— befare. Jie. espiratinn af ¡lie lime, liinil far aine.ndmg ¡he r lwo-lelier cride and ot er ahbreviations. refer tn ¡he "Guid- ílt'ims and lo be repubiished in ¡he. .nl af rece.ipi af íitwe N les on Cades a j Abbreviulioim" appearing al die begin- ame dtne.i s ing of e h regidor issue. afilie PCT Guze.tle. (88) Dale ? uliliuulion «f llie inLcrnulionnl scarch rcporl: 25 Maich 2004
METODO Y SISTEMA PARA INFERENCIA DE PREDICCION DE DEMANDA DE PASAJERO DE ORIGEN-DESTINO
CAMPO DE LA INVENCION La presente invención se relaciona con el campo de la administración de ingresos. En particular, la presente invención puede tener acceso a predicciones de demanda de pasajeros no restringidas al nivel del segmento de vuelo disponible para todos los segmentos de vuelo programados en la red de una aerolínea y demandas de pasajeros a nivel de origen-destino históricas para todos los pares origen-destinos servidos por la aerolínea y calcular las predicciones de demandas de pasajeros no restringidas para todos los productos de servicio disponibles en programa de vuelo de la red de la aerolínea. Esto permite a la aerolínea tener mejores datos para maximizar los ingresos de la venta de su inventario de productos de servicio.
ANTECEDENTES DE LA INVENCION El crecimiento en el negocio de transportación, y en particular, la industria de las líneas aéreas ha dado como resultado el incremento del uso de computadoras anfitrionas de reservación central para proporcionar información sobre programas, vuelos, precios, y 2
disponibilidad sobre una base de petición en tiempo real. Históricamente, la respuesta de una computadora anfitriona a peticiones de consumidores sobre productos de servicio es soportada dando acceso a su categoría de valor y la disponibilidad de segmento de vuelo correspondiente almacenada en una base de datos de almacenación central. Aunque los sistemas anteriores, como el ya descrito, han proporcionado la administración de ingresos de aerolíneas a nivel de segmento de vuelo, ellas han probado ser muy ineficientes, puesto que los pasajeros típicamente solicitan productos de servicio con origen y destino más que por segmento de vuelo, y las aerolíneas típicamente dan precios de servicio por origen y destino también. Un sistema de administración de ingresos de origen-destino (ODRMS) proporciona una capacidad de administración de ingresos mejorada para aerolíneas apalancando el valor derivado de la información de origen-destino (OD) de pasajeros. Esto permite que el control de administración de ingresos se alinee mejor con la forma en que los pasajeros planean su viaje y la forma en que las aerolíneas valoran sus productos de servicio. Para comprender la distinción entre segmentos de vuelo, pares de OD y productos de servicio que unen un par de OD, puede ser apropiado un ejemplo. Un pasajero 3
solicita el servicio de viaje de Atlanta, Georgia (ATL) a Los Angeles, California (LAX) . Dependiendo de la disponibilidad, una aerolínea puede ofrecer varios productos de servicio para satisfacer la petición: (1) un vuelo ATL-LAX sin escalas, o (2) un itinerario con una escala en Dallas, Texas (DFW) que consiste de los segmentos de vuelo ATL-DFW y DFW-LAX. Aunque el ATL-LAX es un par de OD en cualesquier opciones del producto de servicio, el producto de servicio en la opción (1) consiste de un segmento de vuelo, mientras que el producto de servicio en la opción (2) consiste de dos segmentos de vuelo. Central a una ODRMS típica se encuentra un componente que produce precios aceptables mínimos por cada producto de servicio que una aerolínea vende optimizando el ingreso total por un programa de vuelos de una red de línea aérea. Este componente toma como entrada el programa de vuelos de la red de una aerolínea, los precios del producto de servicio y el pronostico de demanda del pasajero no restringida para todos los productos de servicio disponibles. El término predicción de demanda no restringida se refiere a una predicción de demanda inferida de las demandas que son observadas (por ejemplo, flujo de pasajeros) , y demandas no observadas (por ejemplo, pasajeros no acomodados debido a capacidad 4
limitada) . Además de las predicciones de demanda de pasajeros no restringidas de productos de servicio, la aerolínea tiene casi un control total sobre el resto de los componentes alimentados puesto que esos son predeterminados por la línea aérea. Debe decirse, sin embargo, que pronosticar demandas de pasajeros por un producto de servicio de una aerolínea no es una tarea trivial . Actualmente, la mayoría de las aerolíneas tienen sistemas de administración de ingresos de red en su lugar, los cuales pronostican demandas de pasajeros o restringidas al nivel de segmento. Como se discutió al principio, sin embargo, para determinar los precios aceptables mínimos para productos de servicio de origen-destino en un ODRMS, se requieren predicciones a nivel de producto de servicio a nivel de origen-destino. La capacidad de inferir predicciones de demandas no restringidas a nivel del producto de servicio de predicciones de demanda no restringidas a nivel de segmento es atractiva y permite mejorar los sistemas actualmente activos para usarse en un ODRMS con un costo mínimo y utilización máxima de los sistemas existentes. Los ODRMS anteriores intentaban inferir la demanda no restringida a nivel del producto de servicio a partir de la demanda no restringida a nivel de segmento usando la técnica conocida como análisis sintáctico. En el método de análisis sintáctico, el sistema usa datos históricos para determinar los porcentajes que representan la proporción de la demanda al nivel de segmento que es atribuible a un producto de servicio de OD particular usando un segmento. De los porcentajes, puede ser derivada la predicción de demanda no restringida a nivel del producto de servicio. En algunos casos, las predicciones de demanda no restringidas a nivel de producto de servicio conflictivas pueden ser derivadas analizando sintácticamente diferentes segmentos usados por el mismo producto de servicio. Los métodos usados para reconciliar las predicciones de demanda conflictivas incluyen seleccionar la predicción de demanda mínima, seleccionando la predicción de demanda máxima, tomando una media ponderada de las predicciones variantes, o tomando la mediana de las predicciones variantes. En la práctica, ninguno de esos métodos de reconciliación son satisfactorios puesto que las predicciones de demanda no restringidas del producto de servicio se vuelven inconsistentes con las predicciones de demanda no restringidas a nivel de segmento y de este modo, menos exactas. Los sistemas anteriores tampoco toman en cuenta las preferencias del consumidor de productos de servicio disponibles que unan un par de OD en la determinación de las predicciones de demanda no restringidas a nivel del producto de servicio. En vista de lo anterior, existe la necesidad de un sistema de inferencia de predicción de demanda no restringida de producto de servicio de origen-destino mejorado en el campo de la administración de ingresos.
SUMARIO DE LA INVENCION Un sistema de programas y sistemas de programación de administración de ingresos de origen-destino (OD) de aerolíneas soporta decisiones para aceptar o negar peticiones de reservación de asientos de una línea aérea comparando el precio por la petición con un precio aceptable mínimo predeterminado por el sistema. Para determinar el precio aceptable mínimo, el sistema típicamente resuelve un problema de optimización que acepta como entradas el programa de vuelo de la red de las aerolíneas, a precios de productos de servicio, predicción de demanda de pasajeros no restringida para todos los productos de servicio disponibles para su reservación en la red de vuelos de la línea aérea, y capacidad disponible sobre cada uno de los segmentos de vuelo programados de la aerolínea. Los métodos y sistemas de la invención descritos aquí proporcionan medios para tener acceso a un almacén 7
de información localizado centralmente y recuperar el tipo de recurso del inventario e información valiosa en un ambiente de ejecución que permite la determinación de una demanda no restringida del producto de servicio de origen-destino estimada para un origen, destino y producto de servicio dados. De este modo, un aspecto de la presente invención es proporcionar un ambiente de ejecución que estima mejor la demanda no restringida por todos los productos de servicio entre un origen y un destino sobre la base de una predicción al nivel de segmento, demanda histórica, productos de servicio disponibles, programa de vuelos actual, y preferencia de consumidor histórica. La presente invención soporta un cálculo de una demanda no restringida de productos de servicio de origen-destino estimada. La demanda no restringida de productos de servicio de origen-destino estimada representa la demanda del consumidor por un producto de servicio de origen-destino. Además, la demanda es denotada como una demanda no restringida debido a que típicamente incluye el número de consumidores que reservarán un vuelo desde la ciudad de origen hasta la ciudad de destino y aquellos consumidores a los que no se les puede negar una oportunidad a reservar un vuelo o elegir no reservar un vuelo.
