CN110516873B - 一种航空公司舱位分配优化方法 - Google Patents

一种航空公司舱位分配优化方法 Download PDF

Info

Publication number
CN110516873B
CN110516873B CN201910800470.9A CN201910800470A CN110516873B CN 110516873 B CN110516873 B CN 110516873B CN 201910800470 A CN201910800470 A CN 201910800470A CN 110516873 B CN110516873 B CN 110516873B
Authority
CN
China
Prior art keywords
flight
cabin
class
level
passenger
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910800470.9A
Other languages
English (en)
Other versions
CN110516873A (zh
Inventor
刘震
周兴
高随祥
杨文国
刘杨
唐兴元
李数
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Youce Technology Co ltd
Original Assignee
Guizhou Youce Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Youce Network Technology Co ltd filed Critical Guizhou Youce Network Technology Co ltd
Priority to CN201910800470.9A priority Critical patent/CN110516873B/zh
Publication of CN110516873A publication Critical patent/CN110516873A/zh
Application granted granted Critical
Publication of CN110516873B publication Critical patent/CN110516873B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种航空公司舱位分配优化方法，包括以下步骤：步骤1：计算旅客购买升级舱位的概率；步骤2：根据历史数据训练预测模型；步骤3：根据量化的旅客购买行为的描述以及舱位分配的模型获得每个级别舱位的最优开放数。本发明同时考虑了顾客购买升级、降级的行为，更加贴近实际；为顾客购买升级率提出了量化计算的方法；描述了旅客购买选择的行为；能使航空公司获得最优的收益。

