Kung paano ang iyong layover time ay maaaring gawin o i-break ang isang airline's profit

Kapag ang katotohanan ay hindi katumbas sa mga pangangailangan, ito ay patuloy na hindi malaki. Ito ay lalo na hindi malaki kung ikaw ay nagbayad ng pera para sa hinaharap na katotohanan: ikaw ay bumili ng tiket ng isang airline, ngunit para sa anumang dahilan ikaw ay inilagay sa isang eroplano ng isang kamakailanman iba't ibang airline. Pagkatapos ay gumawa ka ng isang koneksyon, at sila ay inilagay sa iyo sa isang eroplano ng isang unknown third airline. Ano ang nangyayari? Sa katunayan, ikaw ay may isang tiket ng airline, na nabili mo lamang dahil alam mo kung ano ang dapat mong maghintay mula sa kanya, ngunit ikaw ay patuloy na lumipad sa mga eroplano ng ganap na iba't ibang airlines. Maaari mong bumili ng isang tiket mula sa isang Ibig sabihin, not counted... hindi ibig sabihin kapuri-puri ka dahil marami kang tinapos na kurso.Tulad nila Tirso at Lyn ang mga anak nila, very friendly at magalang. Ang isang maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na maliit na notebook. Paghahatid ng Passenger Flow Sa tingin mo, mayroong isang maliit na network ng mga ruta ng tatlong lungsod, na binubuo lamang ng tatlong mga ruta: A→B — mga flight ay ginagamit ng A1; B→C — mga flight ay ginagamit ng A2 at A3; A→B→C — sa unang segmento, ang mga flights ay na-operate sa pamamagitan ng A1, ang ikalawang sa pamamagitan ng A2 и A3 — ito ay ang ruta na nangangailangan ng pag-evaluate ang optimization ng code-share agreement. Ang mga flows ng pasahero ay maaaring ibinigay sa dalawang mga form - tingnan natin ang mga ito H at D: H - mga pangunahing paglipad ng pasahero sa pagitan ng dalawang lungsod; D - Composite traffic ng pasahero sa pagitan ng dalawang lungsod. Halimbawa, sa segmento A→B, ang airline A1 ay maaaring estimate (mga tingnan kung ito ay mas mababa sa kapasidad) passenger flow D11, na kung saan ay ang halaga ng dalawang pangunahing passenger flows: kung saan ang upper index sa parenteso ay katumbas sa numero ng airline. Sa kaso na ito, H1 ay ang pasahero ng mga pasahero na interesado sa pagkuha mula sa A sa B, at H3 ay ang pasahero ng mga pasahero na interesado sa pagkuha mula sa A sa C. Para sa B→C segment, ang mga bagay ay mas interesado: kung saan ang α ay maaaring i-interpretado bilang ang kabuuan ng airline sa elementary passenger traffic. Sa kaso na ito, ang airlines A2 at A3 ay naghahatid ng pasahero traffic H2 - mga pasahero na pumunta mula sa B sa C, at pasahero traffic H3 - mga pasahero na pumunta mula sa A sa C at na-connect sa airport ng lungsod B. The parameter α can also be interpreted as the probability of making a ticket purchase on a particular airline flight, therefore: Ang α ay depende sa pag-attraksyon ng mga flight at itinatag sa pamamagitan ng function utility U(R), kung saan R ay isang vector ng mga parameter ng flight, batay sa kung saan ang mga pasahero ay nagpasya upang bumili ng isang tiket. Karaniwang, ang exponentiated function ay ginagamit bilang function utility at na-convert sa probabilities gamit ang soft-max function. Ito ba ay isang mahusay na paraan upang gawin ito? Ito ay karaniwang at simpleng. Sa parehong oras, ang sigmoid function at ang Dirichlet distribution function ay mas mahusay na matatagpuan sa paradigma ng voting. Halimbawa, kung mayroon ka ng isang traveler survey kung saan kailangan mong i-rate ang bawat parameter ng flight sa isang 10-point scale, ito ay ang beta at Dirichlet distribution na magproseso ang Ang epekto ng codeshare agreements sa attractiveness ng ruta Codeshare flights ay atraksyon para sa mga pasahero dahil ito ay nagbibigay-daan sa mga pasahero upang: I-accumulate bonus miles sa pamamagitan ng pag-participating sa airline's loyalty program, kahit na ang flight ay operated sa pamamagitan ng isang iba't ibang carrier. Book ang mga tiket ng eroplano para sa mga flight na may mga convenience na koneksyon, piliin ang pinakamahusay na pagpipilian sa pagitan ng mga tawagan ng iba't ibang mga airline. Makakuha ng tulong at suporta mula sa airline carrier sa panahon ng flight kahit na ang kumpanya mula sa kung saan ang tiket ay nabili. Hindi lamang ang katotohanan, ngunit ito ay, bilang isang gulay, ay lamang ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth. Gayunpaman, ang mga flight ng codeshare ay maaaring hindi atraksyon para sa ilang mga dahilan: inappropriate service levels; Ang iba't ibang mga bagage at mga pananampalataya; ang posibilidad ng mga problema sa bagage sa panahon ng mga koneksyon. Ang