CN116362788A - 一种新航线开通的预测方法、装置、设备及存储介质 - Google Patents
一种新航线开通的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116362788A CN116362788A CN202310307702.3A CN202310307702A CN116362788A CN 116362788 A CN116362788 A CN 116362788A CN 202310307702 A CN202310307702 A CN 202310307702A CN 116362788 A CN116362788 A CN 116362788A
- Authority
- CN
- China
- Prior art keywords
- market
- tested
- flight
- new
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000010006 flight Effects 0.000 claims description 83
- 238000004590 computer program Methods 0.000 claims description 24
- 230000001419 dependent effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000000638 stimulation 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种新航线开通的预测方法、装置、设备及存储介质。获取新开航线以及航班计划以构建新开航线所属航空公司的航线网络内的若干市场，根据市场的历史旅客量数据预测对应的目标旅客需求总量，并将目标旅客需求总量分摊给每一航空公司每一航班，结合根据获取的历史售票数据和成本因素数据预测得到的每一航班的预测平均票价和预测成本，来计算新开航线所属航空公司的总的边际贡献，以用于评估新开航线。本发明实施例能够通过考虑市场中新开航班对于其他航班的影响，计算新开航线所属航空公司的所有航班的旅客需求、票价和成本，准确计算新开航线所属航空公司的总的边际贡献，使得新开航线的评估更加合理。
Description
技术领域
本发明涉及航空信息技术领域，尤其涉及一种新航线开通的预测方法、装置、设备及存储介质。
背景技术
随着科技和经济的快速发展，飞机出行方式凭其便捷快速的优点越来越受广大群众的青睐，航线数量在快速增加，航空公司对新开航线的决策具有重要的现实意义。
现有的新航线开通的预测方式都围绕在如何通过定义“相近”来直接寻找一条和拟新开的航线相似的航线，找到需要新开航线的两个航站若干距离范围内的机场的旅客的集合，以此确定开哪条航线；或者使用不同的算法如BP、回归、或均值等来直接计算新开航线能够获得的旅客数量。
现有方法只能通过类比的方法，根据相似的航线去预测新开航线的航班情况但并没有考虑市场中其他航班与新开航班之间的相互的影响，影响新开航班开通预测结果的合理性。
发明内容
本发明实施例的目的是提供一种新航线开通的预测方法、装置、设备及存储介质，通过计算新增的新开航线所属航空公司的所有航班的旅客需求、票价和成本，准确计算新开航线所属航空公司的总的边际贡献，能够更加合理地对新开航班进行评估。
为实现上述目的，本发明实施例提供了一种新航线开通的预测方法，包括：
获取新开航线、所述新开航线所在航季的待测航班计划；
根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
作为上述方案的改进，还包括：
获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
作为上述方案的改进，所述机场属性数据包括机场吞吐量、机场类型和机场行政地理区域；所述城市属性数据包括城市经济数据、城市等级和城市人口数据；所述市场维度数据包括旅客量数据和航班量数据。
作为上述方案的改进，所述根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量，具体包括：
对获取的所述待测市场的若干年的历史旅客量数据进行学习，建立时间序列模型以预测所述新开航线开通前的每一所述待测市场的原始旅客需求总量；
对与所述新开航线相同航季的若干个连续两年的历史市场进行分类并通过训练，建立所述新开航线对市场的刺激模型，以预测所述新开航线对每一所述待测市场的旅客需求增量；
针对每一所述待测市场，将所述原始旅客需求总量与所述旅客需求增量相加得到目标旅客需求总量。
作为上述方案的改进，所述针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数，具体包括：
根据所述新开航线和所述待测航班计划，统计所述航线网络中各个待测市场的航班数量；
在每一类别的待测市场群中，以所述航班的飞行属性作为特征，将所述航班在市场中的市场份额作为因变量，计算得到所述航班的飞行属性的竞争力和各个飞行属性的权重值；其中，飞行属性包括出发时间、到达时间、飞行时长、航班类型和航班间隔；
根据所述目标旅客需求总量和所述竞争力，计算每一所述航班的待选旅客需求量；
根据每一所述航班的预设座位数限制，对所述航班的旅客需求进行截断，将饱和航班的溢出旅客数分配至与所述饱和航班的起飞时间相邻的航班，得到每一所述航班的预测需求人数；其中，饱和航班为所述待选旅客需求量大于所述预设座位数限制的航班。
作为上述方案的改进，所述针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本，具体包括：
针对每一所述待测市场群，通过对每一所述待测市场中的航空公司的历史售票数据，以市场平均票价作为因变量，回归得到所述市场平均票价对应的各因子系数；
