CN113393088A - 航空运输控舱方法、装置、设备、介质及收益管理系统 - Google Patents
航空运输控舱方法、装置、设备、介质及收益管理系统 Download PDFInfo
- Publication number
- CN113393088A CN113393088A CN202110548484.3A CN202110548484A CN113393088A CN 113393088 A CN113393088 A CN 113393088A CN 202110548484 A CN202110548484 A CN 202110548484A CN 113393088 A CN113393088 A CN 113393088A
- Authority
- CN
- China
- Prior art keywords
- target
- flight
- data
- airline
- target flight
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000002860 competitive effect Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000047 product Substances 0.000 description 50
- 230000006399 behavior Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000010006 flight Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q30/0283—Price estimation or determination
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Finance (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种航空运输控舱方法、装置、设备、介质及收益管理系统。方法包括:基于预设周期采集目标航班的第一目标数据;基于第一目标数据,确定目标航班的航线类型,目标航班的航线类型为主导航线或竞争航线;在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量;基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。采用本申请提供的技术方案,可以实现自动化控舱,降低控舱工作的人员成本。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种航空运输控舱方法、装置、设备、介质及收益管理系统。
背景技术
现行的航空公司的控舱方法,主要是基于单一舱位的需求进行设计,舱位和运价的预测主要根据航空公司自身的运价来进行预测。在应用的过程中,控舱方法无法实现自动化,需要大量的人工参与,进而无法有效辅助航管人员进行控舱。
发明内容
本申请实施例的目的是提供一种航空运输控舱方法、装置、设备、介质及收益管理系统,能够解决现有技术中控舱方法无法实现自动化,需要大量的人工参与的技术问题。
本申请的技术方案如下:
第一方面,提供了一种航空运输控舱方法,包括:
基于预设周期采集目标航班的第一目标数据,第一目标数据包括目标航班的市场份额数据、运力变化数据、运营时间数据;
基于第一目标数据,确定目标航班的航线类型,目标航班的航线类型为主导航线或竞争航线,主导航线为运价确定过程无需考虑竞争公司的航线,竞争航线为非主导航线的航线;
在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,第二目标数据包括目标航班和第一航班的信息数据,信息数据为航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价,第一航班的航线与目标航班的航线之间存在至少两个相同的经停航点;
基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。
在一些实施例中,第一预测模型包括需求子模型;在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,包括:
将第二目标数据输入需求子模型,得到需求预测结果,需求预测结果包括目标航班多个舱位座位的预期销售数量;
基于目标航班多个舱位的运价及与运价对应座位的预期销售数量,计算目标航班的预期收益;
在目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件的情况下,输出第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
在一些实施例中,在目标航班多个舱位座位的预期销售数量不满足第一预设条件或目标航班的预期收益不满足第二预设条件的情况下,
基于预设价格调整算法调整目标航班多个舱位中每个舱位对应的运价,得到调整后的第二目标数据;
返回执行将第二目标数据输入需求子模型,直至目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件。
在一些实施例中,基于第一目标数据,确定目标航班的航线类型之后,方法还包括:
在航线类型为主导航线的情况下,将第三目标数据输入到预先训练的第二预测模型,得到第二预测结果,第二预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,第三目标数据包括目标航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价。
在一些实施例中,基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位,包括:
响应用户的修改操作,调整目标航班舱位的目标运价;
基于调整后的目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整航线的运价和舱位。
在一些实施例中,在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果之前,方法还包括:
获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括一个航班的历史价格数据及与其对应的标签数据,标签数据为航线的销售数量数据;
