Bagaimana Waktu Layover anda boleh membuat atau memecahkan keuntungan syarikat penerbangan

Apabila realiti tidak sesuai dengan jangkaan, ia sentiasa tidak menyenangkan. Ia adalah terutamanya tidak menyenangkan jika anda membayar wang untuk realiti yang dijangka: anda membeli tiket satu syarikat penerbangan, tetapi untuk beberapa sebab anda diletakkan di dalam pesawat syarikat penerbangan yang sama sekali berbeza. Kemudian anda membuat sambungan, dan mereka meletakkan anda di dalam pesawat mana-mana syarikat penerbangan ketiga yang tidak diketahui. Apa yang berlaku? Selepas semua, anda mempunyai tiket syarikat penerbangan, yang anda membeli hanya kerana anda tahu apa yang boleh diharapkan daripadanya, tetapi anda masih terbang dengan pesawat syarikat penerbangan yang sama sekali berbeza. Anda kelihatan telah membeli tiket dari sebuah syarikat penerbangan yang besar dan mapan, tetapi di atas kapal ia mendapati bahawa syarikat penerbangan ini mempunyai anak syarikat dan cawangan serantau, yang tidak begitu baik. Kenalan pertama dengan penerbangan codeshare boleh menjadi sangat tidak menyenangkan. Bukankah syarikat penerbangan menyedari bahawa tindakan sedemikian boleh menyebabkan pelancong untuk sepenuhnya mengubah keutamaan mereka? Pengalaman negatif dengan cepat membina kemahiran untuk mengambil pendekatan yang lebih menyeluruh untuk menilai alternatif yang mungkin. aliran penumpang adalah seperti cecair yang mengalir dalam jumlah yang lebih besar di mana terdapat lebih sedikit halangan dalam lalunya. Penurunan daya tarik penerbangan satu syarikat penerbangan membawa kepada apa yang dipanggil "mengisi botol" sebahagian daripada aliran penumpang. Syarikat penerbangan lain boleh mengambil aliran dengan menawarkan alternatif yang lebih menarik - membuat tangkapan. Model sedemikian dipanggil model aliran penumpang dan menangkap (menangkap) dan secara langsung menghubungkan keuntungan syarikat penerbangan dengan pengalaman pelancong positif. Artikel ini memberi tumpuan kepada bagaimana untuk membuat penerbangan codeshare lebih menarik, dan membuat keuntungan yang baik di atasnya (tanpa meninggalkan pesaing anda di belakang, tentu saja). Pengedaran aliran penumpang Katakan bahawa terdapat rangkaian laluan kecil tiga bandar, yang terdiri daripada hanya tiga laluan: A→B – penerbangan yang dioperasikan oleh A1; B→C – penerbangan yang dioperasikan oleh A2 dan A3; A→B→C — pada segmen pertama, penerbangan dioperasikan oleh A1, pada yang kedua oleh A2 и A3 — ini adalah laluan yang memerlukan penilaian kecekapan perjanjian perkongsian kod. Aliran penumpang boleh diwakili dalam dua bentuk - mari kita panggil mereka H dan D: H - trafik penumpang asas antara dua bandar; D - trafik penumpang gabungan antara dua bandar. Sebagai contoh, pada segmen A→B, syarikat penerbangan A1 boleh menganggarkan (perhatikan jika ia kurang daripada kapasiti) aliran penumpang D11, yang merupakan jumlah dua aliran penumpang asas: Dalam kes ini, H1 ialah aliran penumpang penumpang yang berminat untuk pergi dari A ke B, dan H3 ialah aliran penumpang penumpang yang berminat untuk pergi dari A ke C. Bagi segmen B→C, perkara-perkara sedikit lebih menarik: di mana α boleh ditafsirkan sebagai bahagian syarikat penerbangan dalam trafik penumpang asas. dalam kes ini, syarikat penerbangan A2 dan A3 berkongsi trafik penumpang H2 - penumpang yang pergi dari B ke C, dan trafik penumpang H3 - penumpang yang pergi dari A ke C dan menyambung di lapangan terbang bandar B. Parameter α juga boleh ditafsirkan sebagai kebarangkalian untuk membuat pembelian tiket pada penerbangan syarikat penerbangan tertentu, oleh itu: α bergantung kepada daya tarik penerbangan dan ditentukan oleh fungsi utiliti U(R), di mana R adalah vektor parameter penerbangan, berdasarkan di mana pelancong memutuskan untuk membeli tiket. Biasanya, fungsi eksponensi digunakan sebagai fungsi utiliti dan ditukar kepada kebarangkalian menggunakan fungsi soft-max. Adakah ini cara yang baik untuk melakukannya? Ia biasa dan mudah. Pada masa yang sama, fungsi sigmoid dan fungsi pengedaran Dirichlet sesuai lebih baik ke dalam paradigma pemungutan suara. Sebagai contoh, jika terdapat kajian pelancong di mana anda perlu menilai setiap parameter penerbangan pada skala 10 mata, ia akan menjadi pengedaran beta dan Dirichlet yang akan memproses hasil. Ini lebih rumit, tetapi menghasilkan lebih banyak hasil. Kesan perjanjian codeshare pada daya tarik laluan Penerbangan Codeshare menarik kepada pelancong kerana mereka membolehkan penumpang untuk: Mengumpul mil bonus dengan mengambil bahagian dalam program kesetiaan syarikat penerbangan, walaupun penerbangan ini dikendalikan oleh syarikat penerbangan lain. Tempah tiket penerbangan untuk penerbangan dengan sambungan yang mudah, memilih pilihan yang paling sesuai di antara tawaran syarikat penerbangan yang berbeza. Dapatkan bantuan dan sokongan daripada syarikat penerbangan semasa penerbangan terlepas daripada syarikat di mana tiket dibeli. Walau bagaimanapun, sebab utama mengapa penerbangan codeshare menarik ialah kerana mereka meningkatkan bilangan laluan - ia jauh lebih mudah untuk memilih laluan siap daripada mencipta sendiri. Sudah tentu, penerbangan codeshare juga boleh menjadi tidak menarik untuk beberapa sebab: tahap perkhidmatan yang tidak memadai; Bagasi yang berbeza dan peraturan