Time series prediction models in bilateral negotiations

Bu tez, etmen tabanlı müzakerelerin dinamiklerini araştırırken rakip etmenlerin davra- nışlarını anlama ve stratejik kararlar almak için teklif örüntülerini tahmin etmeye odaklanır. Rakibin gelecekteki tekliflerinin faydasını tahmin etmek, etmenin sonraki hamleleri için değerli içgörüler sunmaktadır. Araştırma, etmen davranışlarını anlama yetkinliğini ölçmek için çeşitli öğrenme algoritmalarını kullanarak rakibin gelecekteki tekliflerini tahmin etmeyi amaçlamaktadır. Tahminleme becerilerine odaklanan çalışma iki bölümden oluşmaktadır: ilki etmenin kendi deneyimleri baz alınarak tasarlanmış tekli müzakerelerde bu modellerin etkisini incelemekteyken diğeri turnuva boyunca tüm etmenler için tahmin modellerinin performansını incelemektedir. Tahmin modellerini değerlendirmek için üç farklı hedefe yönelik bir öğrenme süreci oluşturulmuştur: (i) teklif geçmişinden yararlanarak rakibin bir sonraki teklifinin etmene faydasını tahmin etmek, (ii) rakiple ilgili değişkenleri dikkate alarak etmenin faydasını tahmin etmek, ve (iii) rakiple ilgili değişkenleri kullanarak rakibin faydasını tahmin etmek. Deneylerde gözlemlenen en iyi öğrenme modeli, gelecekteki fayda değerlerini tahmin etmenin etmenlerin müzakere başarısı üzerindeki etkilerini gözlemlemek için etmen tasarımına dahil edilmiştir. Çalışmalar çeşitli müzakere senaryolarında kullanılan bu modellerin değerlendirme sonuçlarını sunarak önerilen metodların umut verici olduğunu ortaya koymaktadır. Ayrıca, müzakere stratejisine tahminleri dahil eden `Negoformer' isimli yeni bir teklif stratejisi sunulmaktadır ve bu stratejinin başarısı otonom müzakere senaryolarında test edilmiştir. Deney sonuçları, Negoformer stratejisinin karşılaştırılan diğer etmenlere göre bireysel fayda ve toplumsal fayda gibi müzakere metriklerinde daha başarılı olduğunu ortaya koymaktadır.