วิธีการกําหนดเวลาของคุณสามารถทําหรือทําลายผลกําไรของ บริษัท อากาศ

เมื่อความเป็นจริงไม่ตรงกับความคาดหวังก็เป็นเรื่องไม่พึงพอใจเสมอ มันเป็นเรื่องไม่พึงพอใจโดยเฉพาะอย่างยิ่งถ้าคุณจ่ายเงินสําหรับความเป็นจริงที่คาดหวัง: คุณซื้อตั๋วของ บริษัท อากาศหนึ่ง แต่ด้วยเหตุผลบางอย่างคุณจะถูกวางไว้บนเครื่องบินของ บริษัท อากาศที่แตกต่างกันอย่างสมบูรณ์ จากนั้นคุณสร้างการเชื่อมต่อและพวกเขากําลังวางคุณบนเครื่องบินของ บริษัท อื่น ๆ ที่ไม่รู้จัก สิ่งที่เกิดขึ้น หลังจากที่ทั้งหมดคุณมีตั๋วของ บริษัท อากาศที่คุณซื้อเพียงเพราะคุณรู้ว่าจะคาดหวังอะไรจากมัน แต่คุณยังคงบินด้วยเครื่องบินของ บริษัท อากาศที่แตกต่างกันอย่างสมบูรณ์ คุณดูเหมือนจะซื้อตั๋วจาก บริษัท อากาศขนาดใหญ่และมีเสถียรภาพ แต่บนเรือก็ปรากฏว่า บริษัท อากาศนี้มี บริษัท ในภูมิภาคและสาขาซึ่งไม่ดีมาก การคุ้นเคยครั้งแรกกับเที่ยวบินแบบแชร์โค้ดอาจไม่ บริษัท อากาศไม่ตระหนักว่าการกระทําดังกล่าวสามารถทําให้ผู้โดยสารเปลี่ยนการตั้งค่าของพวกเขาอย่างสมบูรณ์หรือไม่? ประสบการณ์เชิงลบสร้างความสามารถในการประเมินทางเลือกที่มีศักยภาพอย่างละเอียดมากขึ้น การไหลของผู้โดยสารคล้ายกับของเหลวที่ไหลในปริมาณที่ใหญ่กว่าซึ่งมีอุปสรรคน้อยลงในเส้นทาง ในกรณีนี้แม้แต่ความแตกต่างเล็กน้อยในประเมินของ บริษัท อากาศและผู้โดยสารเกี่ยวกับความน่าดึงดูดใจของเที่ยวบินอาจนําไปสู่การไหลของผู้โดยสารอย่างมีนัยสําคัญ การลดความน่าดึงดูดของเที่ยวบินของ บริษัท อากาศหนึ่งนําไปสู่การเรียกว่า "ขวดขึ้น" ของส่วนหนึ่งของการไหลของผู้โดยสาร บริษัท อื่น ๆ สามารถรับการรั่วไหลโดยการนําเสนอทางเลือกที่น่าสนใจมากขึ้น - ทําให้การจับ รูปแบบดังกล่าวเรียกว่าการรั่วไหลและจับ (จับ) รูปแบบของการไหลของผู้โดยสารและเชื่อมโยงโดยตรงกําไรของ บริษัท อากาศกับประสบการณ์การเดินทางเชิงบวก บทความนี้มุ่งเน้นไปที่วิธีการทําให้การบินการแชร์โค้ดน่าสนใจมากขึ้นและทํากําไรที่ดีบนมัน (โดยไม่ต้องปล่อยให้คู่แข่งของคุณอยู่เบื้องหลังแน่นอน) การกระจายการไหลของผู้โดยสาร แสดงให้เห็นว่ามีเครือข่ายเส้นทางขนาดเล็กของสามเมืองซึ่งประกอบด้วยเพียงสามเส้นทาง: A→B - การบินจะดําเนินการโดย A1 B→C - การบินจะดําเนินการโดย A2 และ A3 A→B→C - ในส่วนแรกเที่ยวบินจะดําเนินการโดย A1, ในครั้งที่สองโดย A2 и A3 - นี่คือเส้นทางที่จําเป็นต้องประเมินความเหมาะสมของสัญญาการแชร์โค้ด การไหลของผู้โดยสารสามารถแสดงให้เห็นในสองรูปแบบ - ลองเรียกพวกเขา H และ D: H - การจราจรผู้โดยสารขั้นพื้นฐานระหว่างสองเมือง D - การขนส่งผู้โดยสารประกอบระหว่างสองเมือง ตัวอย่างเช่นในส่วน A→B บริษัท อากาศ A1 สามารถประเมิน (สังเกตว่ามีขนาดเล็กกว่าความจุ) การไหลของผู้โดยสาร D11 ซึ่งเป็นจํานวนของสองการไหลของผู้โดยสารขั้นพื้นฐาน: ในกรณีนี้ H1 คือการไหลของผู้โดยสารที่สนใจในการเดินทางจาก A ไป B และ H3 คือการไหลของผู้โดยสารที่สนใจในการเดินทางจาก A ไป C สําหรับ B→C ชิ้นส่วนสิ่งบางอย่างน่าสนใจมากขึ้น: ในกรณีนี้ บริษัท อากาศ A2 และ A3 แบ่งปันการจราจรผู้โดยสาร H2 - ผู้โดยสารไปจาก B ถึง C และผู้โดยสาร H3 - ผู้โดยสารไปจาก A ถึง C และเชื่อมต่อที่สนามบินของเมือง B พารามิเตอร์ α ยังสามารถตีความได้ว่าเป็นความน่าจะเป็นในการซื้อตั๋วในเที่ยวบินของสายการบินบางอย่างดังนั้น: α ขึ้นอยู่กับความน่าดึงดูดของเที่ยวบินและถูกกําหนดโดยฟังก์ชั่นยูทิลิตี้ U(R) ซึ่ง R เป็นเวกเตอร์ของพารามิเตอร์เที่ยวบินตามที่ผู้โดยสารตัดสินใจซื้อตั๋ว โดยปกติแล้วฟังก์ชั่นที่มีการแสดงผลจะถูกใช้เป็นฟังก์ชั่นยูทิลิตี้และแปลงเป็นแนวโน้มโดยใช้ฟังก์ชั่น soft-max เป็นวิธีที่ดีในการทําเช่นนี้หรือไม่ มันเป็นเรื่องธรรมดาและเรียบง่าย ในเวลาเดียวกันฟังก์ชั่น sigmoid และฟังก์ชั่นการกระจาย Dirichlet ตรงเข้ากับพารามิเตอร์การลงคะแนนได้ดีขึ้น ตัวอย่างเช่นถ้ามีการสํารวจผู้โดยสารซึ่งคุณต้องประเมินพารามิเตอร์เที่ยวบินแต่ละครั้งในระดับ 10 จุดจะเป็นการกระจายเบต้าและ Dirichlet ที่จะประมวลผลผล ผลลัพธ์ ผลกระทบของข้อตกลงการแบ่งปันรหัสเกี่ยวกับความน่าดึงดูดของเส้นทาง การบิน Codeshare มีเสน่ห์สําหรับนักเดินทางเพราะพวกเขาช่วยให้ผู้โดยสารสามารถ: การรวบรวมไมล์โบนัสโดยการเข้าร่วมโปรแกรมความภักดีของสายการบินแม้ว่าเที่ยวบินจะดําเนินการโดยผู้ให้บริการอื่น จองตั๋วเครื่องบินสําหรับเที่ยวบินที่มีการเชื่อมต่อที่สะดวกเลือกตัวเลือกที่เหมาะสมที่สุดจากข้อเสนอของสายการบินที่แตกต่างกัน รับความช่วยเหลือและสนับสนุนจากผู้ประกอบการบินในระหว่างเที่ยวบินโดยไม่คํานึงถึง บริษัท ที่ซื้อตั๋ว อย่างไรก็ตามเหตุผลหลักที่การบินแบบ codeshare มีเสน่ห์คือเหตุผลที่พวกเขาเพิ่มจํานวนเส้นทาง - มันง่ายมากที่จะเลือกเส้นทางที่ทําแล้วกว่าที่จะสร้างตัวเอง บริษัท อากาศบางแห่งรู้ดีว่าความน่าดึงดูดของเที่ยวบินแบบ codeshare สามารถเพิ่มมากขึ้น - ตัวอย่างเช่นโดยปัจจัยเวลาที่สะดวกดังนั้นพวกเขาจึงประสานงานตารางเวลาของพวกเขา แน่นอนว่าการบินร่วม codeshare อาจไม่น่าสนใจด้วยเหตุผลหลายประการ: ระดับบริการที่ไม่เหมาะสม กฎการขนส่งและกระเป๋าเดินทางที่แตกต่างกัน ความเป็นไปได้ของปัญหากระเป๋าในระหว่างการเชื่อมต่อ การเพิ่มความน่าดึงดูดของเที่ยวบินการแชร์โค้ดสามารถเพิ่มการจราจรผู้โดยสาร: นี่ดูเหมือนจะเป็นจุดสําคัญของเรื่องนี้ แต่ก็ซับซ้อนมากขึ้นและน่าสนใจมากขึ้น ในทางทฤษฎีเที่ยวบินที่ใช้ร่วมกันสามารถเพิ่มการจราจรผู้โดยสารทั้งหมด