8
El cálculo comienza recuperando una predicción de demanda no restringida al nivel de segmento por cada segmento dentro de un par origen-destino. La predicción al nivel segmento puede ser recuperada de uno o más sistemas de predicción conectados a una red de computadora y representa la demanda del consumidor por un segmento. La descripción de la diferencia entre un segmento de vuelo, un par de OD y productos de servicio que une un par de OD puede ser comprendida mejor a partir de un ejemplo representativo para el campo de transportación aérea. Un pasajero solicita servicio de viaje de Atlanta (ATL) a Los Angeles (LAX) . Dependiendo de la disponibilidad, una línea aérea puede ofrecer varios productos de servicio para satisfacer la petición (1) un vuelo ATL-LAX sin escala, o (2) un itinerario con una escala en Dallas (DFW) consistente de dos segmento de vuelo ATL-DFW y DFW-LAX . Aunque el ATL-LAX es el par de OD en cualesquier opciones de producto de servicio, el producto de servicio en la opción (1) consiste de un segmento de vuelo, mientras que el producto de servicio en la opción (2) consiste de dos segmentos de vuelo. Una preferencia del consumidor por productos de servicio que unan un par de origen-destino puede ser generada por un analizador de preferencias del producto del consumidor, conectado a la red de computadoras. El 9
analizador puede ser implementado con una computadora de análisis de preferencia de productos. La preferencia típicamente representa la probabilidad de que el consumidor que viaje sobre un par origen-destino particular use un producto de servicio particular, en forma de una matriz. La preferencia puede ser generada usando datos de pasajero históricos almacenados en un conjunto de bases de datos información conectados a la red de computadoras. La base de datos de información típicamente representa una base de datos de registro de nombres de pasajeros que comprende fechas de partida, origen del vuelo, destino del vuelo, tiempo de partida, clase de servicio, segmentos de vuelo, cantidad pagada por un consumidor por el producto de servicio, y demanda de pares origen-destino históricas. Entonces puede determinarse el programa de vuelos de la red dentro del analizador. El programa de vuelos de la red típicamente representa una determinación de si un producto de servicio usa un segmento de vuelo particular. El programa puede ser generado analizando y comparando información obtenida de las preferencias del consumidor por productos de servicio de origen-destino y la información del vuelo programado derivada de la descripción de la predicción de demanda no restringida a nivel de segmento. Una demanda de par de origen-destino histórica 10
puede entonces ser recuperada de un conjunto de bases de datos de información conectadas a la red de computadoras. Esas bases de datos típicamente representan la base de datos de reservación y la base de datos de registro de nombres de pasajeros. Las demandas de pares de origen-destino históricas pueden ser denotadas como un vector que represente niveles de demanda por pares de origen-destino servidos por la aerolínea. Una demanda de pasajeros de origen-destino histórica escalada puede ser determinada sobre la base de la demanda de origen-destino histórica y una determinación de si el destino es un destino importante para el origen. La determinación de la importancia es afectada típicamente por una comparación de la demanda histórica de un origen a un destino en comparación con la demanda histórica total de todos los productos que se originan desde la ciudad de origen. Una demanda de pasajeros de origen-destino histórica que es calculada puede ser usada en lugar de la demanda de pasajeros de origen-destino histórica en el método continuo. Pueden determinarse una demanda no restringida de origen-destino y esta es representada típicamente por una demanda no restringida de pares origen-destino estimada. La demanda no restringida de pares de origen-destino estimada puede ser generada por un determinador 11
de predicción de demanda conectado a una red de computadoras. El determinador de la predicción de demanda es implementado típicamente por una computadora de inferencia de predicción de origen-destino. La demanda no restringida de origen-destino estimada representa el nivel de demanda futuro por un par de origen-destino, sin referencia al producto de servicio elegido por el consumidor. La demanda no restringida de origen-destino estimada es determinada típicamente resolviendo un problema de optimización de mínimos cuadrados representado como un programa cuadrático. El programa cuadrático puede aceptar como sus entradas: la predicción de demanda no restringida a nivel de segmento, preferencia del consumidor de un producto de servicio de origen-destino, demanda de par de origen-destino histórica, y programa de vuelos de la red. El programa cuadrático también puede aceptar la entrada adicional de un factor de ajuste de demanda histórica. El factor de ajuste de demanda histórica es alimentado típicamente por el administrador de inventario desde la terminal de entrada del usuario y puede ser usado para ajustar la importancia relativa de las demandas observadas de origen-destino históricas contra estimaciones de demanda no restringida de segmento futuras. Una demanda no restringida de productos de servicio de origen-destino estimada pude ser generada por la computadora de inferencia de predicción de origen-destino. La computadora de inferencia puede usar la demanda no restringida de origen-destino estimada y la preferencia del consumidor por productos dentro de un par de origen-destino para generar la demanda no restringida de productos de servicio de origen-destino estimada.
BREVE DESCRIPCION DE LOS DIBUJOS Para una comprensión más completa de la presente invención y las ventajas de la misma, ahora se hace referencia a la siguiente descripción en conjunto con los dibujos acompañantes en los cuales: La Figura 1 es un diagrama de bloques de un sistema de computadora de administración de ingresos construido de acuerdo con una modalidad ejemplar de la presente invención; La Figura 2 es un diagrama de flujo que ilustra los pasos de un proceso para la administración de ingreso de una acuerdo con una modalidad ejemplar de la presente invención; La Figura 3 es un diagrama de flujo que ilustra un proceso para recolectar el Programa de Vuelos de la Red, N, de acuerdo con una modalidad ejemplar de la presente invención;
Las Figuras 4-12 son un conjunto de diagramas de flujo que ilustran un proceso para calcular una Demanda
de Par de Origen-destino Histórica Escalada, w , de acuerdo con una modalidad ejemplar de la presente invención; La Figura 13 es un diagrama de flujo que ilustra el proceso para calcular la Demanda no Restringida de Origen-Destino Estimada, w, de acuerdo con una modalidad ejemplar de la presente invención; y La Figura 14 es un diagrama de flujo que ilustra un proceso para calcular la Demanda no Restringida de Producto de Servicio de Origen-Destino Estimada, d, de acuerdo con una modalidad ejemplar de la presente invención .
DESCRIPCION DETALLADA DE LAS MODALIDADES EJEMPLARES La presente invención soporta una determinación de una nueva predicción de demanda por todos los productos de servicio de origen-destino disponibles en la red de vuelos programada de una aerolínea como puede comprenderse más fácil con referencia al sistema 100 de la Figura 1. La Figura 1 es un diagrama de bloques que ilustra un sistema de computadora de administración de ingreso 100 construida de acuerdo con una modalidad ejemplar de la presente invención. El sistema de 14
administración de ingresos ejemplar 100 comprende una base de datos de reservación 105, una base de datos de registro de nombres de pasajeros 110, una computadora de predicción de demanda no restringida a nivel de segmento 115, una computadora de análisis de preferencia de productos 120, una terminal de entrada de usuario 125, y una computadora de inferencia de predicción de origen-destino 130. La base de datos de reservación 105 es unida de manera comunicada vía una red de computadoras a la base de datos de registro de nombres de pasajeros 110, la computadora de predicción a nivel de segmento 115 y la computadora de inferencia de predicción de origen-destino 130. La base de datos de reservación 105 típicamente contiene información de productos disponibles incluyendo, pero sin limitarse a, fecha de partida, origen del vuelo, destino del vuelo, tiempo de partida, cantidad pagada por el consumidor por el producto de servicio de origen-destino, clase de servicio, demanda de segmento de vuelo histórica, y otra información de segmento de vuelo relevante. La base de datos de reservación 105 puede transmitir información a la base de datos de registro de nombres de pasajeros 110 incluyendo, pero sin limitarse a, fecha de partida, origen y destino del vuelo, tiempo de partida, clase de servicio, cantidad pagada por el 15
consumidor por un producto de servicio de origen-destino, y otra información de segmento de vuelo relevante. La base de datos de reservación 105 también puede transmitir información a la computadora de predicción de demanda no restringida a nivel de segmento 115, incluyendo pero sin limitarse a demanda de segmento de vuelo histórica, tiempo de partida y fecha de segmentos de vuelo, y otra información del segmento de vuelo relevante. La base de datos de reservación 105 también puede transmitir infamación a la computadora de inferencia de predicción de origen-destino 130, incluyendo pero sin limitarse a, ciudades de origen y ciudades de destino. La base de datos de reservación 105 puede ser implementada por uno o varios sistemas de reservación centrales, como aquellos operados o soportados por AMERICAN AIRLINES, INC., SABRE, EDS, SYSTEM ONE, COVIA, ORLDSPAN, o cualquier otro sistema de reservación central similar. La base de datos de registro de nombres de pasajeros 110 está unida por comunicación a la base de datos de reservación 105, la computadora de análisis de preferencia de productos 120, y la computadora de inferencia de predicción de origen-destino 130 vía una red de computadoras. La base de datos de registro de nombres de pasajero 110 contiene registros de transacciones históricas que son actualizados en un ciclo 16
de mantenimiento periódico. Los registros de transacción históricos típicamente contienen información, incluyendo, pero sin limitarse, a nombre de un consumidor, segmentos de vuelo comprados, horas y fechas de partida, clase de servicio, cantidades pagadas por productos de servicio de origen-destino anteriores, productos de servicio de origen-destino, pares de origen-destino y demanda de par de origen-destino histórica. La base de datos de registro de nombres de pasajeros 110 puede proporcionar además un mecanismo para determinar los productos de servicio de origen-destino y los pares de origen-destino sobre la base de la información recibida por comunicación desde la base de datos de reservación 105. La base de datos de registro de nombres de pasajeros 110 puede transmitir información a la computadora de análisis de preferencias del producto 120 incluyendo, pero sin limitarse a productos de servicio de origen-destino y pares de origen-destino. La base de datos de registro de nombres de pasajeros 110 también puede transmitir información a la computadora de inferencia de predicción de origen-destino 130, incluyendo, demanda de par de origen-destino histórica . La computadora de predicciones demanda no restringida de nivel de segmento 115 está unida por comunicación a la base de datos de reservación 105, la 17
computadora de análisis de preferencia de producto 120, y las computadora de inferencia de predicción de origen-destino 130 vía una red de computadoras. La computadora de predicción a nivel de segmento 115 puede proporcionar un mecanismo para actualizar predicciones de demanda de pasajeros no restringidas a nivel del segmento de vuelo. Típicamente, la información transmitida por comunicación desde la computadora de predicción a nivel de segmento 115 a la computadora de análisis de preferencia de productos 120 y la computadora de inferencia de predicción de origen-destino 130 comprende una predicción de demanda no restringida a nivel de segmento. En una modalidad ejemplar, las predicciones de demanda de pasajeros a nivel de segmento de vuelo son predicciones de una demanda del día de partida futura. El uso de predicciones de demanda de pasajeros no restringidas a nivel de segmento infieren una demanda no restringida de productos de servicio de origen-destino estimada que permite el uso de la tecnología actual para soportar la predicción en el nuevo nivel requerido. La computadora de análisis de preferencias de productos 120 puede ser unida por comunicación a la base de datos de registro de nombres de pasajeros 110, la computadora de predicción de demanda no restringida a nivel de segmento 115, y la computadora de inferencia de 18
predicción de origen-destino 130 vía una red de computadoras. La computadora de análisis de preferencias de productos 120 típicamente proporciona un mecanismo para determinar la preferencia del consumidor por productos de servicio de origen-destino, Q, usando pares de origen-destino y productos de servicio de origen-destino, los cuales pueden ser recuperados de la base de datos de registro de los nombres de pasajeros 110. la computadora de análisis de preferencias de productos 120 también puede proporcionar un mecanismo para determinar un programa de vuelos de red, N, sobre la base de la preferencia del consumidor por productos de servicio de origen-destino, Q, e información de predicciones demanda no restringida a nivel de segmento, v, la cual puede ser recuperada de la computadora de predicción de demanda no restringida a nivel de segmento 115. Típicamente, la información transmitida por comunicación de la computadora de análisis de preferencias de productos 120 a la computadora de inferencia de predicción de origen-destino 130 comprende el programa de vuelos de la red y la preferencia del consumidor por productos de servicio de origen-destino. La terminal de entrada del usuario 125 puede ser unida por comunicación a la computadora de inferencia de predicción de origen-destino 130. La terminal de entrada 19