利用训练样本训练预设的第一预测模型,得到训练后的第一预测模型。
在一些实施例中,每个训练样本还包括一个航班的市场份额数据、运营时间数据、品牌信息、机型信息、经停航点数据中的至少一种。
第二方面,提供了一种航空运输控舱装置,包括:
第一获取模块,用于基于预设周期采集目标航班的第一目标数据,第一目标数据包括目标航班的市场份额数据、运力变化数据、运营时间数据;
航线分析模块,用于基于第一目标数据,确定目标航班的航线类型,目标航班的航线类型为主导航线或竞争航线,主导航线为运价确定过程无需考虑竞争公司的航线,竞争航线为非主导航线的航线;
第一预测模块,用于在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,第二目标数据包括目标航班和第一航班的信息数据、信息数据为航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价,第一航班的航线与目标航班的航线之间存在至少两个相同的经停航点;
控舱模块,用于基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。
第三方面,提供了一种航空公司收益管理系统,包括:
控舱装置,用于执行第一方面所述的航空运输控舱方法,得到目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,以及生成控舱指令以调整目标航班的运价和舱位;
收益预测装置,用于基于目标航班多个舱位中每个舱位已售的座位数量和预期销售的数量,确定目标航班的预期收益。
第四方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的航空运输控舱方法的步骤。
第五方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的航空运输控舱方法的步骤。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请实施例提供的航空运输控舱方法,基于模型的预测结果进行自动控舱调整。而且模型的输入数据是基于预设周期自动采集得到的,所以整个过程无需人工参与,实现了自动化预测和控舱调整;根据获取的数据确定航线类型,针对不同的航线类型采取不同的处理策略,提高了预测结果的准确率,提升了控舱指令的有效性,进而提高了航空公司的收益。
第二目标数据包括目标航班和第一航班的信息数据、信息数据为航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价,第一航班的航线与目标航班的航线之间存在至少两个相同的经停航点;基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。在整个处理过程中,引入了竞争航班,从而使得预测的结果更加准确,其中,第一航班便是目标航班的竞争航班。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是本申请实施例提供的一种航空运输控舱方法的流程示意图一;
图2是本申请实施例中主导航线和竞争航线示意图;
图3是本申请实施例提供的一种自动控舱方法的流程示意图;
图4是本申请实施例提供的一种航空运输控舱方法的流程示意图二;
图5是本申请实施例提供的一种航空运输控舱装置的结构示意图;
图6是本申请实施例提供的一种航空公司收益管理系统的结构示意图;
图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的例子。
基于背景技术可知,现有技术中控舱方法需要大量的人工参与,无法实现自动化,进而无法有效辅助航管人员进行控舱。
具体的,发明人发现,现行的控舱方法,在舱位和价格预测时,主要根据本航司自身的价格,并在舱位和运价的决策过程中难以过多考虑竞争因素,如竞争航司的价格和水平,同竞争航班的价格差等。
发明人发现应用前述方法的航空公司收益管理系统无法实现自动化,表现在需要大量的人工参与,系统无法有效辅助航管人员进行收益决策。
收益管理系统基本机制是通过预测和决策两个步骤完成,预测是指通过对影响收益的各类因素进行量化赋值并导入,这些影响因素包括历史销售舱位、特殊日期、天气、超售等,继而构建预测模型,对航班舱位和价格进行动态预测,在此基础上生成控舱指令最终实现决策,即控舱,预测是整个系统的关键和核心。
航空公司控舱可以分为三种类型,第一种,不使用收益管理系统(包括控舱系统),纯手工决策;第二种,使用收益管理系统(包括控舱系统),但以人工调整运价和舱位为主;第三种,自建运价引擎,完全使用收益管理系统,但人工调整转移至运价引擎。
现有收益管理系统和收益管理模型基于单一舱位,无法适应高速增长和不断变化的市场,简言之,从航司的角度,原有收益管理模型是基于封闭或半封闭的市场环境,即竞争对手之间的数据获取和销售策略难以完整获取或洞悉。航司细分市场是从买方及旅客的维度,根据旅客的行为特征刻画用户画像,再制定收益和产品方案。以上方式也就决定了,收益管理无法有效区分市场,并针对细分市场做出细分的收益策略,对航班上客进度及价格做出精准预判,进而解决人工参与过多、效率不高的问题,自动化收益决策同样难以实现。
基于上述发现,本申请实施例提供了一种航空运输控舱方法、系统、设备、介质及收益管理系统,从航司自身优势的角度出发,通过QSI、单条航线市场份额、运力变化幅度、品牌、时刻优势、基地等因素区分出两类航线,即主导航线和竞争航线,针对两种航线分别构建模型,并设计两种航线的转化机制,改善了航空客运收益管理中手工参与过多的问题。本申请实施例提供的技术方案能够自动构建收益模型,提高收益管理的效率,实现收益管理系统自动化、智能化。
具体来说,本申请实施例提供的技术方案兼顾两种市场、区分两种航线、构建两种模型、提供两种选择,从而实现自动化收舱。两种市场是指主导市场和竞争市场,两种航线是指主导航线和竞争航线,两种模型是指针对两种航线分别设计的算法模型,两种选择是指自动调仓为主,同时也针对特殊市场事件提供人工干预选项。
下面结合附图对本申请实施例提供的航空运输控舱方法、系统、设备、介质及收益管理系统进行详细说明。
图1示出了本申请第一方面实施例提供的一种航空运输控舱方法的流程示意图,该方法可以应用于控舱系统,如图1所示,该航空运输控舱方法100可以包括步骤S110-S140。
步骤S110,基于预设周期采集目标航班的第一目标数据,第一目标数据包括目标航班的市场份额数据、运力变化数据、运营时间数据。