แต่ในระดับที่ยิ่งใหญ่กว่านั้นพวกเขาเพียงแค่เพิ่มความต้องการ การเพิ่มการแชร์โค้ดทําให้ผู้โดยสาร H3 มีสามทางเลือก: เล่นจาก A ไปยัง C บนเที่ยวบินการแชร์รหัสผ่านด้วยความไม่สะดวกน้อยที่สุด เล่นจาก A ถึง C ผ่านทาง B ด้วยการเชื่อมต่อที่สะดวกกับเที่ยวบินของ บริษัท A2 การบินจาก A ถึง C ผ่านทาง B ด้วยการเชื่อมต่อที่ไม่สะดวกบนเที่ยวบิน A3 คาดว่านี่เป็นกรณีแล้ว H3 สามารถแสดงเป็นจํานวนต่อไปนี้: ที่ H(ch)3 - เป็นผู้โดยสารที่เลือกเที่ยวบินที่ใช้ร่วมกันรหัสและ H(rem)3 - เป็นผู้โดยสารที่เลือกเส้นทางการขนส่งด้วยตนเอง H3 ยังต้องแบ่งปันในบางส่วน: จากนั้นการกระจายการไหลทั้งหมดระหว่างสายการบินทั้งหมดสามารถเขียนได้ในรูปแบบต่อไปนี้: ความจริงที่ว่าความน่าดึงดูดของเส้นทางสามารถเปลี่ยนแปลงการไหลของผู้โดยสารทั้งหมดอาจดูแปลกอย่างมาก อย่างไรก็ตามมันเป็นสิ่งสําคัญที่จะเข้าใจว่าเราพูดถึงส่วนของการไหลของผู้โดยสารซึ่งเป็น segments ของนักเดินทางแต่ละคนที่ประเมินและจัดอันดับทางเลือกที่เป็นไปได้แตกต่างกัน สําหรับส่วนหนึ่งของนักเดินทางความสะดวกสบายมาเป็นครั้งแรกสําหรับส่วนอื่น - ราคา ความต้องการแสดงให้เห็นว่าราคามีอิทธิพลต่อจํานวนตั๋วที่ซื้อ ในทางกลับกันความน่าดึงดูดใจแสดงให้เห็นว่าจํานวนนี้มีอิทธิพลจากปัจจัยอื่น ๆ ความน่าดึงดูดใจมักจะคงที่ - ตัวอย่างเช่นสําหรับเที่ยวบินที่วางแผนซึ่งไม่สามารถเปลี่ยนแปลงเวลาที่เดินทางมาถึงหรือเดินทางออกได้ เมื่อมีการเพิ่มเที่ยวบินร่วมกับ บริษัท อื่น ๆ ไปยังเที่ยวบินดังกล่าวเวลาการเชื่อมต่ออาจเปลี่ยนแปลงซึ่งหมายความว่าบางส่วนของผู้โดยสารจะได้รับคําแนะนํามากกว่าเพียงราคาเมื่อซื้อตั๋ว เล่นและจับ เราได้ได้รับคําอธิบายที่อธิบายถึงการเปลี่ยนแปลงสัดส่วนของปริมาณผู้โดยสารระหว่างสายการบิน ยังคงต้องคิดถึงวิธีการคํานวณสัดส่วนตาม α สิ่งนี้อาจดูซับซ้อนมาก - ในกรณีนี้เรามักจะใช้วิธีการประมาณที่เรียบง่าย เราจะทําสองประการที่สําคัญ: เรามีข้อมูล เราสามารถสร้างรูปแบบข้อมูล โดยพื้นฐานเราพูดถึงสิ่งที่เรา "รู้วิธีการทําใน ML (การเรียนรู้ด้วยเครื่อง) " ประการแรกเราจําเป็นต้องระบุปริมาณผู้โดยสารแบบสุ่มประกอบด้วยผู้ซื้อที่มีศักยภาพซึ่งคือผู้ที่สนใจในการซื้อตั๋วบนเส้นทางบางอย่างที่พิจารณา ตัวเลือกที่ดีที่สุดสําหรับการกระจายจํานวนผู้ซื้อที่มีศักยภาพคือการกระจาย Poisson: H1 ~ Poisson(λ1) H2 ~ Poisson(λ2) H3 ~ Poisson(λ3) ลองพิจารณาวิธีการบรรจุขวดและการจับภาพการจราจรผู้โดยสารเกิดขึ้นโดยใช้ตัวอย่างของ H3 เพราะการจราจรผู้โดยสารนี้แบ่งออกระหว่างสามสายการบิน ระดับที่แตกต่างกันของการดึงดูดการบินสร้างระดับความสนใจที่แตกต่างกันในช่วงราคาผู้โดยสารที่แตกต่างกัน ตัวอย่างเช่นการบินร่วมกันรหัสจะน่าดึงดูดมากที่สุด แต่ด้วยเหตุผลเดียวกันมันจะเป็นราคาแพงที่สุด ซึ่งหมายความว่ามันจะน่าสนใจสําหรับผู้ที่พร้อมที่จะจ่ายมากกว่าปกติสําหรับตั๋ว ให้ความน่าดึงดูดถูกกําหนดโดยสองปัจจัย: codeshare และเวลาการเชื่อมต่อ มีเวลาการถ่ายโอนที่เหมาะสมบางอย่าง - ลองหมายถึงมันด้วย t ลองพิจารณาว่า t(2) เวลาการถ่ายโอนสําหรับเที่ยวบิน A2 เป็นเวลาที่ใกล้เคียงมากขึ้นกับ t กว่า t(3) - เวลาการถ่ายโอนสําหรับเที่ยวบิน A3 ตอนนี้เราสามารถกําหนดความน่าดึงดูด (ประโยชน์ของทั้งสองเที่ยวบิน) ผ่านฟังก์ชั่นที่เรียบง่ายในรูปม้วน ลองพิจารณาสามตัวเลือก: Δt∗=t∗−t=0 - ความแตกต่างขั้นต่ําจากเวลาการถ่ายโอนที่เหมาะ Δt∗=t∗−t>0 - คุณต้องเร่ง Δt∗=t∗−t<0 - คุณต้องรอ ลองแสดงการดึงดูดผ่านฟังก์ชั่นยูทิลิตี้: u2 = U(Δt2) และ u3 = U(Δt3), ซึ่ง U สามารถเป็นฟังก์ชั่น unimodal ใด ๆ: ในกรณีของเรา U เป็นฟังก์ชั่น Gaussian ความน่าดึงดูดของเที่ยวบิน A2 และ A3 สามารถแสดงได้ดังนี้: import numpy as np from scipy.stats import norm, gamma, poisson, binom, uniform, bernoulli import matplotlib.pyplot as plt from pylab import rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' import seaborn as sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) plt.plot(dt, u, 'C0') dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scale=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, scale=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('ความน่าสนใจ (ประโยชน์) ของเที่ยวบิน\n' + r' ของ บริษัท อากาศ $A_{2}$ และ $A_{3}$') plt.xlabel(r'$\Delta t$ (ชั่วโมง)') plt.ylabel('u', rotation=0) plt.legend() plt.show() หากสายการบิน A1 เข้าสู่ข้อตกลงการแชร์รหัสผ่านกับ A2 จากนั้นในแง่ของเวลาการถ่ายโอนความน่าดึงดูดของเที่ยวบินการแชร์รหัสผ่านจะเป็นเช่นเดียวกับของ A2 เนื่องจากเวลาการแชร์รหัสผ่านที่เหมาะคือ t เมื่อเทียบกับซึ่งการแชร์รหัสผ่านทั้งหมดจะคํานวณไม่ได้เปลี่ยนแปลงอย่างใดอย่างหนึ่ง อย่างไรก็ตามเที่ยวบินการแชร์รหัสผ่านมีข้อดีหลายประการ: ไม่จําเป็นต้องทําการแชร์รหัสผ่านอีกครั้งและสําหรับเที่ยวบินต่างประเทศการพักในโซนที่ชัดเจนหมายความว่าไม่มีการควบคุมหนังสือเดินทางเพิ่มเติม ความน่าดึงดูดของเที่ยวบินการแชร์รหัสผ่านเพิ่มขึ้นเนื่องจากผู้โดยสารมีความเสี่ยงน้อยลงในการตอบสนอง Δt2 และยังมีเวลาเพิ่มเติมในการยืดขาและพักผ่อนจากเที่ยวบิน มันปรากฏว่าเวลาการเชื่อมต่อที่ เวลาการเชื่อมต่อที่เหมาะควรพิจารณาหลายปัจจัย: เวลาการเชื่อมต่อขั้นต่ํา - เวลาที่จําเป็นในการถ่ายโอนผู้โดยสารและกระเป๋าเดินทางจากเที่ยวบินหนึ่งไปยังเที่ยวบินอื่น ๆ ที่สนามบิน