del usuario 125 típicamente proporciona el administrador de inventarios con una oportunidad para alimentar información relacionada con un factor de ajuste de demanda histórica, a la computadora de inferencia de predicción de origen-dest no 130 para soportar una determinación de demanda no restringida de origen-destino estimada. La terminal de entrada del usuario 125 también puede proporcionar al administrador de inventario la oportunidad para la información de entrada relacionada con un valor de corte porcentual de ciudad importante, en la computadora de inferencia de predicción de origen-destino 130, para la determinación de una demanda de par de origen-destino histórica escalada. En una modalidad ejemplar, la terminal de entrada del usuario 125 es una computadora personal acoplada a la computadora de inferencia de predicción de origen-destino 130 de una red de computadoras . La computadora de inferencia de predicción de origen-destino 130 puede ser unida por comunicación a la base de datos de registro en nombres de pasajeros 110, la computadora de predicción de demanda no restringida a nivel de segmento 115, la computadora de análisis de preferencias de producto 120, y la terminal de entrada del usuario, 125. En una modalidad ejemplar, la computadora de inferencia de predicción de origen-destino 20
130 proporciona un mecanismo para determinar una demanda no restringida de origen-destino estimada, w, sobre la base de la demanda de par de origen-destino histórica, w' , la predicción de demanda no restringida a nivel de segmento, v, el programa de vuelos de la red, N, las preferencias del consumidor por productos de servicio de origen-destino, Q, y el factor de ajuste de demanda histórica, a. En otra modalidad ejemplar, la computadora de inferencia de predicción de origen-destino 130 proporciona un mecanismo para determinar una demanda de par de origen-destino histórica escalada, , sobre la base de la demanda de par de origen-destino histórica, w' , recuperada de la base de datos del registro de nombres de pasajeros 110. Posteriormente, la computadora de inferencia de predicción de origen-destino 130 proporciona un mecanismo para determinar una demanda no restringida de origen-destino estimada, w, basada en la demanda de par de origen-destino histórica escalada, , la predicción de demanda no restringida a nivel de segmento, v, programa de vuelos de la red, N, las preferencias del consumidor con productos de servicio de origen-destino, Q, y el factor de ajuste de demanda histórica, a. La computadora del sistema de inferencia de 21
predicción de origen-destino 130 puede proporcionar además un mecanismo para determinar una demanda no restringida del producto de servicio de origen-destino estimada, d, basada en las preferencias del consumidor por productos de servicio de origen-destino, Q, recuperadas de la computadora de análisis de preferencia de productos 120, y la demanda no restringida de origen-destino estimada, w. Las Figuras 2-14 son diagramas de flujo lógicos que ilustran el proceso implementado por computadora completado por una modalidad ejemplar de un sistema de administración de ingresos. Pasando ahora a la Figura 2, se presenta un diagrama de flujo lógico 200 para ilustrar los pasos generales de un proceso ejemplar para la administración de ingresos de acuerdo con un sistema de computadora de administración de ingresos 100 de la Figura 1. Refiriéndose ahora a las Figuras 1 y 2, el método 200 para determinar una demanda no restringida de producto de servicio de origen-destino estimada d, comienza, en el paso de INICIO y procede al paso 205, en el cual es recuperada una predicción de demanda no restringida a nivel de segmento v de la computadora de predicción de demanda no restringida a nivel de segmento 115 por la computadora y el análisis de preferencia del 22
producto 120. La creación de la predicción de demanda no restringida a nivel de segmento v típicamente implica un algoritmo de predicción convencional implementado en programas y sistemas de programación ejecutados en una computadora de predicción y demanda no restringida a nivel de segmento 115. La predicción de demanda no restringida a nivel de segmento típicamente representa una demanda de pasajeros estimada por servicio a nivel del segmento de vuelo. La demanda estimada es una demanda no restringida, dado que, los estimados son aquellos consumidores que realmente usaran los servicios o de segmento de vuelo así como aquellos que solicitarán servicio sobre el segmento de vuelo pero que no se les otorgará una reservación debido a varias razones. En el paso 210, la computadora de análisis de preferencia de producto 120 determina las preferencias del consumidor por productos de servicio de origen-destino Q a partir de la información recuperada de la base de datos de registro de nombre de pasajeros 110. La computadora de análisis de preferencia de productos 120 típicamente recupera los pares de origen-destino y los productos de servicio de origen-destino de la base de datos de registro de nombres de pasajeros 110. La computadora de análisis de preferencias de productos 120 puede entonces determinar la probabilidad de que un 23
consumidor que viaja sobre un par de origen-destino usará un producto de servicio de origen-destino. La preferencia del consumidor por productos de servicio Q, es implementada típicamente por una matriz de elección de pasajeros, trazando pares de origen-destino a productos de servicio de origen-destino. En el paso 215, la computadora de análisis de preferencias de productos 120 genera el programa de vuelos de la red N. El programa de vuelos de la red N puede ser generado aceptando la predicción de demanda no restringida a nivel de segmento v de la computadora de predicción de demanda no restringida a nivel de segmento 115, y recuperando preferencias del consumidor por productos de servicio de origen-destino Q de la computadora de análisis de preferencias de producto 120. La computadora de análisis de preferencia de productos 120 puede generar un programa de vuelos de la red N, en el paso 215, identificando primero los segmentos de vuelo listados en la predicción de demanda no restringida a nivel de segmento, v. A continuación, la computadora de análisis de preferencias de productos 120 identifica los productos de servicio listados en Q. Entonces, la computadora de análisis de preferencia de productos 120 determina si o no el segmento de vuelo está contenido dentro del producto de servicio. Si un segmento de vuelo 24
está contenido dentro de un producto de servicio, típicamente se coloca un 1 en el programa de vuelos de la red N, correspondiente al segmento de vuelo y producto de servicio analizado. Si el segmento de vuelo no está contenido dentro de un producto de servicio, típicamente se coloca un 0 en el programa de vuelos de la red N, correspondiente al segmento de vuelo y producto de servicio analizado. El programa de vuelo de la red N es típicamente una matriz cuyas filas están indexadas por segmentos de vuelo y cuyas columnas están indexadas por productos de servicio de origen-destino. En el paso 218, es recuperada la demanda de par de origen-destino histórica w' de la base de datos de registro de nombres de pasajeros 110 por la computadora de inferencia de predicción de origen-destino 130. La demanda de par de origen-destino histórica w' es generada típicamente por la base de datos de reservación 105 y almacenada en la base de datos de registro de nombre de pasajeros. La demanda de par de origen-destino histórica w' puede ser resumida como los consumidores que viajaron en el pasado a nivel de origen-destino, sin importar los segmentos de vuelo volados por el consumidor. Además, la demanda de par de origen-destino histórica w' , es derivada típicamente solo de la demanda de origen a destino observada de los pasajeros y no sobre las preferencias de un consumidor por productos de servicio particulares. En una modalidad ejemplar, la computadora de inferencia de predicción de origen-destino 130 toma la demanda de par de origen-destino histórica w' recuperada en el paso 220 y alimenta directamente ese valor al cálculo de la demanda no restringida de origen-destino no estimada w en el paso 230. En otra modalidad ejemplar, el flujo del proceso continúa posteriormente del paso 218 al paso 220 para el cálculo de la demanda de par de origen-destino histórica
escalada w dentro de la computadora de inferencia de predicción de origen-destino (computadora de inferencia) 130. La demanda de par de origen-destino histórica
escalada, w , es determinada sobre la base de la demanda de par de origen-destino histórica W en un proceso posteriormente descrito en las Figuras 4-12. Un factor de ajuste de demanda histórica a también puede ser recuperado por la computadora de inferencia 130 y alimentada al cálculo de la demanda no restringida de origen-destino estimada w en el paso 230. El factor de ajuste de demanda histórica oc puede ser alimentado, en el paso 225, por un administrador de inventarios, desde la terminal de entrada del usuario 125. En la decisión de que valor alimentar para el factor 26
de ajuste de demanda histórica a, el administrador de inventarios puede determinar si dá más peso a la demanda de par de origen-destino histórica w' , aceptada desde el paso 218, o la predicción de demanda no restringida a nivel de segmento v, aceptada desde el paso 205. Si el administrador de inventarios determina colocar más peso sobre la demanda de par de origen-destino histórica w' , entonces el factor de ajuste de demanda histórica a celebrará un valor mayor de 1. De otro modo, si el administrador de inventarios determina dar más peso sobre la predicción de demanda no restringida a nivel de segmento v, entonces el factor de ajuste de demanda histórica celebrará un valor menor que 1 y mayor que 0. En una modalidad ejemplar el administrador de inventarios alimenta un valor de 0.1 por el factor de ajuste de demanda histórica a. En el paso 230, la computadora de inferencia de predicción de origen-destino 130 determina la demanda no restringida de origen-destino estimada, w. Típicamente, la demanda no restringida de origen-destino estimada w es una predicción de la demanda del consumidor a nivel de origen-destino, sin importar que segmentos de vuelo elija un consumidor. La determinación de la demanda no restringida de origen-destino estimada w típicamente 27
comienza con la computadora de inferencia de predicción de origen-destino 130 aceptando la predicción de demanda no restringida a nivel de segmento v, la preferencia del consumidor por producto de servicio de OD Q, el programa de vuelos de la red N, la demanda de par de origen-destino histórica w' , y el factor de ajuste de demanda histórica a como se recolectó en los pasos 205, 210, 215, 218 y 225, respectivamente. En una modalidad ejemplar la computadora de inferencia 130 toma las entradas recuperadas de los pasos 205, 210, 215, 218 y 225 y los inserta en un modelo de optimización de mínimos cuadrados, con la salida siendo una demanda no restringida de origen-destino estimada w. Típicamente, el modelo de optimización que recibe las entradas es formulado y resuelto como un problema cuadrático. El problema cuadrático puede ser resuelto usando algoritmos de optimización estándar como el método del punto interior predictor-corrector prima-dual. Aquellos expertos en la técnica apreciarán que existe una amplia variedad de métodos para resolver un problema de optimización cuadrático como en el paso 230. También, aquellos expertos en la técnica apreciarán que una amplia variedad de modelos de optimización para estimar la demanda no restringida de origen-destino w incluye, pero 28
sin limitarse a, minimizar el error absoluto, minimizar el error relativo, y minimizar la entropía. En una modalidad ejemplar, el cálculo de la demanda no restringida de origen-destino estimada en el paso 230 comienza por completar los pasos 205, 210, 215 y 218. En el paso 230, las entradas aceptadas v, Q, N y w' son conectadas en el siguiente modelo matemático: min \\ NQ Tw -v ||2 + \\ w -w 'f sujeto a w ^ 0, El modelo matemático resuelve para w la demanda no restringida de origen-destino estimada, con T representando la transposición de la preferencia del consumidor que representa la matriz por productos de servicio de origen-destino Q. En otra modalidad ejemplar, el cálculo de la demanda no restringida de origen-destino estimada en el paso 230 comienza completando los pasos 205, 210, 215, 218 y 225. Las entradas aceptadas v, Q, N, w' y a son entonces insertadas en el siguiente modelo matemático: min II NQ Tw -v \\2 + \\ w -w '\\2 sujeto a w :> 0, El modelo matemático resuelve para w la demanda no restringida de origen-destino estimada, con T representado la transposición de la matriz que representa las preferencias del consumidor por productos de servicio de origen-destino, Q. En esta modalidad ejemplar del paso 230, el factor de ajuste de demanda histórica, a, se fija típicamente igual a 0.1 por medio del administrador de inventarios desde la terminal de entrada del usuario 125. En el paso 235, la computadora de inferencia de predicción de origen-destino 130 calcula una demanda no restringida de producto de servicio de origen-destino estimada, d. Típicamente, la computadora de inferencia 130 acepta la preferencia del consumidor por productos de servicio de OD Q del paso 210 y la demanda no restringida de origen-destino estimada w calculada en el paso 230. Entonces, la computadora de inferencia 130 puede usar las entradas Q y w para determinar la demanda no restringida de productos de servicio de origen-destino estimada d. En una modalidad ejemplar, la computadora de inferencia 130 calcula la demanda no restringida de productos de servicio de origen-destino estimada d, en el paso 235, usando la fórmula: d=QTw; donde w representa típicamente la demanda no restringida de origen-destino estimada w calculada en el paso 230, Q típicamente representa una matriz de preferencia del consumidor por productos de servicio de origen-destino, y T representa la transposición de la matriz Q.