Description

一种航空公司舱位分配优化方法
技术领域
本发明属于数据处理领域，特别涉及一种航空公司舱位分配优化方法。
背景技术
数据的收集日趋便捷，消费者获取机票信息越来越便捷，使得航空公司舱位分配方案和消费者购买行为之间的博弈日趋激烈。舱位分配是指将同样的座位依据市场细分，划分为不同价格和属性的产品，与细分市场需求对应。这就需要对每个产品的需求做出精确的预测，并使用运筹优化模型和算法计算每个产品(及舱级)的座位分配，使航班整体销售利润最大化。在舱位分配问题中，如何在不确定的需求下将舱位分配方案确定实现最大的收入是最大的问题。
目前，大部分航空公司主要采用EMSR(期望边际座位收益，下文简称EMSR)进行舱位分配，但是该方法假设各级别舱位的需求是独立的，没有考虑旅客购买机票时的选择行为，同时，低级舱位的需求总是比高级舱位的需求先到，这就和现在的航空市场，尤其是中国市场很不相符。所以最后得到的舱位分配方案不能使航空公司获得最优的收益。
发明内容
发明目的：本发明针对现有技术存在的问题，提出了一种能够得到更好收益的航空公司舱位分配优化方法。
技术方案：为实现上述目的，本发明提供了一种航空公司舱位分配优化方法，包括以下步骤：
步骤1：在客户端采集历史数据，并根据历史数据计算旅客在买不到低于此级别机票时购买升级舱位的概率集合Q(Q1,Q2,Q3,Q4,……Qi,……QI)；历史数据包括：每个航班在起飞日期当天的每个级别舱位的开放数和每个级别舱位的销售量；
步骤2：使用采集到的历史销售数据结合神经网络模型训练第二预测模型，第二预测模型的输入数据为历史销售数据，历史销售数据包括航班起飞日期、航班当前销售数据和当前距离航班起飞的时间；输出数据为航班起飞后各级别舱位最终的销售数；
步骤3：将需要优化的航班舱位信息输入到步骤2得到的第二预测模型中进行预测，得到预测的航班每个舱位的需求量集合D(D1,D2,D3,D4,……Di,……DI)；其中，输入的航班舱位信息包括航班起飞日期，航班当前销售数据和当前距离航班起飞的时间；Di是预测模型预输出的需要优化的航班中旅客对第i级舱位的需求量；
步骤4：将步骤3得到的结果输入到旅客选择行为的模型中，其中旅客选择行为的模型为：
Figure GDA0002673289880000021
其中，Di是预测模型预测出的需要优化的航班中旅客对第i级舱位的需求量，Di通过步骤2中训练的第二预测模型预测得到，是向量中第i维；xi是第i级舱位的开放数，Qi是第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率，Ti是对第i级别舱位旅客选择行为的描述；
步骤5：将步骤3～步骤4得到的结果输入到舱位分配模型中计算得到当前第i级舱位的开放数xi,其中，舱位分配模型为：
Figure GDA0002673289880000022
Figure GDA0002673289880000025
Figure GDA0002673289880000023
Figure GDA0002673289880000024
xi，yi∈N；
xi≤C；
y1≤C；
其中，r表示整个航班的收益，pi表示第i级舱位售价，Di′表示在航班当前第i级别舱位的开放数xi的约束下，经过旅客选择之后重新分布的第i级舱位的需求；N为整数集合{0,1,2,3,…}；C为舱位总的座位数；yi表示第i级舱位最大允售数，通过舱位嵌套规则
Figure GDA0002673289880000026
计算yi，Ni代表第i级别舱位库存嵌套的舱位集合；通过舱位分配模型得当前航班的每个级别的开放数集合X(x1,x2,x3,…xi,…xI)；
步骤6：每隔一段时间将航班各舱级的销售数据作为输入数据再输入到步骤2得到的第二预测模型中重复操作步骤3～步骤5，直到当前航班起飞。
其中，步骤1中计算旅客在买不到低于此级别机票时购买升级舱位的概率集合Q(Q1,Q2,Q3,Q4,……Qi,……QI)的方法包括以下步骤：
步骤101：用采集到的数据训练一个神经网络作为第一预测模型，在训练预测模型的过程中，将历史数据中每个航班在起飞日期当天的每个级别舱位的开放数作为神经网络的输入，每个级别舱位的销售量作为神经网络的输出；
步骤102：设定每个级别舱位增加的数量，在历史数据的基础上加上设定的每个级别舱位增加的数量作为步骤101中获得的第一预测模型的输入，通过第一预测模型得到对应的预测结果；
步骤103：根据公式Qi＝-ΔDi-1/Δxi,分别计算出第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率Qi，其中，I表示舱位级别的总数，i表示级别的标号，i越小表示的舱位的级别越高，Δxi是设定第i级别舱位增加的数量，ΔDi-1是预测模型对改变输入后得到的输出中对i-1级别的舱位增加的销售量；最终得到某一个航班的旅客在买不到低于此级别机票时购买升级舱位的概率向量Q(Q1,Q2,Q3,Q4,……Qi,……QI)。
进一步，其特征在于：所述步骤101和步骤2中的神经网络模型采用DNN深度神经网络模型。采用这个模型的预测精度更高。
其中，所述步骤101和步骤2中的神经网络模型使用tensor flow开源工具进行训练。
进一步，所述步骤102中设定每个级别舱位增加的数量为3或者5。这样设定能够到更贴近现实的结果。
有益效果：与现有技术相比，本发明使用历史数据训练出一个神经网络，根据这个神经网络计算出旅客在买不到低于此级别机票时购买升级舱位的概率。再根据历史销售数据训练另一个神经网络，每隔一段时间将实时的舱位销售数据输入到这个神经网络预测模型中，再结合旅客选择行为模型和舱位分配模型，实时获得预售舱位的需求量，最终使航空公司的收益最大化。本发明具有以下显而易见的优势：同时考虑了顾客购买升级、降级的行为，更加贴近实际；为顾客购买升级率提出了量化计算的方法；描述了旅客购买选择的行为；能使航空公司获得最优的收益。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开的一种航空公司舱位分配优化方法，主要包括以下步骤：