预设周期,数据采集的周期,可以和控舱的频率相关,例如,一天(24小时)之中要调整12次,那么数据采集的周期就可以是2小时。该预设周期的设置使该方法可以根据实时订座变化多次重新计算,并调整开舱策略。
作为一个示例,基于该预设周期,在目前不使用并行计算的情况下,可以实现5分钟对一条航线完成一个月双向优化结果的计算,每次可形成约900条控舱指令;支持定时调度,后台自动完成所有控舱指令的上传执行。
目标航班,航班可以被定义为一种产品,在直飞市场中,产品的定义可以是不同的舱位,在OD(开始结束)市场中,产品的定义可以是出发地—目的地—行程—价格组合的组合。
第一目标数据,可以是市场份额数据、运力变化数据、运营时间数据、QSI、品牌、时刻优势、基地等对主导航线和竞争航线划分有影响的数据。
在一个示例中,控舱系统可以从本公司的系统获取与本公司相关的数据,通过外部接口获取竞争航司的数据,结合两种数据得到第一目标数据。
步骤S120,基于第一目标数据,确定目标航班的航线类型,目标航班的航线类型为主导航线或竞争航线,主导航线为运价确定过程无需考虑竞争公司的航线,竞争航线为非主导航线的航线。
航司收益市场可以分为主导型市场和竞争型市场,与之对应的即为主导航线和竞争航线。
主导航线,指航司自身的销售策略占据主导,销售和定价以自身策略为主。此类航线包括运力占比优势航线,品牌干线、快线、独飞航线、时刻优势航线、协议航线等。
竞争航线,指航线销售过程中需要兼顾自身上客进度和共飞航司价格,销售策略以跟随性为主,其特点是品牌、时刻、运力份额无明显优势,运力过剩,销售策略频繁变化等,航线类别包括主导型航线以外的航线。
如图2所示,主导航线和竞争航线之间可以互相转化。
在一个示例中,控舱系统可以将获取到的第一目标数据输入一个算法模型中,算法模型可以根据各数据的权重,计算得到该航线的竞争值,根据该竞争值确定目标航班的航线是主导航线还是竞争航线。
步骤S130,在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
第二目标数据可以包括目标航班和第一航班的信息数据,信息数据为航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价,第一航班的航线与目标航班的航线之间存在至少两个相同的经停航点。
在一个示例中,第二目标数据可以包括如下数据:
TCN数据,本航班订座数据,包含历史和实时切片数据,关键数据字段包含航班号、起飞日期、时刻、航段、机型、布局、销售子舱位、票价、销售日期等;其中历史数据用于估算市场需求等,实时数据用于进行同比对比分析;
INV数据,Eterm中AV指令生成舱位数据,包含历史和实时采集数据,其中历史数据用于估算市场需求等,实时数据用于支持后续算法决策;同时实时INV数据将被处理生成客座率数据,并输出成为航班客座率成长曲线;
共飞公司航班信息数据:根据航段信息采集航班号、时刻、机型,实时运价、有无经停航点等;
基础数据:航班基础舱位运价表。
作为一个示例,第二目标数据可以包括本航司的数据和竞争航司的数据,例如可以包括如下数据:订座预测数据,预测订座需求;舱位(价格)数据,需要进行前端维护;即时客座率数据,通过实时INV数据对客座率进行统计;航班客座率成长曲线,通过累计INV数据将不同DCP点的客座率值进行汇总并生成图表;共飞公司航班信息数据,接口收集,主要用于竞争航线控舱数据支持;历史经营数据,通过TCN数据呈现;QSI数据,此类数据主要包含通过QSI模型预测得出的航班吸引力数据。
第一预测模型,预测模型可以分为两类。
第一类是独立需求模型,算法以产品为视角,假定各个产品之间的需求相互独立,通过历史销售数据得到各个不同产品(在直飞市场中,产品的定义即为不同的舱位,在OD市场中,产品的定义为出发地—目的地—行程—价格组合)在各个销售时间段的需求大小;
第二类是基于顾客选择行为的模型,算法以消费者为视角,预测市场的潜在消费者数量,然后刻画顾客见到可购买的产品集合时的购买反应,得到不同开舱情形下的销售情况。
对于上述两类模型的详细介绍详见后文的具体实施例,在此不在赘述。
在一个示例中,控舱系统可以将获取到的第二目标数据输入到预先训练的第一预测模型中,第一预测模型可以根据在训练过程中学习到的第二目标数据中各数据与目标运价或销售数量之间的关系得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
步骤S140,基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。
作为一个示例,步骤S140,基于第一预测结果可以具体生成以下信息:
舱位控制指令:即控舱指令,通过算法分析得出的控舱相关指令,包含IMN、IML及IMI指令,生成控舱指令在Eterm中执行,用于舱位控制、舱位开放数量变更以及舱位嵌套变更;
数据分析图表:包含出票分析报表、订座成长曲线、最低销售价格曲线、销售收入客座同比曲线、上客速度对比图等;
航班预警图表:包含低价高客预警、高价低客预警、超售预警、两舱价格倒挂预警、订座急速变化预警、运力变化预警等。
作为一个示例,步骤S140,可以包括:
步骤S141,响应用户的修改操作,调整目标航班舱位的目标运价;
步骤S142,基于调整后的目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整航线的运价和舱位。
本申请实施例提供的航空运输控舱方法,基于预设周期采集数据进行预测,因此每个周期都可以获得一次预测结果,进而进行一次控舱调整,实现了自动化预测和舱位调整;根据获取的数据确定航线类型,针对不同的航线类型采取不同的处理策略,提高了预测结果的准确率,提升了控舱指令的有效性,进而提高了航空公司的收益;在整个处理过程中,引入了竞争航班,从而使得预测的结果更加准确,其中,第一航班便是目标航班的竞争航班。
下面针对上文介绍第一预测模型时提到的第一类模型进行详细介绍。
第一类模型,即独立需求模型。在该类模型中,我们假定每个产品(产品的定义为直飞航线中的舱位,或者OD市场中的出发地—目的地—行程—价格组合,简称ODIF,定义为一个产品)有一个需求函数。
从给定产品的历史销量中,可以得到各个产品在各个销售阶段和销售渠道的销售量,比如对于某一个航班,从历史可参考航班中可以得到多个不同的销售量,xi表示第i个历史样本中该产品的销售量。通常在独立需求模型中,假定给定产品的需求满足泊松分布,由于泊松分布的均值和方差取值一样,所以预测只需要确定均值λ一个参数。但是,在实际情况中,销售数据有可能受到舱位可销售数(LSS或LSV)的限制,导致实际销售量可能小于产品真实需求。为此,可以利用历史数据中的销售数据和舱位开放数据(INV),设计一种基于独立需求模型对需求进行非限制化处理的估计方法。