30
En el paso 220, la computadora de inferencia de predicción de origen-destino 130 puede calcular una
demanda de par de origen-destino histórica escalada, w . Los cálculos completados en el paso 220 comienzan típicamente aceptando la demanda de par de origen-destino histórica w' recuperada en el paso 218. Entonces, la computadora de inferencia 130 determina si la ciudad de destino es una ciudad de destino importante para la ciudad de origen. La determinación de la ciudad de destino importante típicamente comienza determinando el número total de consumidores con reservación que partieron de una ciudad de origen dada y finalizaron en una ciudad de destino dada (número de OD) . Un porcentaje de ciudad de destino es calculado dividiendo el número de OD por el número total de consumidores con reservación que partieron de una ciudad de origen dada. Las ciudades de destino son clasificadas en un orden descendente sobre la base del porcentaje de ciudad de destino. Un porcentaje acumulativo de los porcentajes de ciudad de destino se calcula, comenzando con la ciudad de destino de mayor categoría. Las ciudades de destino por encima de un porcentaje de ciudad importante predeterminado son determinadas como ciudades de destino no importantes para la ciudad de origen. En una modalidad ejemplar, el 31
porciento de ciudad importante para determinar si una ciudad de destino es importante para una ciudad de origen es del ochenta por ciento (80%) . Si una ciudad de destino es importante para la ciudad de origen, entonces la
computadora de inferencia 130 típicamente calcula w como el producto de la fracción de todo el tráfico que abandona una ciudad de origen que termina en una ciudad de destino y un estimado de todo el tráfico que abandona una ciudad de origen. Además, es típico que todas las ciudades de destino importantes tengan un valor diferente
para w . Si una ciudad de destino es más importante para la ciudad de origen, entonces la computadora de
inferencia 130 típicamente calcula w como la diferencia de todo el tráfico estimado que abandona una ciudad de origen y la suma de todas las ciudades de destino
importantes w dividida por el número total de ciudades de destino no importantes. De este modo, las ciudades no importantes para una ciudad de origen típicamente tienen
el mismo valor calculado para w . En una modalidad ejemplar, el cálculo de la demanda de par de origen-destino histórica escalada, en el paso 220, puede proporcionar otra solución total para la demanda no restringida de origen-destino estimada w, creando por lo tanto otra solución para la demanda no restringida de producto de servicio de origen-destino estimada, d. De este modo, una vez calculada la demanda de par de origen- destino histórica escalada, w , esta puede ser sustituida en lugar de la demanda de par de origen-destino histórica w' en el cálculo de la demanda no restringida de origen-destino estimada, en el paso 230. La Figura 3 es un diagrama de flujo lógico que ilustra un proceso implementado por computadora, ejemplar, para completar la determinación de la tarea del programa de vuelo de la red del paso 215 (Figura 2) . Refiriéndose a las Figuras 1, 2 y 3, el proceso 215 inicia aceptando la predicción de demanda no restringida a nivel de segmento v, del paso 215, y la preferencia del consumidor por productos de servicio de origen-destino Q, del paso 215. En el paso 305, una variable de contador, i, es fijada igual a l. La variable del contador i típicamente representa un segmento de vuelo de un conjunto de segmentos de vuelo que pueden ser usados por un consumidor cuando viaje de un origen particular a un destino particular. Por ejemplo, si un consumidor viaja de Atlanta a Los Angeles con escala en Dallas, existirían dos segmentos de vuelo, de Atlanta a Dallas y de Dallas a Los Angeles.
33
En el paso 310, una variable del contador J es fijada igual a uno. La variable J típicamente representa un producto de servicio de origen-destino de la lista de productos de servicio de origen-destino disponibles por cada segmento de vuelo. En una modalidad ejemplar, la lista de productos de servicio disponibles para un par de origen-destino incluye: clase de servicio, tiempo de partida, tiempo de arribo, día de partida en la semana, fecha de partida, segmento de vuelo, servicio de alimentos, y precio cargado al consumidor por el producto de servicio. Otras variables de producto de servicio disponible son bien conocidas por aquellos expertos en la técnica . En el paso 315, la computadora de análisis de preferencias de producto 120 recupera el segmento de vuelo i de la lista de segmentos de vuelo. La lista de segmentos de vuelo se localiza típicamente dentro de la predicción de demanda no restringida a nivel de segmento v aceptada del paso 205. Entonces, la computadora de análisis de preferencias de productos 120 recupera el producto de servicio J de la lista de productos de servicio en el paso 320. Típicamente, la lista de productos de servicio se localiza en las preferencias del consumidor por productos de servicio de origen-destino Q aceptada del paso 210.