步骤1：在客户端采集历史数据，并根据历史数据计算某一个航班的旅客在买不到低于此级别机票时购买升级舱位的概率集合Q(Q1,Q2,Q3,Q4,……Qi,……QI)。具体包括以下步骤：
步骤101：用采集到的数据训练一个DNN深度神经网络作为第一预测模型，在训练预测模型的过程中，将历史数据中每个航班在起飞日期当天的每个级别舱位的开放数作为神经网络的输入，每个级别舱位的销售量作为神经网络的输出；
步骤102：设定每个级别舱位增加的数量，在历史数据的基础上加上设定的每个级别舱位增加的数量作为步骤101中获得的第一预测模型的输入，通过第一预测模型得到对应的预测结果；一般设定每个级别舱位增加的数量为3或者5。
步骤103：根据公式Qi＝-ΔDi-1/Δxi,i＝2,…,I；分别计算出第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率Qi，其中，I表示舱位级别的总数，i表示级别的标号，i越小表示的舱位的级别越高，Δxi是设定第i级别舱位增加的数量，ΔDi-1是预测模型对改变输入后得到的输出中对i-1级别的舱位增加的销售量；最终得到某一个航班的旅客在买不到低于此级别机票时购买升级舱位的概率向量Q(Q1,Q2,Q3,Q4,……Qi,……QI)。
在本实施例中采用tensor flow开源工具进行第一预测模型的训练；
步骤2：使用采集到的历史销售数据另外训练一个DNN深度神经网络作为第二预测模型，训练模型第二预测模型的输入数据为历史销售数据，历史销售数据包括航班起飞日期，航班当前销售数据和当前距离航班起飞的时间；输出数据为航班起飞后各级别舱位最终的销售数。
步骤3：将需要优化的航班舱位信息输入到步骤2得到的第二预测模型中进行预测，得到预测的航班每个舱位的需求量集合D(D1,D2,D3,D4,……Di,……DI)；其中，输入的航班舱位信息包括航班起飞日期，航班当前销售数据和当前距离航班起飞的时间；Di是预测模型预输出的需要优化的航班中旅客对第i级舱位的需求量。
步骤4：将步骤3得到的结果输入到旅客选择行为的模型中，其中旅客选择行为的模型为：
Figure GDA0002673289880000051
其中，Di是预测模型预测出的需要优化的航班中旅客对第i级舱位的需求量，Di通过步骤2中训练的第二预测模型预测得到，是向量中第i维。xi是第i级舱位的开放数，Qi是第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率，Ti是对第i级别舱位旅客选择行为的描述；
步骤5：将步骤3～步骤4得到的结果输入到舱位分配模型中计算得到当前第i级舱位的开放数xi,其中，舱位分配模型为：
Figure GDA0002673289880000052
Figure GDA0002673289880000057
Figure GDA0002673289880000053
Figure GDA0002673289880000054
T1＝0；
Figure GDA0002673289880000055
Figure GDA0002673289880000056
xi，yi∈N，i∈{1,…,I}；
xi≤C，i∈{1,…,I}；
y1≤C。
其中，r表示整个航班的收益，pi表示第i级舱位售价，Di′表示在航班当前第i级别舱位的开放数xi的约束下，经过旅客选择之后重新分布的第i级舱位的需求；N为整数集合{0,1,2,3,…}；C为舱位总的座位数；yi表示第i级舱位最大允售数，通过舱位嵌套规则
Figure GDA0002673289880000062
计算yi，Ni代表第i级别舱位库存嵌套的舱位集合；通过舱位分配模型计算得到的xi即为当前航班的第i个级别的开放数，所以通过这个模型可以得到当前航班的每个级别的开放数集合X(x1,x2,x3,…xi,…xI)。
步骤6：每隔一段时间将航班各舱级的销售数据作为输入数据再输入到步骤2得到的第二预测模型中重复操作步骤3～步骤5，直到当前航班起飞。
实施例：
本实施例中需要优化舱位的航班一共有12个等级的舱位，总的舱位数是300。优化具体包括以下步骤：
步骤1：通过历史数据训练第一预测模型，设定Δx＝(3，3，3，3，3，3，3，3，3，3，3)；根据公式Qi＝-ΔDi-1/Δxi计算获得Q＝(0.09,0.28,0.09,0.03,0.3,0,0.15,0.1,0.7,0,0,0)。
步骤2：通过历史数据训练第二预测模型，数据来源为民航INV数据的BLG、BLC、BSB，通过对这几个数据进行加工，得到模型输入：[起飞月，起飞日，起飞时刻，星期，是否法定假日，距离起飞天数，当前销售数，团队销售数，舱级分配数，舱级允售数]，输出：[舱级最终销售数]。输入数据如表1所示。
Figure GDA0002673289880000061
步骤3：将需要优化的航班当前的销售信息输入到步骤2训练得到的第二预测模型中，获得预测结果D＝[10,15,22,39,37,57,20,40,26,15,18,9]；
步骤4：将步骤3得到的结果D输入到旅客选择行为的模型中；
步骤5：根据舱位分配模型中计算得到当前航班的每个级别的开放数集合X(10,15,22,39,37,57,20,40,26,15,18,1)。其中，计算最大允售数
Figure GDA0002673289880000071
代入x,得到y的值：y＝(300,290,275,253,214,177,120,100,60,34,19,1)。