pemindahan; kemungkinan masalah bagasi semasa sambungan. Meningkatkan daya tarik penerbangan codeshare boleh meningkatkan trafik penumpang: Ini kelihatan sebagai punca masalah, tetapi ia sedikit lebih rumit dan lebih menarik.Dalam teori, penerbangan bersama kod boleh meningkatkan jumlah trafik penumpang, tetapi dalam tahap yang lebih besar, mereka hanya meningkatkan permintaan. Menambah penerbangan codeshare menempatkan pelancong H3 menghadapi tiga alternatif: Terbang dari A ke C pada penerbangan codeshare dengan ketidakselesaan minimum. Terbang dari A ke C melalui B dengan sambungan mudah ke penerbangan syarikat penerbangan A2. Terbang dari A ke C melalui B dengan sambungan yang tidak selesa pada penerbangan syarikat penerbangan A3. Jika ini berlaku, maka H3 boleh diwakili sebagai jumlah berikut: di mana H(ch)3 – ialah pelancong yang memilih penerbangan bersama kod, dan H(rem)3 – ialah pelancong yang telah memilih laluan pemindahan diri. Kemudian pengedaran semula penuh semua aliran antara syarikat penerbangan boleh ditulis dalam bentuk berikut: Hakikat bahawa daya tarik laluan boleh mengubah keseluruhan aliran penumpang mungkin kelihatan agak pelik. Walau bagaimanapun, ia adalah penting untuk memahami bahawa kita bercakap tentang bahagian aliran penumpang, iaitu segmen individu pelancong yang menilai dan menara alternatif yang mungkin berbeza. Permintaan menunjukkan bagaimana harga mempengaruhi bilangan tiket yang dibeli. Menarik, sebaliknya, menunjukkan bagaimana nombor ini dipengaruhi oleh faktor-faktor lain. Menarik sering tetap — contohnya, untuk penerbangan teratur yang tidak boleh mengubah masa kedatangan atau berlepas mereka.Selepas penerbangan bersama dengan syarikat penerbangan lain ditambah kepada penerbangan tersebut, masa sambungan mungkin berubah, yang bermakna bahawa sebahagian daripada pelancong akan dipandu oleh lebih daripada sekadar harga apabila membeli tiket. Main dan menangkap Kami telah memperoleh ungkapan yang menggambarkan perubahan peratusan dalam jumlah penumpang antara syarikat penerbangan. Ia masih untuk mencari tahu bagaimana untuk mengira peratusan berdasarkan α. Ini mungkin kelihatan sangat rumit - dalam kes ini kita sentiasa menggunakan pendekatan mudah. Kami mempunyai data. Kita boleh membuat model data. Pada asasnya, kita hanya bercakap tentang apa yang kita tahu bagaimana untuk melakukan dalam ML (Machine Learning)". Pertama, kita perlu menentukan jumlah penumpang acak yang terdiri daripada pembeli potensial, iaitu, sesiapa sahaja yang dalam apa jua cara berminat untuk membeli tiket pada sesetengah laluan yang dipertimbangkan. H1 ~ Poisson(λ1) H2 ~ Poisson (λ2) H3 ~ Poisson (λ3) Mari kita pertimbangkan bagaimana pengambilan dan penangkapan trafik penumpang berlaku menggunakan contoh H3, kerana trafik penumpang ini dibahagikan antara tiga syarikat penerbangan. Tahap yang berbeza daya tarik penerbangan menghasilkan tahap perhatian yang berbeza dalam segmen harga penumpang yang berbeza. Sebagai contoh, penerbangan bersama kod akan menjadi yang paling menarik, tetapi untuk sebab yang sama ia akan menjadi yang paling mahal. Ini bermakna ia akan menarik kepada mereka yang bersedia membayar lebih daripada biasa untuk tiket. Biarkan daya tarik ditentukan oleh dua faktor: codeshare dan masa sambungan. Mari kita asumsi bahawa t(2) masa pemindahan untuk penerbangan A2 jauh lebih dekat kepada t∗ daripada t(3) - masa pemindahan untuk penerbangan A3. Sekarang kita boleh menentukan daya tarik (manfaat kedua-dua penerbangan) melalui fungsi berbentuk gelombang yang mudah. Δt∗=t∗−t=0 - perbezaan minimum daripada masa pemindahan ideal. Mari kita ungkapkan tarikan melalui fungsi utiliti: u2=U(Δt2) dan u3=U(Δt3), di mana U boleh menjadi sebarang fungsi unimodal: dalam kes kita, U adalah fungsi Gausian. The attractiveness of flights A2 and A3 can be displayed as follows: import numpy sebagai np dari scipy.stats import norm, gamma, poisson, binom, seragam, bernoulli import matplotlib.pyplot sebagai plt daripada pylab import rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' import seaborn sebagai sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, skale=1.4) Plot (dt, u, ‘C0’ ) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, skala=1.4) plt.plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') plt.vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, skala=1.4) plt.plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') plt.vlines(dt_3, 0, u_3, color='C3') plt.title('Keupayaan (keupayaan) penerbangan\n' + r' syarikat penerbangan $A_{2}$ dan $A_{3}$') plt.xlabel(r'$\Delta t$ (jam)') plt.ylabel('u', rotation=0) plt.legend() plt.show() Sekiranya syarikat penerbangan A1 menandatangani perjanjian codeshare dengan A2, maka, dalam hal masa pemindahan, daya tarik penerbangan codeshare akan sama dengan A2, kerana masa pemindahan yang ideal - t , berkaitan dengan mana semua delta dikira, tidak berubah dalam apa jua cara. Walau bagaimanapun, penerbangan codeshare menawarkan beberapa kelebihan: tidak perlu memeriksa semula bagasi, tidak perlu memeriksa semula, dan untuk penerbangan antarabangsa, tinggal di kawasan yang jelas bermakna tiada kawalan pasport tambahan. Masa sambungan yang ideal perlu mengambil kira beberapa faktor: Tempoh sambungan minimum - masa yang diperlukan untuk berjaya memindahkan