平滑资料整理：





实现中的一些可能问题：

1. 冷启动： 初期的数据不全，导致无法制定合理计划；这可以通过数据积累，或者调整预测的节奏和步伐，进行一定程度的缓解。
   
2. 效果评测：作为广告平台来说，可以参考整体的CPC的变化趋势，是否比之前更加平稳；对于DSP来说，可以将流量做AB测试，保持和一定比例的流量完全不打开Pacing。
   
3. 预算无法耗尽：算法有时候对于一些Campaign的Pacing，可能导致预算无法耗尽，一个简单粗暴的方法，就是设置一天只有20个小时消耗时间，后面4个小时可以在一定程度上放水。

参考资料： http://wnzhang.net/share/rtb-papers/linkedin-pacing.pdf
https://zhuanlan.zhihu.com/p/20799487
http://wnzhang.net/share/rtb-papers/throatling-pacing.pdf

• From 0.5 Million to 2.5 Million: Efficiently Scaling up Real-Time Bidding by Jianqian Shen et al. ICDM 2015.
• Smart Pacing for Effective Online Ad Campaign Optimization by Jian Xu et al. KDD 2015.
• An analytical solution to the budget-pacing problem in programmatic advertising by Joaquin Fernandez-Tapia. Working paper.
• Adaptive Targeting for Online Advertisement by Andrey Pepelyshev, Yuri Staroselskiy, Anatoly Zhigljavsky. Machine Learning, Optimization, and Big Data 2015.
• Real Time Bid Optimization with Smooth Budget Delivery in Online Advertising by Kuang-Chih Lee, Ali Jalali, Ali Dasdan. ADKDD 2013.
• Budget Pacing for Targeted Online Advertisements at LinkedIn by Deepak Agarwal et al. KDD 2014.
• Frequency Capping in Online Advertising by Niv Buchbinder et al. WADS 2011.