เวลาที่สะดวกสบายเพิ่มเติม - จําเป็นต้องลดความเสี่ยงของการวิ่งไปยังการเช็คอินสําหรับเที่ยวบินอื่น เวลาเฉลี่ยของการล่าช้าเที่ยวบิน - มีสถิติพิเศษสําหรับแต่ละสายการบิน เวลาการเชื่อมต่อที่เหมาะสําหรับเที่ยวบินที่แชร์รหัสจะลดลงอย่างน้อยเนื่องจากความเสี่ยงของผู้โดยสารที่จะล่าช้าเที่ยวบินในระหว่างการเชื่อมต่อจะได้รับการยอมรับโดยสายการบิน - ตอนนี้มันรับประกันว่าแม้ว่าผู้โดยสารจะล่าช้าพวกเขาจะยังคงอยู่ในเที่ยวบินถัดไป การคิดว่า t ch<t นี้ทําให้กราฟฟของฟังก์ชั่นยูทิลิตี้สําหรับเที่ยวบิน codeshare A1 เปลี่ยนไปทางขวา: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=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, scale=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, scale=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, scale=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, scale=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('ความน่าสนใจ (ประโยชน์) ของเที่ยวบิน\n' + r' ของ บริษัท อากาศ $A_{2}$ และ $A_{3}$') plt.xlabel(r'$\Delta t$ (ชั่วโมง)') plt.ylabel('u', rotation=0) plt.legend() plt.show() หากก่อนหน้านี้ความแตกต่างจากระยะเวลาการเชื่อมต่อที่เหมาะคือประมาณ 1 ชั่วโมงและ 10 นาทีสําหรับเที่ยวบินที่แชร์รหัสความแตกต่างนี้จะเป็นเพียง 20 นาที แน่นอนว่าการประมาณเวลาการเชื่อมต่อที่เหมาะไม่ใช่ปัจจัยเดียวที่ส่งผลกระทบต่อความน่าดึงดูด (ประโยชน์) ของเที่ยวบิน เวลาการถ่ายโอนใช้สําหรับวัตถุประสงค์อธิบายเท่านั้น ในความเป็นจริงการคํานวณความน่าดึงดูดขึ้นอยู่กับปัจจัยอื่น ๆ อีกมากมายและดําเนินการโดยเครื่องมือ ML ตอนนี้เราต้องเข้าใจวิธีที่สามค่าเหล่านี้แบ่งการจราจรผู้โดยสารเป็นกลุ่มราคา - เราพูดถึงส่วนแบ่งบางอย่างอย่างอย่างชัดเจน เพื่อกําหนดส่วนแบ่งเหล่านี้เราต้องการโปรไฟล์ของความต้องการที่เป็นไปได้ ลองพิจารณาว่าสําหรับแต่ละส่วนของการไหลของผู้โดยสารมันดูดังนี้: price_1 = np.linspace(100, 300, 1000) rvdem_1 = gamma(a=12, loc=100, scale=8) profile_1 = rvdem_1.pdf(prices_1) plt.plot(prices_1, profile_1, label=r'$H_{1}$') price_2 = np.linspace(60, 200, 1000) rvdem_2 = gamma(a=8, loc=60, scale=7) profile_2 = rvdem_2.pdf(prices_2) plt.plot(prices_2, profile_2, label=r'$H_{2}$') price_3 = np.linspace(240, 500, 1000) rvdem_3 = gamma(a=10, loc=230, scale=12) profile_3 = rvdem_3.pdf(prices_3) plt.plot(prices_3, profile_3, label=r'$H_{1}$') plt.legend() plt.xlabel('ราคา (c.u.)') plt.title('โปรไฟล์ความต้องการการไหลของผู้โดยสาร'); การปรากฏตัวของโปรไฟล์ความต้องการแสดงให้เห็นว่ามีตัวแทนที่เชื่อถือได้ของราคาที่ความน่าเชื่อถือในการซื้อตั๋วแตกต่างจาก 0 หรือ 1 และวิธีการที่มันขึ้นอยู่กับราคา มันควรสังเกตทันทีว่าการปรากฏตัวของโปรไฟล์ราคาดังกล่าวไม่ช่วยให้การพิสูจน์อย่างสมเหตุสมผลของพฤติกรรมเก่าหรือ suboptimal ประการแรกเมื่อหนึ่งคุ้นเคยกับวิธีการ ML มันค่อนข้างยากที่จะจินตนาการว่าคนหนึ่งสามารถทําอะไรที่แตกต่างกันน้อยกว่าจะทําให้มันแย่ลง ประการที่สองมีอย่างน้อยหลายวิธีการสําหรับการ "คาดการณ์" จํานวนตั๋วที่ขายในราคาที่แตกต่างกัน บริษัท อากาศต่าง ๆ อาจใช้ที่แตกต่างกัน บางส่วนโดยทั่วไป บริษัท อากาศขนาดเล็กอาจพึ่งพาความรู้สึกอย่างสมบูรณ์ สําหรับตอนนี้โปรไฟล์ความต้องการจะเป็นฟังก์ชั่นขั้นตอนที่รุนแรง ระดับความน่าดึงดูดของตัวเลือกที่แตกต่างกันต้องแยกการไหลของผู้โดยสารระหว่างสายการบินและตอนนี้เรามีทุกอย่างที่เราต้องคํานวณ α สําหรับแต่ละของพวกเขา: กระแส H1 ระหว่างสายการบินไม่ได้แบ่งออก เพียงกระแส H2 และ H3 เท่านั้นแบ่งออกและการแบ่งออกขึ้นอยู่กับความน่าดึงดูดของเที่ยวบินซึ่งส่งผลต่อความน่าจะเป็นของการเลือก ความน่าดึงดูดสามารถดูดังนี้: fig, ax = plt.subplots(1, 3, figsize=(12, 3)) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) ax[0].plot(dt, u, 'C0') dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, scale=1.4) ax[0].plot(dt, u_ch, 'C0--') ax[1].plot(dt, u_ch, 'C0--') ax dt_1 = 1.15 u_1 = norm.pdf(dt_1, loc=0.8, scale=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, color='C1', lw=4, alpha=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scale=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, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, scale=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, color='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'$\Delta t$ (ชั่วโมง)') อะไหล่ (dt, u, 'C0') dt_1 = 2.5 u_1 = norm.pdf(dt_1, loc=0.8, scale=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, อัลฟ่า=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scale=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, scale=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, color='C3') อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? อะไร? dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=2.6) plt.plot(dt, u, 'C0') dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scale=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, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, scale=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'$\Delta