Layover Zamanınız Nasıl Yapabilir veya Bir Havayolu Şirketinin Kârını Kırabilir

Gerçeklik beklentileri karşılamadığında, her zaman hoş olmayan. Beklenen gerçeklik için para ödediğinizde özellikle hoş olmayan bir durumdur: bir havayolu şirketinin biletini satın alırsınız, ancak bir nedenden ötürü tamamen farklı bir havayolu şirketinin uçağına binersiniz. Sonra bir bağlantı kurarsınız ve sizi bilinmeyen üçüncü bir havayolu şirketinin uçağında yerleştirirler. Ne olur? Sonuçta, sadece ondan ne bekleyeceğini bildiğiniz için satın aldığınız havayolu şirketinin bir biletiniz var, ancak hala tamamen farklı bir havayolu şirketinin uçaklarıyla uçuyorsunuz. Büyük ve iyi kurulmuş bir havayolu şirketinden bir bilet aldınız gibi görünüyor, ancak gemide bu havayolunun bölgesel bağlı şirketleri ve şubeleri var, bu kadar iyi değil. Kod paylaşımlı uçuşlarla ilk Havayolu şirketleri, bu tür eylemlerin yolcuların tercihlerini tamamen değiştirmelerine neden olabileceğini fark etmiyor mu? Olumsuz bir deneyim, olası alternatifleri değerlendirmek için daha kapsamlı bir yaklaşım geliştirmek için yetenek oluşturur. Yolcu akışları, yolculuğunda daha az engelleri olduğu yerlerde daha büyük bir hacimde akış yapan bir sıvı gibidir. Bir havayolu şirketinin bir uçuşun çekiciliğinin azalması, yolcu akışının bir kısmının “şişlenmesine” neden olur. Diğer bir havayolu şirketi, daha çekici bir alternatif sunarak akışın üstesinden gelebilir. Böyle bir model, yolcu akışının akış ve yakalama modeli olarak adlandırılır ve doğrudan havayolu şirketinin kârını olumlu seyahat deneyimleri ile ilişkilendiririr. Bu makale, kod paylaşımı uçuşlarını daha çekici hale getirmek ve bununla iyi bir kar elde etmenin yoluna odaklanmaktadır (tabi ki rakiplerinizi geride bırakmadan). Yolcu akışı dağılımı Üç şehirden oluşan küçük bir rota ağı olduğunu varsayalım, yalnızca üç rotadan oluşur: A → B – A1 tarafından işletilen uçuşlar; B→C – uçuşlar A2 ve A3 tarafından işletilmektedir. A→B→C — ilk bölümde, uçuşlar A1 tarafından işletilir, ikinci bölümde A2 и A3 tarafından işletilir — bu, kod paylaşım anlaşmasının optimizasyonu değerlendirilmesini gerektiren rota. Yolcu akışları iki şekilde temsil edilebilir - onları H ve D olarak adlandıralım: H - iki şehir arasındaki temel yolcu trafiği; D - İki şehir arasındaki kombine yolcu trafiği. Örneğin, A→B segmentinde, A1 havayolu şirketi iki temel yolcu akışının toplamı olan D11 yolcu akışını tahmin edebilir (kapasiteden daha az olup olmadığını gözlemleyebilir): Bu durumda, H1 A’dan B’ye girmek isteyen yolcuların yolcu akışıdır ve H3 A’dan C’ye girmek isteyen yolcuların yolcu akışıdır. B→C segmentinde ise işler biraz daha ilginç: Bu durumda, havayolu şirketleri A2 ve A3 yolcu trafiğini paylaşır H2 - B'den C'ye giden yolcular ve yolcu trafiği H3 - A'dan C'ye giden yolcular ve şehir B havaalanında bağlantı. Parameter α ayrıca belirli bir havayolu uçuşunda bir bilet satın alma olasılığı olarak da yorumlanabilir, bu nedenle: α, uçuşların cazipliğine bağlıdır ve R'nin uçuş parametrelerinin bir vektor olduğu U(R) fonksiyonu tarafından belirlenir. Genellikle, eksponantif fonksiyonlar, kullanışlı fonksiyon olarak kullanılır