pagkuha ng pag-attraksyon ng isang codeshare flight ay maaaring i-increase ang traffic ng pasahero: Sa teorya, ang mga flight ng codeshare ay maaaring i-increase ang total na traffic ng pasahero, ngunit sa isang mas mataas na antas, sila ay simpleng i-increase ang demand. Ang pagdaragdag ng isang codeshare flight ay nagtatampok ng H3 mga pasahero sa tatlong alternatibo: Pumunta mula sa A sa C sa isang codeshare flight na may minimum na inconvenience. Pumunta mula sa A sa C sa pamamagitan ng B na may magagamit na koneksyon sa isang A2 airline flight. Pumunta mula sa A sa C sa pamamagitan ng B na may isang maliliit na koneksyon sa airline flight A3. Suppose ito ay kaso, pagkatapos H3 ay maaaring ibinigay bilang ang sumusunod: kung saan H(ch)3 — ang mga pasahero na piliin ang isang codeshare flight, at H(rem)3 — ang mga pasahero na piliin ang isang self-transfer route. Pagkatapos, ang buong redistribution ng lahat ng mga flows sa pagitan ng mga airline ay maaaring ibinigay sa sumusunod na form: Hindi lang ng maraming, at hindi mabilang na walking patay, na maaaring gumawa ng anumang bilang ng pagbuo ng mga modernong armas sa pamamagitan ng numero. Ang demand ay nagpapakita kung paano ang presyo ay nakakaapekto sa bilang ng mga tiket na nabili. Attraksyon, sa katunayan, ay nagpapakita kung paano ang bilang na ito ay nakakaapekto sa pamamagitan ng iba pang mga faktor. Attraksyon ay karaniwang fixed — halimbawa, para sa mga scheduled flights na hindi maaaring i-change ang kanilang mga oras ng pagdating o paglipat. Kapag ang isang joint flight na may isang iba pang airline ay idinagdag sa isang tulad ng isang flight, ang oras ng koneksyon ay maaaring magbabago, na kung saan ang ilang bahagi ng mga pasahero ay tinatawag ng higit sa lamang presyo kapag bumili ng isang tiket. I-play at i-capture Nagbibigay kami ng isang ekspresyon na naglalarawan ng ang proporsional na pagbabago sa mga volumes ng pasahero sa pagitan ng mga airline. Ito ay magkakaiba upang malaman kung paano mag-calculate ang mga proporsyon sa pagitan ng α. Ito ay maaaring magiging napaka-complicated - sa halimbawa na kami ay palagi sa mga simpleng mga sumusunod. Kami ay magbigay ng dalawang mahalagang assumptions: Kami ay may mga data. Pwede naming gumawa ng data models. Sa pangkalahatan, nag-aalok natin lamang ang tungkol sa kung ano ang dapat nating gawin sa ML (Machine Learning)". Kapag bumalik na ako sa UP, i'll start building a new me. i'll start building a new me. i'll start building a new me. H1 ~ Poisson(λ1) H2∼Poisson(λ2) H3 sa pamamagitan ng Poisson(λ3). Tingnan natin kung paano ang pagsasama at pagkuha ng traffic ng pasahero ay nangyayari gamit ang halimbawa ng H3, dahil ang traffic ng pasahero na ito ay ibahagi sa pagitan ng tatlong mga airline. Ang iba't ibang antas ng pag-attraksyon ng flight ay lumikha ng iba't ibang antas ng pag-attraksyon sa iba't ibang mga segmento ng presyo ng pasahero. Halimbawa, ang isang codeshare flight ay ang pinaka-attraksyonal, ngunit para sa parehong dahilan ito ay ang pinaka-karaniwang. Karaniwang ito ay magiging interesado sa mga taong nais na magbayad ng higit sa karaniwang para sa isang tiket. I-determinate ang attractiveness sa pamamagitan ng dalawang mga bahagi: codeshare at connection time. May ilang optima na oras ng paglipat - tingnan namin ito sa pamamagitan ng t . Tumawag na t (2) ang oras ng paglipat para sa flight A2 ay mas malapit sa t kaysa sa t (3) - ang oras ng paglipat para sa flight A3. Sa ngayon, maaari naming ilagay ang pag-attraksyon (matagal ng dalawang flight) sa pamamagitan ng isang simpleng function-shaped ng bell. Δt∗=t∗−t=0 — ang minimum na pagkakaiba mula sa ideal na oras ng paglipat. Δt∗=t∗−t<0 — kailangan mong maghintay. I-express ang mga atraksyon sa pamamagitan ng mga function ng utility: u2=U(Δt2) at u3=U(Δt3), kung saan U ay maaaring maging anumang unimodal na function: sa aming kaso U ay isang Gaussian function. Ang pag-attraksyon ng mga flight A2 at A3 ay maaaring ipakita tulad ng: import numpy bilang np mula sa scipy.stats import norm, gamma, poisson, binom, uniform, bernoulli import matplotlib.pyplot bilang plt mula sa pylab import rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' import seaborn bilang sns sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) ang napili ng mga taga-hanga: 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('Attraksyon ng mga flights\n' + r' ng mga airline $A_{2}$ at $A_{3}$') plt.xlabel(r'$\Delta t$ (hour)') plt.ylabel('u', rotation=0) plt.legend() plt.show() Kung ang airline A1 ay sumali