RoxyBot 여섯 여행 경매 최적화와 확률 예측

초록

RoxyBot‑06은 2006년 TAC 여행 부문에서 우승한 자동 입찰 에이전트이다. 이 논문은 두 핵심 단계, 즉 시장 가격을 확률적으로 예측하는 모델링과 그 모델을 이용해 입찰 전략을 최적화하는 방법을 제시한다. 가격 예측은 동시 상승 경매를 시뮬레이션하여 가격 분포를 생성하고, 최적화는 샘플 평균 근사법(SAA)을 적용해 기대 효용을 최대화하는 입찰 집합을 찾는다. 실험 결과, 제안된 접근법이 경쟁자 대비 높은 수익을 달성함을 보여준다.

상세 분석

RoxyBot‑06의 설계는 크게 두 단계로 구분된다. 첫 번째는 가격 예측 단계로, 여기서는 TAC 여행 시장의 복합적인 경매 메커니즘을 고려해 확률적 모델을 구축한다. 구체적으로, RoxyBot은 동시 상승 경매(simultaneous ascending auctions)를 시뮬레이션함으로써 각 상품(항공권, 호텔 방, 렌터카 등)의 최종 거래 가격에 대한 확률 분포를 추정한다. 이 과정에서 에이전트는 과거 가격 변동, 다른 참가자들의 입찰 행동, 그리고 경매 규칙(예: 가격 상승 단계, 마감 시점) 등을 파라미터화한다. 시뮬레이션은 다수의 샘플 경로를 생성해 Monte‑Carlo 방식으로 수행되며, 이를 통해 기대 가격뿐 아니라 분산·공분산 구조까지 파악한다. 이러한 확률적 가격 모델은 단순히 평균값에 의존하는 기존 방법과 달리 불확실성을 정량화함으로써 위험 회피적 입찰 전략을 설계할 수 있게 한다.

두 번째 단계는 최적화 단계이다. 여기서는 앞서 얻은 가격 분포를 입력으로 삼아, 주어진 여행 일정 요구사항을 만족시키는 입찰 조합을 찾는다. RoxyBot은 샘플 평균 근사법(Sample Average Approximation, SAA)을 활용한다. SAA는 확률적 목적 함수를 다수의 시뮬레이션 샘플에 대해 평균을 취해 결정론적 형태로 변환하고, 그 결과에 대해 전통적인 정수 선형 계획법(ILP) 혹은 휴리스틱 탐색을 적용한다. 구체적으로, 각 샘플에 대해 가능한 구매 조합(항공, 호텔, 렌터카)을 열거하고, 그 비용과 효용을 계산한 뒤, 전체 샘플에 대한 평균 효용을 최대화하도록 목표 함수를 설정한다. 이때 제약 조건은 여행 일정의 시간적 일관성, 예산 한도, 그리고 각 상품의 공급 제한 등을 포함한다.

RoxyBot‑06은 또한 실시간 피드백 메커니즘을 도입해, 경매 진행 중에 관측된 실제 가격 정보를 이용해 예측 모델을 동적으로 업데이트한다. 이를 통해 초기 시뮬레이션 기반 예측이 경매 진행 상황에 맞게 보정되며, 최적화 단계에서도 최신 가격 분포를 반영한다. 실험 결과는 이러한 두 단계가 상호 보완적으로 작용해, 경쟁 에이전트 대비 평균 수익을 크게 향상시켰음을 보여준다. 특히, 가격 분포의 공분산을 고려한 다변량 SAA 접근법이 단일 변수 평균 기반 전략보다 높은 안정성과 수익성을 제공한다는 점이 강조된다.