传统的随机库存控制理论假设顾客需求服从参数未知的一个分布族,然后用统计量去估计未知参数。在信息科技高速发展的今天,顾客需求的不确定性大大增加,传统方法正面临巨大的挑战。而与此同时,企业和商家也能够收集到更多顾客需求的相关信息,并利用这些信息更高效地进行产品定价和库存管理。现有的数据驱动的报童模型相关研究文献中,大多数研究只考虑了顾客历史上每一期的总需求数据。近些年,有研究者将环境特征数据引入报童模型中,本文进一步将顾客的个人特征数据加入这一问题研究,从数据驱动的视角出发,运用机器学习的相关理论,建立了一个优化模型,用于解决报童模型中定价与订货的联合决策问题。基于模型设计的算法所获得的最优决策还能够自适应于商业环境的变化。假设对于每一位顾客的每一次店铺访问,决策者可以获得与购买相关的特征信息——包括环境特征（比如季节、天气、市场价格等）和顾客的个人特征（比如年龄、性别、价格敏感度等）。如果这位顾客购买了产品,则标记为正样本,否则标记为负样本。由此我们假设所有到店顾客的购买决策都可以通过一个目标概念来表示,即从环境特征和个人特征的笛卡尔乘积到布尔域的一个映射。基于此我们设计了一个算法,该算法可以学习顾客到店及购买模式、预测顾客需求分布、以及求解定价和订货的联合决策。这个算法获得的最优解能够适应不断变化的环境,在新环境中依然能够得出有效的结果。在给定精度参数和置信参数的情况下,我们还展示了在PAC（大概率近似正确）学习框架下,学习一个近似正确的概念所需要的样本复杂度。基于构建的模型,本文假定每一时期顾客的到店及购买模式,以及访问商店的顾客特征的不同取值及分布,模拟生成了顾客的购买数据。根据这些数据,我们展示了所得出的算法的运行过程。根据这个算法,决策者可以学习顾客的到店和购买模式,估计需求分布,并求解定价与订货最优决策。我们也根据假设的顾客特征情况,计算出了PAC框架下针对这一问题进行学习所需要的最小样本容量。除此之外,本文还假设了三种不同的顾客价格敏感度的分布,并分别给出相应的定价策略建议,对于面向不同的顾客群体销售商品的零售商具有参考意义。