差分隐私驱动的网约车动态定价算法：隐私与收益的平衡
原文链接见文末
1 背景与问题
随着网约车平台广泛采用动态定价策略，通过实时调整价格以应对需求波动、供给短缺和外部因素，平台能够提升收益并优化用户体验。然而，动态定价会产生严重的隐私泄露风险：第三方可以通过模拟乘客沿同一出发‑到达(O‑D)对发单，观察价格变动并推断真实乘客的偏好。例如，在前后两名乘客的上下车区域相同的情况下，如果后一单的报价上升，攻击者可以推断前一名乘客不敏感于价格。现有研究主要关注匹配阶段的隐私保护，缺乏对定价阶段隐私泄露的研究。
平台面临两个主要挑战：：
非凸性：由于乘客是否接受服务的二元决策 与价格的乘积存在于收益或遗憾目标中，导致原始在线优化问题高度非凸。 隐私保护和收益平衡：直接对输出价格加入高斯或拉普拉斯噪声会导致价格出现极端值，难以接受；如何在保护乘客偏好隐私的同时不损害平台收益是核心问题。
因此，作者提出一种差分隐私的上下文动态定价算法，以满足乘客偏好保护和平台收益最大化的双重目标。
2 方法概述
2.1 乘客价值模型与目标函数
乘客对第 个请求的愿付价格由上下文变量 与乘客随机偏好 决定，定义为：
其中 是乘客群体对各上下文因素的平均敏感参数， 表示个体偏好冲击。若平台报价 ，乘客接受服务并产生收入；否则拒绝。平台的目标是最大化期望收益或等价地最小化总遗憾：
其中 为定价策略， 是在完美知道 和 时的最优价格。
2.2 将非凸问题转化为在线最大似然估计
由于二元指示函数导致目标函数非凸，作者提出将问题转化为对参数 的在线最大似然估计(MLE)。通过一阶条件推导出每个请求的最优价格函数：
其中 和 分别是偏好分布的累积分布函数和密度函数。因此，只需准确估计 即可计算最优报价。MLE的损失函数为负对数似然：
其中 表示乘客接受， 表示拒绝。该损失关于 是凸的，便于在线优化。
2.3 Follow‑the‑Approximate‑Leader (FTAL) 算法
为在线求解MLE问题，作者使用 FTAL 算法。主要思路是用二阶泰勒近似将损失函数线性化，并加入正则化项 ，使得目标函数强凸：
每轮迭代通过最小化累计近似损失求解新的估计 ，进而计算下个请求的报价。正则化保证解的稳定性和收敛性。
2.4 差分隐私与树形聚合 (TBAP)
直接对输出价格加噪声会导致价格过大或过小。作者利用差分隐私的后处理性质，将噪声注入累计梯度之和，而不是最终价格。具体地，通过树形聚合协议(TBAP)计算梯度序列 的部分和，在树的内部节点按序列合成并按层次注入高斯噪声。这样，仅需对 个节点加入噪声，使得累计噪声方差大幅降低。同时利用差分隐私的顺序组合性质，在保证整体 -DP 的情况下合理分配隐私预算。最终通过后处理得到的价格同样满足 -DP。
3 实验与结果
作者在 3×3 的网格道路网络上使用纽约市 2013 年的黄色出租车数据进行仿真；采样 70 天的数据，随机选取约 10% 的订单和司机，平均每小时约 20,400 个乘客请求。分别考察上下文维度 与 的情况，三维上下文包括行程距离和预估时间的二维向量 与供需状况标量 ；四维情形再添加车辆类型。
3.1 与静态定价的比较
图2显示了在不同隐私预算 和请求总数 下，算法的平均遗憾均低于静态定价策略，哪怕在极端严苛的隐私预算 下，仍显著优于基准。随着请求数量增加，算法遗憾持续下降，验证了可扩展性；同时也表明更多数据能够帮助模型更准确估计 并优化定价。
3.2 敏感性分析
作者分析了隐私预算 和上下文维度 对遗憾的影响。结果显示较小的 需要注入更多噪声，导致遗憾上升；当 增大时，非隐私情况下可以提高收益，但差分隐私要求在每个维度注入噪声，从而加大误差并降低性能。因此，在隐私保护场景下需在特征维度和隐私预算之间权衡。
3.3 与输出扰动的比较
作者还以直接对价格加噪声的输出扰动法为基线，采用拉普拉斯机制添加噪声。实验结果表明，输出扰动的平均遗憾明显高于本文算法，且随着请求数增加其遗憾并未明显降低。这是因为保持同等隐私水平需要对价格注入很大噪声，严重损害平台收益。
4 关键技术难点与解决策略
非凸优化问题：原始定价问题包含二元决策项和乘积，使得传统在线优化难以收敛。作者通过引入乘客虚拟估值函数，将收益最大化转化为对参数 的在线 MLE，从而得到凸损失函数。 隐私噪声注入位置：直接对输出加噪声容易产生极端价格，不切实际。作者利用差分隐私的后处理性质，把噪声注入梯度累计和，并设计树形聚合机制在二叉树内部节点按层注入噪声，既保证隐私又减少噪声累积。 算法收敛与性能：引入正则化项和二次近似，保证损失函数强凸并可用 Newton 法等优化方法求解。同时利用 FTAL 在在线学习中平衡探索与利用，提供 级别的遗憾界和差分隐私保证。
5 结论与展望
作者提出一种将差分隐私与在线优化结合的网约车上下文动态定价算法。通过将非凸的定价问题转化为在线最大似然估计，使用 FTAL 算法估计乘客敏感参数，并利用树形聚合协议在梯度计算中注入噪声，算法在满足 -差分隐私的同时，理论上实现了 的期望遗憾上界。仿真结果表明该算法在极端隐私约束下仍显著优于静态定价，并优于直接输出扰动的方法。未来工作可以考虑：
更复杂的乘客估值模型（例如非参数或分段模型）； 多平台竞争下隐私保护的定价博弈； 自适应的隐私预算分配方法以动态调节噪声，提高收益与隐私的兼顾程度。
通过引入差分隐私的新颖设计，本文在保障乘客隐私的同时，实现了网约车平台收益与隐私之间的平衡，为共享出行领域的动态定价研究提供了重要参考。