根据所述因子系数计算出每一所述航班的OD票价；其中，对于直达类型的航班，预测平均票价等于所述OD票价；对于联程类型的航班，通过使用距离对所述OD票价进行比例分摊得到预测平均票价；
针对每一所述航班，将获取的驱动因素乘以预设的单位成本得到预测成本；其中，所述成本因素数据包括所述驱动因素和所述单位成本。
为实现上述目的，本发明实施例还提供了一种新航线开通的预测装置，包括：
待测数据获取模块，用于获取新开航线、所述新开航线所在航季的待测航班计划；
市场构建模块，用于根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
旅客总量计算模块，用于根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
旅客量分配模块，用于针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
票价和成本计算模块，用于针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
贡献值计算模块，用于根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
作为上述方案的改进，所述装置还包括：
历史数据获取模块，用于获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
属性赋予模块，用于根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
市场分类模块，用于根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
为实现上述目的，本发明实施例还提供了一种新航线开通的预测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的新航线开通的预测方法。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的新航线开通的预测方法。
与现有技术相比，本发明实施例公开的一种新航线开通的预测方法、装置、设备及存储介质，首先，获取新开航线、所述新开航线所在航季的待测航班计划，以用于根据所述待测航班计划来构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；然后，通过根据获取的所述待测市场的历史旅客量数据来预测得到与每一待测市场对应的目标旅客需求总量，并针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；接着，针对所述新开航线所属航空公司的所有航班，通过根据获取的历史售票数据和成本因素数据来预测得到每一航班的预测平均票价和预测成本；最后，通过根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本来计算总的边际贡献，以用于评估所述新开航线。本发明实施例能够通过考虑市场中新开航班对于其他航班的影响，计算新增的新开航线所属航空公司的所有航班的旅客需求、票价和成本，准确计算新开航线所属航空公司的总的边际贡献，使得新开航线的评估预测更加合理。
附图说明
图1是本发明一实施例提供的一种新航线开通的预测方法的流程图；
图2是本发明一实施例提供的一种新航线开通的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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作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。
参见图1，是本发明实施例提供的一种新航线开通的预测方法的流程图，所述新航线开通的预测方法包括步骤S1～S6：
S1、获取新开航线、所述新开航线所在航季的待测航班计划；
S2、根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
S3、根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
S4、针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
S5、针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
S6、根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
在步骤S1中，示例性的，读取待预测的航线集合数据，以及需要预测的航线所在航季的航班计划、以及历史同期的航班计划。
值得说明的是，待预测的航线集合中，可包含一条或若干条待预测的新开航线。航线的类型包括直达航线、经停联程航线。航线的信息可以不仅限于航线的起降机场、还包括新开航线细化到航班维度的航班起降时刻、执飞机型及座位数、每周班次。若待预测的航线集合中未提供对应的航班起降时间、执飞机型及座位数，则用缺省值进行补充。
值得说明的是，航线所在航季分为夏秋航季与冬春航季，假设新开航线的预测在2022年冬春季，则对应的未来航班计划是2022年冬春季的航班计划，历史的航班计划则是2021年冬春季、2020年直到2018年若干年的冬春季的航班计划。航班计划包含了本航空公司其航线网络内所有其他航空公司的航班计划。
在步骤S2中，示例性的，通过组合待预测的新开航线以及对应航季的航班计划中的航班，建立待预测的新开航线所在航空公司所涉及的相关具有方向性的市场(市场是航线所在城市对的组合，例如市场A-B和市场B-A为两个市场)。