34
En el paso 325, se conduce una interrogación para determinar si el producto de servicio J usa el segmento de vuelo i. Si es así, es seguida la bifurcación de "SI" hasta el paso 330. De otro modo, se sigue la bifurcación de "NO" hasta el paso 335. Sobre la base de la determinación de que el producto de servicio de origen-destino J usa el segmento de vuelo i, la computadora de análisis de preferencia de producto 120 coloca un 1 en la posición (i, J) de la matriz que representa el programa de vuelos de la red N, en el paso 330. La matriz de programa de vuelos de la red está constituida de columnas de productos de servicio de origen-destino y filas de segmentos de vuelo. La colocación de un 1 en la matriz de programa de vuelo de la red típicamente representa que el segmento de vuelo de la fila i es una parte del producto de servicio de origen-destino J. Por ejemplo, un consumidor compra un boleto de primera clase de Dallas a Los Angeles. El producto de servicio de origen-destino es un asiento de primera clase de Dallas a Los Angeles. Si el segmento de vuelo de la fila i es de Dallas a Los Angeles, entonces el producto de servicio de origen-destino usa el segmento de vuelo y la computadora de análisis de preferencias de productos 120 coloca un 1 en la posición correspondiente 35
a la matriz del programa de vuelo de la red. Este proceso procede entonces al paso 340. Sobre la base de la determinación de que el producto de servicio de origen-destino J no usa el segmento de vuelo i, la computadora de análisis de preferencia de productos 120 coloca un cero en la posición (i,J) de la matriz que representa el programa de vuelo de la red N, en el paso 335. Ambos pasos 330 y 335 procede en el paso 340 donde se conduce una interrogación por la computadora de análisis de preferencia de productos 120 para determinar si existe otro producto de servicio en la lista de producto de servicios. Si es así, es seguida la bifurcación de "SI" al paso 345. En el paso 345, la computadora de análisis de preferencias de productos 120 incrementa la variable del contador J en uno y regresa al paso 320 para la recuperación del siguiente producto de servicio de la lista de productos de servicio. Sin embargo, si no permanece otro producto de servicio en la lista de producto de servicios, se sigue la bifurcación de "NO" hasta el paso 350. En el paso 350 es efectuada una interrogación por la computadora de análisis de preferencia de productos 120 para determinar si otro segmento de vuelo está en la lista de segmento de vuelos. Si es así, se 36
sigue la bifurcación "SI" hasta el paso 355. En el paso 355 la computadora de análisis de preferencias de producto 120 incrementa la variable del contador J en uno y regresa al paso 310, donde la variable del contador i se reajusta a uno. Sin embargo, si no permanecen otros segmentos de vuelo en la lista de segmentos de vuelo, se sigue la bifurcación de "NO" hasta el paso 230 para el cálculo de la demanda no restringida de origen-destino estimada w en la computadora de inferencia 130. Las Figuras 4-12 son diagramas de flujo lógicos que ilustran un proceso implementado por computadora ejemplar para completar el cálculo de la tarea de la demanda de origen-destino histórica escalada del paso 220 (Figura 2) . El cálculo del paso 220 puede ocurrir con apoyo de la computadora de inferencia 130. Con referencia a las Figuras 1, 2 y 4, el proceso 220 es iniciado aceptando la demanda de origen-destino histórica w' del paso 218. En el paso 405 la computadora de inferencia fija la variable del contador, el contador de la ciudad de origen I en uno. La variable del contador de la ciudad de origen representa típicamente aquellas ciudades desde las cuales un vuelo origina o comienza su viaje. En el paso 410, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. Entonces, la computadora de inferencia 130 fija las 37
variables del contador, el contador de la ciudad de destino K igual a 1 y el conteo de pasajeros de origen R igual a 0, en el paso 415. La variable K representa una ciudad de destino seleccionada de un conjunto de todas las ciudades de destino que reciben vuelos con escalas o sin escalas, de la ciudad de origen recuperada. La variable R representa el número de pasajeros cuyo viaje se origina en la ciudad de origen seleccionada. En el paso 420, la computadora de inferencia 130 recupera una ciudad de destino seleccionada K de conjunto de todas las ciudades de destino por ciudad de origen I de la base de datos de reservación 105. En el paso 425 se conduce una interrogación en la computadora de inferencia 130 para determinar si aparece un par ciudad de origen I -ciudad de destino K en la demanda de par de origen-destino histórica w' que fue aceptada de la base de datos de registro de nombres de pasajeros 110, en el paso 218. Típicamente, la computadora de inferencia 130 busca la demanda de par de origen-destino histórica para determinar si existe una historia de demanda de consumidor por el par ciudad de origen I -ciudad de destino K. Si la computadora de inferencia 130 determina que el par de ciudad de origen I- ciudad de destino K aparece en la demanda de par de origen-destino histórica w' entonces se sigue la 38
bifurcación de "SI" hasta el paso 430. En el paso 430 la computadora de inferencia 130 recupera el conteo de pasajeros P de la demanda de par de origen-destino histórica w' correspondiente a la demanda de consumidores histórica por el par de ciudad de origen I -ciudad de destino K. Entonces, en el paso 435, la computadora de inferencia 130 incrementa el conteo de pasajeros de origen R en el conteo de pasajeros P, recuperada en el paso 430. A continuación, el proceso continúa al paso 440. Si la computadora de inferencia de predicción de origen-destino 130 determina que el par de ciudad de origen I -ciudad de destino K no aparece en la demanda de par de origen-destino histórica, entonces se sigue la bifurcación "NO" hasta el paso 440. En el paso 440, se hace una interrogación por medio de la computadora de inferencia de predicción de origen-destino 130 para determinar si la ciudad de destino K es la ciudad de destino final o la ciudad de origen I en la base de datos de reservación 105. Si no, entonces se sigue la bifurcación "NO" hasta el paso 445. En el paso 445, la computadora de inferencia 130 incrementa la variable del contador, el contador de la ciudad de destino K en 1. Posteriormente, el proceso regresa al paso 420 para la recuperación por la 39
computadora de inferencia 130 de la siguiente ciudad de destino K por la ciudad de origen I de la base de datos de reservación 105. Si la ciudad de destino K es la ciudad de destino final por la ciudad de origen I, entonces se sigue la bifurcación de "SI" hasta el paso 450. En el paso 450, el conteo de pasajeros de origen R es almacenado en la computadora de inferencia 130 como el tráfico de origen histórico para la ciudad de origen I. En el paso 455, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105. Si no, se sigue la bifurcación de "NO" hasta el paso 460 y la computadora de inferencia 130 incrementa la variable del contador, contador de ciudad de origen I, en uno. El proceso regresa entonces al paso 410 para la recuperación de la siguiente ciudad de origen de la base de datos de reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105 entonces se sigue la bifurcación de "SI" hasta el paso 505 (Figura 5). Refiriéndose ahora a las Figuras 1, 2 y 5, en el paso 505, la computadora de inferencia 130 establece la 40
variable del contador, contador de ciudad de origen I, en uno. La variable del contador de ciudad de origen representa aquellas ciudades desde las cuales un vuelo origina o comienza su viaje. En el paso 510, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. A continuación, en el paso 515, la computadora de inferencia 130 recupera el tráfico de origen histórico R, el cual fue almacenado en la computadora de inferencia 130 en el paso 450. Entonces, la computadora de inferencia 130 fija la variable del contador, contador de ciudad de destino K igual a uno, en el paso 520. La variable representa una ciudad de destino seleccionada de un conjunto de todas las ciudades de destino que reciben vuelos, sin escalas o con escalas, de la ciudad de origen recuperada. En el paso 525, la computadora de inferencia 130 recupera la ciudad de destino K de un conjunto de todas las ciudades de destino por la ciudad de origen I, de la base de datos de reservación 105. En el paso 530 se conduce una interrogación en la computadora de inferencia 130 para determinar si aparece un par de ciudad de origen I -ciudad de destino K en la demanda de par de origen-destino histórica w que fue recuperada de la base de datos de registro de nombres de pasajeros 110, en el paso 218. Típicamente, la 41
computadora de inferencia 130 busca la demanda de par de origen-destino histórica para determinar si existe una historia de demanda de consumidores por el par de ciudad de origen I -ciudad de destino K. Si la computadora de inferencia 130 determina que no aparece la ciudad de origei I -ciudad de destino K en la demanda de pares de origen-destino histórica w' , entonces se sigue la bifurcación de "SI" hasta el paso 535. En el paso 535, la computadora de inferencia 130 recupera el conteo de pasajeros P de la demanda de par de origen-destino histórica w' , correspondiente a la demanda de consumidores histórica por el par de ciudad de origen I-ciudad de destino K. A continuación, la computadora de inferencia de la predicción de origen-destino 130 determina una fracción histórica F. La fracción histórica F típicamente representa la fracción de todos los viajes que comienzan en la ciudad de origen I que terminan, o finalizan, en la ciudad de destino K. La fracción histórica F puede ser determinada dividiendo el conteo de pasajeros P por el tráfico de origen histórico R, es recuperado en los pasos 535 y 515. Entonces, la computadora de inferencia 130 puede almacenar el valor correspondiente a la fracción histórica F para su uso posterior. A continuación, el proceso continúa hasta el paso 545.
42
Si la computadora de inferencia de predicción de origen-destino 130 determina que el par de ciudad de origen I- ciudad de destino K no aparece en la demanda de par de origen-destino histórica w' , entonces es seguida la bifurcación de "NO" hasta el paso 545. En el paso 545, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de destino K es la última ciudad de destino por la ciudad de origen I en la base de datos de reservación 105. Si no, entonces se sigue la bifurcación "NO" hasta el paso 550. En el paso 550, la computadora de inferencia 130 incrementa la variable del contador, el contador de ciudades de destino, K en uno. Posteriormente, el proceso regresa al paso 525 para la recuperación, por la computadora de inferencia 130, de la siguiente ciudad de destino K por la ciudad de origen I de la base de datos de reservación 105. Si la ciudad de destino K es la última ciudad de destino por la ciudad de origen I, entonces se sigue la bifurcación "SI" hasta el paso 555. En el paso 555, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105. Si no, se sigue la bifurcación "NO" hasta el paso 560. Entonces, la computadora de inferencia 43
130 incrementa la variable del contador, contador de ciudad de origen I, en uno. A continuación el proceso regresa al paso 510 para la recuperación de la siguiente ciudad de origen de la base de datos de reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105, entonces se sigue la bifurcación de "SI" hasta el paso 605 (Figura 6) . Pasando ahora a las Figuras 1, 2 y 6, en el paso 605, la computadora de inferencia 130 fija la variable del contador de ciudades de origen I, en uno. La variable del contador de ciudades de origen representa aquellas ciudades desde las cuales el vuelo se origina o comienza su viaje. En el paso 610, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. A continuación, en el paso 615, la computadora de inferencia 130 crea una lista vacía, denominada lista de fracciones de destino (DFL) . La DFL es usada para almacenar las fracciones históricas de todas las ciudades de destino K para una ciudad de origen I dada. La fracción histórica para un par de ciudad de origen I -ciudad de destino K representa típicamente la cantidad de demanda histórica por el par de ciudad de origen I -ciudad de destino K dividida por la demanda histórica total para todos los vuelos que se 44
originan en la ciudad de origen. Entonces, la computadora de inferencia 130 fija la variable del contador, el contador de ciudades de destino K, igual a uno en el paso 620. La variable K representa una ciudad de destino seleccionada de un conjunto de todas las ciudades de destino que reciben vuelos, sin escalas o con escalas, de la ciudad de origen recuperada. En el paso 625, la computadora de inferencia 130 recupera la ciudad de destino K de un conjunto de todas las ciudades de destino por la ciudad de origen I, de la base de datos de reservación 105. En el paso 630 se conduce una interrogación en la computadora de inferencia 130 para determinar si una fracción histórica F está almacenada en la memoria local de la computadora de inferencia 130 en el paso 540 para el par de ciudad de origen I -ciudad de destino K particular. Si es asi, es seguida la bifurcación de "SI" hasta el paso 635 debido a que la computadora de inferencia 130 pueda recuperar una fracción histórica F para colocarla en la DFL. En el paso 630, la computadora de inferencia 130 recupera el valor F. Entonces, en el paso 640, la computadora de inferencia 130 almacena el valor F para el par de ciudad de origen I -ciudad de destino K en la lista de fracciones de destino, DLF. A continuación, el flujo procede hasta el paso 645.