penumpang dan pemindahan bagasi dari satu penerbangan ke yang lain di lapangan terbang. Tempoh keselesaan tambahan – perlu untuk mengurangkan risiko berlari untuk check-in untuk penerbangan lain. Tempoh purata penundaan penerbangan - terdapat statistik khas untuk setiap syarikat penerbangan. Masa sambungan yang ideal untuk penerbangan codeshare akan berkurangan sekurang-kurangnya kerana risiko penumpang terlambat untuk penerbangan semasa sambungan diambil oleh syarikat penerbangan - kini ia menjamin bahawa walaupun penumpang terlambat, mereka masih akan diletakkan pada penerbangan seterusnya. Mengandaikan bahawa t∗ch<t∗, ini hanya menyebabkan grafik fungsi utiliti untuk penerbangan codeshare A1 untuk berpindah ke kanan: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, skala=1.4) Plt.plot(dt, u, 'C0', label=r'$t^{*} - t$) dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, skala=1.4) plt.plot(dt, u_ch, 'C0--', label=r'$t^{*}_{ch} - t$') dt_1 = 1.15 u_1 = norm.pdf(dt_1, loc=0.8, skala=1.4) plt.plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}) plt.vlines(dt_1, 0, u_1, color='C1', lw=4, alpha=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, skala=1.4) plt.plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') plt.vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, skala=1.4) plt.plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') plt.vlines(dt_3, 0, u_3, color='C3') plt.title('Keupayaan (keupayaan) penerbangan\n' + r' syarikat penerbangan $A_{2}$ dan $A_{3}$') plt.xlabel(r'$\Delta t$ (jam)') plt.ylabel('u', rotation=0) plt.legend() plt.show() Jika sebelum ini perbezaan daripada masa sambungan yang ideal ialah kira-kira 1 jam dan 10 minit, untuk penerbangan codeshare perbezaan ini hanya akan menjadi 20 minit. Sudah tentu, pendekatan kepada masa sambungan yang ideal bukan satu-satunya faktor yang mempengaruhi daya tarik (manfaat) penerbangan. Masa pemindahan diambil untuk tujuan ilustratif sahaja. Sekarang kita perlu memahami bagaimana ketiga-tiga nilai ini membahagikan trafik penumpang kepada segmen harga — kita jelas bercakap tentang beberapa bahagian. Untuk menentukan bahagian-bahagian ini, kita memerlukan profil permintaan potensial. mari kita asumsikan bahawa untuk setiap aliran penumpang ia kelihatan seperti berikut: harga_1 = np.linspace(100, 300, 1000) rvdem_1 = gamma(a=12, loc=100, skala=8) profile_1 = rvdem_1.pdf(prices_1) plt.plot(prices_1, profile_1, label=r'$H_{1}$') harga_2 = np.linspace(60, 200, 1000) rvdem_2 = gamma(a=8, loc=60, skale=7) profile_2 = rvdem_2.pdf(prices_2) plt.plot(prices_2, profile_2, label=r'$H_{2}$') harga_3 = np.linspace(240, 500, 1000) rvdem_3 = gamma(a=10, lok=230, skala=12) profile_3 = rvdem_3.pdf(prices_3) plt.plot(prices_3, profile_3, label=r'$H_{1}$') plt.legend() plt.xlabel('Harga (c.u.)') plt.title('Profil permintaan aliran penumpang'); Kewujudan profil permintaan menunjukkan bahawa terdapat representasi yang boleh dipercayai bahawa pada harga mana kebarangkalian membeli tiket berbeza daripada 0 atau 1 dan bagaimana ia bergantung kepada harga. Ia harus segera dicatat bahawa kewujudan profil harga sedemikian tidak membolehkan demonstrasi rasional amalan lama atau suboptimal. Pertama, sebaik sahaja seseorang dikenali dengan kaedah ML, ia agak sukar untuk membayangkan bagaimana seseorang boleh melakukan apa-apa yang berbeza, jauh kurang melakukannya lebih teruk. Kedua, terdapat sekurang-kurangnya beberapa kaedah untuk "membayangkan" bilangan tiket yang dijual pada harga tertentu. Syarikat penerbangan yang berbeza boleh menggunakan yang berbeza. Sesetengah, biasanya syarikat penerbangan kecil mungkin bergantung sepenuhnya kepada intuisi. Tahap yang berbeza daya tarik alternatif mesti entah bagaimana membahagikan aliran penumpang antara syarikat penerbangan, dan kini kita mempunyai semua yang kita perlukan untuk mengira α untuk masing-masing daripada mereka: H1 aliran antara syarikat penerbangan tidak dibahagikan. hanya aliran H2 dan H3 dibahagikan, dan pembahagian bergantung kepada daya tarik penerbangan, yang memberi kesan kepada kebarangkalian pilihan. Fig, ax = plt.subplots(1, 3, figsize=(12, 3)) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, skala=1.4) ax[0].plot(dt, u, 'C0') dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, skala=1.4) ax[0].plot(dt, u_ch, 'C0--') ax[1].plot(dt, u_ch, 'C0--') dt_1 = 1.15 u_1 = norm.pdf(dt_1, lok=0.8, skala=1.4) ax[0].plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}') ax[0].vlines(dt_1, 0, u_1, warna='C1', lw=4, alpha=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, skala=1.4) ax[0].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[0].vlines(dt_2, 0, u_2, warna='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, skala=1.4) ax[0].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') ax[0].vlines(dt_3, 0, u_3, warna='C3') ax[0].legend(loc=3) ax[0].set_title('Attractiveness for $H_3$\n(codeshare $A_{1}$ and $A_{2}$)') ax[0].set_xlabel(r'$\Delta t$ (jam)')') (d, u, ‘C0’ dan lain-lain) dt_1 = 2.5 u_1 = norm.pdf(dt_1, loc=0.8, skala=1.4) ax[1].plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}') ax[1].vlines(dt_1, 0, u_1, color='C1', lw=4, alpha=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, skala=1.4) ax[1].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[1].vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, skala=1.4) ax[1].