在步骤S4中，示例性的，根据待测市场中的各航空公司的航班数量、以及航班的座位数量、航班的起降时间、航班类型、将步骤S3中预测得到的市场的旅客需求进行分摊，分摊到每一个航空公司的每一个航班上。
在步骤S6中，示例性的，待预测的新开航线的航班的预测需求人数与航班的预测平均票价的乘积即位该航班的预测收益，该航空公司的所有航班预测收益的和即为该航空公司的总收益，总收益减去该航空公司的所有预测成本即可得到新开航线为所属航空公司带来的总的边际贡献；待预测的某条新开航线的对应航班预测需求人数的平均值为该航线的单班平均需求人数，新开航线的对应航班的预测收益的平均值为该航线的单班平均收益，新开航线平均收益与成本的差值为边际贡献。航空公司可根据预测得到的收益数据对新开航线的可行性进行评估，以更加合理地进行航线网络设计。
在一种优选的实施方式中，还包括步骤S21～S23：
S21、获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
S22、根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
S23、根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
示例性的，获取航线网络内的所有历史市场以及与每一历史市场对应的历史市场属性，匹配新开航线前后的市场，对新开航线前没有航班的待测市场，设置固定的缺省值进行填充，对应的属性有缺失的，以新开航线后的待测市场的属性缺省值进行补充；然后根据待测市场属性(机场属性数据、城市属性数据和市场维度数据中的至少一种)来对待测市场进行市场分类以得到不同类别的待测市场群。
在一种优选的实施方式中，所述机场属性数据包括机场吞吐量、机场类型和机场行政地理区域；所述城市属性数据包括城市经济数据、城市等级和城市人口数据；所述市场维度数据包括旅客量数据和航班量数据。
示例性的，市场属性具体包括该市场历史所有航空公司承运的旅客量、航班量、以及市场的类型(旅游市场、商务市场、混合市场)，待预测航线(新开航线)所在航空公司在市场上的旅客量、航班量，机场的吞吐量、市场两端城市的GDP、城市等级、城市人口；依据机场属性数据(机场维度，具体包括机场的吞吐量、机场类型(千万级、省会与非省会，其他)和行政地理区域(东北、华北、华东、疆内、西北、西南、中南))、城市属性数据(城市维度，具体包括城市GDP、城市等级、城市人口)和市场维度数据(市场维度，具体包括市场中所有航空公司与新开航线所在航空公司的旅客量、航班量等级)中的至少一种，通过k-means聚类分析的方法将市场聚集成不同的种类。
值得说明的是，历史的相关数据为预先存储的数据，若待评估航线所在航空公司相关的起降机场或市场未存在能够匹配的城市属性或市场属性，则设置对应的缺省值进行补充。
在一种优选的实施方式中，步骤S4中的所述根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量，具体包括：
对获取的所述待测市场的若干年的历史旅客量数据进行学习，建立时间序列模型以预测所述新开航线开通前的每一所述待测市场的原始旅客需求总量；
对与所述新开航线相同航季的若干个连续两年的历史市场进行分类并通过训练，建立所述新开航线对市场的刺激模型，以预测所述新开航线对每一所述待测市场的旅客需求增量；
针对每一所述待测市场，将所述原始旅客需求总量与所述旅客需求增量相加得到目标旅客需求总量。
示例性的，对每一个市场在新开航线前的市场的旅客需求总量、新开航线对市场的刺激作用分别进行预测；使用LSTM方法(长短期记忆神经网络)，对各市场的若干年的历史旅客量数据进行学习，建立时间序列模型预测新开航线前的旅客需求总量；使用新开航线相同航季的若干个两年的历史数据，分别使用上述分类方法对市场进行分类，并通过机器学习算法的训练，建立新开航线对市场的刺激模型，预测新开航线对各市场带来的旅客需求增量；将新开航线前的旅客需求总量与新开航线对各市场带来的旅客需求增量相加，得到各市场的预测的新的旅客需求总量(目标旅客需求总量)。
进一步地，所述步骤S3具体包括步骤S31～S33：
S31、使用历史的航班订座及市场需求数据(历史旅客量数据)，对航空公司航线网络范围内的市场需求进行预测；
使用待评估的航空公司电子销售与订座数据对航班的人数与收益进行求和，进而从航班维度得到每个航班的承运人数与收入。计算航空公司在每个航班上的需求人数。由于航班有座位数限制，所以假设航班的需求服从某个分布(正态分布)，结合航班承运人数低于座位数限制的航班，去推断被座位数截断的部分，补全航班需求人数，记为C1。
对相关市场中所能获得的所有航空公司的订座数据进行聚集，获得各市场的各航空公司的订座数，记为C2。
需求放大。通过计算C1与C2中待评估航空公司部分的比例R12，对C2中各市场的总需求进行放大，获得C2中各市场的总需求人数。对于其中缺少待评估航空公司航班的市场，根据前述的市场分类结果，使用分类中的各市场的比例均值进行放大。最后得到的是每个市场历史上的需求人数。
对历史上与待预测新开航线所处航季(夏秋或冬春)同一段时间的各市场的需求，使用LSTM方法建立时间序列模型，对待预测新开航线所在的具体的航季的每个市场的周平均需求人数进行预测。
将完成预测的各市场与待预测新开航线所在的航班计划的航班信息进行匹配，对于未来航班计划中，无预测结果的市场进行补全，并设置一个缺省的市场需求。
S32、对待预测新开航线的所涉及的相关市场，对新开航线能够带来的市场需求增量(旅客需求增量)进行预测，获得新的市场需求预测结果；
S33、对待预测新开航线所涉及的相关市场，用进行增量预测后的新市场需求(目标旅客需求总量)替代原预测市场需求(原始旅客需求总量)。
进一步地，步骤S32具体包括步骤S321～S323：