ve yumuşak max fonksiyonları kullanarak olasılıklara dönüştürülür. Bunu yapmak için iyi bir yoldur mu? Bu yaygındır ve basittir. Aynı zamanda, sigmoid fonksiyonlar ve Dirichlet dağıtım fonksiyonu oylama paradigmasına çok daha iyi uyum sağlar. Örneğin, her bir uçuş parametresini 10 noktalı bir ölçekte değerlendirmek zorunda kaldıysanız, sonuçları işleyecek beta ve Dirichlet dağıtımları olacaktır. Bu daha karmaşık, ancak daha fazla sonuç verir. Kod paylaşım anlaşmalarının rota çekiciliği üzerindeki etkisi Codeshare uçuşları yolcular için caziptir, çünkü yolcular şunları yapabilir: Havayolu şirketinin sadakat programına katılarak, başka bir havayolu şirketi tarafından işletilen bir uçuşta bile bonus mil kazanın. Uygun bağlantılarla uçuşlar için uçak bileti rezervasyonu, farklı havayolu şirketlerinin tekliflerinden en uygun seçeneği seçin. Receive assistance and support from the airline carrier during the flight regardless of the company from which the ticket was purchased. Bununla birlikte, kod paylaşımlı uçuşların çekici olmasının ana nedeni, rotaların sayısını arttırmalarıdır – hazır bir rotayı seçmek, kendiniz oluşturmaktan çok daha kolaydır.Bazı havayolu şirketleri, kod paylaşımlı uçuşların çekiciliğinin daha da artırılabileceğinin farkındadır - örneğin, uygun zaman faktörleri, bu yüzden programlarını koordine ederler. Tabii ki, kod paylaşım uçuşları bir dizi nedenden dolayı da cazip olmayabilir: Uygunsuz hizmet seviyeleri; Farklı bagaj ve taşıma kuralları Bağlantı sırasında bagaj sorunları olasılığı. Kod paylaşımlı bir uçuşun çekiciliğini arttırmak yolcu trafiğini artırabilir: Teorik olarak, kod paylaşımlı uçuşlar toplam yolcu trafiğini artırabilir, ancak çok daha büyük ölçüde, basitçe talep arttırırlar. Kod paylaşımlı bir uçuş eklemek H3 gezginleri üç alternatifle karşı karşıya bırakır: Kod paylaşımlı bir uçuşta A'dan C'ye en az rahatsızlıkla uçun. A'dan C'ye B aracılığıyla A2 havayolu şirketi uçuşuna uygun bir bağlantı ile uçuş. A'dan C'ye B aracılığıyla A3 uçuşunda rahatsız edici bir bağlantı ile seyahat edin. Bu durumun böyle olduğunu varsayalım, o zaman H3 aşağıdaki toplam olarak temsil edilebilir: H(ch)3 – kod paylaşımlı bir uçuş seçen yolcular ve H(rem)3 – kendi kendine transfer yolu seçen yolculardır. Daha sonra, havayolları arasındaki tüm akışların tam yeniden dağıtımı aşağıdaki şekilde yazılabilir: The fact that the attractiveness of routes can change entire passenger flows may seem rather strange. However, it is important to understand that we are talking about parts of passenger flows, i.e. individual segments of travelers who evaluate and rank possible alternatives differently. For some part of travelers, comfort comes first, for another part — price. Talep, fiyatın satın alınan biletlerin sayısını nasıl etkilediğini gösterir. Çekici, bunun diğer faktörler tarafından nasıl etkilendiğini gösterir. Çekici sıklıkla sabittir – örneğin, varış veya kalkış saatlerini değiştiremeyen planlı uçuşlar için. Böyle bir uçuş için başka bir havayolu ile ortak bir uçuş eklenince, bağlantı süresi değişebilir, bu da seyahat edenlerin bir kısmının bir bilet satın alırken sadece fiyattan daha