t$ (ชั่วโมง)'); วิธีที่ง่ายที่สุดในการแปลงยูทิลิตี้เป็นแนวโน้มคือการ multiply แต่ละค่าด้วยปัจจัยบางอย่างเพื่อให้รวมที่เกิดขึ้นเท่ากับ 1: ตัวอย่างเช่นถ้า A1 เข้าสู่ข้อตกลงการแบ่งปันรหัสกับ A2 ความน่าจะเป็นในการเลือกเที่ยวบินหนึ่งหรืออื่นคือดังนี้: u = np.array([0.28, 0.20, 0.06]) พิมพ์(u / u.sum()) [0.51851852 0.37037037 0.11111111] P3(เลือก = A1 Seg = 1) = 0.52; P3(ตัวเลือก = A2 Seg=1) = 0.37; P3(ตัวเลือก = A3 Seg=1) = 0.11 อย่างไรก็ตามการเลือกจะได้รับผลกระทบไม่เพียง แต่โดยความต้องการ แต่ยังโดยจํานวนเงินที่มีอยู่ในการทํามัน การรู้โปรไฟล์ความต้องการเราสามารถกําหนดความน่าจะเป็นของการซื้อตั๋วในราคาที่เฉพาะเจาะจง ให้ราคาเป็นดังนี้: ราคา(1) 1 = 190 ราคา(1)3=370 ราคา(2) 2 = 135 ราคา(3)2=115 จากนั้นความน่าจะเป็นของการซื้อตั๋วในราคาบางอย่างสามารถกําหนดได้ดังต่อไปนี้: ตัวอย่างเช่นความน่าจะเป็นที่ตั๋วสําหรับเที่ยวบินโค้ดแชร์จะซื้อที่ 370 c.u. จะเท่ากับ 0.27: rvdem_3 = gamma(a=10, loc=230, scale=12) พิมพ์(rvdem_3.sf(370)) 0.2727250812333501 ผู้โดยสารที่สามารถใช้ตั๋วได้ในราคานี้เห็นได้ว่ามีสามทางเลือกในด้านหน้าของพวกเขา อย่างไรก็ตามถ้าบุคคลสามารถให้ความสะดวกสบายสูงสุดก็ไม่ได้หมายความว่าเขาหรือเธอจะต้องใช้มัน ความพร้อมของทางเลือกที่ถูกกว่าช่วยประหยัดเงิน - นี่คือเหตุผลที่เราคํานวณความน่าดึงดูดของทางเลือกและกําหนดความเป็นไปได้ของการเลือกขึ้นอยู่กับพวกเขา ความน่าจะเป็นรวมของการเลือกจะเท่ากับ: ความน่าจะเป็นที่เกิดขึ้นในการเลือกเที่ยวบินที่เฉพาะเจาะจงสําหรับผู้โดยสารดังกล่าวจะเท่ากับ: P3(Choice=A1|Seg=1)=0.14; P3(ตัวเลือก=A2 A2Seg=1)=0.1 P3(ตัวเลือก = A3 Seg=1)=0.03. ผลลัพธ์ไม่ได้ดูน่าประทับใจมากเพราะความน่าจะเป็นสุดท้ายของการซื้อตั๋วสําหรับเที่ยวบินที่สะดวกสบายที่สุดไม่สูงมาก นี่คือลักษณะเฉพาะของการบรรจุขวดและการจับภาพการไหลของผู้โดยสาร - ความน่าเชื่อถือที่กําหนดและการกระจายเงื่อนไขเกิดขึ้น สิ่งที่เกิดขึ้นกับผู้ที่ไม่สามารถจ่ายค่าใช้จ่ายในการซื้อตั๋วดังกล่าวได้ หากจํานวนเงินของผู้โดยสารตกอยู่ในช่วง: ในกรณีนี้เขาจะมีสองทางเลือกที่มีให้เขา: เลือกเที่ยวบินที่มีการเชื่อมต่อที่สะดวกหรือระยะยาว ขึ้นอยู่กับยูทิลิตี้ที่มีอยู่ความเป็นไปได้ของการเลือกคือดังนี้: P3 (เลือก = A2 Seg = 2) = 0.77; P3(เลือก = A3 Seg=2) = 0.23 u = np.array([0.20, 0.06]) พิมพ์(u / u.sum()) [0.76923077 0.23076923] ความน่าจะเป็นของการซื้อตั๋วในกรณีนี้จะเป็น: rvdem_3 = gamma(a=10, loc=230, scale=12) พิมพ์(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 Then the resulting choice probabilities for such travelers are as follows: P3 (เลือก = A2 Seg = 2) = 0.35; P3 (เลือก = A3 Seg = 2) = 0.1 ผู้โดยสารที่มีจํานวนเงินอยู่ในช่วง [305,325] สามารถจ่ายได้เฉพาะเที่ยวบิน A3 ความน่าจะเป็นในการซื้อตั๋วในราคา 305 สําหรับส่วนนี้คือ: rvdem_3 = gamma(a=10, loc=230, scale=12) พิมพ์(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 ในที่สุดความเป็นไปได้ของการซื้อตั๋วสําหรับเที่ยวบินที่เฉพาะเจาะจงจะถูกแสดงเป็นจํานวนเงินง่ายๆ: การขนส่งผู้โดยสาร H3 จะแบ่งออกระหว่างสายการบินดังต่อไปนี้: P3 (เลือก = A1) = 0.14 P3 (เลือก = A2) = 0.1 + 0.35 = 0.45 P3(เลือก = A3)=0.03 +0.1 +0.17 =0.3 ความน่าจะเป็น P(ซื้อ = 0) ที่ตั๋วจะไม่ได้ซื้อคือ 0.1 ซึ่งรวมกับตัวเลือกข้างต้นให้ 1. มันหมายความว่าปริมาณการไหลของผู้โดยสารที่เป็นไปได้จะได้รับการพิจารณาอย่างเต็มที่ หลังจากทําเช่นเดียวกันกับการไหลของผู้โดยสาร H2 เราได้รับดังต่อไปนี้: P2 (เลือก = A2) = 0.1 P2(เลือก = A3) = 0.38 การจราจรผู้โดยสาร H1 แม้ว่าจะไม่ได้แบ่งปันระหว่างสายการบิน แต่เนื่องจากราคา 190 ยูอีบางส่วนของมันจะถูกกระจายดังนั้นเราจึงสามารถนําเสนอความน่าจะเป็นของการเลือกเที่ยวบิน P1(ตัวเลือก=A1) ซึ่งจะถูกกําหนดโดยราคา (ความน่าจะเป็นของการซื้อตั๋วในราคานี้): rvdem_1 = gamma(a=12, loc=100, scale=8) พิมพ์(rvdem_1.sf(190)) 0.5494501693973257 จะเป็นไปได้ที่จะอธิบายรายละเอียดค่าทั้งหมดของ α แต่เนื่องจากเราได้ได้รับค่าที่เฉพาะเจาะจงของ fractions เราจะเขียนทุกอย่างในรูปแบบที่สั้นลง: สําหรับสายการบินการเพิ่มประสิทธิภาพของข้อตกลงการแบ่งปันโค้ดเป็นปัญหาการบรรจุกระเป๋าเป้สะพายหลังที่มีตัวแปรไบนารีเท่ากับหนึ่งหรือศูนย์เมื่อมีการเลือกเที่ยวบินที่มีศักยภาพที่จะแบ่งปันหรือไม่ ปัญหาหลักเริ่มต้นเมื่อคํานวณมูลค่าของรายการที่เก็บไว้ในกระเป๋าเป้สะพายหลัง ในกรณีที่เรียบง่ายสายการบินอาจตัดสินใจว่ามันขึ้นอยู่กับแบรนด์: ถ้ามันน่าดึงดูดแล้วเที่ยวบินแบ่งปันโค้ดจะน่าดึงดูดเช่นกัน ในวิธีการที่สุภาพนี้มูลค่าของรายการที่เก็บไว้ในกระเป๋าเป้สะพายหลังเพียงแค่เพิ่มขึ้นในสัดส่วนกับปัจจัยบางอย่าง A more developed approach is to use multiple attractiveness criteria to select an item. Each item is a route that has departure and arrival times, as well as connections that may vary in both duration and type. Consequently, choosing one item changes the value of all the others, both those already in the backpack and those not yet packed. This means that all α must be calculated each