Claims (5)

1.一种航空公司舱位分配优化方法，其特征在于：包括以下步骤：
步骤1：在客户端采集历史数据，并根据历史数据计算旅客在买不到低于此级别机票时购买升级舱位的概率集合Q(Q1,Q2,Q3,Q4,……Qi,……QI)；历史数据包括：每个航班在起飞日期当天的每个级别舱位的开放数和每个级别舱位的销售量；
步骤2：使用采集到的历史销售数据结合神经网络模型训练第二预测模型，第二预测模型的输入数据为历史销售数据，历史销售数据包括航班起飞日期、航班当前销售数据和当前距离航班起飞的时间；输出数据为航班起飞后各级别舱位最终的销售数；
步骤3：将需要优化的航班舱位信息输入到步骤2得到的第二预测模型中进行预测，得到预测的航班各级别舱位的需求量集合D(D1,D2,D3,D4,……Di,……DI)；其中，输入的航班舱位信息包括航班起飞日期，航班当前销售数据和当前距离航班起飞的时间；Di是预测模型预输出的需要优化的航班中旅客对第i级舱位的需求量；
步骤4：将步骤3得到的结果输入到旅客选择行为的模型中，其中旅客选择行为的模型为：
Figure FDA0002673289870000011
其中，Di是预测模型预测出的需要优化的航班中旅客对第i级舱位的需求量，Di通过步骤2中训练的第二预测模型预测得到，是向量中第i维；xi是第i级舱位的开放数，Qi是第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率，Ti是对第i级别舱位旅客选择行为的描述；
步骤5：将步骤3～步骤4得到的结果输入到舱位分配模型中计算得到当前第i级舱位的开放数xi,其中，舱位分配模型为：
Figure FDA0002673289870000012
Figure FDA0002673289870000013
Figure FDA0002673289870000014
Figure FDA0002673289870000015
xi，yi∈N；
xi≤C；
y1≤C；
其中，r表示整个航班的收益，pi表示第i级舱位售价，D′i表示在航班当前第i级别舱位的开放数xi的约束下，经过旅客选择之后重新分布的第i级舱位的需求；N为整数集合{0,1,2,3,…}；C为舱位总的座位数；yi表示第i级舱位最大允售数，通过舱位嵌套规则
Figure FDA0002673289870000021
计算yi，Ni代表第i级别舱位库存嵌套的舱位集合；通过舱位分配模型得当前航班的每个级别的开放数集合X(x1,x2,x3,…xi,…xI)；
步骤6：每隔一段时间将航班各舱级的销售数据作为输入数据再输入到步骤2得到的第二预测模型中重复操作步骤3～步骤5，直到当前航班起飞；
其中，所述步骤1中计算旅客在买不到低于此级别机票时购买升级舱位的概率集合Q(Q1,Q2,Q3,Q4,……Qi,……QI)的方法包括以下步骤：
步骤101：用采集到的数据训练一个神经网络作为第一预测模型，在训练预测模型的过程中，将历史数据中每个航班在起飞日期当天的每个级别舱位的开放数作为神经网络的输入，每个级别舱位的销售量作为神经网络的输出；
步骤102：设定每个级别舱位增加的数量，在历史数据的基础上加上设定的每个级别舱位增加的数量作为步骤101中获得的第一预测模型的输入，通过第一预测模型得到对应的预测结果；
步骤103：根据公式Qi＝-ΔDi-1/Δxi,分别计算出第i级别舱位旅客在买不到低于此级别机票时购买升级舱位的概率Qi，其中，I表示舱位级别的总数，i表示级别的标号，i越小表示的舱位的级别越高，Δxi是设定第i级别舱位增加的数量，ΔDi-1是预测模型对改变输入后得到的输出中对i-1级别的舱位增加的销售量；最终得到某一个航班的旅客在买不到低于此级别机票时购买升级舱位的概率向量Q(Q1,Q2,Q3,Q4,……Qi,……QI)。
2.根据权利要求1所述的一种航空公司舱位分配优化方法，其特征在于：所述步骤2中的神经网络模型采用DNN深度神经网络模型。
3.根据权利要求1所述的一种航空公司舱位分配优化方法，其特征在于：所述步骤2中的神经网络模型使用tensor flow开源工具进行训练。
4.根据权利要求1所述的一种航空公司舱位分配优化方法，其特征在于：所述步骤101中的神经网络模型采用DNN深度神经网络模型；使用tensor flow开源工具进行训练。
5.根据权利要求1所述的一种航空公司舱位分配优化方法，其特征在于：所述步骤102中设定每个级别舱位增加的数量为3或者5。
CN201910800470.9A 2019-08-28 2019-08-28 一种航空公司舱位分配优化方法 Expired - Fee Related CN110516873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910800470.9A CN110516873B (zh) 2019-08-28 2019-08-28 一种航空公司舱位分配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800470.9A CN110516873B (zh) 2019-08-28 2019-08-28 一种航空公司舱位分配优化方法