sa isang code-share agreement sa A2, pagkatapos, sa pagitan ng transfer time, ang pag-attraksyon ng code-share flight ay magiging sama sa ng A2, dahil ang ideal na oras ng transfer — t , kung saan ang lahat ng mga deltas ay inilagay, ay hindi mababago sa anumang paraan. Gayunpaman, mga flight code-share ay nag-aalok ng ilang mga halaga: walang kinakailangan upang re-check bagage, walang kinakailangan upang re-check-in, at para sa mga internasyonal na flights, pag-stay sa isang clear zone ay hindi nangangahulugan ng karagdagang pasaporte kontrol. Ang pag-attraksyon ng isang code-share flight ay lumaki dahil sa faktang ang pasahero ay may mas mab The ideal connection time should take into account several factors: Ang minimum na oras ng pag-connect - ang oras na kinakailangan upang lumabas ang mga pasahero at pag-transfer ng bagahe mula sa isang flight sa ibang sa airport. Additional comfort time — kailangan upang mabawasan ang mga risk ng paghahanap para sa check-in para sa isang iba pang flight. Ang average na oras ng mga pagbabago ng flight - may special statistics para sa bawat airline. Ang ideal na oras ng koneksyon para sa isang codeshare flight ay mabawasan sa halimbawa dahil sa katotohanan na ang mga risk ng pasahero na umalis para sa flight sa panahon ng koneksyon ay inihahanda ng airline - ngayon ito ay garantisado na kahit na ang pasahero ay umalis, ang mga ito ay patuloy sa susunod na flight. Sa tingin na t ch<t , ito ay nangangahulugan lamang na ang graph ng function ng utility para sa codeshare flight A1 upang lumipat sa kanan: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) Ipinanganak sa pagitan ng US$ (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('Attraksyon ng mga flights\n' + r' ng mga airline $A_{2}$ at $A_{3}$') plt.xlabel(r'$\Delta t$ (hour)') plt.ylabel('u', rotation=0) plt.legend() plt.show() Kung bago ang pagkakaiba mula sa ideal na oras ng koneksyon ay tungkol sa 1 oras at 10 minuto, para sa isang codeshare flight ang pagkakaiba na ito ay lamang 20 minuto. Natutuwa, ang pag-aproseso sa ideal na oras ng koneksyon ay hindi ang isa sa mga faktor na nakakaapekto sa attractiveness (usability) ng isang flight. Ang oras ng paglipat ay ginagamit para sa ilustrasyon lamang. Sa katunayan, ang kalkulasyon ng attractiveness ay batay sa maraming higit pa na mga katangian at ginawa sa pamamagitan ng mga tool ng ML. Now we need to understand how these three values divide passenger traffic into price segments—it’s clearly talking about some fractions. Upang matuklasan ang mga fractions na ito, kailangan natin ng isang profile ng potensyal na pangangailangan. 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('Price (c.u.)') plt.title('Profile ng demand ng mga pasahero'); Ang pagiging isang profile ng pangangailangan ay nagpapakita na may isang reliable representasyon ng kung ano ang mga presyo na ang probabilidad ng pagbili ng tiket ay iba't ibang mula sa 0 o 1 at kung paano ito ay depende sa presyo. Kailangan natagpuan na ang pagiging ng mga profile ng presyo na ito ay hindi nagbibigay sa isang rasyonal na pag-demonstrasyon ng mga nakaraang o suboptimal na pananaliksik. Sa unang, kapag isang tao ay kilala sa mga paraan ng ML, ito ay napaka-imagine kung paano ang isang tao ay maaaring gawin ang anumang bagay sa iba't ibang paraan, mas mababang gawin ito sa mas mababang. Sa ikalawang, mayroong higit sa ilang mga methodologies para sa "pag-aari" ang bilang ng mga tiket na ibinigay sa anumang presyo. Ang iba't ibang mga air Ang iba't-ibang mga antas ng pag-attraksyon ng mga alternatibo ay dapat natagpuan sa anumang paraan ang mga flows ng pasahero sa pagitan ng mga airline, at ngayon mayroon kaming lahat ng kailangan natin upang i-calculate ang α para sa bawat isa: Ang H1 flow sa pagitan ng mga airline ay hindi ibahagi. Only flows H2 at H3 ay ibahagi, at ang pagitan ay depende sa pag-attraksyon ng mga flights, na kung saan ay nakakaapekto sa probability ng pagpipilian. Ang pag-attraksyon ay maaaring makita tulad ng: 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') ang[0].legend(loc=3) ax[0].set_title('Attractiveness para sa $H_3$\n(codeshare $A_{1}$ at $A_{2}$)') ax[0].set_xlabel(r'$\Delta t$ (hour)')') Mga pahinang tumuturo (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, alpha=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') Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=2.6) ang napili ng mga taga-hanga: 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'$\Delta t$ (hour)'); Ang pinaka simpleng paraan upang