fazlasıyla yönlendirileceği anlamına gelir. Spill and Capture Havayolları arasındaki yolcu hacminin orantılı değişimini tanımlayan bir ifade elde ettik. α'ya dayanan oranları nasıl hesaplayacağımızı bulmak gereklidir. Bu çok karmaşık görünebilir - bu durumda her zaman basit yaklaşımlara başvuracağız. Bizim verilerimiz var. Veri modelini oluşturabiliriz. Temel olarak, sadece “ML (Machine Learning)’de nasıl yapılacağını bildiğimiz” hakkında konuşuyoruz. İlk olarak, potansiyel alıcılardan oluşan rastgele yolcu hacmini belirlemeniz gerekir, yani, göz önünde bulundurulan yollardan bazılarında bilet satın almakla ilgilenen herhangi bir kişi. potansiyel alıcı sayısının dağılımı için en iyi aday Poisson dağılımıdır: H1∼Poisson(λ1); H2 ~ Poisson (λ2) H3 ırkçılık (λ3) H3 örneğini kullanarak yolcu trafiğinin nasıl şişirildiğini ve yakalandığını düşünelim, çünkü bu yolcu trafiği üç havayolu şirketi arasında bölünür. Uçuş çekiciliğinin farklı seviyeleri farklı yolcu fiyat segmentlerinde farklı ilgi düzeyleri oluşturur. Örneğin, kod paylaşımlı bir uçuş en çekici olacak, ancak aynı sebepten dolayı en pahalı olacak. Bilet için her zamankinden daha fazla ödemeye istekli olanlar için ilginç olacaktır. Bırakın çekiciliği iki faktörle belirleyin: kod paylaşımı ve bağlantı süresi. Uçuş A2 için transfer süresi t(3) - Uçuş A3 için transfer süresi - t'ye çok daha yakın olduğunu varsayalım. Şimdi çekiciliği (iki uçuşun yararlılığı) basit bir çan şekli fonksiyonu ile belirleyebiliriz. Δt∗=t∗−t=0 - ideal transfer zamanından en az farklılık. Uygulama fonksiyonları aracılığıyla çekiciliği ifade edelim: u2=U(Δt2) ve u3=U(Δt3), burada U herhangi bir unimodal fonksiyon olabilir: bizim durumumuzda U bir Gauss fonksiyonudur. A2 ve A3 uçuşlarının çekiciliği şu şekilde gösterilebilir: import numpy as np from scipy.stats import norm, gamma, poisson, binom, eşit, 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, lok=0, ölçek=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, lok=0, ölçek=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('Uçuşların çekiciliği\n' + r'nin havayolu şirketleri $A_{2}$ ve $A_{3}$') plt.xlabel(r'$\Delta t$ (saat)') plt.ylabel('u', rotation=0) plt.legend() plt.show() Eğer havayolu A1 A2 ile bir kod paylaşım anlaşması yaparsa, transfer süresi açısından kod paylaşım uçuşunun çekiciliği A2'nin çekiciliği ile aynı olacaktır, çünkü ideal transfer süresi - t , tüm deltaların hesaplandığı, herhangi bir şekilde değişmedi. Bununla birlikte, kod paylaşım uçuşları bir dizi avantaj sunar: bagajı yeniden kontrol etmeye gerek yoktur, yeniden check-in yapmaya gerek yoktur ve uluslararası uçuşlar için, açık bir bölgede kalmak, ekstra pasaport kontrolü anlamına gelmez. kod paylaşım uçuşunun çekiciliği, seyahatçinin Δt2'yi karşılama riski daha az olduğu gerçeğinden dolayı artar ve bacaklarınızı uzatmak ve uçuştan dinlenmek için ek zaman vardır. İdeal bağlantı süresi birkaç faktörü dikkate almalıdır: Minimum bağlantı süresi – yolcuların ve bagajın bir uçuştan diğerine havalimanında başarılı bir şekilde transfer edilmesi için gereken süre. Ekstra konfor süresi - başka bir uçuş için check-in için koşmanın risklerini