具体来讲,在历史销售数据xi之外,可以用yi表示在该样本中,该产品的舱位销售在该历史样本上是否被限制,如果订票量达到了当时LSS和LSV限制下的量,则yi=1,反之,yi=0。如果yi=0,则说明当期的真实需求是大于等于实际销量xi的。基于此信息,可以得到历史数据的似然概率:
其中,xi表示第i个历史样本中该产品的销售量,我们用yi表示在该样本中,该产品的舱位销售在该历史样本上是否被限制,P(xi,λ)表示均值为λ的泊松分布取值为xi的概率,表示均值为λ的泊松分布取值大于等于xi的概率。
得到上述似然函数之后,利用极大似然估计的方法,我们可以估计出平均到达率x,该均值为将需求非限制化之后的量。
独立需求模型,只需要历史销售数据,需要的数据较少;模型参数较少,因此模型稳定性更高。
在一些实施例中,在航线类型为竞争航线的情况下,顾客可以选择的航班数量不止一个,顾客购票时会将多个航班相互比较然后选择适合自己的航班,并不是在购买之前就已经确定自己要购买的产品即航班,此时顾客的购买过程与前文中介绍的独立需求模型不同。基于此第一预测模型可以采用前文中的第二类模型,即基于顾客选择行为的模型。在航线类型为竞争航线的情况下,步骤S130可以包括:
步骤S131,将第二目标数据输入需求子模型,得到需求预测结果,需求预测结果包括目标航班多个舱位座位的预期销售数量;
步骤S132,基于目标航班多个舱位的运价及与运价对应座位的预期销售数量,计算目标航班的预期收益;
步骤S133,在目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件的情况下,输出第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
第一预设条件,可以是预期销售数量大于第一预设阈值。
第二预设条件,可以是预期收益大于第二预设阈值,或预期收益率大于第三预设阈值。
其中,需求子模型便是基于顾客选择行为的模型,下面详细介绍该模型。
请参考图3-图4,顾客选择的概率为本航司产品吸引力对比对比外部吸引力之和,其中航司产品吸引力受价格(p)、起飞时间(d)、对航司忠诚度(α)等因素影响,因为价格经常变动,吸引力也在相应变化;其它出行方式吸引力选项和价格相对固定,常处理成常数,由于在顾客选择行为模型中,选择某产品的概率是该产品的吸引力与所有可选产品的吸引力之和之间的比值,所以可以将其他出行方式集合的吸引力归一化为1。在此假设下,当本航司上架可供销售的产品集合为Ah时,选择某产品i的概率可以表达如下:
其中,产品吸引力表示为关于产品价格(p)、起飞时间(d),退改签条件的指数函数,如下:
产品吸引力=exp(αi+βpi+Φdi+…) (3)
其中,αi为某产品i的航司忠诚度,pi为某产品i的价格,di为起飞时间。
在基于顾客选择行为的需求模型下,同时假定市场非限制情形下的市场规模为λ,并服从泊松分布,则观察到历史销售数量的概率为:
P(i|Ah)为当本航司上架可供销售的产品集合为Ah时,选择某产品i的概率,xi表示第i个历史样本中该产品的销售量。
利用极大似然估计,我们同时得到非限制条件下的市场大小λ和各个敏感参数。
作为一个示例,可以采用动态定价算法得到上述步骤S133第一预测结果中的目标运价。动态定价算法具体可以通过如下方式实现:
T(d,A):DCP(数据采集点)d点选择开舱方案A时的预期销量,在独立需求模型假设下,可以通过各个产品是否开放(即是否包含在A中)来确定各个产品的销量;在基于顾客选择行为的需求模型下,可以通过非限制情形下的市场规模乘以产品的选择概率得到产品的预期向量。
R(d,A):DCP(数据采集点)d点选择开舱方案A时的预期收益,在独立需求模型和基于顾客选择行为模型的需求模型下,都可以通过产品的预期销量乘以产品价格得到预期收益。
x(d,A):决策变量,表示是否在DCP d点选择方案A,在竞争市场中,要限制A的选择范围,防止定价过低引起竞争对手的跟舱。
目标函数:整个销售期内全网的收益最大化,在优化模型中,目标函数也可以是收益和上座之间的组合。
主要约束:不同产品对于各个航班的座位数消耗不大于各个航班的剩余座位数。
在一些实施例中,步骤S130还可以包括步骤S134-S135。
步骤S134,在目标航班多个舱位座位的预期销售数量不满足第一预设条件或目标航班的预期收益不满足第二预设条件的情况下,基于预设价格调整算法调整目标航班多个舱位中每个舱位对应的运价,得到调整后的第二目标数据;
步骤S135,返回执行步骤S131将第二目标数据输入需求子模型,直至目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件。
一方面,顾客购票过程中其实有一个相互比较然后选择的过程,并不是在购买之前就已经确定自己要购买的产品类别(很多顾客甚至都不知道有潜在的产品可选);另一方面,航空公司同一航线下的产品是经常变动的,去年同期的Y舱可能不同今年同期的Y舱,这也导致独立需求模型在使用时有一定的近似偏差。基于顾客选择行为的需求模型更准确地刻画了顾客的消费过程,且能够更好地反应价格、起飞时间、对航司忠诚度、退改签条件对顾客选择的影响。
基于顾客选择行为模型的算法在算法假设上更加贴合现实世界中顾客购买航空产品的过程,即先查询市场上有哪些产品,然后根据各个产品的价格、退改签条件、起飞时间等特征进行选择,包括选择不购买本航司的任何产品等。基于顾客选择行为模型的需求模型从理论上能够方便的解决限制问题。
需要说明的是,在需求建模过程中,也可以使用回归模型,包括线性回归模型、Logistics回归、Ridge回归、Lasso回归等模型,建立销售量和销售价格,或者销售收入和销售价格之间的关系。在回归模型建立过程中,数据需求比较简单,也能够将价格、起飞时间、航司忠诚度等通过离散化、one-hot编码等加入到模型的特征库中,而Ridge或者Lasso回归中的正则惩罚系数能够有效减少无效的特征变量,从而提高模型的稳定性。
本申请实施例提供的航空运输控舱方法,基于航空市场的竞争属性和中高速增长属性设计,弥补了原有技术对竞争市场无法有效预测和自动控舱的缺陷。对于竞争市场,本航司价格和舱位和竞争公司价格之间存在较高的相关性,本申请实施例的处理方式是,预测和判断竞争航司的价格,通过QSI模型计算本航司航班选择概率,根据顾客选择行为分析,对航班吸引力进行分析预测,最终可输出主要竞争航班;通过测算本航司和竞争航司的价格敏感系数,测算价格差距的合理性。通过以上各个条件生成与竞争航班的动态价格,通过动态定价算法计算并生成控舱指令。