i-convert ang mga utilities sa mga probabilidad ay upang i-multiply ang bawat isa sa mga halaga ng isang factor upang ang mga sumusunod ay katumbas sa 1: Halimbawa, kung ang A1 ay sumali sa isang code-share agreement na may A2, ang mga probabilidad ng pagpili ng isa o ang iba pang paglipad ay tulad ng: u = np.array([0.28, 0.20, 0.06]) [0.51851852 0.37037037 0.11111111] P3 (Choice=A1 Seg=1) = 0.52 P3(Choice=A2 Seg=1) = 0.37 P3 (Choice=A3 Seg=1) = 0.11 Hindi lamang ang katotohanan, ngunit ito ay, bilang isang gulay, ay lamang ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth. Mga pahinang tumuturo (1) 1 = 190 Mga pahinang tumuturo (1) 3 = 370 Mga Tiket sa Paglipad (2) 2 = 135 Mga Tiket sa Paglipad (2) 2 = 115 Pagkatapos, ang probability ng pagbili ng isang tiket sa anumang presyo ay maaaring defined tulad ng sumusunod: Halimbawa, ang probabilidad na isang tiket para sa isang codeshare flight ay bumili sa 370 c.u. ay sama sa 0.27: rvdem_3 = gamma(a=10, loc=230, scale=12) print(rvdem_3.sf(370)) 0.2727250812333501 Ang mga pasahero na maaaring makakuha ng isang tiket sa presyo na ito makikita ang tatlong alternatibo sa harap ng mga ito. Gayunpaman, kung ang isang tao ay maaaring makakuha ng maximum na kaligtasan, hindi ito nangangahulugan na siya o siya ay nangangailangan upang gamitin ito. Ang magagamit ng mas mababang alternatibo ay nagbibigay-daan upang i-save ng pera - ito ay ang dahilan kung bakit kami inilagay ang pag-attraksyon ng alternatibo at ang mga probabilidad ng pagpipilian batay sa mga ito. Ang kabuuan ng pagpipilian ay sama sa: Ang mga resulta ng mga probabilidad ng piliin ng isang particular flight para sa mga pasahero na ito ay parehong: P3 (Choice=A1 Seg=1) = 0.14 P3(Choice=A2 Seg=1) = 0.1 P3 (Choice=A3 Seg=1) = 0.03. Ang resulta ay hindi kaya impressive, dahil ang katumbas na probabilidad ng pagbili ng isang tiket para sa ang pinaka-comfortable flight ay hindi kaya mataas. Ito ay ang mga katangian ng bottling at pag-capture ng pasahero flows - conditional probability at conditional distribution ay dumating sa laro. Ano ang nangyari sa mga taong hindi makakakuha ng isang tiket na ito? Kung ang halaga ng mga paraan ng pasahero ay sa loob ng interval: siya ay hindi pa rin maaaring makakakuha ng isang codeshare flight. Sa kaso na ito, siya ay may dalawang alternatibo na magagamit sa kanya: piliin ang isang flight na may isang convenience o isang mahabang koneksyon. Basahin sa available utility, ang mga probabilidad ng pagpipilian ay tulad ng: P3(Choice=A2 Seg=2) = 0.77 P3 (Choice=A3 Seg=2) = 0.23. u = np. array([0.20, 0.06]) ang napili ng mga taga-hanga: [0.76923077 0.23076923] Ang probabilidad ng pagbili ng tiket sa kaso na ito ay: rvdem_3 = gamma(a=10, loc=230, scale=12) print(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 Pagkatapos, ang resulta ng mga probabilidad ng pagpipilian para sa mga pasahero na ito ay tulad ng sumusunod: P3(Choice=A2 Seg=2) = 0.35 P3 (Choice=A3 Seg=2) = 0.1 Ang mga pasahero na ang halaga ng pera ay sa range [305,325] ay maaaring makakakuha lamang ng flight A3. Ang probabilidad ng pagbili ng tiket sa presyo 305 para sa segment na ito ay: rvdem_3 = gamma(a=10, loc=230, scale=12) print(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 Sa katunayan, ang mga probabilidad ng pagbili ng tiket para sa isang anumang flight ay inilagay bilang isang simpleng halaga: Pagkakaiba ng Passenger H3 Ito ay ibahagi sa pagitan ng mga airline tulad ng: P3 (Choice = A1) = 0.14 P3 (Choice=A2) = 0.1 + 0.35 = 0.45 P3(Choice=A3)=0.03+0.1+0.17=0.3 Ang probability P(Buy=0) na ang tiket ay hindi bumili ng lahat ay 0.1, na sumunod sa mga probabilidad ng pagpipilian sa itaas ay nagbibigay ng 1. Pagkatapos na gawin ang parehong para sa pasahero flow H2, makakuha namin ang mga sumusunod: P2 (Choice = A2) = 0.1 P2 (Choice = A3) = 0.38. Passenger traffic H1 though not shared between airlines, but due to the price of 190 ue some share of it will be spilled, so we can still introduce the probability of flight choice P1(Choice=A1), which will be determined by the price (the probability of buying a ticket at this price): rvdem_1 = gamma(a=12, loc=100, scale=8) print(rvdem_1.sf(190)) 0.5494501693973257 Maaari itong mag-describe sa detalye ang lahat ng mga halaga ng α, ngunit dahil kami ay nakuha ng anumang mga halaga ng mga fraction, mag-script ang lahat sa isang mas mababang form: Para sa isang airline, ang pag-optimize ng codeshare agreements ay isang problema ng packing ng backpack na may isang binary variable na katumbas sa isa o zero kapag ang isang