time an item is selected. However, by multiplying all H by the corresponding prices, you can get quite reasonable estimates of income, and most importantly, you can figure out with whom and on what terms to enter into an agreement. วิธีนี้ค่อนข้างดิบ แต่ควรสังเกตเห็นว่ามันเชื่อมโยงความชอบของผู้โดยสารกับการกระจายการจราจรผู้โดยสาร Delta Airlines ซึ่งเป็นหนึ่งในผู้นําในการเพิ่มประสิทธิภาพของข้อตกลงการแบ่งปันรหัสรายงานว่าการประเมินเส้นทางร่วมกันนี้ให้รายได้เพิ่มขึ้นถึง 50 ล้านดอลลาร์ต่อปี นี่ไม่ใช่เพียงหนึ่งในผลลัพธ์ที่โดดเด่นที่สุดสําหรับปี 2000 แต่ยังเป็นหลักฐานโดยตรงของความสําคัญของความชอบของผู้โดยสาร Air Canada หลังจากนั้นแสดงให้เห็นว่าวิธีการนี้ส่งมอบรายได้รายสัปดาห์สูงถึง 80% มากกว่าวิธีการที่ไร้สาระที่พิจารณาเฉพาะอิทธิพลของแบรนด์ วิธีการนี้ไม่ดีในขณะที่มันแบ่งปัญหาเป็นสองส่วน: ก่อนที่เราต้องจัดอันดับตัวเลือกและคํานวณส่วนแบ่งที่เหมาะสมของ H แล้วจําไว้ว่าทั้งหมด H เป็นแบบสุ่มและคํานวณอัตราส่วนที่เหมาะสมแยกต่างหาก การแบ่งงานทําให้การคํานวณง่ายขึ้น แต่ไม่ได้นําไปสู่ผลลัพธ์ที่เหมาะสม การจําลองและการเพิ่มประสิทธิภาพ 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. Usually, the target function is cost-free and consists only of increasing the revenue generated by selecting a joint flight. However, in addition to revenue, there are also costs that have a significant impact on the profitability of flights. To optimize the profit, we introduce the following costs: Cfix - ค่าใช้จ่ายคงที่เช่น: ค่าธรรมเนียมผู้โดยสาร, ค่าธรรมเนียมสนามบินสําหรับที่จอดรถ, การบินและสนามบิน, การรักษาความปลอดภัยทางอากาศ Cvar - ค่าใช้จ่ายที่แตกต่างกันซึ่งขึ้นอยู่กับจํานวนผู้โดยสารเช่น: ค่าธรรมเนียมสําหรับการให้บริการของสนามบิน terminal complex, การจัดการกระเป๋าสตางค์ สิ่งนี้จะรวมถึงค่าใช้จ่ายของเคโรเซลเนื่องจากปริมาณของมันขึ้นอยู่กับจํานวนผู้โดยสารและกระเป๋าสตางค์ แต่เพื่อความเรียบง่ายเราจะอ้างถึง Cfix Пусть Cvar=cvarQ ตัวอย่างเช่น cvar อาจเท่ากับ 25 c.u ค่าของซึ่งจะถูกทําซ้ํากับจํานวนผู้โดยสาร - Q Price(2)ch — costs of seats purchased from the operating carrier for a codeshare flight. จากนั้นผลกําไรเฉลี่ย A1 จะเป็นฟังก์ชั่นต่อไปนี้: ประโยชน์ของสายการบินที่สอง: บางคนอาจคิดว่าถ้า A1 เข้าสู่ข้อตกลงกับ A2 จากนั้นผลกําไรของ A3 ควรจะไม่มีความกังวล ในความเป็นจริงการแบ่งปันรหัสมีผลที่น่าตื่นตาตื่นใจมาก: ความดันในการแข่งขัน ดังนั้นให้เราเขียนลงฟังก์ชั่นเป้าหมายสําหรับ A3 เช่นกัน: เรารู้ว่า Hj∼Poisson(λj) เรารู้ว่า Pj(Choice=Ai) เราสามารถบันทึกจํานวนตั๋วที่ซื้อ q(i)j ได้ดังนี้: and further approximate the binomial distribution by a normal distribution. Even for small values of Hj, it is standard practice, but travelers from H1 and H3 are a random mixture — there is no such thing as first selling tickets only for those from H1 and then selling out the remaining seats only for those from H3. It should also be noted that if airports A and B are separated by a significant number of time zones, the mix of H2 and H3 will have a different time-dependent composition. For example, if A3 significantly reduces the price at night, then this reduction may be seen first by passengers from H3 because they may have daytime instead of nighttime. มันเป็นสิ่งสําคัญที่จะจําไว้ว่าข้อมูลมักจะมาเป็นครั้งแรก แม้ว่าเราจะเขียน down Hj∼Poisson(λj) เป็นการเก่งครัดอย่างมากที่นํามาใช้เพียงเพื่อประโยชน์ของตัวอย่าง แทนการกระจาย Poisson มีการกระจายเงื่อนไขที่ซับซ้อนมากซึ่งเป็นสิ่งที่มาจากข้อมูล การผสมผสานการไหลของผู้โดยสารความจุที่ จํากัด ของเครื่องบินข้อ จํากัด และเงื่อนไขอื่น ๆ อีกมากมายทําให้เป็นไปไม่ได้ที่จะทํากําเนิดการกระจายตัวของจํานวนตั๋วที่ขายโดยการวิเคราะห์ เพื่อให้ได้ค่าที่เพียงพอของ q มันเป็นสิ่งจําเป็นที่จะจําลองกระบวนการขาย ก่อนที่จะจําลองสิ่งที่จําเป็นต้องกําหนดพารามิเตอร์พื้นฐานของปัญหา Suppose that route A→B→C is the Vladivostok-Moscow-Sochi route: VVO→SVO→AER. Let the flights be operated by the following airplanes: VVO→SVO - ใช้โดย บริษัท A1 บนเครื่องบิน A350 ที่มีความจุ V=325 SVO→AER - ใช้โดย บริษัท A2 บนเครื่องบิน A320 ที่มีความจุ V=180 SVO→AER — is operated by airline A3 на on Boeing 737 aircraft with a capacity of V=190. ค่าใช้จ่ายคงที่จะดังต่อไปนี้: C(1) Fix - 48360 c.u C(2)fix - 10270 c.u C(2)fix - 9890 c.u. ค่าใช้จ่ายที่แตกต่างกัน: c(1)var — 6.8 c.u. / ผู้โดยสาร c(2)var — 5.4 c.u. / ผู้โดยสาร c(2)var — 5.1 c.u. / ผู้โดยสาร พิจารณาว่าการไหลของผู้โดยสารจะถูกกระจายดังต่อไปนี้: H1 ~ Poisson (λ1 = 370) H2 ~ Poisson (λ2 = 350) H3 ~ Poisson (λ3 = 110) def prob_in_trafic(ราคา): price_1, price_2, price_3 = price rvdem_1 = gamma(a=12, loc=100, scale=8) rvdem_2 = gamma(a=8, loc=60, scale=7) rvdem_3 = gamma(a=10, loc=230, scale=12) pb_11 = rvdem_1.sf(price_1) pb_10 = 1 - pb_11 หมายเลขรุ่น: pb, pb u\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() if