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') ax[1].vlines(dt_3, 0, u_3, warna='C3') ae.[1]legend(loc=3) ae.[1]set_title('Attractiveness for $H_3$\n(codeshare $A_{1}$ and $A_{3}$)') ae.[1]set_xlabel(r'$\Delta t$ (jam)')') dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, skala=2.6) Plot (dt, u, ‘C0’ ) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, skala=2.6) ax[2].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[2].vlines(dt_2, 0, u_2, warna='C2') Dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, skala=2.6) ax[2].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'u_3:.2f} ax[2].vlines(dt_3, 0, u_3, color='C3') ax[2].legend(loc=3) ax[2].set_title('Attractiveness for $H_2$') ax[2].set_xlabel(r'$\Delta t$ (jam)'); Cara paling mudah untuk menukar utiliti kepada probabiliti ialah dengan mengalikan setiap nilai dengan beberapa faktor sehingga jumlah yang dihasilkan sama dengan 1: Contohnya, jika A1 menandatangani perjanjian pertukaran kod dengan A2, probabiliti untuk memilih salah satu atau penerbangan yang lain adalah seperti berikut: u = np.array([0.28, 0.20, 0.06]) (satu) [0.51851852 0.37037037 0.111111] P3(Choice=A1 Seg=1) = 0.52 P3 (Choice=A2 A2Seg=1) = 0.37 P3 (Choice=A3 Seg=1) = 0.11 Walau bagaimanapun, pilihan dipengaruhi bukan sahaja oleh keutamaan, tetapi juga oleh jumlah wang yang tersedia untuk membuatnya.Mengetahui profil permintaan, kita boleh menentukan kebarangkalian membeli tiket pada harga tertentu.Bolehkan harga seperti berikut: Harga (1) 1 = 190 Harga (1) 3 = 370 Harga (2) 2 = 135 Harga(3) 2 = 115 Kemudian kebarangkalian membeli tiket pada harga tertentu boleh ditakrifkan seperti berikut: Sebagai contoh, kebarangkalian bahawa tiket untuk penerbangan codeshare akan dibeli pada 370 c.u. akan sama dengan 0.27: rvdem_3 = gamma(a=10, tempat=230, skala=12) cetak(rvdem_3.sf(370)) 0.2727250812333501 Pelancong yang boleh membelanjakan tiket pada harga ini melihat tiga alternatif di hadapan mereka. Walau bagaimanapun, jika seseorang boleh membelanjakan keselesaan maksimum, ia tidak bermakna bahawa dia atau dia mesti menggunakannya. ketersediaan alternatif yang lebih murah membolehkan untuk menjimatkan wang - itulah sebabnya kami mengira daya tarik alternatif dan menentukan kemungkinan pilihan berdasarkan mereka. Kemungkinan yang dihasilkan untuk memilih penerbangan tertentu untuk penumpang tersebut akan sama: P3(Choice=A1 Seg=1) = 0.14 P3 (Choice=A2 A2Seg=1) = 0.1 P3 (Pilih = A3 Seg = 1) = 0.03. Hasilnya tidak kelihatan begitu mengesankan, kerana kebarangkalian akhir membeli tiket untuk penerbangan yang paling selesa tidak begitu tinggi. Apa yang berlaku kepada mereka yang tidak mampu membeli tiket sedemikian?Jika jumlah dana penumpang jatuh dalam tempoh: dalam kes ini, dia akan mempunyai dua alternatif yang tersedia untuknya: pilih penerbangan dengan sambungan yang mudah atau panjang.Berdasarkan utiliti yang tersedia, kemungkinan pilihan adalah seperti berikut: P3(Choice=A2 A2Seg=2) = 0.77 P3 (Pilih = A3 Seg = 2) = 0.23. u = np.array([0.20, 0.06]) Pendaftaran(u / u.sum()) [0.76923077 0.23076923] Kemungkinan membeli tiket dalam kes ini ialah: rvdem_3 = gamma(a=10, tempat=230, skala=12) cetak(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 Kemudian kebarangkalian pilihan yang dihasilkan untuk pelancong sedemikian adalah sebagai berikut: P3(Choice=A2 A2Seg=2) = 0.35 P3 (Pilih = A3 Seg = 2) = 0.1. Pelancong yang jumlah wangnya berada dalam julat [305,325] hanya boleh membelanjakan penerbangan A3. rvdem_3 = gamma(a=10, tempat=230, skala=12) cetak(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 Akhirnya, kebarangkalian membeli tiket untuk penerbangan tertentu akan dinyatakan sebagai jumlah mudah: Pengangkutan penumpang H3 akan dibahagikan antara syarikat-syarikat penerbangan sebagai berikut: P3 (Pilih = A1) = 0.14 P3 (Pilih = A2) = 0.1 + 0.35 = 0.45 P3(Pilih = A3)=0.03 +0.1 +0.17 =0.3 Kebarangkalian P(Buy=0) bahawa tiket tidak akan dibeli sama sekali ialah 0.1, yang bersama-sama dengan kebarangkalian pilihan di atas memberi 1. Selepas melakukan perkara yang sama untuk aliran penumpang H2, kita mendapat yang berikut: P2 (Pilih = A2) = 0.1 P2(Choice=A3)=0.38. Pengangkutan penumpang H1 walaupun tidak dibahagikan antara syarikat-syarikat penerbangan, tetapi kerana harga 190 ue sebahagian daripada itu akan ditumpahkan, jadi kita masih boleh memperkenalkan kebarangkalian pilihan penerbangan P1(Pilih=A1), yang akan ditentukan oleh harga (kemungkinan membeli tiket pada harga ini): rvdem_1 = gamma(a=12, loc=100, skala=8) print(rvdem_1.sf(190)) 0.5494501693973257 Ia akan mungkin untuk menerangkan secara terperinci semua nilai α, tetapi kerana kita telah memperoleh nilai-nilai tertentu daripada fraksi, kita akan menulis segala-galanya dalam bentuk yang lebih pendek: Bagi sebuah syarikat penerbangan, mengoptimumkan perjanjian codeshare adalah masalah pembungkusan beg dengan variabel binari sama dengan satu atau nol apabila penerbangan potensial dipilih untuk dibagikan atau tidak. Masalah utama bermula apabila menganggarkan nilai barang-barang yang disimpan dalam beg. Dalam kes yang mudah, sebuah syarikat penerbangan boleh memutuskan bahawa ia bergantung kepada jenama: jika ia menarik, maka penerbangan codeshare juga akan menarik. Dalam