potensyal na flight ay napili upang ibahagi o hindi. Ang mga pangunahing mga problema ay nagsimula sa pag-estimate ng halaga ng mga item na ibahagi sa backpack. Sa simpleng kaso, ang isang airline ay maaaring mag-decide na ito ay depende sa brand: kung ito ay atraktibo, pagkatapos ay isang codeshare flight ay din ay mag-attraktibo. Sa naisip na ito, ang halaga ng item na ibahagi sa backpack ay madalas sa proporsyon sa isang factor. Ang isang mas malakas na paraan ay upang gamitin ang ilang mga criteria ng pag-attraksyon upang piliin ang isang item. Ang bawat item ay isang ruta na may mga oras ng paglipas at pag-aralan, pati na rin ang mga koneksyon na maaaring magkakaibang sa parehong panahon at uri. Sa katunayan, ang piliin ng isang item ay nagbabago ang halaga ng lahat ng iba pang mga item, parehong ang mga na ngayon sa backpack at ang mga hindi pa na-packed. Ito ay nangangahulugan na ang lahat ng α ay dapat kalkulado kapag ang isang item ay piliin. Gayunpaman, sa pamamagitan ng pag-multiply ng lahat ng H sa mga katumbas na mga presyo, maaari mong makakuha ng isang napaka-reasonable estimate ng income, at ang pinaka-karaniwang, maaari mong malaman kung saan at sa 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. Ang metriko para sa espasyo-panahong Schwarzschild na may sistemang koordinatong ( Modeling at optimization Ang airline A1 ay kailangang maghahanap hindi lamang ang pinakamahusay na mga presyo ngunit din ang mga quote: w(1)3 — ang bilang ng mga sitwasyon na ibinigay para sa codesharing, at w(1)1 — ang bilang ng mga sitwasyon para sa mga naglalakbay mula sa A sa B. Kung binubuo namin sa V ang kapasidad ng eroplano, pagkatapos ay matatagpuan ang isang simpleng kondisyon para sa mga quote: w(1)1+w(1)3V(1) — ang parehong bilang para sa bilang ng mga tiket na binili q(1)1+q(2)3+q(3)3w(1) и q(1)3w(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 — fixed costs, e.g.: pagbayad ng crew, airport charges para sa parking, takeoff at landing, aviation security. Cvar — variable gastos, na depende sa bilang ng mga pasahero, halimbawa: mga bayad para sa paghahatid ng mga terminal ng airport, paghahatid ng bagahe. Ito ay binubuo din ang mga gastos ng kerosene, dahil ang kanyang halaga ay depende din sa bilang ng mga pasahero at bagahe, ngunit para sa simplicity ay i-reference ito sa Cfix. Пусть Cvar=cvarQ, halimbawa, cvar ay maaaring katumbas sa 25 c.u., ang halaga ng kung saan ay simpleng i-multiply sa bilang ng mga pasahero — Q. Price(2)ch — gastos ng mga lugar na nabili mula sa operating carrier para sa isang codeshare flight. Then the average profit A1 will be the following function: Ang mga kahulugan ng dalawang airline: Maaari mong mag-iisip na kung ang A1 ay sumali sa isang pakikipagsapalaran sa A2, pagkatapos ay ang mga gawain ng A3 ay hindi kailangang mag-alala. Sa katunayan, ang pag-share ng code ay may isang napaka-interesting pangangasiwa: competitive pressure. Alam namin na Hj∼Poisson(λj). Kung alam namin na Pj(Choice=Ai), maaari naming mag-record ang bilang ng mga tiket na nabili q(i)j bilang: at higit pa ang binomial na paghahatid sa pamamagitan ng isang normal na paghahatid. Gayunpaman, para sa mga maliit na halaga ng Hj, ito ay standard na pananaliksik, ngunit ang mga pasahero mula sa H1 at H3 ay isang random na paghahatid - walang isang bagay tulad ng unang pag-sale ng tiket lamang para sa mga mula sa H1 at pagkatapos ay i-sale ang iba't ibang mga sitwasyon para sa mga mula sa H3. Kailangang din makikita na kung ang mga airport A at B ay ibahagi sa pamamagitan ng isang malaking bilang ng mga time zones, ang paghahatid ng H2 at H3 ay may iba't ibang oras-dependent na komposisyon. Halimbawa, kung ang A3 ay mas mababa ang presyo sa gabi, pagkatapos ay ang pagbabago na ito ay maaaring makita Ito ay mahalaga upang malaman na ang data ay palagi ang unang. kahit na kami ay sumulat Hj∼Poisson(λj) ay isang napaka-mahal na pag-aproseso na itinatag lamang para sa mga halimbawa. Sa halip ng distribusyon ng Poisson, mayroong isang napaka-kompleks na conditional distribution, na kung saan ay kung ano ang ibinigay mula sa data. Mixing passenger flows, limited aircraft capacity, quotas, and many other nuances make it impossible to derive the distribution of the number of tickets sold analytically. To get adequate values of q, it is necessary to model the sales process. Para sa pag-modelo ng anumang bagay, kailangan mong ilagay ang mga pangunahing mga parameter ng problema. Tinanong na ang ruta A→B→C ay ang ruta Vladivostok-Moscow-Sochi: VVO→SVO→AER. Mag-operate ang