Dynamic Pricing for Revenue Maximization in Mobile Social Data Market With Network Effects
Notice bibliographique
Résumé
Mobile data demand is increasing tremendously in wireless social networks, and thus an efficient pricing scheme for social-enabled services is urgently needed. Though static pricing is dominant in the actual data market, price intuitively ought to be dynamically changed to yield greater revenue. The critical question is how to design the optimal dynamic pricing scheme, with prospects for maximizing the expected long-term revenue. In this paper, we study the sequential dynamic pricing scheme of a monopoly mobile network operator in the social data market. In the market, the operator, i.e., the seller, individually offers each mobile user, i.e., the buyer, a certain price in multiple time periods sequentially and repeatedly. The proposed scheme exploits the network effects in the mobile users' behaviors that boost the social data demand. Furthermore, due to limited radio resource, the impact of wireless network congestion is taken into account in the pricing scheme. Thereafter, we propose a modified sequential pricing policy in order to ensure social fairness among mobile users in terms of their individual utilities. To gain more insights, we further study a simultaneous dynamic pricing scheme in which the operator offers the data price simultaneously. We analytically demonstrate that the proposed dynamic pricing scheme can help the operator gain greater revenue and users achieve higher total utilities than those of the baseline static pricing scheme. We construct the social graph using Erdös-Rényi (ER) model and the real dataset based social network for performance evaluation. The numerical results corroborate that the dynamics of pricing schemes over static ones can significantly improve the revenue of the operator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».