pendekatan naif ini, nilai barang yang disimpan dalam beg hanya meningkat secara proporsional dengan beberapa faktor. Satu pendekatan yang lebih maju ialah menggunakan pelbagai kriteria daya tarik untuk memilih item. Setiap item adalah laluan yang mempunyai masa berlepas dan tiba, serta sambungan yang boleh berbeza dalam kedua-dua tempoh dan jenis. Oleh itu, memilih satu item mengubah nilai semua yang lain, kedua-dua yang sudah dalam beg dan yang belum dikemas. Ini bermakna bahawa semua α mesti dikira setiap kali item dipilih. Walau bagaimanapun, dengan mengalikan semua H dengan harga yang sesuai, anda boleh mendapatkan perkiraan pendapatan yang cukup munasabah, dan yang paling penting, anda boleh mencari tahu dengan siapa dan di mana syarat untuk membuat perjanjian. The method is rather crude, but it should be noted that it links traveler preferences to the redistribution of passenger traffic. Delta Airlines, one of the pioneers in optimizing codeshare agreements reported that this evaluation of joint routes provided up to $50 million in additional annual revenue. This was not only one of the most outstanding results for the 2000s, but also a direct proof of the importance of traveler preferences. Air Canada later showed that this method delivered up to 80% more weekly revenue than the naive method that only considers brand influence. Kaedah ini buruk kerana ia membahagikan masalah kepada dua bahagian: pertama kita perlu mengurutkan alternatif dan mengira bahagian optimal H, dan kemudian ingat bahawa semua H adalah acak dan mengira kuota optimal secara berasingan. Model dan optimasi Airline A1 needs to find not only the best prices but also quotas: w(1)3 — number of seats reserved for codesharing, and w(1)1 — is the number of seats for those traveling from A to B. If we denote by V the capacity of the airplane, then a simple condition for quotas is satisfied: w(1)1+w(1)3⩽V(1) — the same as for the number of tickets sold q(1)1+q(2)3+q(3)3⩽w(1)1 и q(1)3⩽w(1)3. Biasanya, fungsi sasaran adalah percuma dan hanya terdiri daripada meningkatkan pendapatan yang dihasilkan dengan memilih penerbangan bersama. Walau bagaimanapun, di samping pendapatan, terdapat juga kos yang mempunyai kesan yang signifikan pada keuntungan penerbangan. Cfix - kos tetap, contohnya: bayaran kakitangan, yuran lapangan terbang untuk letak kereta, pendaratan dan pendaratan, keselamatan penerbangan. Cvar - kos variabel, yang bergantung kepada bilangan penumpang, contohnya: yuran untuk menyediakan kompleks terminal lapangan terbang, pengendalian bagasi. Ini juga akan termasuk kos kerosin, kerana kuantitinya juga bergantung kepada bilangan penumpang dan bagasi, tetapi untuk kesederhanaan kita akan merujuk kepada Cfix. Пусть Cvar=cvarQ, contohnya, cvar boleh sama dengan 25 c.u., nilai yang hanya dikalikan kepada bilangan penumpang - Q. Harga(2)ch — kos tempat duduk yang dibeli daripada pengendali penerbangan untuk penerbangan bersama kod. Kemudian keuntungan purata A1 akan menjadi fungsi berikut: Keuntungan syarikat penerbangan kedua: Seseorang mungkin berfikir bahawa jika A1 menandatangani perjanjian dengan A2, maka keuntungan A3 tidak boleh menjadi masalah.Sebenarnya, perkongsian kod mempunyai akibat yang sangat menarik: tekanan persaingan. Kita tahu bahawa Hj∼Poisson(λj). mengetahui bahawa Pj(Pilih=Ai), kita boleh mencatat bilangan tiket yang dibeli q(i)j sebagai: dan lebih mendekati pengedaran binomial dengan pengedaran normal. Walaupun untuk nilai-nilai kecil Hj, ia adalah amalan biasa, tetapi pelancong dari H1 dan H3 adalah campuran acak - tidak ada perkara seperti pertama-tama menjual tiket hanya untuk mereka dari H1 dan kemudian menjual tempat duduk yang tersisa hanya untuk mereka dari H3. Ia juga perlu dicatat bahawa jika lapangan terbang A dan B dipisahkan oleh sejumlah besar zon masa, campuran H2 dan H3 akan mempunyai komposisi yang berbeza bergantung kepada masa. Sebagai contoh, jika A3 secara ketara mengurangkan harga pada waktu malam, maka pengurangan ini boleh dilihat terlebih dahulu oleh penumpang dari H3 kerana mereka mungkin mempunyai waktu siang bukannya malam. Ia adalah penting untuk diingat bahawa data sentiasa datang terlebih dahulu. Walaupun kita menuliskan Hj∼Poisson(λj) adalah pendekatan yang sangat kasar diambil hanya untuk kepentingan contoh. alih-alih pengedaran Poisson, sentiasa terdapat pengedaran bersyarat yang sangat kompleks, yang merupakan apa yang dihasilkan daripada data. Campuran aliran penumpang, kapasiti pesawat yang terhad, kuota, dan banyak nuansa lain menjadikan ia mustahil untuk mengeluarkan perkongsian bilangan tiket yang dijual secara analitik. Sebelum memodelkan sesuatu, ia adalah perlu untuk menentukan parameter asas masalah. Katakan bahawa laluan A→B→C adalah laluan Vladivostok-Moscow-Sochi: VVO→SVO→AER. Penerbangan boleh dioperasikan oleh pesawat-pesawat berikut: VVO→SVO — dioperasikan oleh syarikat penerbangan A1 pada pesawat A350 dengan kapasiti V=325. SVO→AER — dioperasikan oleh syarikat penerbangan A2 pada pesawat A320 dengan kapasiti V=180. SVO→AER — dioperasikan oleh syarikat penerbangan A3 на pada pesawat Boeing 737 dengan kapasiti V=190. The fixed costs will be as follows: C(1) fiks – 48360 c.u.; C(2)fix — 10270 c.u.; C(2) Fix - 9890 c.u. Biaya Perubahan : c(1)var — 6.8 c.u. / penumpang c(2)var — 5.4 c.u. / penumpang