azaltmak için gerekli. Uçuş gecikmelerinin ortalama süresi - her havayolu şirketi için özel istatistikleri vardır. Kod paylaşımlı bir uçuş için ideal bağlantı süresi en azından yolcunun bağlantı sırasında uçuş için geç kalma risklerinin havayolu şirketi tarafından üstlenildiği gerçeğinden dolayı azalıyor - şimdi seyahatçinin geç kalması durumunda bile, bir sonraki uçuşta kalacaklarını garanti ediyor. T ch<t olduğunu varsayarsak, bu basitçe kod paylaşım uçuşu A1 için yardımcı fonksiyonun grafikini sağa kaydırmaya neden olur: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, ölçek=1.4) Aşağıdakilerden hangisidir: plt.plot(dt, u, 'C0', label=r'$t^{*} - t$) dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, lok=0.8, ölçek=1.4) plt.plot(dt, u_ch, 'C0--', label=r'$t^{*}_{ch} - t$') Dt_1 = 1.15 u_1 = norm.pdf(dt_1, lok=0.8, ölçek=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, alfa=0.5) Dt_2 = 1.15 u_2 = norm.pdf(dt_2, lok=0, ölçek=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, lok=0, ölçek=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('Uçuşların çekiciliği\n' + r'nin havayolu şirketleri $A_{2}$ ve $A_{3}$') plt.xlabel(r'$\Delta t$ (saat)') plt.ylabel('u', rotation=0) plt.legend() plt.show() If previously the difference from the ideal connection time was about 1 hour and 10 minutes, for a codeshare flight this difference will be only 20 minutes. Naturally, the approximation to the ideal connection time is not the only factor affecting the attractiveness (usefulness) of a flight. The transfer time is taken for illustrative purposes only. In reality, the calculation of attractiveness relies on many more factors and is performed by ML tools. Şimdi, bu üç değerin yolcu trafiğini fiyat segmentlerine nasıl ayırt ettiğini anlamamız gerekiyor – açıkça bazı bölünmelerden bahsediyoruz. Bu bölünmeleri belirlemek için potansiyel talep profiline ihtiyacımız var. fiyatlar_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'$H_{1}$') fiyatlar_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'$H_{2}$') fiyatlar_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('Fiyat (c.u.)') plt.title('Uşak akışı talep profilleri'); Bir talep profili varlığı, hangi fiyatlarda bir bilet satın alma olasılığının 0 veya 1'den farklı olduğunu ve fiyatına ne kadar bağlı olduğunun güvenilir bir temsilinin olduğunu göstermektedir. Böyle bir fiyat profili varlığı, eski veya alt optimum uygulamaların mantıksal gösterilmesine izin vermediğini hemen belirtmeliyiz. Birincisi, ML yöntemleriyle tanıştığınızda, birinin farklı bir şey yapabileceğini hayal etmek oldukça zordur, daha az da kötüye gidebilir. İkinci olarak, bazı fiyatlarda satılan biletlerin sayısını tahmin etmek için en az birkaç metodoloji vardır. Farklı havayolu şirketleri farklı olanları kullanabilir. Bazı, genellikle küçük havayolları tamamen sezgiye güvenebilir. Şimdi, en kötü durumda, talep profilleri çürük adım fonksiyonları olacağını varsayalım. Alternatiflerin farklı çekiciliği dereceleri bir şekilde yolcu akışlarını havayolları arasında bölmelidir ve şimdi her birinin α'ını hesaplamak için ihtiyacımız olan her şeye sahibiz: Sadece H2 ve