S321、通过新开航线的出发和到达航站所在城市，包括联程类型航线的中转点，以及新开航线出发航站、到达航站在所预测航季中能够连接上的前序、后序航班的出发航站，到达航站，确定待预测新开航线的相关市场；
S322、使用航线类型、市场属性等特征对航空公司航线网络内的市场实现的分类中，选取数据库中与新开航线所在航季同一类航季的历史市场数据，以及相匹配时间段的航班计划，表征新开航线后的市场需求增量与上述特征之间的关系；
示例性的，假设新开航线的预测在2022年冬春季，在建立模型的过程如下：
分别使用2018年-2021年的各个市场、各月的需求的周均值作为训练数据中的因变量；
分别使用2017年-2020年的各个市场、各月的需求的周均值作为建模所需的训练特征之一；
上述需求之间的对应关系为：2018年2月的需求作为因变量的时候，对应的特征需求为2017年对应月份2月的需求，而当2019年2月的需求作为因变量的时候，对应的特征需求为2018年2月的需求；
建模所需的其他特征包括2018-2021年各市场的始发、到达机场的吞吐量、机场类型(千万级、省会与非省会，其他)和行政地理区域(东北、华北、华东、疆内、西北、西南、中南)，城市维度：包括城市GDP、城市等级、城市人口，市场维度：包括市场中所有航空公司与新开航线所在航空公司的航班量；
例如以2019年2月的需求作为因变量的时候，对应的训练特征为2018年2月各市场的始发、到达机场的吞吐量、市场所在城市的GDP、城市等级、城市人口、以及市场中所有航空公司的航班量、新开航线所在航空公司的航班量、已定义的市场分类，以及2019年2月市场的始发、到达机场的吞吐量、市场中所有航空公司的航班量、新开航线所在航空公司在该市场的航班量；
在建立的训练记录中，通过因变量所在年份月份及特征变量所在年份月份的航班量对市场进行过滤，选取特征变量所在年份月份航班量为0，而因变量所在年份月份航班量大于0的记录，作为机器学习建模的输入；
以上述若干年的因变量及对应特征建立XGBOOST机器学习模型，对新开航线前后的市场需求变化与上述特征之间的关系进行描述。
S323、将待预测新开航线的相关市场的信息输入训练好的模型中，获得这些市场的新的预测旅客需求。
如对2022年2的新开航线市场AAA-BBB进行预测，则在预测阶段，输入模型的特征包括2021年2月的该市场的始发、到达机场的吞吐量、市场所在城市的GDP、城市等级、城市人口、以及市场中所有航空公司的航班量、新开航线所在航空公司的航班量、已定义的市场分类，以及2022年2月市场的始发、到达机场的统计计划吞吐量、市场中该市场中所有航空公司的计划航班量、新开航线所在航空公司在该市场的计划航班量，由模型预测出这些市场的预测旅客需求。
在一种实施方式中，步骤S4中的所述针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数，具体包括：
根据所述新开航线和所述待测航班计划，统计所述航线网络中各个待测市场的航班数量；
在每一类别的待测市场群中，以所述航班的飞行属性作为特征，将所述航班在市场中的市场份额作为因变量，计算得到所述航班的飞行属性的竞争力和各个飞行属性的权重值；其中，飞行属性包括出发时间、到达时间、飞行时长、航班类型和航班间隔；
根据所述目标旅客需求总量和所述竞争力，计算每一所述航班的待选旅客需求量；
根据每一所述航班的预设座位数限制，对所述航班的旅客需求进行截断，将饱和航班的溢出旅客数分配至与所述饱和航班的起飞时间相邻的航班，得到每一所述航班的预测需求人数；其中，饱和航班为所述待选旅客需求量大于所述预设座位数限制的航班。
示例性的，步骤S4具体包括步骤S41～S44：
S41、根据新开航线的信息以及对应航班计划中的航班信息，统计航线网络中各市场中的航班数量；
S42、将市场依据上述的分类方式进行分类，在各分类中分别建立逻辑回归模型，将航班或航班组合的属性(包括航班的出发时间、到达时间、飞行时间、航班类型直达联程、联程航班的间隔时间)的组合作为特征，将航班在市场中的市场份额作为因变量，建立逻辑回归模型，得到航班或航班组合的属性值在市场中的竞争力，并且通过逻辑回归算法得到各属性的权重值；
同一个市场中的航班竞争力的占比，即各航班及航班组合的旅客需求比例；
如市场AAA-BBB里面有六个航班F1、F2、F31、F32、F33，其中包括待评估新开航线的航班F31、F32、F33，航班F1的竞争力为0.2、F2的竞争力为0.3、F31的竞争力为0.3、F32的竞争力为0.31、F33的竞争力均为0.29，则新开航线的航班F3的旅客需求占比为0.3/(0.2+0.3+0.3+0.31+0.29)＝0.214。
S43、将预测的市场旅客需求，与该市场中各航班或航班组合的旅客需求比例相乘，得到的就是各航班或航班组合的旅客需求(待选旅客需求量)；
如市场AAA-BBB的市场旅客需求为使用S423中步骤的预测结果1500人/周，而该市场中新开航线航班F3的旅客需求比例为S52中计算得到的0.214，则航班F3的旅客需求为1500*0.214＝321人/周。
S44、根据各航班的座位数限制，对航班的旅客需求进行截断，得到各航班最终能够获得的旅客需求(预测需求人数)。
如市场AAA-BBB中的新开航线的航班F3每周执飞3班、每班的座位数为200座，则最终该航班的旅客需求为200人；若航班F3的座位数为340座，则最终该航班的旅客需求为321人。若该航班的预测旅客人数过座位数限制，则溢出的预测旅客数会根据起飞时间的先后，溢出至当前航班前后相邻的航班上。
在一种实施方式中，所述针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本，具体包括：
针对每一所述待测市场群，通过对每一所述待测市场中的航空公司的历史售票数据，以市场平均票价作为因变量，回归得到所述市场平均票价对应的各因子系数；