在一些实施例中,基于第一目标数据,确定目标航班的航线类型之后,该航空运输控舱方法100可以包括步骤S150。
步骤S150,在航线类型为主导航线的情况下,将第三目标数据输入到预先训练的第二预测模型,得到第二预测结果,第二预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
第三目标数据包括目标航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价。
作为一个示例,第二预测模型可以采用前文中的独立需求模型。
基于顾客选择行为的需求模型能够提供更多关于顾客的信息,比如价格弹性、起飞时间偏好、退改签偏好等,需要顾及的参数也更多,导致在同样数据量的情况下,模型估计的稳定性不如其它信息量更小的模型,比如独立需求模型。独立需求模型的优点只需要历史销售数据,并且因为模型参数较少,所以模型稳定性较高。
请参考图3,本申请实施例提供的航空运输控舱方法,还支持人工干预,在自动化的基础上,引入了灵活的人工干预方法,可以基于用于的修改操作,修改目标运价,从而调整控舱指令。
作为一个示例,在引入人工干预的基础上,步骤S150,可以包括:
步骤S151,响应用户的修改操作,调整目标航班舱位的目标运价;
步骤S152,基于调整后的目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整航线的运价和舱位。
在一些实施例中,第一预测模型需要训练之后才可以应用于该方法,基于此该航空运输控舱方法100在将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果之前还可以包括步骤S160-S170。
步骤S160,获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括一个航班的历史价格数据及与其对应的标签数据,标签数据为航线的销售数量数据;
步骤S170,利用训练样本训练预设的第一预测模型,得到训练后的第一预测模型。
作为一个示例,步骤S160中每个训练样本还可以包括一个航班的市场份额数据、运营时间数据、品牌信息、机型信息、经停航点数据中的至少一种。
本申请实施例提供的航空运输控舱方法,从航司自身优势的角度出发,通过QSI、单条航线市场份额、运力变化幅度、品牌、时刻优势、基地等因素区分出两类航线,即主导航线和竞争航线,针对两种航线分别构建模型,并设计两种航线的转化机制,改善了航空客运收益管理中手工参与过多的问题。本申请实施例提供的技术方案能够自动构建收益模型,提高收益管理的效率,实现收益管理系统自动化、智能化。
基于相同的发明构思,本申请第二方面实施例提供一种航空运输控舱装置。
图5示出了本申请第二方面实施例提供的一种航空运输控舱装置,如图5所示,该航空运输控舱装置500,可以包括:
第一获取模块510,可以用于基于预设周期采集目标航班的第一目标数据,第一目标数据包括目标航班的市场份额数据、运力变化数据、运营时间数据;
航线分析模块550,可以用于基于第一目标数据,确定目标航班的航线类型,目标航班的航线类型为主导航线或竞争航线,主导航线为运价确定过程无需考虑竞争公司的航线,竞争航线为非主导航线的航线;
第一预测模块530,可以用于在航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,第二目标数据包括目标航班和第一航班的信息数据、信息数据为航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价,第一航班的航线与目标航班的航线之间存在至少两个相同的经停航点;
控舱模块540,可以用于基于目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整目标航班的运价和舱位。
在一些实施例中,第一预测模块530,可以包括:
需求预测单元,可以用于将第二目标数据输入需求子模型,得到需求预测结果,需求预测结果包括目标航班多个舱位座位的预期销售数量;
计算单元,可以用于基于目标航班多个舱位的运价及与运价对应座位的预期销售数量,计算目标航班的预期收益;
分析预测单元,可以用于在目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件的情况下,输出第一预测结果,第一预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量。
在一些实施例中,第一预测模块530,可以还可以包括:
第一调整单元,可以用于在目标航班多个舱位座位的预期销售数量不满足第一预设条件或目标航班的预期收益不满足第二预设条件的情况下,基于预设价格调整算法调整目标航班多个舱位中每个舱位对应的运价,得到调整后的第二目标数据;将调整后的第二目标数据返回需求预测单元,直至目标航班多个舱位座位的预期销售数量满足第一预设条件且目标航班的预期收益满足第二预设条件。
在一些实施例中,该航空运输控舱装置500,还可以包括:
第二预测模块450,可以用于基于第一目标数据,确定目标航班的航线类型之后,在航线类型为主导航线的情况下,将第三目标数据输入到预先训练的第二预测模型,得到第二预测结果,第二预测结果包括目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,第三目标数据包括目标航班多个舱位的座位剩余数量及与多个舱位中每个舱位对应的运价。
在一些实施例中,控舱模块540,可以包括:
第二调整单元,可以用于响应用户的修改操作,调整目标航班舱位的目标运价;
指令构建单元,可以用于基于调整后的目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量生成控舱指令,以调整航线的运价和舱位。
在一些实施例中,该航空运输控舱装置500,还可以包括:
样本获取单元,可以用于获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括一个航班的历史价格数据及与其对应的标签数据,标签数据为航线的销售数量数据;
模型训练单元,可以用于利用训练样本训练预设的第一预测模型,得到训练后的第一预测模型。
在一些实施例中,样本获取单元获取的每个训练样本还可以包括一个航班的市场份额数据、运营时间数据、品牌信息、机型信息、经停航点数据中的至少一种。
本申请实施例提供的航空运输控舱装置,可以用于执行上述第一方面各方法实施例提供的航空运输控舱方法,其实现原理和技术效果类似,为简介起见,在此不再赘述。