H3 akışları bölünür ve bölünme, seçim olasılığını etkileyen uçuşların cazipliğine bağlıdır. fıkra, 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, lok=0.8, ölçek=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, yer=0.8, ölçek=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, renk='C1', lw=4, alfa=0.5) Dt_2 = 1.15 u_2 = norm.pdf(dt_2, lok=0, ölçek=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, renk='C2') Dt_3 = 2.5 u_3 = norm.pdf(dt_3, lok=0, ölçek=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, renk='C3') ax[0].legend(loc=3) ax[0].set_title('$H_3$\n(codeshare $A_{1}$ ve $A_{2}$) için çekicilik)') ax[0].set_xlabel(r'$\Delta t$ (saat)') Aşağıdakilerden hangisi olursa olsun (dt, u, 'C0') Dt_1 = 2.5 u_1 = norm.pdf(dt_1, lok=0.8, ölçek=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, alfa=0.5) Dt_2 = 1.15 u_2 = norm.pdf(dt_2, lok=0, ölçek=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, lok=0, ölçek=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') bu ilanı beğen Ağu 21 (codeshare $A_{1}$ and $A_{3}$) resim bu ilanı gizle geri yükle bu ilanı geri yükle dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, ölçek=2.6) plt.plot(dt, u, ‘C0’ ) Dt_2 = 1.15 u_2 = norm.pdf(dt_2, lok=0, ölçek=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('H_2$' için çekici) ax[2].set_xlabel(r'$\Delta t$ (saat)')' ax[2]. Uygulamaları olasılıklara dönüştürmenin en basit yolu, değerlerin her birini bir faktörle çoğaltmaktır, böylece elde edilen toplam 1'e eşittir: Örneğin, A1 A2 ile bir kod paylaşım anlaşması yaparsa, bir ya da diğer uçuşu seçme olasılığı aşağıdaki gibidir: u = np. array([0.28, 0.20, 0.06]) Çevrimiçi [0.51851852 0.37037037 0.111111] P3 (Choice=A1 Seg=1) = 0.52 P3 (Choice=A2 Seg=1) = 0,37 P3 (Choice=A3 Seg=1) = 0.11 Ancak, seçim sadece tercih değil, aynı zamanda bunu yapmak için kullanılabilir para miktarı tarafından etkilenir. talep profilleri bilerek, belirli bir fiyata bir bilet satın alma olasılığını belirleyebiliriz. Fiyatı (1) 1 = 190 Fiyatı (1) 3 = 370 Fiyat (2) 2 = 135 Fiyatı(3) 2 = 115 Daha sonra bir bilet satın alma olasılığı aşağıdaki şekilde tanımlanabilir: Örneğin, kod paylaşımlı bir uçuş için bir biletin 370 c.u.'da satın alınması olasılığı 0,27'e eşit olacaktır: rvdem_3 = gamma(a=10, loc=230, scale=12) baskı(rvdem_3.sf(370)) 0.2727250812333501 Bu fiyata bir bilet alabilen gezginler önlerinde üç alternatif görüyor. Ancak, bir kişi maksimum konfor sağlayabiliyorsa, bu onun mutlaka kullanacağı anlamına gelmez. daha ucuz alternatiflerin kullanılabilirliği para tasarrufu sağlar - bu yüzden alternatiflerin çekiciliğini hesapladık ve bunlara göre seçim olasılığını belirledik. Bu yolcular için belirli bir uçuş seçme olasılığı aşağıdaki gibidir: P3 (Choice=A1 Seg=1) = 0,14 P3 (Choice=A2 Seg=1) = 0.1 P3 (A3 seçeneği)Seg=1)=0.03. Sonuç bu kadar etkileyici görünmüyor, çünkü en konforlu uçuş için bilet satın alma nihai olasılığı o kadar yüksek değil. Böyle bir bileti satın alamayanlara ne olur? yolcunun araçlarının miktarı aralığın içinde düşerse: bu durumda, kendisine iki alternatif olacak: uygun bir bağlantı veya uzun bir bağlantı ile bir uçuş