根据所述因子系数计算出每一所述航班的OD票价；其中，对于直达类型的航班，预测平均票价等于所述OD票价；对于联程类型的航班，通过使用距离对所述OD票价进行比例分摊得到预测平均票价；
针对每一所述航班，将获取的驱动因素乘以预设的单位成本得到预测成本；其中，所述成本因素数据包括所述驱动因素和所述单位成本。
示例性的，以上述市场分类为基础，通过对每一个市场中历史的航空公司的电子客票销售数据，以市场的平均票价作为因变量，建立XGBOOST机器学习模型，回归出平均票价对应的各因子系数；
对市场中的所有航班，通过带入上述因子的系数，计算出对应航班的OD票价，对于直达类型的航班，航班的票价即等于OD票价；对于联程类型的航班，通过使用距离进行比例分摊，得到航空公司各航班航节的票价作为预测平均票价。
航线航班的成本为驱动因素乘以单位成本，驱动因素包括起降机场、距离、轮挡时间、机型；单位成本在单位成本数据库中进行维护，在模型中作为输入。两者相乘，即为航节的每一项成本。
参见图2所示，本发明实施例还提供一种新航线开通的预测装置，包括：
待测数据获取模块11，用于获取新开航线、所述新开航线所在航季的待测航班计划；
市场构建模块12，用于根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
旅客总量计算模块13，用于根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
旅客量分配模块14，用于针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
票价和成本计算模块15，用于针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
贡献值计算模块16，用于根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
在一种实施方式中，所述装置还包括：
历史数据获取模块，用于获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
属性赋予模块，用于根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
市场分类模块，用于根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
值得说明的是，具体的所述新航线开通的预测装置的工作过程可参考上述实施例中所述新航线开通的预测方法的工作过程，在此不再赘述。
与现有技术相比，本发明实施例公开的一种新航线开通的预测方法、装置、设备及存储介质，首先，获取新开航线、所述新开航线所在航季的待测航班计划，以用于根据所述待测航班计划来构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；然后，通过根据获取的所述待测市场的历史旅客量数据来预测得到与每一待测市场对应的目标旅客需求总量，并针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；接着，针对所述新开航线所属航空公司的所有航班，通过根据获取的历史售票数据和成本因素数据来预测得到每一航班的预测平均票价和预测成本；最后，通过根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本来计算总的边际贡献，以用于评估所述新开航线。本发明实施例能够通过考虑市场中新开航班对于其他航班的影响，计算新增的新开航线所属航空公司的所有航班的旅客需求、票价和成本，准确计算新开航线所属航空公司的总的边际贡献，使得新开航线的评估预测更加合理。
本发明实施例还提供一种新航线开通的预测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述新航线开通的预测方法实施例中的步骤，例如图1中所述的步骤S1～S6；或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述新航线开通的预测设备中的执行过程。例如，所述计算机程序可以被分割成多个模块。
各个模块具体的工作过程可参考上述实施例所述的新航线开通的预测装置的工作过程，在此不再赘述。
所述新航线开通的预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述新航线开通的预测设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是新航线开通的预测设备的示例，并不构成对新航线开通的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述新航线开通的预测设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述新航线开通的预测设备的控制中心，利用各种接口和线路连接整个新航线开通的预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述新航线开通的预测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述新航线开通的预测设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种新航线开通的预测方法，其特征在于，包括：
获取新开航线、所述新开航线所在航季的待测航班计划；
根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
2.如权利要求1所述的新航线开通的预测方法，其特征在于，还包括：
获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