c(2)var — 5.1 c.u. / penumpang Katakan bahawa aliran penumpang dibahagikan seperti berikut: H1 ~ Poisson (λ1 = 370) H2 ~ Poisson (λ2 = 350) H3 ~ Poisson (λ3 = 110) def prob_in_trafic(harga): harga_1, harga_2, harga_3 = harga rvdem_1 = gamma(a=12, loc=100, skala=8) rvdem_2 = gamma(a=8, loc=60, skala=7) rvdem_3 = gamma(a=10, loc=230, skala=12) pb_11 = rvdem_1.sf(price_1) pb_10 = 1 - pb_11 U2 = U2 = U2 = U2 = U2 = U2 = U2 = U2 = U2 jika harga\_2 > harga\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pb\_22 = rvdem\_22 pbp\_23 = rvdem\2.sf(price\3) pb_22 = pbp\22 pbp\23 lain: pbp\_22 = rvdem\_2.sf(price\2) pbp\23 = rvdem\2.sf(price_3) pb_22 = pbp\22 pb_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan Perbezaan jika (price\_1 + price\_2) > (price\_1 + price\_3): pbp\_32 = rvdem\_3.sf(price\_1 + price\_2) pbp\_33 = rvdem\_3.sf(price\_1 + price\_3) - rvdem\_3.sf(price\_1 + price\_3) pbp\32 = pbp\32 = pbp\1 = pbp\3.sf(price\1 + price\_3) pbp\33 lain: pbp\32 = pbp\32 = rvdem_3.sf(price\1 + price\_2) pbp\33 = rvdem_3.sf(price\1 + price\_3) pbp\32 = p pb\_30 = 1 - pb\_32 - pb\_33 Kembali kepada ph_1, ph_2, ph_3 def jualan(P): h_1 = poisson.rvs(mu=370) h_2 = poisson.rvs(mu=350) h_3 = poisson.rvs(mu=110) h\_all = np.sum(\[h\_1, h\_2, h\_3\) p\_in\_h = np.array(\[h\_1, h\_2, h\_3\) / h\_all v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_2, q\_3 = 0, 0, 0 untuk iter dalam julat(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) jika pass\_in\_h == 1: jika np.random.choice(\[[0, 1\], p=P\[0\]): jika q\1 < v\_1: q\_1 += 1 if pass\\\_in\\\_h == 2: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[1\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2: q\\\_2 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if pass\\\_in\\\_h == 3: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[2\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2: q\\\_2 += 1 if q\\\_1 < v\\\_1: q\\\_1 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if q\\\_1 < v\\\_1: q\\\_1 += 1 Kembali kepada q\_1, q\_2, q\_3 Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan def e_profit(prices, n_iter): P = prob_in_trafic(prices) return np.mean([profit_a(prices, sales(P)) for _ in range(n_iter)], axis = 0) Sekarang kita boleh memulakan pemodelan dan optimisasi. soalan muncul: apa dan bagaimana untuk mengoptimumkan? apa dan apa untuk membandingkan untuk melihat jika terdapat peningkatan keuntungan? Idealnya, setiap syarikat penerbangan ingin meningkatkan keuntungan mereka, tetapi perubahan dalam harga tiket satu syarikat penerbangan mempengaruhi semua trafik penumpang. Perubahan ini diperhatikan oleh syarikat penerbangan lain dan mereka juga mengubah harga, yang sekali lagi membawa kepada perubahan dalam aliran penumpang. Ini bermakna bahawa keuntungan tidak boleh dicapai dengan menggunakan kaedah pengoptimalan hanya sekali. Mari kita asumsikan bahawa tiada syarikat penerbangan telah menandatangani perjanjian codeshare dan pertimbangkan harga berikut sebagai optimum: Harga (1) 1 = 185 Harga (2) 2 = 114 Harga (3) 2 = 110 Kemudian pembahagian keuntungan mereka akan seperti berikut: Perbezaan harga ialah [185, 114, 110] q_data = [] keuntungan_data = [] P = prob_in_trafic(harga) untuk i dalam julat(1000): Q = jualan(P) q_data.append(Q) profit_data.append(profit_a(harga, Q)) q_data = np.array(q_data) profit_data = np.array(profit_data) fig, ax = plt.subplots(1, 3, figsize=(12, 3.5) Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan plt.suptitle('Distribusi keuntungan syarikat penerbangan') plt.tight_layout(); Walau bagaimanapun, kami kini berminat dengan tepat bagaimana keuntungan purata syarikat penerbangan A2 dan A3 akan berubah jika mereka memasuki perjanjian codeshare dengan satu sama lain. def prob_in_trafic_ch(harga): harga_1, harga_2, harga_3, harga_ch = harga[:-1] rvdem_1 = gamma(a=12, loc=100, skala=8) rvdem_2 = gamma(a=8, loc=60, skala=7) rvdem_3 = gamma(a=10, loc=230, skala=12) pb\_11 = rvdem\_1.sf(harga\_1) pb\_10 = 1 - pb\_11 U2 = U2 = U2 = U2 = U2 = U2 = U2 = U2 = U2 jika harga\_2 > harga\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pb\_22 = rvdem\_22 pbp\_23 = rvdem\2.sf(price\3) pb_22 = pbp\22 pbp\23 lain: pbp\_22 = rvdem\_2.sf(price\2) pbp\23 = rvdem\2.sf(price_3) pb_22 = pbp\22 pb_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 ph\_2 = \[pb\_20, pb\_22, pb\_23\] Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : jika harga\_ch > (price\_1 + price\_2) > (price\_1 + price\_3): pbp\_31 = rvdem\_3.sf(price\_ch) pbp\_32 = rvdem\_3.sf(price\_1 + price\_2) pbp\_31 = pbp\33 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\3 pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 Kembali kepada ph_1, ph_2, ph_3 def sales_ch(P, w_1): h_1 = poisson.rvs(mu=370) h_2 = poisson.rvs(mu=350) h_3 = poisson.rvs(mu=110) h\_all = np.sum(\[h\_1, h\_2, h\_3\) p\_in\_h = np.array(\[h\_1, h\_2, h\_3\) / h\_all v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_1\_ch, q\_2, q\_3 = 0, 0, 0, 0 untuk iter dalam julat(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) jika pass\_in\_h == 1: jika np.random.choice(\[0, 1\], p=P\[0\]): jika q\_1 < v\_1 - w\_1: q\_1 += 1 if pass\\\_in\\\_h == 2: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[1\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2 - w\\\_1: q\\\_2 