45
Si la computadora de inferencia 130 no encuentra un valor almacenado F para el par de ciudad de origen I-ciudad de destino K, es seguida la bifurcación de "NO" hasta el paso 645. En el paso 645, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de destino K es la última ciudad de destino por la ciudad de origen I de la base de datos de reserva 105. Si no, entonces es seguida la bifurcación de "NO" al paso 650. En el paso 650, la computadora de inferencia 130 incrementa la variable del contador, el contador de ciudad de destino K, en uno. Posteriormente el proceso regresa al paso 625 para la recuperación por la computadora de inferencia 130 de la siguiente ciudad de destino K por la ciudad de origen I de la base de datos de reservación 105. Si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I, entonces se sigue la bifurcación de "SI" hasta el paso 705 (Figura 7) . Como se muestra en las Figuras 1, 2 y 7, en el paso 705, la computadora de inferencia 130, toma la lista de fracciones de destino, creada y llenada en el paso 615-640, y clasifica las fracciones históricas, F, dentro de una DFL de la más alta a la más baja por cada ciudad de origen I distinta. Por ejemplo si Fl=.15, F2=.45 y F3=.4, para una ciudad de origen particular, entonces después de 46
almacenar la DFL para esa ciudad de origen sería mostrada como F2 , F3 , Fl . En el paso 710, la computadora de inferencia 130 fija el contador variable, contador de DFL J, igual a uno. La computadora de inferencia también establece o fija una variable, acumulador de fracciones V, igual a cero. El acumulador de fracciones V representa la suma de las fracciones F históricas recuperadas de una lista de fracciones de destino para una ciudad de origen I distinta. En el paso 715, la computadora de inferencia 130 recupera la Jésima fracción histórica F de la lista de fracciones de destino. Regresando al ejemplo en el párrafo anterior, si J es igual a uno, entonces la computadora de inferencia 130 recupera F2 , que representa la primera fracción histórica en la DFL almacenada. Entonces, la computadora de inferencia 130 asuma el valor recuperado en el paso 715 al acumulador de fracciones V en el paso 720. En el paso 725 se conduce una interrogación por medio de la computadora de inferencia 130 para determinar si el acumulador de fracciones V es mayor que o igual a un valor porcentual de ciudades importante para la Iésima ciudad de origen. El valor porcentual de ciudad importante representa típicamente una variable, fijada por un administrador de inventarios, desde una terminal 47
de entrada de usuario 125, por encima de lo cual se considera que una ciudad de destino K es no importante para la ciudad de origen I. Una determinación de la ciudad de destino importante comienza típicamente determinando el número total de consumidores que reservaron que partieron de una ciudad de origen dada y finalizaron en una ciudad de destino dada (número de OD) . El porcentaje de ciudad de destino es calculado dividiendo el número de OD por el número total de consumidores con reservación que parten de una ciudad de origen dada. Las ciudades de destino son clasificadas en orden descendente sobre la base del porcentaje de ciudad de destino. Un porcentaje acumulativo de porcentajes de ciudad de destino, comenzando con la ciudad de destino con el más alto valor. Las ciudades de destino por encima de un porcentaje de ciudad no importante predeterminado son determinadas como ciudades de destino importantes para la ciudad de origen. El valor porcentual de ciudad importante puede ser diferente para diferentes ciudades de origen. En una modalidad ejemplar, el administrador del sistema que establece valor porcentual de ciudad importante igual a ochenta por ciento (80%) para todas las ciudades de origen. Si la computadora de inferencia 130 determina que V es menor que el porcentaje de ciudad importante, 48
entonces se sigue la bifurcación de "NO" hasta el paso 730. En el paso 730, se conduce una interrogación por medio de la computadora de inferencia 130 para determinar si el elemento J es el último elemento en la lista de fracciones de destino para la ciudad de origen I. si el elemento J es el último elemento en la lista de fracciones de destino para la ciudad de origen I, entonces se sigue la bifurcación "NO" hasta el paso 735. En el paso 735, la computadora de inferencia 130 incrementa el contador J de DLF en uno. El proceso posteriormente regresa al paso 715 para la selección del siguiente elemento J y la lista de fracciones de destino. Si la computadora de inferencia 130 determina que el elemento J es el último elemento de la lista de fracciones de destino, entonces se sigue la bifurcación de "Y" hasta el paso 740. En el paso 725, si la computadora de inferencia 130 determina que V es mayor que o igual al porcentaje de ciudad importante, entonces se sigue la bifurcación de 100 hasta el paso 740. En el paso 740, la computadora de inferencia 130 determina la variable lambda. Típicamente, lambda es igual a la fracción histórica F que fue la última seleccionada de la lista de fracciones de destino. El valor de lambda puede ser almacenado en la memoria de la computadora de inferencia 130. Regresando a nuestro 49
ejemplo anterior, con el porcentaje de ciudad importante siendo fijado en el 80%, la computadora de inferencia 130 seleccionaría F2 y F3 antes de alcanzar un porcentaje mayor que o igual al 80%. Una vez que la computadora de inferencia 130 determina, después de la selección de F3 , que el porcentaje de ciudad importante pasó, entonces se fija lambda igual a F3. Lambda representa el punto de corte de importancia para viajes que comienzan desde la ciudad de origen I . Las ciudades de destino con una F mayor o igual a lambda son consideradas ciudades de destino importantes para la ciudad de origen. Las ciudades de destino con una F mayor que lambda son consideradas ciudades no importantes para la ciudad de origen I. En respuesta a la computadora de inferencia 130 que almacena para la ciudad de origen I, el flujo procede hasta el paso 655 (Figura 6) . Regresando nuevamente a la Figura 6, en el paso 655, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105. Si no, se sigue la bifurcación de "NO" hasta el paso 660 y la computadora de inferencia incrementa el contador de ciudades de origen I en uno. El proceso regresa al paso 610 para la recuperación de la siguiente cuidad de origen de la base 50
de datos de reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105, entonces es seguida la bifurcación de "SI" hasta el paso 805 (Figura 8) . Refiriéndose ahora a las Figuras 1, 2, y 8 en el paso 805, la computadora de inferencia 130 fija la variable de contador, contador de ciudades de origen, I en uno. La variable del contador de ciudades de origen representa aquellas ciudades de las cuales un vuelo se origina o comienza su viaje. En el paso 810, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. A continuación en el paso 815, la computadora de inferencia 130 crea una lista vacía, denotada como lista de destinos importantes. La computadora de inferencia 130 típicamente usa la lista de destinos importantes para almacenar las ciudades de destino importantes para una ciudad de origen dada I. Entonces, la computadora de inferencia 130 fija al contador de ciudades de destino K igual a uno. La variable representa una ciudad de destino seleccionada de un conjunto de todas las ciudades de destino que reciben vuelos, sin escalas o con escalas, de la ciudad de origen recuperada. En el paso 820, la computadora de inferencias 130 recupera la ciudad de destino K de un 51
conjunto de todas las ciudades de destino para la ciudad de origen I, de la base de datos de reservación 105. En el paso 825, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si fue almacenada una fracción histórica F en la computadora de inferencia 130 en el paso 540 para el par de ciudad de origen I -ciudad de destino K. Si es así, se sigue la bifurcación de "SI" hasta el paso 830, donde la computadora de inferencia 130 recupera la fracción histórica F que almacenó al principio en el paso 540, para el par de ciudad de origen I -ciudad de destino K. Entonces, en el paso 835, la computadora de inferencia 130 recupera la variable, lambda, la cual fue almacenada en la computadora de inferencia 130 en el paso 740. En el paso 840, se hace la interrogación para determinar si la fracción histórica F, recuperada en el paso 830 es mayor que lambda, recuperada en el paso 835. Si la computadora de inferencia determina que F es mayor que lambda, entonces se sigue la bifurcación "SI" hasta el paso 845. En el paso 845, se agrega la ciudad de destino K a la lista de ciudades de destino importantes para la ciudad de origen I, creada en el paso 815. Entonces el proceso continua hasta el paso 850. Sin embargo, si la computadora de inferencia 130 determina que F es menor que o igual a lambda, entonces es seguida 52
la bifurcación de "NO" en el paso 850. En el paso 825, si la computadora de inferencia 130 no encuentra la fracción histórica F para la ciudad de origen I -ciudad de destino K almacenada en el paso 540, entonces se sigue la bifurcación de "NO" en el paso 850. En el paso 850, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I en la base de datos de reservación 105. Si no, entonces se sigue la bifurcación "NO" hasta el paso 855. En el paso 855, la computadora de inferencia 130 incrementa el contador de ciudades de destino en uno. Posteriormente, el proceso regresa al paso 820 para la recuperación, por la computadora de inferencia 130, de la siguiente ciudad de destino K para la ciudad de origen I, de la base de datos de reservación 105. Si la ciudad de destino es la última ciudad de destino para la ciudad de origen I, entonces se sigue la bifurcación "SI" hasta el paso 860. En el paso 860, la computadora de inferencia almacena la lista de destinos importantes L para la ciudad de origen I. Típicamente, la lista de destinos importantes representa la lista de ciudades de destino que son importantes para la ciudad de origen I. En el paso 865, se hace una interrogación por 53
medio de computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen a la base de datos de reservación 105. Si no, se sigue la bifurcación de "NO" hasta el paso 870. En el paso 870, la computadora de inferencia 130 incrementa el contador de ciudades de origen I en uno. El proceso regresa al paso 810 para la recuperación de la siguiente ciudad de origen de la base de datos de reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105, entonces se sigue la bifurcación de "SI" hasta el paso 905 (Figura 9) . Refiriéndose ahora a las figuras 1, 2 y 9, en el paso 905, la computadora de inferencia 130 fija la variable del contador, contador de ciudades I, igual a uno, 905. A continuación, la computadora de inferencia de predicción de origen-destino 130 recupera la ciudad I de la base de datos de reservación 105, en el paso 910. En el paso 915, la computadora de inferencia 130 típicamente recupera todos los productos de servicio de origen-destino históricos (ODSP) que contienen la ciudad I, de la base de datos de reservación 105. En el paso 920, el conteo de pasajeros sin terminar C y el conteo de pasajeros de origen R se fijan iguales a cero. Además, la 54
variable del contador, contador de ODSP J, se fija igual a uno, en la computadora de inferencia 130. El conteo de pasajeros sin terminar variable típicamente representa el número de consumidores que usan un producto de servicio de origen-destino particular (ODSP) , que no finaliza su viaje a la ciudad I. El conteo de pasajeros de origen, variable, típicamente representa el número de consumidores que usan un producto de servicio de destino de origen particular, cuyo viaje comienza o se origina en la ciudad I. En el paso 925, se hace una interrogación por medio de la computadora de inferencia, 130 para determinar si el producto de servicio de origen-destino J termina, o finaliza en la ciudad I. Por ejemplo, si la ciudad I es Atlanta y el producto de servicio de origen-destino J es un viaje de primera clase de Atlanta a Nueva York, entonces el producto de servicio de origen-destino J no termina en Atlanta, sino que, se origina en Atlanta. Si el ODSP J termina en la ciudad I, entonces es seguida la bifurcación de "SI" hasta el paso 950. Sin embargo, si el ODSP J no termina en la ciudad I, entonces es seguida la bifurcación "NO" hasta el paso 930. En el paso 930, la computadora de inferencia 130 recupera el conteo de pasajeros P, para el ODSP J, de los datos históricos almacenados en la base de datos de reservación 105. A 55