Publications (2)

Publication Number Publication Date
CN110516873A CN110516873A (zh) 2019-11-29
CN110516873B true CN110516873B (zh) 2020-11-03

Family

ID=68627366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800470.9A Expired - Fee Related CN110516873B (zh) 2019-08-28 2019-08-28 一种航空公司舱位分配优化方法

Country Status (1)

Country Link
CN (1) CN110516873B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028020A (zh) * 2019-12-17 2020-04-17 上海携程商务有限公司 航班包机场景的收益管理方法、系统、介质和电子设备
CN111192090A (zh) * 2019-12-31 2020-05-22 广州优策科技有限公司 航班的座位分配方法、装置、存储介质和电子设备
CN113269402B (zh) * 2021-04-28 2023-12-26 北京筹策科技有限公司 一种航班舱位的控制方法、装置及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9727940B2 (en) * 2013-03-08 2017-08-08 American Airlines, Inc. Demand forecasting systems and methods utilizing unobscuring and unconstraining
CN107506869A (zh) * 2017-09-05 2017-12-22 济南浚达信息技术有限公司 一种基于循环神经网络的机票日订座数预测方法

Also Published As

Publication number Publication date
CN110516873A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
Belobaba et al. The global airline industry
CN110516873B (zh) 一种航空公司舱位分配优化方法
CN111899059A (zh) 一种基于区块链的航司收益管理动态定价方法
US20150356458A1 (en) Method And System For Forecasting Future Events
Rosskopf et al. Economic–environmental trade-offs in long-term airline fleet planning
Wei et al. Modeling crew itineraries and delays in the national air transportation system
Barlow Excel models for business and operations management
US20210312488A1 (en) Price-Demand Elasticity as Feature in Machine Learning Model for Demand Forecasting
US20230118644A1 (en) Network digital twin of airline operations
CN111539778A (zh) 一种用于定向推送的动态定价方法和系统
Yuan et al. Optimization of seat allocation with fixed prices: An application of railway revenue management in China
Gautam et al. Machine learning approach to market behavior estimation with applications in revenue management
CN109711896A (zh) 一种基于旅客细分的官网访客流失分析方法
US20230125533A1 (en) System and method for dynamically enhancing a pricing database based on external information
EP2172885A1 (en) Method and system for simulating and optimizing revenue from service fees in or relating to online service processes
US11790268B1 (en) Causal inference machine learning with statistical background subtraction
Urban et al. Modelling the European air transport system: A System Dynamics approach
Liu et al. The sky is the limit: Assessing aircraft market diffusion with agent-based modeling
Waitz et al. Architecture study for the aviation environmental portfolio management tool
Pandit et al. Business model of aircraft fleet planning using ANN
Liu et al. A Bayesian predictor of airline class seats based on multinomial event model
Hofer et al. Investigating the effects of economies of scope on firms’ pricing behavior: empirical evidence from the US domestic airline industry
Martin Valuation of design adaptability in aerospace systems
US10860952B1 (en) Table-driven data storage system for multi-departure, multi-cabin travel seat inventory optimization
Yang et al. Solving a process engineer's manpower-planning problem using analytic hierarchy process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201208

Address after: Room 1107, No.8, Jingang Avenue, Nansha street, Nansha District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Youce Technology Co.,Ltd.

Address before: 606, Yuquan building, No. 3, Shijingshan Road, Shijingshan District, Beijing 100049

Patentee before: Guizhou Youce Network Technology Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201103

CF01 Termination of patent right due to non-payment of annual fee