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if pass\\\_in\\\_h == 3: a\\\_i = np.random.choice(\\\[0, 1, 2, 3\\\], p=P\\\[2\\\]) if a\\\_i == 1: if q\\\_1\\\_ch < w\\\_1: q\\\_1\\\_ch += 1 if a\\\_i == 2: if q\\\_2 < v\\\_2 - w\\\_1: q\\\_2 += 1 if q\\\_1 < v\\\_1 - w\\\_1: q\\\_1 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if q\\\_1 < v\\\_1 - w\\\_1: q\\\_1 += 1 Kembali kepada q\_1, q\_1\_ch, q\_2, q\_3 Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan : Perbezaan def e_profit_ch(harga, w_1, n_iter): P = prob_in_trafic_ch(harga) mengembalikan np.mean([profit_a_ch(harga, sales_ch(P, w_1), w_1) untuk _ dalam julat(n_iter)], sumbu = 0) Mari kita lihat semua nilai keuntungan A1 dan A2 yang bersamaan lebih besar daripada nol: Oleh itu, perlu diingatkan bahawa ia adalah satu-satunya kaedah yang boleh digunakan untuk membolehkan pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel yang boleh digunakan untuk pengambilan sampel. x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', label='Perbezaan') plt.plot(x, y_2, 'C2', label='Kepentingan') plt.xlabel(r'$A_{2}$ keuntungan (c.u)') plt.ylabel(r'$A_{1}$ keuntungan (c.u)') plt.title('Scatter nilai keuntungan positif dua syarikat penerbangan') Melayu kepada Melayu() Pameran Pameran ( Sekumpulan titik dibatasi dari atas oleh beberapa fungsi konveks dan monoton berkurangan, yang mengandungi semua titik set Pareto-efficient. Jika set ini adalah simetrik, maka titik set yang paling dekat dengan garis memotong segmen yang sama dari sumbu koordinat boleh diambil sebagai titik yang optimal. Pendekatan ini dipanggil pendekatan yang tidak peduli. Sekumpulan yang berkesan hampir tidak pernah simetrik, jadi peserta mempunyai kepentingan untuk memastikan bahawa asimetri perlu dipertimbangkan apabila membuat keputusan bersama. Dalam kes ini, titik yang paling dekat dengan garis di atas set dan bersamaan dengan garis yang melewati titik minat maksimum diambil sebagai titik yang optimal (0,Profit 1) dan (Profit 2,0). Pembinaan set sedemikian untuk masalah dalam bentuk stochastic sentiasa memerlukan penyelidikan dan pendekatan - ia tidak boleh dibina secara analitik. Biarkan titik minat maksimum sebagai berikut: (0, 12000) dan (17500, 0). Sebagai garis bersamaan dengan garis lain yang melewati titik minat maksimum, mari kita mengambil garis dengan persamaan y=−0.8x+20000. Kemudian harga optimal akan mengambil nilai-nilai berikut: Price(1)1=185; Harga (2) 2 = 114 Harga (1) ch = 345; Harga (2) ch = 120; W (1) 3 = 29 Selepas pengenalan penerbangan codeshare, pengedaran keuntungan akan kelihatan seperti ini: harga_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] keuntungan_ch_data = [] untuk i dalam julat(1000): Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) q_ch_data = np.array(q_ch_data) profit_ch_data = np.array(profit_ch_data) harga_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] keuntungan_ch_data = [] untuk i dalam julat(1000): Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) q_ch_data = np.array(q_ch_data) keuntungan_ch_data = np.array(profit_ch_data) Semua algoritma untuk mengoptimumkan perjanjian codeshare mengoptimumkan pendapatan hanya satu syarikat penerbangan. Pada akhirnya, dua syarikat penerbangan (mitra potensial) menggunakan algoritma sedemikian akan bertemu dalam perundingan dengan nombor yang berbeza - ini bermakna bahawa dalam hasil akhir segala-galanya akan bergantung kepada bagaimana mereka berunding. Membina set Pareto yang berkesan bukan sahaja mengoptimumkan keuntungan kedua-dua syarikat penerbangan, tetapi juga membuat perundingan lebih mudah, membuka laluan yang lebih langsung dan lebih pendek kepada teori permainan - menghapuskan elemen manusia sepenuhnya. Idea pengambilan dan penangkapan penumpang sangat mendalam dan mempunyai implikasi "berjalan jauh".Berapa banyak wang yang boleh diperolehi daripada idea sedemikian?Menguji data sebenar dan simulasi menunjukkan bahawa mempertimbangkan keutamaan pelancong bersama dengan mengira kuota dan keuntungan optimal untuk kedua-dua syarikat penerbangan menghasilkan keuntungan yang signifikan berbanding kaedah-kaedah pilihan sahaja: Warna merah menunjukkan berapa banyak yang hilang oleh syarikat penerbangan yang tidak menandatangani perjanjian - anda boleh melihat bahawa, rata-rata, kerugian melebihi keuntungan syarikat penerbangan yang mencipta penerbangan codeshare. Bercakap mengenai persaingan sebagai sedemikian tidak cukup sesuai di sini.Pentingnya adalah bahawa perubahan dalam aliran penumpang mempengaruhi seluruh rangkaian laluan. kesan negatif atau positif daripada perubahan sedemikian boleh menjejaskan semua peserta rangkaian: rakan kongsi, pesaing dan juga mereka yang tidak dipertimbangkan sama sekali. Syarikat-syarikat penerbangan juga sering melebih-lebihkan daya tarik penerbangan codeshare. Kadang-kadang harga membengkak lebih daripada 100 dolar. Pelancong benar-benar menghargai keselesaan banyak, tetapi kerana harga yang sangat membengkak, mereka memilih pilihan yang kurang selesa tetapi jauh lebih murah. Sekiranya pengangkut operasi (yang sebenarnya mengangkut penumpang) tidak tahu bagaimana untuk mengira set penyelesaian Pareto-optimal, pengangkut pemasaran (yang menjual tiket) boleh dengan mudah mengambil keuntungan daripada ini dan membayar kurang daripada yang seharusnya. By