continuación, la computadora de inferencia 130 incrementa el conteo de pasajeros sin terminar C en el valor del conteo de pasajeros P, en el paso 935 . En el paso 940 , se hace una interrogación por medio de la computadora de inferencia 130 para determinar si el producto de servicio de origen-destino J se originó en la ciudad I . Si el ODSP J no se originó en la ciudad I, entonces es seguida la bifurcación de "NO" hasta el paso 950 . Sin embargo, si el ODSP J no se origina en la ciudad I, entonces es seguida la bifurcación de "SI" en el paso 945 . En el paso 945 , la computadora de inferencia incrementa el conteo de pasajeros de origen R en el conteo de pasajeros P, recuperado en el paso 930 . A continuación, el proceso continua hasta el paso 950 . En el paso 950 , se conduce una interrogación para determinar si el ODSP J es el último ODSP que se origina en la ciudad I . Si el ODSP J no es el último ODSP que se origina en la ciudad I, entonces se sigue la bifurcación "NO" hasta el paso 955 . En el paso 955 , la computadora de inferencia 130 incrementa el contador de ODSP J en uno. El proceso regresa posteriormente al paso 925 . Sin embargo, si el ODSP J es el último ODSP que se origina en la ciudad I, entonces se sigue la bifurcación "SI" hasta el paso 960 . En el paso 960 , la computadora de inferencia 130 calcula el divisor. El divisor D es 56
típicamente igual al conteo de pasajeros sin terminar C, creado en el paso 935, dividido por el conteo de pasajeros de origen R, creado en el paso 945. Después de calcular el divisor, la computadora de inferencia 130 puede almacenar el valor del divisor para su uso posterior. El divisor D típicamente representa la mezcla relativa del tráfico de origen contra la conexión en la ciudad I . En el paso 965 se conduce una interrogación para determinar si la ciudad I es la última ciudad en la base de datos de reservación 105. Si no, es seguida la bifurcación de "NO" hasta el paso 970. En el paso 970, la computadora de inferencia 130 incrementa el contador de ciudades I en uno. Si la ciudad I es la última en la base de datos de reservación, entonces se sigue la bifurcación de "SI" hasta el paso 1005 (Figura 10) . Refiriéndose ahora a las figuras 1, 2 y 10, en el paso 1005, la computadora de inferencia 130 fija la variable del contador, el contador de ciudades de origen I , en uno. La variable del contador de ciudades de origen representa aquellas ciudades desde las cuales un vuelo se origina o comienza su viaje. En el paso 1010, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. En el paso 1015, la computadora de inferencia 130 recupera 57
todos los segmentos actuales que parten de la ciudad de origen I . Los segmentos actuales pueden ser recuperados de la computadora de análisis de preferencias de productos 120. A continuación, la carga total H se fija igual a cero y el contador de segmentos N se fija igual a uno, en el paso 1020. La carga total H típicamente representa el número total de consumidores que se estimó tienen como origen o pasan a través de la ciudad de origen I. El contador de segmentos M típicamente representa todos los segmentos que comienzan o se originan en la ciudad de origen I. En el paso 1025, la computadora de inferencia 130 recupera la predicción de demanda no restringida al nivel del segmento v, para el segmento M, de la computadora de predicciones de demanda no restringida a nivel de segmento 115. Entonces, la computadora de inferencia 130 incrementa la carga total H en el valor de la predicción de demanda no restringida a nivel de segmento v, recuperada en el paso 1025. En el paso 1035, se conduce una interrogación por medio de la computadora de inferencia 130 para determinar si el segmento M es el último segmento que se origina en la ciudad de origen I. Si no, enseguida la bifurcación de "NO" va hasta el paso 1040. En el paso 1040, el contador de segmentos M se incrementa en uno. A continuación el proceso regresa al paso 1025 para 58
recuperar la siguiente predicción de demanda v no restringida a nivel de segmento v correspondiente al segmento M. Sin embargo, si el segmento M es el último segmento recuperado de la computadora de análisis de preferencias de productos 120 que parte de la ciudad de origen I, entonces es seguida la bifurcación de "SI" hasta el paso 1045. En el paso 1045, la computadora de inferencia 130 recupera el divisor D almacenado en el paso 960, para la ciudad de origen I. A continuación, en el paso 1050, la computadora de inferencia 130 calcula el estimado del tráfico de origen para la ciudad de origen I, T. El estimado del tráfico de origen T típicamente es igual al valor de la carga total H dividido por el divisor D. Entonces, la computadora de inferencia 130 puede almacenar el estimado del tráfico de origen, T, para su uso posterior. En el paso 1055, se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105. si no, se sigue la bifurcación de "NO" hasta el paso 1069. En el paso 1060, la computadora de inferencia 130 incrementa el contador de ciudades de origen I en uno. A continuación, el proceso regresa al paso 1010 para la recuperación de la siguiente ciudad de origen de la base de datos de 59
reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad de origen en la base de reservación 105, entonces se sigue la bifurcación de "SI" hasta el paso 1105 (Figura 11) . Refiriéndose ahora a las Figuras 1, 2 y 11, en el paso 1105, la computadora de inferencia 130 fija la variable del contador, contador de ciudades de origen I, en uno. La variable del contador de ciudades de origen representa aquellas ciudades de las cuales un vuelo se origina o comienza su viaje. En el paso 1110, la computadora de inferencia 130 recupera la ciudad de origen I de la base de datos de reservación 105. En el paso 1115, la computadora de inferencia 130 fija la demanda importante acumulada A igual a cero, el conteo de destino no importante U igual a cero y el contador de ciudades de destino K igual a uno. El conteo de destino no importante U típicamente representa el número de ciudades que no son ciudades de destino importantes para una ciudad de origen dada. En el paso 1120 la computadora de inferencia 130 recupera la lista de destinos importantes L para la ciudad de origen I, que se creo y almacenó en la memoria de la computadora de inferencia 130 en el paso 860 (Figura 8) . Entonces, en el paso 1125, la computadora de inferencias 130 recupera el tráfico de 60
origen T para la ciudad de origen I, creado y almacenado a la computadora de inferencia 130 en el paso 1050 (Figura 10) . En el paso 1130, se conduce una interrogación para determinar si la ciudad de destino K está listada en L, la lista de destinos que son importantes para la ciudad de origen I. Típicamente, la computadora de inferencia comparará la ciudad de destino recuperada K con la lista, L. Si la ciudad de destino K se encuentra en la lista L entonces la ciudad de destino K es una ciudad de destino importante para la ciudad de origen I. Si la ciudad de destino K no se encuentra en la lista L, entonces se sigue la bifurcación de "NO" hasta el paso 1150. Entonces, la computadora de inferencia 130 incrementa el contenido de destino no importante U en uno. El proceso continua hasta el paso 1155. Si la ciudad de destino K se encuentra sobre la lista L, entonces se sigue la bifurcación de "SI" hasta el paso 1135. En el paso 1135, la computadora de inferencia 130 recupera la fracción histórica F que fue almacenada en el paso 540 (Figura 5) . En el paso 1140, la computadora de inferencia incrementa la demanda importante acumulada A en el producto de la fracción histórica F y el tráfico de origen, T, que fueron generados y almacenados en la memoria de la computadora de inferencia 130 en los pasos 61
540 y 1050 respectivamente. A continuación, la computadora de inferencia 130 almacena el valor del producto calculado en el paso 1140 como la demanda de par
de origen-destino histórica escalada, w , para el par de ciudad de origen I -ciudad de destino K. En el paso 1155, se conduce una interrogación para determinar si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I. Si no, es seguida la bifurcación de "NO" hasta el paso 1160. En el paso 1160, la computadora de inferencia 130 incrementa el contador de la ciudad de destino K en uno. Entonces, el proceso regresa al paso 1130. Sin embargo, si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I en la base de datos de reservación 105, entonces es seguida la bifurcación "SI" hasta el paso 1205 (Figura 12) . Refiriéndose ahora a las Figuras 1, 2 y 12, en el paso 1205, la computadora de inferencia 130 fija la variable del contador, contador de ciudades de destino K igual a uno. Además, la computadora de inferencia determina el estimado de la demanda residual Z. Típicamente, el estimado de la demanda residual Z es determinado calculando la diferencia de tráfico de origen T y la demanda importante acumulada A, y dividiendo esa diferencia por el conteo de destino no importante U. La demanda residual Z típicamente representa la demanda de 62
origen- destino dividida uniformemente restante para una ciudad de origen I después de que todas las demandas de origen-destino correspondientes a ciudades de destino importantes son removidas. En el paso 1210, se conduce una interrogación para determinar si la ciudad de destino K está listada en L, la lista de destinos que son importantes para la ciudad de origen I. Típicamente, la computadora de inferencia 130 comparará la ciudad de destino K recuperada con la lista L, la cual fue creada y almacenada en el paso 860 (Figura 8) . Si la ciudad de destino K está en la lista L, entonces la ciudad de destino K es una ciudad importante para la ciudad de origen I. Si la ciudad de destino K está en la lista L, entonces se sigue la bifurcación "SI" hasta el paso 1220. Si la ciudad de destino K no está en la lista L, entonces se sigue la bifurcación de "NO" hasta el paso 1215. En el paso 1215, la computadora de inferencia 130 almacena el valor de Z, determinado en el paso 1205, como la demanda
de par de origen-destino histórica escalada w para el par de ciudad de origen I -ciudad de destino K. Entonces, el proceso continúa hasta el paso 1220. En el paso 1220, se hace una interrogación por medio de la computadora de inferencia 130 para determinar 63
si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I en la base de datos de reservación 105. Si no, entonces se sigue la bifurcación de "NO" hasta el paso 1225. En el paso 1225, la computadora de inferencia 130 incrementa el contador de ciudades de destino K en uno. Posteriormente, el proceso regresa al paso 1210 para la recuperación por la computadora de inferencia 130 de la siguiente ciudad de destino K, por la ciudad de origen I, por la base de datos de reservación 105. Si la ciudad de destino K es la última ciudad de destino para la ciudad de origen I, entonces se sigue la bifurcación de "SI" hasta el paso 1165 (Figura 11) . Regresando a la Figura 11, en el paso 1165 se hace una interrogación por medio de la computadora de inferencia 130 para determinar si la ciudad de origen I es la última ciudad de origen en la base de datos de reservación 105. Si no, se sigue la bifurcación "NO" del paso 1170. Entonces, la computadora de inferencia incrementa el contador de ciudades de origen I en uno. A continuación el proceso regresa al paso 1110 para la recuperación de la siguiente ciudad de origen de la base de datos de reservación 105. Sin embargo, si la computadora de inferencia 130 determina que la ciudad de origen I es la última ciudad 64
de origen en la base de datos de reservación 105, entonces se sigue la bifurcación de "SI" hasta el paso 230 (Figura 2) , para el cálculo de la demanda no restringida de origen-destino estimada, w por la computadora de inferencia 130. La Figura 13 es un diagrama de flujo lógico que ilustra un proceso implementado por computadora ejemplar para completar la determinación de la tarea de demanda no restringida de origen-destino estimada del paso 230 (Figura 2) . El cálculo del paso 230 puede ser soportado por la computadora de inferencia de predicción de origen-destino 130. Refiriéndose a las Figuras 1, 2 y 13, el proceso 230 es iniciado por la aceptación de la predicción de demanda no restringida a nivel de segmento, preferencias del consumidor por productos de servicio de origen-destino, programa de vuelos de red, y demanda de par de origen-destino histórica de los pasos 205, 210, 215 y 220, respectivamente, en la computadora de inferencia 130. En una modalidad ejemplar, la computadora de inferencia 130 también acepta un factor de ajuste de la demanda histórica del paso 225. En otra modalidad ejemplar, la computadora de inferencia 130 acepta una demanda de par de origen-destino histórica escalada del paso 220 en lugar de aceptar una demanda de par de origen-destino histórica del paso 218.