price\_2 > price\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pb\_22 = pbp\_22 \* pseg\_2\[0\] pb\_23 = pbp\_22 \* pseg\_2\[1\] + pbp\_23 else: 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 หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: u\_3 = np.array(\[0.2, 0.06\]) pseg\_3 = uh\_3 / uh\_3.sum() ถ้า (ราคา\_1 +ราคา\_2) > (ราคา\_1 +ราคา\_3): pbp\_32 = rvdem\_3.sf(ราคา\_1 +ราคา\_2) pbp\_33 = rvdem\_3.sf(ราคา\_1 +ราคา\_3) - rvdem\_3.sf(ราคา\_1 +ราคา\_2) pbp\_32 = pbp\_32 = pbp\_33 = pbp\_33 = pbp\_32 = pbp\3\[1\] + pbp\33 อื่น ๆ: pbp\32 = rvdem_3.sf(ราคา\1 +ราคา\_2) pbp\33 = rvdem_3.sf(ราคา\1 +ราคา\_3) pbp\32 = p pb\_30 = 1 - pb\_32 - pb\_33 หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: กลับไปที่ ph\_1, ph\_2, ph\_3 def sales(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 สําหรับ iter ในช่วง(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) ถ้า pass\_in\_h == 1: ถ้า np.random.choice(\[[0, 1\], p=P\[0\]): ถ้า 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 แปลง q\_1, q\_2, q\_3 def profit_a(ราคา, Q): profit_1 = Q[0] * prices[0] - Q[0] * 6.8 - 48360 profit_2 = Q[1] * prices[1] - Q[1] * 5.4 - 10270 profit_3 = Q[2] * prices[2] - Q[2] * 5.1 - 9890 return profit_1, profit_2, profit_3 def e_profit(ราคา, n_iter): P = prob_in_trafic(ราคา) return np.mean([profit_a(ราคา, การขาย(P)) สําหรับ _ ในช่วง(n_iter)], แกน = 0 ตอนนี้เราสามารถเริ่มต้นการจําลองและการเพิ่มประสิทธิภาพ คําถามเกิดขึ้น: สิ่งที่และวิธีการเพิ่มประสิทธิภาพ? สิ่งที่และสิ่งที่จะเปรียบเทียบเพื่อดูว่ามีผลกําไรเพิ่มขึ้นหรือไม่ เหมาะสําหรับทุก บริษัท อากาศต้องการเพิ่มผลกําไร แต่การเปลี่ยนแปลงในราคาตั๋วของ บริษัท อากาศหนึ่งมีผลต่อการจราจรผู้โดยสารทั้งหมด การเปลี่ยนแปลงเหล่านี้จะสังเกตเห็นโดย บริษัท อื่น ๆ และพวกเขายังเปลี่ยนแปลงราคาซึ่งอีกครั้งนําไปสู่การเปลี่ยนแปลงในการไหลของผู้โดยสาร ซึ่งหมายความว่าผลกําไรไม่สามารถบรรลุได้โดยใช้วิธีการเพิ่มประสิทธิภาพเพียงครั้งเดียว ดังนั้นมีข้อกําหนดเพียงอย่างเดียวสําหรับวิธีการ - มันต้องแสดงการเพิ่มผลกําไรที่ไม่ใช่เชิงลบสําหรับพารามิเตอร์ทั้งหมด ลองพิจารณาว่าไม่มี บริษัท อากาศได้ลงนามในข้อตกลงการแบ่งปันรหัสและพิจารณาว่าราคาต่อไปนี้เป็นราคาที่ดีที่สุด: ราคา(1) 1 = 185 ราคา(2) 2 = 114 ราคา(3)2 = 110 จากนั้นการกระจายผลกําไรของพวกเขาจะเป็นดังต่อไปนี้: ราคา = [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic(prices) สําหรับ i ในช่วง(1000): Q = sales(P) q_data.append(Q) profit_data.append(profit_a(prices, Q)) q_data = np.array(q_data) profit_data = np.array(profit_data) fig, ax = plt.subplots(1, 3, figsize=(12, 3.5) sns.kdeplot(profit_data[:, 0], ax=ax[0]) e_pa_1 = np.mean(profit_data[:, 0]) ax[0].axvline(e_pa_1, color='C3', label=f'e_pa_1:.0f} c.u.') ax[0].legend() ax[0].set_title(r'$A_{1}$') ax[0].set_xlabel('กําไร (c.u.)') sns.kdeplot(profit_data[:, 1], ax=ax[1]) e_pa_2 = np.mean(profit_data[:, 1]) ax[1].axvline(e_pa_2, color='C3', label=f'e_pa_2:.0f} c.u.') ax[1].legend() ax[1].set_title(r'$A_{2}$') ax[1].set_xlabel('กําไร (c.u.)') sns.kdeplot(profit_data[:, 2], ax=ax[2]) e_pa_3 = np.mean(profit_data[:, 2]) ax[2].axvline(e_pa_3, color='C3', label=f'e_pa_3:.0f} c.u.') ax[2].legend(loc='upper left') ax[2].set_title(r'$A_{3}$') ax[2].set_xlabel('กําไร (c.u.)') plt.suptitle('การกระจายผลกําไรของ บริษัท อากาศ') plt.tight_layout(); สําหรับสายการบิน A3 ราคาที่ชัดเจนไม่ได้เป็นราคาที่ดีที่สุด อย่างไรก็ตามตอนนี้เรากําลังสนใจว่าผลกําไรเฉลี่ยของสายการบิน A2 และ A3 จะเปลี่ยนแปลงอย่างไรหากพวกเขาลงนามในข้อตกลงการแชร์โค้ดกับแต่ละอื่น ๆ def prob_in_trafic_ch(ราคา): price_1, price_2, price_3, price_ch = ราคา[:-1] rvdem_1 = gamma(a=12, loc=100, scale=8) rvdem_2 = gamma(a=8, loc=60, scale=7) rvdem_3 = gamma(a=10, loc=230, scale=12) pb\_11 = rvdem\_1.sf(ราคา\_1) pb\_10 = 1 - pb\_11 หมายเลขรุ่น: pb, pb u\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() ถ้าราคา\_2 > ราคา\_3: pbp\_22 = rvdem\_2.sf(ราคา\_2) pbp\_23 = rvdem\_2.sf(ราคา\_3) - rvdem\_2.sf(ราคา\_2) pb\_22 = pbp\_22 pbp\_23 = rvdem\_2.sf(ราคา\2) pbp\23 = rvdem\2.sf(ราคา\2) pbp\23 pb\_20 = 1 - pb\_22 - pb\_23 หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย อัลบั้มย่อย ถ้าราคา\_ch > (ราคา\_1 +ราคา\_2) > (ราคา\_1 +ราคา\_3): pbp\_31 = rvdem\_3.sf(ราคา\_ch) pbp\_32 = rvdem\_3.sf(ราคา\_1 +ราคา\_2) pbp\_31 = pbp\33 = pbp\33 = pbp\3.sf(ราคา\1 +ราคา\3) - rvdem\3.sf(ราคา\_1 +ราคา\_2) pb\_31 = pbp\31 \* pg\3_p_ch\0 pb\32 = pbp\31 pb\33 pb\33 pb\33 pb\33 pb\33 pb\33 pb\33 pb\33 pb\33 pb\ pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: หมายเลขรุ่น: กลับไปที่ 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 สําหรับ iter ในช่วง(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) if pass\_in\_h == 1: if np.random.choice(\[0, 1\], p=P\[0\]): if 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 แปลง q\_1, q\_1\_ch, q\_2, q\_3 def profit_a_ch(ราคา, Q, w_1): profit_1 = (Q[0] * ราคา[0] + Q[1] * ราคา[-2]) - (Q[0] + Q[1]) * 6.8 - w_1 * ราคา[-1] - 48360 profit_2 = (Q[2] * ราคา[1] + w_1 * ราคา[-1]) - (Q[2] + Q[1]) * 5.4 - 10270 profit_3 = Q[3] * ราคา[2] - Q[3] * 5.1 - 9890 return profit_1, profit_2, profit_3 def e_profit_ch(ราคา, w_1, n_iter): P = prob_in_trafic_ch(ราคา) return np.mean([profit_a_ch(ราคา, sales_ch(P, w_1), w_1) สําหรับ _ ในช่วง(n_iter)], แกน = 0 ลองดูค่าทั้งหมดของผลกําไร A1 และ A2 ที่ใหญ่กว่าศูนย์ในเวลาเดียวกัน: PA_1 = [] PA_2 = [] PA_3 = [] PP = [] สําหรับ i ในช่วง(10000): pra_1 = np.random.randint(150, 270) pra_2 = np.random.randint(111, 170) pra_3 = 110 pra_1_ch = np.random.randint(pra_1 + pra_2 , 500) pay_ch = np.random.randint(pra_2, pra_1_ch) ราคา = pra_1, pra_2, pra_3, pra_1_ch, pra_3 = np.random.randint(0, 110) pa = eprofit_ch(prizes, w_1, w_1, w_1, w_1) plot_1, PA_1, PA_1, PA_1 และ PA_1 x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', label='Indifference') plt.plot(x, y_2, 'C2', label='Interest') plt.xlabel(r'$A_{2}$ profit (c.u)') plt.ylabel(r'$A_{1}$ profit (c.u)') plt.title('Scatter of positive profit values of two airlines') ภาษาไทย ( แสดงให้เห็น () ชุดจุดถูกขัดขวางจากด้านบนโดยฟังก์ชั่นบางอย่างที่โดดเด่นขึ้นและลดลงอย่างสม่ําเสมอซึ่งประกอบด้วยจุดทั้งหมดของชุด Pareto-efficient หากชุดนี้เป็นแบบ symmetrical แล้วจุดของชุดที่ใกล้ที่สุดกับสายการตัดส่วนที่เท่าเทียมกันจากแกนสอดคล้องกันสามารถนํามาใช้เป็นจุดที่เหมาะสม วิธีการนี้เรียกว่าวิธีการไม่สอดคล้องกัน ชุดที่มีประสิทธิภาพเกือบไม่เคยเป็นแบบ symmetrical ดังนั้นผู้เข้าร่วมมีความสนใจในการตรวจสอบให้แน่ใจว่าความไม่สอดคล้องกันจะต้องได้รับการพิจารณาเมื่อตัดสินใจร่วมกัน ในกรณีนี้จุดที่ใกล้ที่สุดกับเส้นเหนือชุดและสอดคล้องกับเส้นผ่านจุดความสนใจสูงสุดจะถูกนํามาใช้เป็นจุดที่เหมาะสม (0,Profit 1) และ (Profit 2,0) การก่อตัวของชุดดังกล่าวสําหรับปัญหาในรูปแบบสต็อกสติกจําเป็นต้องมีการสํารวจและการประมาณ - มันไม่สามารถสร้างทางวิเคราะห์ ให้จุดความสนใจสูงสุดเป็นดังต่อไปนี้: (0, 12000) และ (17500, 0) ในฐานะที่เป็นเส้นขนานกับเส้นอื่น ๆ ผ่านจุดความสนใจสูงสุดให้เราใช้เส้นที่มีการสม่ําเสมอ y=−0.8x+20000. จากนั้นราคาที่ดีที่สุดจะใช้ค่าต่อไปนี้: ราคา(1) 1 = 185 ราคา(2) 2 = 114 ราคา(1)ch = 345; ราคา(2)ch = 120; สิ้น (1) 3=29. หลังจากนําเสนอการบินการแชร์โค้ดการกระจายผลกําไรจะดูดังนี้: price_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] ผลกําไร_ch_data = [] สําหรับ i ในช่วง(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) prices_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] ผลกําไร_ch_data = [] สําหรับ i ในช่วง(1000): Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) วัตถุประสงค์ / วัตถุประสงค์ / วัตถุประสงค์ / วัตถุประสงค์ / วัตถุประสงค์ นอกเหนือจากการเพิ่มผลกําไรเราได้แก้ปัญหาการเจรจาอย่างเงียบ ๆ อัลกอริทึมทั้งหมดสําหรับการเพิ่มประสิทธิภาพของข้อตกลงการแชร์โค้ดช่วยเพิ่มผลกําไรของสายการบินเพียงหนึ่งสายการบิน ในที่สุดสองสายการบิน (พันธมิตรที่มีศักยภาพ) ที่ใช้อัลกอริทึมดังกล่าวจะพบกันในการเจรจากับตัวเลขที่แตกต่างกัน - ซึ่งหมายความว่าในผลลัพธ์สุดท้ายทุกอย่างจะขึ้นอยู่กับวิธีการที่พวกเขาเจรจา การสร้างชุดที่มีประสิทธิภาพ Pareto ไม่เพียง แต่ช่วยเพิ่มผลกําไรของทั้งสองสายการบิน แต่ยังทําให้การเจรจาง่ายขึ้นมากขึ้นเปิดเส้นทางโดยตรงและสั้นลงไปยังทฤษฎีเกม - การกําจัดองค์ประกอบของมนุษย์อย่างสมบูรณ์ ความคิดของการบรรจุขวดและจับผู้โดยสารมีความลึกมากและมีผลกระทบ "ไกลถึง" จํานวนเงินที่สามารถทําได้จากความคิดดังกล่าวได้อย่างไร การทดสอบจากข้อมูลจริงและจําลองแสดงให้เห็นว่าการพิจารณาความชอบของผู้โดยสารพร้อมกับการคํานวณอัตราส่วนและผลกําไรที่เหมาะสมสําหรับทั้งสองสายการบินให้ผลกําไรอย่างมีนัยสําคัญเมื่อเทียบกับวิธีการเฉพาะที่ต้องการ: สีแดงแสดงจํานวนเงินที่สูญเสียโดย บริษัท อากาศที่ไม่ได้ลงนามในข้อตกลง - คุณสามารถเห็นว่าโดยเฉลี่ยการสูญเสียเกินประโยชน์ของ บริษัท อากาศที่สร้างเที่ยวบินการแชร์รหัส การพูดคุยเกี่ยวกับการแข่งขันในฐานะที่เป็นเช่นนั้นไม่เหมาะสมที่นี่ จุดหมายคือการเปลี่ยนแปลงในการไหลของผู้โดยสารมีผลต่อเครือข่ายเส้นทางทั้งหมด ผลลัพธ์เชิงลบหรือเชิงบวกของการเปลี่ยนแปลงดังกล่าวสามารถส่งผลกระทบต่อผู้เข้าร่วมเครือข่ายทั้งหมด: พันธมิตรคู่แข่งและแม้กระทั่งผู้ที่ไม่ได้คํานึงถึง Airlines ยังมักเกินค่าความน่าดึงดูดของเที่ยวบิน codeshare บางครั้งราคาจะเพิ่มขึ้นมากกว่า 100 ดอลลาร์ ผู้โดยสารจริงๆชื่นชมความสะดวกสบายมาก แต่เนื่องจากราคาที่เพิ่มขึ้นอย่างมากพวกเขาเลือกตัวเลือกที่ไม่สะดวก แต่ราคาถูกกว่ามาก ความจริงที่ว่าปัญหาการเพิ่มประสิทธิภาพเป็นปัญหาสองเกณฑ์ควรให้ความสนใจโดยเฉพาะอย่างยิ่ง หากผู้ให้บริการ (ผู้ให้บริการผู้โดยสารจริง) ไม่รู้วิธีการคํานวณชุดโซลูชั่นที่ดีที่สุดของ Pareto ผู้ให้บริการทางการตลาด (ผู้ขายตั๋ว) สามารถใช้ประโยชน์จากสิ่งนี้ได้อย่างง่ายดายและจ่ายน้อยกว่าควร และในที่สุดทุกอย่างที่เขาต้องทําคือการติดตามการขายของพันธมิตรที่มีศักยภาพ โดยวิธีการที่ในบทความนี้เพียงหนึ่งประเภทที่พบมากที่สุดของการแชร์โค้ดขายฟรีได้รับการพิจารณา - เมื่อทั้งสอง บริษัท อากาศสามารถเผยแพร่เที่ยวบินของสายการบินอื่นเป็นของตัวเองโดยมีข้อ จํากัด น้อยหรือไม่มีข้อ จํากัด เกี่ยวกับจํานวนที่นั่งที่สามารถขายได้ (ภายในความจุของเครื่องบินหรือข้อ จํากัด ที่กําหนดไว้) อย่างไรก็ตามวิธีการเพิ่มประสิทธิภาพที่พิจารณายังเหมาะสําหรับประเภทอื่น ๆ ของแชร์โค้ดเช่นพื้นที่บล็อก - เมื่อจํานวนที่นั่งที่จะขายโดยผู้ให้บริการทางการตลาดถูกกําหนดไว้ วิธีการนี้ยังเหมาะสําหรับการเพิ่มประสิทธิภาพของข้อตกลงระหว่างสายการบินซึ่ง บริษัท อากาศหนึ่งเพียงแค่ยอมรับเอกสารการขนส่งของ บริษัท อากาศอื่น Interline ยังมีผลต่อความน่าสนใจ แต่ต้องมีข้อ จํากัด น้อยลงจาก บริษัท อากาศ ในทางหนึ่งการคํานึงถึงข้อตกลงที่แตกต่างกันทําให้งานซับซ้อนขึ้นเล็กน้อย แต่ในทางกลับกันมันช่วยให้สายการบินสามารถรวมเงื่อนไขที่แตกต่างกันเพิ่มประสิทธิภาพไม่เพียง แต่ผลกําไร แต่ยังดึงดูดผู้โดยสารปกติและผู้โดยสารใหม่เนื่องจากเครือข่ายเส้นทางที่กว้างขวาง การสรุป การเพิ่มผลกําไร 5% เพียงเนื่องจากข้อตกลงการแชร์โค้ดไม่ใช่ผลลัพธ์ที่ไม่ดี อาจมีมากขึ้น? แน่นอนใช่ ปัญหานี้สามารถมองเห็นได้ว่าเป็นการขยายตัวของปัญหานี้ IFAM ปัญหานี้สามารถมองเห็นได้ตามการสร้างแบบจําลององค์ประกอบของผู้โดยสารและหลักการของบรรจุขวด / การจับผู้โดยสาร การบินการแชร์โค้ดสามารถพิจารณาได้ว่าเป็นการบินที่ดําเนินการโดยเครื่องบินเสมือนจริงบางอย่าง ซึ่งหมายความว่าคนสามารถใช้เทคนิคที่มีอยู่แล้วเพื่อเพิ่มประสิทธิภาพเพิ่มเติม - ตัวอย่างเช่นการเพิ่มประสิทธิภาพในระดับการกําหนดราคาแบบไดนามิก (subclasses) แทนค่าเฉลี่ยและเฉลี่ย ในกรณีนี้ผลกําไรอาจสูงขึ้น IFAM considers only one airline, but the innovativeness of this model is precisely in the fact that for the first time it began to take into account the impact of changes in some passenger flows on changes in other passenger flows. It became possible to “spill” in one place and “collect the spill” in another. In IFAM there are no codeshare flights, there is no attraction, and passenger flows are only affected by price. ความยากลําบากในการขยาย IFAM คือว่าแต่ละเที่ยวบินที่ใช้ร่วมกันเป็นไปได้จริงจะต้องได้รับการปฏิบัติตามเป็นเครื่องบินเสมือนแยกต่างหาก อาจมีมากกว่า 100 หรือแม้กระทั่ง 1,000 เครื่องบินที่มีศักยภาพดังกล่าวในกองทัพเรือของ บริษัท อากาศ และนั่นไม่ใช่ทั้งหมด - การตัดสินใจ IFAM มักจะก่อนหน้านี้โดยงานของการกําหนดเวลาซึ่งได้รับการออกแบบโดยเฉพาะอย่างยิ่งด้วยความสนใจของผู้โดยสาร เมื่อเพิ่มเที่ยวบินที่ใช้ร่วมกันโค้ดควรพิจารณาถึงระดับที่ตารางการบินคงที่ของเครื่องบินเสมือนสอดคล้องกับตารางการบินคงที่ที่ที่เครื่องบินจริงของ บริษัท อากาศ สิ่งที่สําคัญที่สุดคือหลังจากเลือกแต่ละเครื่องบินเสมือนและราคาตั๋วการกระจายการไหลของผู้โดยสารทั่วเครือข่ายเส้นทางทั้งหมดจะต้องคํานวณ ตามที่กล่าวถึงที่จุดเริ่มต้นของบทความการแก้ปัญหาเป็นไปได้เฉพาะเมื่อมีข้อมูล - โดยเฉพาะอย่างยิ่งปริมาณข้อมูลจํานวนมาก ในทางหนึ่งหรือทางอื่นทุกอย่างมาถึงการจําลองการเลือกที่แยกต่างหากที่ผู้โดยสารทํา บางสายการบินด้วยปริมาณข้อมูลประวัติศาสตร์จํานวนมากของพวกเขาทํางานค่อนข้างดีกับเรื่องนี้ แต่แม้แต่พวกเขาไม่สามารถแข่งขันกับ GDS (Global Distribution System) นี่เป็นเพราะข้อเท็จจริงที่ว่าสายการบินมีข้อมูลเกี่ยวกับการไหลของผู้โดยสารของเครือข่ายเส้นทางของพวกเขาเท่านั้นในขณะที่ GDS เห็นภาพทั้งหมดและสามารถวิเคราะห์จํานวนมากของทั้งเส้นทางและสถานการณ์ของการเปลี่ยนแปลงของการไหลของผู้โดยสาร อย่างไรก็ตามต้องบอกว่านี่เป็นไปเฉพาะสําหรับรุ่นใหม่ของ GDS น่าเสียดายที่ระบบเก่ากว่านั้นไม่เคยจัดการกับงานดังกล่าวหรือจัดการกับพวกเขาตามเงื่อนไข ในความเป็นจริงไม่มี บริษัท อากาศจะสามารถประเมินการกระจายการไหลของผู้โดยสารในเวลาเพียงเพราะจําเป็นต้องใช้ข้อมูลจาก บริษัท อื่น ๆ ในบทความนี้เราได้สัมผัสในเรื่องการเพิ่มประสิทธิภาพหลายเกณฑ์ซึ่งช่วยให้การเจรจาการค้าซึ่งในทางกลับกันนําเราไปสู่ทฤษฎีเกม แต่ทฤษฎีนี้ได้พิสูจน์ว่ากลยุทธ์การร่วมมือเป็นผลกําไรและยั่งยืนมากที่สุด เพื่อให้บรรลุสิ่งนี้จําเป็นต้องใช้ GDS รุ่นใหม่แล้ว บริษัท อากาศใด ๆ จะสามารถเข้าถึงข้อมูลที่ระบุชื่อเกี่ยวกับการเข้าชมผู้โดยสารของ บริษัท อื่น ๆ ด้วยเหตุนี้จึงเป็นไปได้ที่จะบรรลุระดับการเพิ่มประสิทธิภาพคุณภาพใหม่ไม่เพียง แต่ของข้อตกลงการแบ่งปันรหัส แต่ยังเป็นจํานวนของงานอื่น ๆ : การวางแผนการบิน ฯลฯ เพื่อเข้าใจความเป็นไปได้ของ GDS ให้ถามคําถามที่เรียบง่าย: สิ่งที่จะเกิดขึ้นถ้าในปัญหาที่พิจารณาเที่ยวบินทั้งหมดไม่ได้ดําเนินการโดยสาม แต่โดย บริษัท อากาศหนึ่ง? ในกรณีนี้สามารถเพิ่มประสิทธิภาพได้เพียงจํานวนเงินเฉลี่ยของผลกําไรจากเที่ยวบินทั้งหมด คุณจะได้รับปัญหา IFAM ที่ปกติและผลกําไรทั้งหมดจะยิ่งใหญ่กว่าจากการแนะนําเที่ยวบินร่วมกันรหัสเท่านั้น ปัญหาเดียวคือการบินจะดําเนินการโดย บริษัท อากาศที่แตกต่างกัน การจัดการแบบมุ่งเน้นมีข้อได้เปรียบมากขึ้น แต่ยังมีปัญหา เนื่องจากข้อมูลที่ไม่เพียงพอ บริษัท อากาศไม่สามารถทําเช่นนี้ แต่ GDS สามารถ