mga flight sa pamamagitan ng mga sumusunod na mga eroplano: VVO→SVO — ay ginagamit ng airline A1 sa mga eroplano ng A350 na may kapasidad ng V=325. SVO→AER — ginagamit ng airline A2 sa mga eroplano ng A320 na may kapasidad ng V=180. SVO→AER — ay ginagamit ng airline A3 na sa Boeing 737 aircraft na may isang kapasidad ng V=190. Ang mga fixed costs ay ang mga sumusunod: C(1) fix — 48360 c.u.; C(2)fix — 10270 c.u.; C(2)fix — 9890 c.u. Ang mga variable cost: c(1)var — 6.8 c.u. / pasahero c(2)var — 5.4 c.u. / pasahero. c(2)var — 5.1 c.u. / pasahero Isinulat na ang mga flows ng pasahero ay ibahagi tulad ng sumusunod: H1 ~ Poisson (λ1 = 370) H2 ~ Poisson (λ2 = 350) H3 ~ Poisson (λ3 = 110) def prob_in_trafic(prices): price_1, price_2, price_3 = prices 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 Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. Ang mga ito ay ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. Kung ang presyo\_2 > presyo\_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\_2\[1\] + pbp\_23 iba pa: 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 Ang mga ito ay ang mga sumusunod na mga sumusunod na mga sumusunod. Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod ( if (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\_2) pb\_32 = pbp\_32 \* pseg\_3\[0\] pb\_33 = pbp\_32 \* pseg\_3\[1\] + pbp\_33 else: pbp\_32 = rvdem\_3.sf(price\_1 + price\_2) pbp\_33 = rvdem\_3.sf(price\_1 + price\_3) pb\_32 = pbp\_32 pb\_33 = 0 pb\_30 = 1 - pb\_32 - pb\_33 Ang mga ito ay ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. Ibalik ang 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) Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_2, q\_3 = 0, 0, 0 para sa iter sa range(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) kung pass\_in\_h == 1: kung np.random.choice(\[0, 1\], p=P\[0\]): kung 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 return q\_1, q\_2, q\_3 Mga pahinang tumuturo sa pagitan ng pag-aari ng mga taong nakakaalam ng pag-aari ng mga taong nakakaalam ng pag-aari ng mga taong nakakaalam ng pag-aari ng mga taong nakakaalam ng pag-aari ng mga taong nakakaalam ng mga taong nakakaalam ng pag-aari ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga taong nakakaalam ng mga def e_profit(prices, n_iter): P = prob_in_trafic(prices) return np.mean([profit_a(prices, sales(P)) para sa _ sa range(n_iter)], axis = 0) Ngayon maaari naming magsimula ang pag-modeling at pag-optimize. Ang mga tanong ay tumutulong: Ano at kung paano upang optimize? Ano at kung ano upang i-compare upang makita kung mayroong isang pagtaas sa profit? Magbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception. Tingnan natin na walang mga airline ay nagsisimula sa codeshare agreements at tingnan ang mga sumusunod na mga presyo bilang optimal: Mga pahinang tumuturo (1) 1 = 185 Ang presyo (2) 2 = 114; Ang presyo(3) 2 = 110 At pagkatapos ay ang mga paghahatid ng kanilang mga profit ay tulad ng: Mga pahinang tumuturo sa [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic(prices) para sa i sa range(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)) S.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('Profit (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('Profit (c.u.)') S.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('Profit (c.u.)') Pumili ng kategorya, gaya ng mga gasolinahan o grocery. Para sa airline A3, ang presyo ay malinaw na hindi ang pinakamahusay na presyo. Gayunpaman, kami ngayon ay interesado sa katunayan kung paano ang average na kasiyahan ng airlines A2 at A3 ay bumabago kung nagsisimula sila sa isang code-share agreement sa isa sa isa. def prob_in_trafic_ch(prices): price_1, price_2, price_3, price_ch = prices[:-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 = 1 pb\_1 pb\_10 = 1 pb\_11 Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. uh\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() Kung ang presyo\_2 > presyo\_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\_2\[1\] + pbp\_23 iba pa: 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 Ang mga ito ay ang mga sumusunod na mga sumusunod na mga sumusunod. Ang mga ito ay nagtatagumpay sa mga pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing. (Prisyon\_1 + presyo\_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\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\3 = pbp\ Pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 Ang mga ito ay ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. Ibalik ang 