seçin. mevcut hizmetlere göre, seçme olasılıkları şunlardır: P3 (Choice=A2 Seg=2) = 0,77 P3 (Choice=A3 Seg=2) = 0,23. u = np. array([0.20, 0.06]) print(u / u.sum()) [0.76923077 0.23076923] Bu durumda bir bilet satın alma olasılığı şunlardır: rvdem_3 = gamma(a=10, yer=230, ölçek=12) baskı(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 O zaman bu tür gezginler için elde edilen seçme olasılıkları şunlardır: P3 (Choice=A2 Seg=2) = 0,35 P3 (Choice=A3 Seg=2) = 0.1 Para miktarı [305,325] aralığında olan yolcular sadece A3 uçuşuna sahiptir. bu segment için 305 fiyatında bir bilet satın alma olasılığı şunlardır: rvdem_3 = gamma(a=10, yer=230, ölçek=12) baskı(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 Sonuçta, belirli bir uçuş için bir bilet satın alma olasılığı basit bir toplam olarak ifade edilecektir: H3 yolcu taşımacılığı Havayolları arasında şu şekilde bölünür: P3 (Seçim = A1) = 0,14 P3 (Seçim = A2) = 0,1 + 0,35 = 0,45 P3(Choice=A3)=0.03+0.1+0.17=0.3. Biletin hiç satın alınmayacağı olasılığı P(Puy=0) 0.1, yukarıda belirtilen olasılıklarla birlikte 1. Bu, potansiyel potansiyel yolcu akışının hacminin tamamen dikkate alındığı anlamına gelir. Aynı şeyi H2 yolcu akışı için de yaptığımızda, şunları elde ederiz: P2 (Seçim = A2) = 0,1 P2 (Seçim = A3) = 0,38. Yolcu trafiği H1 ancak havayolları arasında paylaşılmamaktadır, ancak 190 ue fiyatı nedeniyle bunun bir kısmı aktarılacaktır, bu nedenle hala fiyat (bu fiyata bir bilet satın alma olasılığı) ile belirlenecek olan uçuş seçimi P1(Choice=A1) olasılığı sunabiliriz: rvdem_1 = gamma(a=12, loc=100, scale=8) print(rvdem_1.sf(190)) 0.5494501693973257 α'nın tüm değerlerini ayrıntılı olarak tanımlamak mümkün olurdu, ancak zaten kısımların belirli değerlerini elde ettikten sonra her şeyi daha kısa bir şekilde yazacağız: Bir havayolu şirketi için, kod paylaşım anlaşmaları optimize etmek, potansiyel bir uçuş paylaşılmak için seçildiğinde bir veya 0'ya eşit bir ikili değişkenle bir çanta paketleme sorunudur. Ana sorunlar çanta içinde saklanan öğelerin değerini tahmin ederken başlar. Basit bir durumda, bir havayolu şirketi markasına bağlı olarak karar verebilir: çekici ise, kod paylaşım uçuşu da çekici olacaktır. Bu nazik yaklaşımda, çanta içinde saklanan öğenin değeri bazı faktörlere göre artar. Daha gelişmiş bir yaklaşım, bir öğeyi seçmek için çok sayıda çekicilik kriterini kullanmaktır. Her öğe, hem süresi hem de türünde değişebilecek bağlantıları olan bir yola sahiptir. Sonuç olarak, bir öğenin seçimi, hem çanta içinde bulunan hem de henüz paketlenmemiş olanların değerini değiştiriyor. Bu, tüm α'ların her öğeyi seçtiğinizde hesaplanması gerektiği anlamına gelir. Bununla birlikte, tüm H'yi uygun fiyatlarla çoğaltarak, oldukça makul gelir tahminleri elde edebilirsiniz ve en önemlisi, kiminle ve hangi koşullar altında bir anlaşma yapacağınızı öğrenebilirsiniz. Delta Airlines, kod paylaşım anlaşmaları optimizasyonunda öncülük edenlerden biri, ortak rotaların bu değerlendirmesinde yıllık ek gelir 50 milyon dolara ulaştığını bildirdi. Bu sadece 2000'lerin en önemli sonuçlarından biri değildi, aynı zamanda seyahat tercihlerinin öneminin doğrudan bir