基于第一方面提供的航空运输控舱方法或第二方面实施例提供的航空运输控舱装置,本申请第三方面实施例提供一种航空公司收益管理系统。
图6示出了本申请第三方面实施例提供的一种航空公司收益管理系统,如图3所示,该航空公司收益管理系统600,可以包括:
控舱装置610,可以用于执行第一方面任一实施例提供的航空运输控舱方法,得到目标航班多个舱位的目标运价及与目标运价对应座位的预期销售数量,以及生成控舱指令以调整目标航班的运价和舱位;
收益预测装置520,可以用于基于目标航班多个舱位中每个舱位已售的座位数量和预期销售的数量,确定目标航班的预期收益。
在一些实施例中,控舱装置610可以是第二方面任一实施例提供的航空运输控舱装置。
本申请实施例提供的航空公司收益管理系统,可以减少不同航线人员管理风格影响,统一管理规则,降低管理成本;基于预设周期多次自动读取管理范围内所有航班的实时数据,完成管理范围内所有航班的舱位全局优化,可多次根据订座变化增量调整有变化的航班控舱策略,减少人力处理时间,减少由于人工反应不及时带来的损失。
基于同一发明构思,本申请实施例还提供了一种电子设备。
图7是本申请实施例提供的一种电子设备的结构示意图。如图7所示,电子设备可以包括处理器701以及存储有计算机程序或指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的任意一种航空运输控舱方法。
在一个示例中,电子设备还可包括通信接口703和总线710。其中,如图7示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、设备、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的航空运输控舱方法,从而实现上述实施例描述的航空运输控舱方法和装置。
另外,结合上述实施例中的航空运输控舱方法,本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有程序指令;该程序指令被处理器执行时实现上述实施例中的任意一种航空运输控舱方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种航空运输控舱方法,其特征在于,包括:
基于预设周期采集目标航班的第一目标数据,所述第一目标数据包括所述目标航班的市场份额数据、运力变化数据、运营时间数据;
基于所述第一目标数据,确定所述目标航班的航线类型,所述目标航班的航线类型为主导航线或竞争航线,所述主导航线为运价确定过程未考虑竞争公司的航线,所述竞争航线为除所述主导航线以外的其他航线;
在所述航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,所述第一预测结果包括所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量,所述第二目标数据包括所述目标航班和第一航班的信息数据,所述信息数据为航班多个舱位的座位剩余数量及与所述多个舱位中每个舱位对应的运价,所述第一航班的航线与所述目标航班的航线之间存在至少两个相同的经停航点;
基于所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量生成控舱指令,以调整所述目标航班的运价和舱位。
2.根据权利要求1所述的方法,其特征在于,所述第一预测模型包括需求子模型;
所述在所述航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,包括:
将所述第二目标数据输入需求子模型,得到需求预测结果,所述需求预测结果包括所述目标航班多个舱位座位的预期销售数量;
基于所述目标航班多个舱位的运价及与所述运价对应座位的预期销售数量,计算所述目标航班的预期收益;
在所述目标航班多个舱位座位的预期销售数量满足第一预设条件且所述目标航班的预期收益满足第二预设条件的情况下,输出第一预测结果,所述第一预测结果包括所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标航班多个舱位的运价及与所述运价对应座位的预期销售数量,计算所述目标航班的预期收益之后,还包括:
在所述目标航班多个舱位座位的预期销售数量不满足第一预设条件或所述目标航班的预期收益不满足第二预设条件的情况下,
基于预设价格调整算法调整所述目标航班多个舱位中每个舱位对应的运价,得到调整后的第二目标数据;
返回执行所述将所述第二目标数据输入需求子模型,直至所述目标航班多个舱位座位的预期销售数量满足第一预设条件且所述目标航班的预期收益满足第二预设条件。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一目标数据,确定所述目标航班的航线类型之后,所述方法还包括:
在所述航线类型为主导航线的情况下,将第三目标数据输入到预先训练的第二预测模型,得到第二预测结果,所述第二预测结果包括所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量,所述第三目标数据包括所述目标航班多个舱位的座位剩余数量及与所述多个舱位中每个舱位对应的运价。
5.根据权利要求1或4任一项所述的方法,其特征在于,所述基于所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量生成控舱指令,以调整所述目标航班的运价和舱位,包括:
响应用户的修改操作,调整所述目标航班舱位的目标运价;
基于调整后的所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量生成控舱指令,以调整所述航线的运价和舱位。
6.根据权利要求1所述的方法,其特征在于,所述在所述航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果之前,所述方法还包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括一个航班的历史价格数据及与其对应的标签数据,所述标签数据为所述航线的销售数量数据;
利用所述训练样本训练预设的第一预测模型,得到训练后的第一预测模型。
7.一种航空运输控舱装置,其特征在于,包括:
第一获取模块,用于基于预设周期采集目标航班的第一目标数据,所述第一目标数据包括所述目标航班的市场份额数据、运力变化数据、运营时间数据;
航线分析模块,用于基于所述第一目标数据,确定所述目标航班的航线类型,所述目标航班的航线类型为主导航线或竞争航线,所述主导航线为运价确定过程无需考虑竞争公司的航线,所述竞争航线为非所述主导航线的航线;