3.如权利要求2所述的新航线开通的预测方法，其特征在于，所述机场属性数据包括机场吞吐量、机场类型和机场行政地理区域；所述城市属性数据包括城市经济数据、城市等级和城市人口数据；所述市场维度数据包括旅客量数据和航班量数据。
4.如权利要求2所述的新航线开通的预测方法，其特征在于，所述根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量，具体包括：
对获取的所述待测市场的若干年的历史旅客量数据进行学习，建立时间序列模型以预测所述新开航线开通前的每一所述待测市场的原始旅客需求总量；
对与所述新开航线相同航季的若干个连续两年的历史市场进行分类并通过训练，建立所述新开航线对市场的刺激模型，以预测所述新开航线对每一所述待测市场的旅客需求增量；
针对每一所述待测市场，将所述原始旅客需求总量与所述旅客需求增量相加得到目标旅客需求总量。
5.如权利要求2所述的新航线开通的预测方法，其特征在于，所述针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数，具体包括：
根据所述新开航线和所述待测航班计划，统计所述航线网络中各个待测市场的航班数量；
在每一类别的待测市场群中，以所述航班的飞行属性作为特征，将所述航班在市场中的市场份额作为因变量，计算得到所述航班的飞行属性的竞争力和各个飞行属性的权重值；其中，飞行属性包括出发时间、到达时间、飞行时长、航班类型和航班间隔；
根据所述目标旅客需求总量和所述竞争力，计算每一所述航班的待选旅客需求量；
根据每一所述航班的预设座位数限制，对所述航班的旅客需求进行截断，将饱和航班的溢出旅客数分配至与所述饱和航班的起飞时间相邻的航班，得到每一所述航班的预测需求人数；其中，饱和航班为所述待选旅客需求量大于所述预设座位数限制的航班。
6.如权利要求2所述的新航线开通的预测方法，其特征在于，所述针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本，具体包括：
针对每一所述待测市场群，通过对每一所述待测市场中的航空公司的历史售票数据，以市场平均票价作为因变量，回归得到所述市场平均票价对应的各因子系数；
根据所述因子系数计算出每一所述航班的OD票价；其中，对于直达类型的航班，预测平均票价等于所述OD票价；对于联程类型的航班，通过使用距离对所述OD票价进行比例分摊得到预测平均票价；
针对每一所述航班，将获取的驱动因素乘以预设的单位成本得到预测成本；其中，所述成本因素数据包括所述驱动因素和所述单位成本。
7.一种新航线开通的预测装置，其特征在于，包括：
待测数据获取模块，用于获取新开航线、所述新开航线所在航季的待测航班计划；
市场构建模块，用于根据所述待测航班计划构建所述新开航线所属航空公司的航线网络内的具有方向性的待测市场；
旅客总量计算模块，用于根据获取的所述待测市场的历史旅客量数据预测得到与每一待测市场对应的目标旅客需求总量；
旅客量分配模块，用于针对每一待测市场，基于所述待测航班计划，根据所述目标旅客需求总量为与所述待测市场对应的每一航空公司的每一航班分配对应的预测需求人数；
票价和成本计算模块，用于针对所述新开航线所属航空公司的所有航班，根据获取的历史售票数据和成本因素数据预测得到每一航班的预测平均票价和预测成本；
贡献值计算模块，用于根据所述新开航线所属航空公司的所有航班的预测需求人数、预测平均票价和预测成本计算总的边际贡献，以用于评估所述新开航线。
8.如权利要求7所述的新航线开通的预测装置，其特征在于，还包括：
历史数据获取模块，用于获取所述航线网络内的若干历史市场以及与每一所述历史市场对应的历史市场属性；
属性赋予模块，用于根据所述历史市场和所述历史市场属性为每一所述待测市场赋予对应的待测市场属性；其中，所述待测市场属性包括机场属性数据、城市属性数据和市场维度数据中的至少一种；
市场分类模块，用于根据所述待测市场属性对所有所述待测市场进行分类以得到不同类别的待测市场群。
9.一种新航线开通的预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的新航线开通的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的新航线开通的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310307702.3A CN116362788B (zh) | 2023-03-27 | 2023-03-27 | 一种新航线开通的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310307702.3A CN116362788B (zh) | 2023-03-27 | 2023-03-27 | 一种新航线开通的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362788A true CN116362788A (zh) | 2023-06-30 |
| CN116362788B CN116362788B (zh) | 2024-01-30 |
Family
ID=86916005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310307702.3A Active CN116362788B (zh) | 2023-03-27 | 2023-03-27 | 一种新航线开通的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362788B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8504402B1 (en) * | 2009-06-26 | 2013-08-06 | Southwest Airlines Co. | Schedule optimization using market modeling |
