算に導入する 適応度(score) = (utility × ) - cost 線形近似による   の落札確率 0.5 0.75 1 1.25 1個 2個 3個 4個 5個 6個 7個 8個 cheap1 cheap2 cheap3 cheap4 N H p p 使用するホテルの落札確率を掛け合わせたものとして計算 ijO
  12. 12. 結果・考察  自分の1種類への注文の偏りのみの考慮だけでは,スコアの改善(安定 した高スコアの実現)は難しい. 他のエージェントも含めた各商品ごとの注文の偏りを考慮する必要があ ることが示唆される. 100ゲームの平均値 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000 utility cost score GAAgent GAAgent2 ChangeAgent:49 ChangeAgent2:46 目標を変更する必要 が生じたゲーム数
  13. 13. 結論 今後の課題  GAを用いて変更を行うことで、より確実に旅行パックを作成でき、結果的 にスコアの上昇、安定性につながる  現在の市場における、他エージェントの注文も含めた各商品の需要を見 積もる機能  自分の注文の偏りを減らすだけではスコアの安定性を高めることは難しい  現実のオークションにおける入札エージェントには,状況に応じて商品の 組み合わせを変更することが有効であると思われる.  各商品を購入するタイミングの問題  状況に合わせて目標旅行パックの変更を行うエージェントを設計した  異なる入札戦略を持ったエージェントとの対戦

×