第一预测模块,用于在所述航线类型为竞争航线的情况下,将第二目标数据输入到预先训练的第一预测模型,得到第一预测结果,所述第一预测结果包括所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量,所述第二目标数据包括所述目标航班和第一航班的信息数据、所述信息数据为航班多个舱位的座位剩余数量及与所述多个舱位中每个舱位对应的运价,所述第一航班的航线与所述目标航班的航线之间存在至少两个相同的经停航点;
控舱模块,用于基于所述目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量生成控舱指令,以调整所述目标航班的运价和舱位。
8.一种航空公司收益管理系统,其特征在于,包括:
控舱装置,用于执行权利要求1-7任一项所述的航空运输控舱方法,得到目标航班多个舱位的目标运价及与所述目标运价对应座位的预期销售数量,以及生成控舱指令以调整所述目标航班的运价和舱位;
收益预测装置,用于基于所述目标航班多个舱位中每个舱位已售的座位数量和预期销售的数量,确定所述目标航班的预期收益。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-6任一所述的航空运输控舱方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6任一所述的航空运输控舱方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548484.3A CN113393088A (zh) | 2021-05-19 | 2021-05-19 | 航空运输控舱方法、装置、设备、介质及收益管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548484.3A CN113393088A (zh) | 2021-05-19 | 2021-05-19 | 航空运输控舱方法、装置、设备、介质及收益管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393088A true CN113393088A (zh) | 2021-09-14 |
Family
ID=77618133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110548484.3A Pending CN113393088A (zh) | 2021-05-19 | 2021-05-19 | 航空运输控舱方法、装置、设备、介质及收益管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393088A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897478A (zh) * | 2022-06-06 | 2022-08-12 | 壹沓科技(上海)有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN115953187A (zh) * | 2023-03-10 | 2023-04-11 | 北京航空航天大学 | 基于强化学习的舱位控制和超售方法、装置及电子设备 |
WO2023130617A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 一种航班锁舱时机的评价方法及装置 |
CN116502850A (zh) * | 2023-04-27 | 2023-07-28 | 中国南方航空股份有限公司 | 一种舱位分配方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125431A1 (en) * | 2014-10-27 | 2016-05-05 | Profusion Corp. | Competitive airline market data analysis |
CN107274215A (zh) * | 2017-05-26 | 2017-10-20 | 黑龙江大学 | 航班价格预测方法、装置、设备和存储介质 |
CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
CN111858690A (zh) * | 2020-07-30 | 2020-10-30 | 中国民航信息网络股份有限公司 | 一种航班舱位限制销售数量自动调整方法及系统 |
CN112651671A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种航班舱位调整方法及相关设备 |
-
2021
- 2021-05-19 CN CN202110548484.3A patent/CN113393088A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125431A1 (en) * | 2014-10-27 | 2016-05-05 | Profusion Corp. | Competitive airline market data analysis |
CN107274215A (zh) * | 2017-05-26 | 2017-10-20 | 黑龙江大学 | 航班价格预测方法、装置、设备和存储介质 |
CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
CN111858690A (zh) * | 2020-07-30 | 2020-10-30 | 中国民航信息网络股份有限公司 | 一种航班舱位限制销售数量自动调整方法及系统 |
CN112651671A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种航班舱位调整方法及相关设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023130617A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 一种航班锁舱时机的评价方法及装置 |