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) Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. I-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click. Para sa iter sa range(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) kung pass\_in\_h == 1: kung np.random.choice(\[0, 1\], p=P\[0\]): kung 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 Ibalik ang q\_1, q\_1\_ch, q\_2, q\_3 Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sum def e_profit_ch(prices, w_1, n_iter): P = prob_in_trafic_ch(prices) return np.mean([profit_a_ch(prices, sales_ch(P, w_1), w_1) para sa _ sa range(n_iter)], axis = 0) Tingnan natin ang lahat ng mga halaga ng profit A1 at A2 na simultaneously mas mataas kaysa sa zero: Sa kabuuang ito, ang mga pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pangunahing pang 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 ng mga positibong value ng profit ng dalawang airlines') Mga pahinang tumuturo ( Mga pahinang tumuturo ( The set of points is bounded from above by some upward convex and monotonically decreasing function, which contains all points of the Pareto-efficient set. If this set were symmetric, then the point of the set that is closest to the line cutting off equal segments from the coordinate axes could be taken as the optimal point. This approach is called an indifferent approach. An efficient set is almost never symmetric, so participants have an interest in making sure that asymmetry is necessarily taken into account when making a joint decision. In this case, the point closest to the line above the set and parallel to the line passing through the points of maximum interest is taken as the optimal point (0,Profit∗1) and (Profit∗2,0). Ang konstruksyon ng isang bagay na ito para sa isang problema sa isang stochastic na uri ay nangangailangan ng pananaliksik at pag-aproximation - hindi ito maaaring konstruksyon analytically. Magbigay ang mga punto ng maximum na interes ay ang mga sumusunod: (0, 12000) at (17500, 0). Bilang isang linya parallel sa isang iba pang linya na pumapasok sa pamamagitan ng mga punto ng maximum na interes, i-take ang linya na may equation y=−0.8x+20000. Pagkatapos, ang mga optimum na mga presyo ay magkaroon ng mga sumusunod na mga halaga: Mga pahinang tumuturo (1) 1 = 185 Ang presyo (2) 2 = 114; Ang presyo (1) ch = 345; Ang presyo (2) ch = 120; ang isang (1) 3=29. Pagkatapos ng pag-introduction ng codeshare flight, ang mga distribution ng profit ay makikita na ito: price_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [ ] profit_ch_data = [ ] para sa i sa range(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 = [ ] profit_ch_data = [ ] para sa i sa range(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) Sa katunayan, dalawang airline (potential partners) na gumagamit ng isang algorithm na ito ay makipag-ugnayan sa mga negosyo na may iba't-ibang mga numero - ito ay nangangahulugan na sa katunayan ng katunayan ang lahat ay depende sa kung paano sila pag-negotiate. Paggawa ng isang Pareto-efficient set ay hindi lamang optimize ang mga profite ng parehong airline, ngunit din ay gumagawa ng mga negosyo na mas madaling, magbubuo ng isang mas direkta at mas mabilis na pathway sa teorya ng laro - binubuo ang mga elemento ng tao na ganap na. Ang ideya ng pag-imbak at pag-capture ng pasahero ay napaka-mahal na at may "long-reaching" implikasyon. Anong pera ay maaaring lumikha mula sa isang ideya na ito? Pag-test sa mga real at simulated data ay nagpapakita na ang pagitan ng mga preference ng mga pasahero kasama ang pag-calculate ng optimaal na quotas at profits para sa parehong mga airline ay nagbibigay ng malalaking gawain sa iba't-preference na mga paraan: Ang red na kulay ay nagpapakita kung ano ang ibaba sa pamamagitan ng mga airline na hindi sumali sa isang pakikipagsapalaran - maaari mong makita na, sa average, ang pagbabayad ay higit sa ang kapangyarihan ng mga airline na nilikha ng isang codeshare flight. Ibig sabihin, not counted... hindi ibig sabihin kapuri-puri ka dahil marami kang tinapos na kurso. Ang mga eroplano ay karaniwang higit pa sa kagamitan ng mga codeshare flights. Sometimes ang mga presyo ay binubuo ng higit sa 100 dolyar. Ang mga traveler ay talagang hinihintay ang kaligtasan ng maraming, ngunit dahil sa pinaka-inflated na presyo, sila ay piliin ang mas mababang magagamit ngunit mas mababang mga pagpipilian. Kung ang operating carrier (ang taong gumagamit ng mga pasahero) ay hindi alam kung paano i-calculate ang Pareto-optimal na set ng mga solusyon, ang