| US20150279217A1 (en) * | 2014-03-28 | 2015-10-01 | General Electric Company | System and method for determining aircraft payloads to enhance profitability |
| US20150371245A1 (en) * | 2014-06-20 | 2015-12-24 | Diio, Llc | Airline Sales Forecasting and Budgeting Tool |
| CN110363433A (zh) * | 2019-07-17 | 2019-10-22 | 携程旅游网络技术（上海）有限公司 | 新开航线的评估方法、系统、电子设备和介质 |
| CN111008736A (zh) * | 2019-11-28 | 2020-04-14 | 海南太美航空股份有限公司 | 用于新航线的开通决策方法及系统 |
| CN111062556A (zh) * | 2019-10-28 | 2020-04-24 | 海南太美航空股份有限公司 | 一种新开航线价值判定方法及系统 |
| CN111126745A (zh) * | 2019-10-28 | 2020-05-08 | 海南太美航空股份有限公司 | 一种新开航线收益预测方法及系统 |
| CN111582592A (zh) * | 2020-05-12 | 2020-08-25 | 南京财经大学 | 一种区域机场群航线网络优化方法 |
| CN111680833A (zh) * | 2020-05-28 | 2020-09-18 | 悠桦林信息科技(上海)有限公司 | 航班计划自动编排方法 |
| CN112801455A (zh) * | 2020-12-31 | 2021-05-14 | 携程旅游网络技术（上海）有限公司 | 航班密度调整方法、系统、电子设备和存储介质 |
| US20220028284A1 (en) * | 2020-07-23 | 2022-01-27 | Airbus Sas | Aircraft pairing tool for formation flight |
-
2023
- 2023-03-27 CN CN202310307702.3A patent/CN116362788B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8504402B1 (en) * | 2009-06-26 | 2013-08-06 | Southwest Airlines Co. | Schedule optimization using market modeling |
| US20150279217A1 (en) * | 2014-03-28 | 2015-10-01 | General Electric Company | System and method for determining aircraft payloads to enhance profitability |
| US20150371245A1 (en) * | 2014-06-20 | 2015-12-24 | Diio, Llc | Airline Sales Forecasting and Budgeting Tool |
| CN110363433A (zh) * | 2019-07-17 | 2019-10-22 | 携程旅游网络技术（上海）有限公司 | 新开航线的评估方法、系统、电子设备和介质 |
| CN111062556A (zh) * | 2019-10-28 | 2020-04-24 | 海南太美航空股份有限公司 | 一种新开航线价值判定方法及系统 |
| CN111126745A (zh) * | 2019-10-28 | 2020-05-08 | 海南太美航空股份有限公司 | 一种新开航线收益预测方法及系统 |
| CN111008736A (zh) * | 2019-11-28 | 2020-04-14 | 海南太美航空股份有限公司 | 用于新航线的开通决策方法及系统 |
| CN111582592A (zh) * | 2020-05-12 | 2020-08-25 | 南京财经大学 | 一种区域机场群航线网络优化方法 |
| CN111680833A (zh) * | 2020-05-28 | 2020-09-18 | 悠桦林信息科技(上海)有限公司 | 航班计划自动编排方法 |
| US20220028284A1 (en) * | 2020-07-23 | 2022-01-27 | Airbus Sas | Aircraft pairing tool for formation flight |
| CN112801455A (zh) * | 2020-12-31 | 2021-05-14 | 携程旅游网络技术（上海）有限公司 | 航班密度调整方法、系统、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨茜斐: "广州—多伦多航线市场可行性分析报告", 《民航管理》, pages 18 - 22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362788B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dandl et al. | Evaluating the impact of spatio-temporal demand forecast aggregation on the operational performance of shared autonomous mobility fleets | |