CN114897478A (zh) * | 2022-06-06 | 2022-08-12 | 壹沓科技(上海)有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN114897478B (zh) * | 2022-06-06 | 2023-12-22 | 壹沓科技(上海)有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN115953187A (zh) * | 2023-03-10 | 2023-04-11 | 北京航空航天大学 | 基于强化学习的舱位控制和超售方法、装置及电子设备 |
CN116502850A (zh) * | 2023-04-27 | 2023-07-28 | 中国南方航空股份有限公司 | 一种舱位分配方法、装置及设备 |
CN116502850B (zh) * | 2023-04-27 | 2024-04-26 | 中国南方航空股份有限公司 | 一种舱位分配方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393088A (zh) | 航空运输控舱方法、装置、设备、介质及收益管理系统 | |
US5596493A (en) | Method for classifying sale amount characteristics, method for predicting sale volume, method for ordering for restocking, system for classifying sale amount characteristics and system for ordering for restocking | |
Cadarso et al. | Integrated airline scheduling: Considering competition effects and the entry of the high speed rail | |
AU2012265140B2 (en) | Improvements in or relating to a revenue management system and associated method | |
Horowitz | Reconsidering the multinomial probit model | |
JP2020531939A (ja) | 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法 | |
CA2675174A1 (en) | Strategic planning and revenue management system | |
CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
US10430814B2 (en) | System, method and computer program for improved forecasting residual values of a durable good over time | |
Christ | Operationalizing dynamic pricing models: Bayesian demand forecasting and customer choice modeling for low cost carriers | |
US20140058795A1 (en) | System, method and computer program for forecasting residual values of a durable good over time | |
Joo et al. | Temporal distance and price responsiveness: Empirical investigation of the cruise industry | |
EP2960848A1 (en) | Demand prediction apparatus and demand prediction method by the same | |
Chen | Perishable good dynamic pricing under competition: An empirical study in the airline markets | |
Romanenko | Optimization of transfer air transportation system parameters considering fuzzy and stochastic uncertainties | |
Balaiyan et al. | Joint forecasting for airline pricing and revenue management | |
EP3309735A1 (en) | System, method and computer program for improved forecasting residual values of a durable good over time | |
Urban et al. | Modelling the European air transport system: A System Dynamics approach | |
Chen et al. | Consequences of dynamic pricing in competitive airline markets | |
Yao et al. | A ridesharing simulation platform that considers dynamic supply-demand interactions | |
CN112446530A (zh) | 信息处理方法以及信息处理装置 | |
CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
Halmesaari | Interpretable machine learning for prediction of aircraft turnaround times | |
CN110363341A (zh) | 一种客座率基准预测的方法及系统 | |
CN115009744B (zh) | 一种前置仓货物出仓时长预估方法及装置 |
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 |