marketing carrier (ang taong gumagamit ng mga tiket) ay maaaring madaling gamitin ito at magbayad ng mas mababa kaysa sa dapat. Sa katunayan, sa artikulong ito lamang ang isang pinaka-karaniwang uri ng free-sale code-share ay tinatanggap - kung ang parehong airline ay maaaring i-publish ang flight ng iba't-ibang carrier bilang kanilang mga sarili na may maliit na o walang limitasyon sa bilang ng mga seats na maaaring i-sale (sa ilalim ng kapasidad ng eroplano o ang mga limitasyon na itinatag). Gayunpaman, ang tinatanggap na pamamaraan ng optimization ay matatagpuan para sa iba't-ibang uri ng code-share, halimbawa, block-space - kung ang bilang ng mga seats na i-sale ng isang marketing carrier ay matatagpuan. Sa isang pangkalahatan, ang pagitan ng iba't ibang mga pakikipagsapalaran ay gumagawa ng isang maliit na mas malusog na trabaho, ngunit sa iba't ibang pangkalahatan, ito ay nagbibigay ng airline upang mag-kombinasyon ng iba't ibang mga kondisyon, na optimize hindi lamang ang mga profite ngunit din ang pag-attraksyon para sa parehong regular at bagong pasahero dahil sa malaking network ng ruta. sa konklusyon Ang isang 5% na pagtaas ng profit lamang dahil sa codeshare agreements ay hindi isang mababang resulta. Maaari ito maging higit pa? Natutuwa, iya. Ang problema na ito ay maaaring makita bilang isang extension ng IFAM fleet assignment problem batay sa pasahero komposisyon modeling at ang prinsipyo ng pasahero flow bottleneck/capture. Ang isang codeshare flight ay maaaring konseptualized bilang isang flight operated sa pamamagitan ng ilang virtual aircraft. Ito ay nangangahulugan na maaari mong gamitin ang mga na-stable na mga teknolohiya para sa karagdagang optimization - halimbawa, pag-optimize sa antas ng dynamic pricing (subclasses) kaysa sa average at raw na mga halaga. Ibig sabihin, not counted... hindi ibig sabihin kapuri-puri ka dahil marami kang tinapos na kurso. marami kang tinapos na kurso. Ang problema sa pag-expand ng IFAM ay na ang bawat potensyal na pag-share flight ay dapat na talagang maging isang natatanging virtual aircraft. May mayroong higit sa 100 o kahit 1,000 mga potensyal na aircraft sa isang airline's fleet. At ito ay hindi lahat — ang decision ng IFAM ay karaniwang inihahanda ng gawain ng pagdiriwang ng schedule, na tinutukoy sa karamihan sa pag-iisip ng mga pasahero. Kapag sumali ng codeshare flights, ang halaga kung saan ang mga fixed flight schedules ng virtual airplanes ay katumbas sa mga fixed schedules sa kung saan ang mga real airplanes ng airline ay lumipad ay dapat tinutukoy. Karamihan na, pagkatapos ng pagpili ng bawat virtual aircraft at ticket price, ang redist Bilang ito ay ipinapakita sa simula ng artikulong, ang solusyon ng problema ay posible lamang kung may data - sa karamihan, isang malaking halaga ng data. Sa isang paraan o sa ibang, lahat ng ito ay sumusunod sa pag-modelo ng mga diskret na mga pagpipilian na gumagawa ng mga pasahero. Ang ilang mga airline, na may kanilang malaking halaga ng historikal na data, ay gumagawa ng isang mahusay na trabaho na may ito, ngunit kahit na sila ay hindi maaaring mag-competite sa GDS (Global Distribution System). Ito ay dahil sa katotohanan na ang mga airline ay may data sa mga pasahero flows lamang ng kanilang mga network ng ruta, habang ang GDS ay makikita ang buong picture at ay maaaring i-analisa ng isang mas mataas na bilang ng parehong mga ruta at mga scenario ng mga pagbabago sa Hindi lamang ang katotohanan, ngunit ito ay, bilang isang gulay, ay lamang ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth.Ito ay ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth.Ito ay ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth.Ito ay ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth. Upang malaman ang mga posibilidad ng GDS, ibig sabihin ang isang simpleng tanong: ano ang nangyari kung sa problema na tinutukoy ang lahat ng mga flights ay hindi gaganapin sa pamamagitan ng tatlong ngunit sa pamamagitan ng isang airline? Sa katunayan na ito, lamang ang average na halaga ng mga profit mula sa lahat ng mga flights ay maaaring i-optimize. Ikaw ay makakuha ng ang karaniwang problema ng IFAM, at ang pagkuha sa kabuuang mga profit ay naging mas mataas kaysa sa paghahatid ng codeshare flights. Ang isa pang problema ay na ang mga flights ay ginagamit ng iba't ibang mga airline. Ang centralized management ay may maraming iba't ibang mga halaga, ngunit ito ay may mga problema. Dahil sa hindi sapat na data, ang mga airlines ay hindi maaaring gawin ito, ngunit ang GDS ay maaaring