65
En el paso 1305, los datos aceptados son alimentados por la computadora de inferencia 130, a un aparato para resolver programas cuadráticos en la computadora de inferencia 130. Se selecciona un número máximo de iteraciones, se seleccionan los parámetros de solución, y se inicia la búsqueda de una solución. En una modalidad ejemplar, el aparato para resolver problemas cuadráticos alimenta los datos en la siguiente ecuación: min II NQTw -v | | 2 +a \\ w -w ' ||2 sujeta a w > 0, con T representando la transposición de las preferencias del consumidor por productos de servicio de origen-destino Q. Entonces, el aparato de solución calcula la medida complementaria en el paso 1310. En el paso 1315, un aparato para resolver el problema cuadrático fija el conteo de iteración igual a uno. El conteo de iteración representa el número de veces que el aparato para resolver el programa cuadrático intenta proporcionar una solución aceptable. Típicamente, una solución es aceptable cuando satisface los parámetros alimentados al aparato de solución por la computadora de inferencia en el paso 1305. En el paso 1320, se conduce una interrogación para determinar si la solución es aceptable sobre la base de los parámetros elegidos. Si es así, es seguida la 66
bifurcación de "SI" hasta el paso 1325. En el paso 1325, la solución es enviada desde el aparato para resolver problemas cuadráticos a la computadora de inferencia 130 como demanda no restringida de origen-destino estimada w. Entonces, el proceso continúa hasta el paso 235 (Figura 2) para la determinación de la demanda no restringida de producto de servicio de origen-destino estimada. Si la solución no es aceptable, entonces se sigue la bifurcación de "NO" hasta el paso 1330. En el paso 1330, se conduce una interrogación por medio del aparato para resolver programas cuadráticos para determinar si el conteo de la iteración es igual a un número máximo de iteraciones elegidas en el paso 1305. Si es así, se sigue la bifurcación de "SI" hasta el paso 1335. En el paso 1335, el programa para resolver programas cuadráticos envía un mensaje a la computadora de inferencia 130 de que el número máximo de iteraciones ha sido alcanzado y no se encontró una solución aceptable. Posteriormente, el proceso continúa hasta el paso 235 (Figura 2) . Si la iteración no es igual al número máximo de iteraciones, entonces se sigue la bifurcación de "NO" hasta el paso 1340. En el paso 1340, el aparato para resolver problemas cuadráticos determina el ajuste de dirección de búsqueda predicha para encontrar una mejor 67
solución. Entonces, el aparato para resolver problemas cuadráticos calcula la longitud del paso, la medida de complementariedad, y centra la solución en el paso 1345. En el paso 1350, el aparato de solución calcula la dirección de búsqueda corregida para la siguiente solución. En el paso 1355, el aparato de solución determina la longitud del paso ajustado para la siguiente solución. Entonces, en el paso 1360, el aparato de solución mueve la solución anterior en la dirección corregida de acuerdo a la longitud de paso ajustada, de acuerdo de las determinaciones de los pasos 1340-1355. A continuación, se incrementa el valor de la iteración en uno, en el paso 1365. El proceso regresa entonces al paso 1340 donde se hace una interrogación para determinar si la nueva solución es una solución aceptable sobre la base de parámetros seleccionados. Típicamente, el aparato para resolver problemas cuadráticos continúa en un sitio similar hasta que se encuentra una solución aceptable, 1345, o si alcanza el número máximo de iteraciones, 1355, punto en el cual el proceso continua hasta el paso 235 (Figura 2) . La Figura 14 es un diagrama de flujo lógico que ilustra un proceso implementado por computadora ejemplar para completar el cálculo de la tarea de demanda no restringida de producto de servicio de origen-destino 68
estimada del paso 235 (Figura 2) . La demanda es denotada como una demanda no restringida de modo que típicamente incluye el número de consumidores que desean reservar un vuelo de la ciudad de origen a la ciudad de destino y aquellos consumidores a los que se les negó la oportunidad de reservar un vuelo o elegir no reservar un vuelo. Las razones del consumidor incluyen: el vuelo estaba lleno, el precio cargado por el vuelo era demasiado alto, su elección de producto no estaba disponible, no estaban disponibles vuelos sin escalas, etc. Aquéllos expertos en la técnica reconocerán una amplia gama de otras razones existentes por las que a un consumidor se le negaría la oportunidad de reservar o no eligiría reservar un vuelo. El cálculo del paso 235 es soportado típicamente por la computadora de inferencia 130. Refiriéndose a las Figuras 1, 2 y 14 el proceso 235 inicia en el paso 1405, con la computadora de inferencia 130 aceptando la demanda no restringida de origen-destino estimada w del paso 230. En el paso 1410, la computadora de inferencia 130 acepta las preferencias del consumidor por productos de servicio de origen-destino Q del paso 210. La determinación de la preferencia del consumidor por producto de servicio de origen-destino Q típicamente toma lugar en la computadora de análisis de preferencias de productos, 120. En el paso 1415, la computadora de inferencia usa la demanda no restringida de origen-destino estimada w y las preferencias del consumidor por productos de servicio de origen-destino Q para determinar la demanda no restringida de productos de servicio de origen-destino estimada d. En una modalidad ejemplar la determinación de la demanda no restringida de productos de servicio de origen-destino estimada, d, es efectuada usando la siguiente fórmula: d=QTw; donde Q representa una matriz de preferencias del consumidor por productos de servicio de origen-destino, w representa la demanda no restringida de origen-destino estimada, y T representa la transposición de la matriz Q. La demanda no restringida de productos de servicio de origen-destino estimada, d, puede entonces ser enviada a una terminal de entrada de usuario, 125. El proceso 235 termina entonces en el paso de FIN. En vista de lo anterior se comprenderá que un aspecto de la presente invención es trabajar cohesivamente con los sistemas de reservación y predicción existentes en la recolección de las entradas necesarias para evitar la implementación de sistemas redundantes . Otro aspecto de la presente invención es usar preferencias de productos por el consumidor sobre la base del programa de vuelos actual y productos disponibles en 70
la determinación de la demanda de pasajeros no restringida de productos de servicio de origen-destino estimada . Otro aspecto de la presente invención es proporcionar al administrador de inventario la capacidad para controlar la importancia total de la demanda de pasajeros observada a nivel de origen-destino histórica en comparación con las predicciones de demandas de pasajeros no restringidas a nivel de segmento en la determinación de la demanda de pasajeros no restringida a nivel de origen-destino. Otro aspecto de la presente invención es modificar la demanda histórica por un par de origen-destino de tal manera que proporcione una estimación más precisa de la demanda de servicio no restringido de producto de origen-destino. Otro aspecto más de la presente invención es el uso de un sistema de inferencia de predicción basada en mínimos cuadrados para producir una predicción de demanda a nivel de producto de servicio no restringida de origen-destino estimada usando predicción de demanda de producto de servicio a nivel de segmento y datos de registro de nombre de pasajeros históricos. No ha sido descrito un lenguaje de programación particular para llevar a cabo los diferentes 71
procedimientos descritos anteriormente. Se considera que las operaciones, pasos y procedimientos descritos anteriormente e ilustrados en los dibujos acompañantes están suficientemente descritos para permitir a un experto en la técnica practicar la presente invención. Sin embargo, existen muchas computadoras, sistemas operativos y programas de aplicación que pueden ser usados para practicar una modalidad ejemplar de la presente invención. Cada usuario de una computadora particular conocerá el lenguaje y las herramientas que son más útiles para las necesidades y propósitos del usuario. Además, aunque la invención se describe en el contexto de una aplicación a la industria de la aviación por los consumidores, aquellos expertos en la técnica apreciarán que la invención puede extenderse a una amplia variedad de industrias de viaje. Deberá comprenderse que lo anterior se relaciona únicamente con modalidades específicas de la presente invención, y que pueden hacerse numerosos cambios a ellas sin apartarse del espíritu y alcance de la invención de acuerdo a lo definido en las siguientes reivindicaciones.