the way, dalam artikel ini hanya satu jenis codeshare dijual percuma yang paling biasa dipertimbangkan - apabila kedua-dua syarikat penerbangan boleh menerbitkan penerbangan pengangkut lain sebagai milik mereka dengan sedikit atau tiada batasan pada bilangan tempat duduk yang boleh dijual (dalam kapasiti pesawat atau batasan yang ditetapkan). Walau bagaimanapun, kaedah optimisasi yang dipertimbangkan juga sesuai untuk jenis codeshare lain, contohnya, ruang blok - apabila bilangan tempat duduk yang akan dijual oleh pengangkut pemasaran adalah tetap. Di satu pihak, mengambil kira perjanjian yang berbeza menjadikan tugas ini sedikit lebih rumit, tetapi di sisi lain, ia membolehkan syarikat penerbangan untuk menggabungkan keadaan yang berbeza, mengoptimumkan bukan sahaja keuntungan tetapi juga daya tarik bagi kedua-dua penumpang biasa dan baru kerana rangkaian laluan yang luas. Dalam kesimpulan Peningkatan keuntungan 5% hanya disebabkan oleh perjanjian codeshare bukanlah hasil yang buruk. Bolehkah ia lebih? Tentu saja, ya. Masalah ini boleh dilihat sebagai perpanjangan kepada masalah peruntukan armada IFAM berdasarkan pemodelan komposisi penumpang dan prinsip pengambilan / penangkapan aliran penumpang. Penerbangan codeshare boleh dirumuskan sebagai penerbangan yang dioperasikan oleh beberapa pesawat maya. Ini bermakna bahawa seseorang boleh menggunakan teknik yang sudah mapan untuk optimisasi lebih lanjut - contohnya, mengoptimumkan pada tahap harga dinamik (subklasa) daripada nilai purata dan kasar. Dalam kes ini, keuntungan keuntungan boleh menjadi lebih besar. IFAM hanya mempertimbangkan satu syarikat penerbangan, tetapi inovasi model ini terletak tepat di dalam fakta bahawa untuk pertama kalinya ia mula mengambil kira kesan perubahan dalam beberapa aliran penumpang terhadap perubahan dalam aliran penumpang lain. Ia menjadi mungkin untuk "mencairkan" di satu tempat dan "mempunyai aliran" di tempat lain. Kesukaran dengan pengembangan IFAM adalah bahawa setiap penerbangan bersama yang berpotensi akan benar-benar perlu diperlakukan sebagai pesawat virtual yang berasingan. Terdapat mungkin lebih daripada 100 atau 1,000 pesawat berpotensi seperti itu dalam armada syarikat penerbangan. Dan itu bukan semua — keputusan IFAM biasanya dimulakan oleh tugas membentuk jadual, yang direka terutamanya dengan daya tarik pelancong dalam fikiran. Apabila menambah penerbangan codeshare, tahap sejauh mana jadual penerbangan tetap pesawat virtual selaras dengan jadual tetap di mana pesawat sebenar syarikat penerbangan harus dipertimbangkan. Yang paling penting, selepas memilih setiap pesawat virtual dan harga tiket, pengedaran semula aliran penumpang di seluruh rangkaian laluan mesti dikira. Seperti yang dinyatakan pada permulaan artikel, penyelesaian masalah hanya mungkin jika terdapat data – lebih tepatnya, sejumlah besar data. Salah satu cara atau lain, ia semua datang kepada pemodelan pilihan yang diam-diam yang membuat pelancong. Sesetengah syarikat penerbangan, dengan jumlah besar data bersejarah mereka, melakukan kerja yang cukup baik dengan ini, tetapi walaupun mereka tidak boleh bersaing dengan GDS (Global Distribution System). Ini disebabkan oleh fakta bahawa syarikat penerbangan mempunyai data mengenai aliran penumpang hanya rangkaian laluan mereka, manakala GDS melihat keseluruhan gambar dan mampu menganalisis bilangan yang lebih besar kedua-dua laluan dan senario perubahan aliran penumpang. Walau bagaimanapun, mesti dikatakan bahawa ini hanya terpakai kepada generasi baru GDS. Malangnya, sistem yang lebih tua tidak pernah menangani tugas-tugas sedemikian atau mengatasinya secara bersyarat. Sebenarnya, tiada syarikat penerbangan akan pernah dapat menilai pengedaran aliran penumpang dengan tepat pada masanya, hanya kerana ia memerlukan data daripada syarikat-syarikat penerbangan lain. Dalam artikel ini kami telah menyentuh, walaupun dalam perjalanan, pada topik pengoptimalan pelbagai kriteria, yang memudahkan negosiasi, yang pada gilirannya membawa kita ke dalam teori permainan. Tetapi teori ini telah berulang kali membuktikan bahawa strategi kerjasama adalah yang paling menguntungkan dan berkelanjutan. Untuk mencapai ini, generasi baru GDS diperlukan, maka mana-mana syarikat penerbangan akan mempunyai akses kepada data yang dianonimkan mengenai trafik penumpang syarikat-syarikat penerbangan lain. Terima kasih kepada ini, ia adalah mungkin untuk mencapai tahap kualitatif baru pengoptimalan bukan sahaja perjanjian codeshare, tetapi juga beberapa tugas lain: jadual, penempatan penerbangan, dan lain-lain. Untuk memahami kemungkinan GDS, mari kita tanyakan soalan mudah: apa yang akan berlaku jika dalam masalah yang dipertimbangkan semua penerbangan dilakukan bukan oleh tiga tetapi oleh satu syarikat penerbangan? Dalam kes ini, hanya jumlah purata keuntungan daripada semua penerbangan boleh dioptimalkan. Anda mendapat masalah IFAM biasa, dan keuntungan dalam keuntungan keseluruhan menjadi jauh lebih besar daripada daripada pengenalan penerbangan codeshare. Satu-satunya masalah adalah bahawa penerbangan dikendalikan oleh syarikat penerbangan yang berbeza. Pengurusan terpusat mempunyai banyak lagi kelebihan, tetapi ia juga mempunyai kesukaran. Kerana data yang tidak mencukupi, syarikat penerbangan tidak boleh melakukan ini, tetapi GDS boleh.