| Jacquillat et al. | A roadmap toward airport demand and capacity management | |
| Adler et al. | Benchmarking airports from a managerial perspective | |
| Abed et al. | An econometric analysis of international air travel demand in Saudi Arabia | |
| Fernandes et al. | Efficient use of airport capacity | |
| Echaniz et al. | Modelling perceived quality for urban public transport systems using weighted variables and random parameters | |
| Salling et al. | Assessment of large transport infrastructure projects: The CBA-DK model | |
| Chakrabarti | The demand for reliable transit service: New evidence using stop level data from the Los Angeles Metro bus system | |
| Liu et al. | MOVES-Matrix for high-performance on-road energy and running emission rate modeling applications | |
| Carmona-Benítez et al. | An Econometric Dynamic Model to estimate passenger demand for air transport industry | |
| CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
| Kaczorek et al. | Fuzzy logic as a decision-making support tool in planning transport development | |
| Ripoll-Zarraga et al. | Exploring the reasons for efficiency in Spanish airports | |
| Santos et al. | Long-term evolution of airport networks: Optimization model and its application to the United States | |
| Petrik et al. | Uncertainty analysis of an activity-based microsimulation model for Singapore | |
| Narayan et al. | Fleet size determination for a mixed private and pooled on-demand system with elastic demand | |
| Bokor et al. | Improved cost management at small and medium sized road transport companies: case Hungary | |
| Alkharabsheh et al. | Analyzing public travel demand by a fuzzy analytic hierarchy process model for supporting transport planning | |
| CN116362788B (zh) | 一种新航线开通的预测方法、装置、设备及存储介质 | |
| Sun et al. | Coordinated airport facility development under uncertainty | |
| Ruch et al. | The impact of fleet coordination on taxi operations | |
| Tokosh et al. | Delivery by Drone: Estimating Market Potential and Access to Consumers from Existing Amazon Infrastruture | |
| Ripoll-Zarraga | Airports’ public infrastructure and sources of inefficiency | |
| Yirgu et al. | Airport choices and resulting catchments in the US Midwest | |
| Caetano et al. | Criteria prioritization for investment policies in General Aviation aerodromes |
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 |