kanıtıydı. Air Canada daha sonra bu yöntemin sadece markanın etkisini dikkate alan nazik yöntemden %80'e kadar daha fazla haftalık gelir sağladığını gösterdi. Bu yöntem, sorunu iki bölüme ayırt ettiği için kötü: önce alternatifleri sıralamak ve H'nin optimum hisselerini hesaplamak ve daha sonra tüm H'lerin rastgele olduğunu ve optimum oranları ayrı ayrı hesaplamak gerektiğini hatırlamaktır. Modelleme ve optimizasyon A1 havayolu sadece en iyi fiyatları değil, aynı zamanda tarifeler de bulmak zorundadır: w(1)3 - kod paylaşımı için saklanan koltuk sayısı ve w(1)1 - A'dan B'ye seyahat edenler için koltuk sayısıdır. eğer uçak kapasitesini V ile ifade edersek, o zaman kvota için basit bir koşul yerine getirilir: w(1)1+w(1)3V(1) - satılan bilet sayısı q(1)1+q(2)3+q(3)3w(1) и q(1)3w(1)3. Hedef fonksiyonu genellikle ücretsizdir ve sadece ortak bir uçuş seçerek elde edilen gelirleri artırmaktır. ancak, gelirlerin yanı sıra, uçuşların kârlılığı üzerinde önemli bir etkiye sahip maliyetler de vardır. kârı optimize etmek için, aşağıdaki maliyetleri sunuyoruz: Cfix — fixed costs, e.g.: crew pay, airport charges for parking, takeoff and landing, aviation security. Cvar — değişken maliyetler, yolcu sayısına bağlıdır, örneğin: havaalanı terminal kompleksinin sağlanması için ücretler, bagaj işleme. Bu da kerozin maliyetleri içerir, çünkü miktarı da yolcu sayısına ve bagajına bağlıdır, ancak basitlik için Cfix'e atıfta bulunacağız. Пусть Cvar=cvarQ, örneğin, cvar 25 c.u eşit olabilir, değeri sadece yolcu sayısı ile çoğaltılır - Q. Price(2)ch — costs of seats purchased from the operating carrier for a codeshare flight. Sonra A1 ortalama kâr şu işlevi olacak: İkinci havayolu şirketinin avantajları: A1'in A2 ile bir anlaşma yapması durumunda, A3'ün kârı endişelenmemelidir. Aslında, kod paylaşımının çok ilginç bir sonucu vardır: rekabet baskısı. Pj(Choice=Ai) bilerek, satın alınan biletler sayısını q(i)j olarak kaydedebiliriz: H1 ve H3'ten gelen yolcular rastgele bir karışımdır - ilk olarak sadece H1'ten gelenler için bilet satmak ve daha sonra kalan koltukları sadece H3'ten gelenler için satmak gibi bir şey yoktur. H3 ve H2'nin karışımı, havaalanları A ve B'nin önemli bir sayıda zaman bölgesi ile ayrıldığında, farklı bir zaman bağlı bileşimine sahip olabileceğini de belirtmeliyiz. Örneğin, A3 gece fiyatını önemli ölçüde düşürürse, H3'ten gelen yolcular ilk olarak bu azalma görülebilir, çünkü gece yerine gündüz saatleri olabilir. Bilgilerin her zaman önce geldiğini hatırlamak önemlidir.Hi∼Poisson(λj) yazsaydık bile, sadece örnek için alınan son derece kaba bir yaklaşımdır.Poisson dağılımının yerine, verilerden elde edilen çok karmaşık bir koşullu dağılım vardır. Yolcu akışlarının karıştırılması, uçak kapasitesinin sınırlandırılması, kısıtlamalar ve diğer birçok nüans analitiğe göre satılan bilet sayısının dağılımını elde etmek imkansız hale getirir. Bir şey model etmeden önce, sorunun temel parametrelerini tanımlamak gerekir. 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 — V = 325 kapasiteli A350 uçağında A1 havayolu şirketi tarafından işletilmektedir. SVO→AER — V=180 kapasiteli A320 uçağında A2 havayolu şirketi tarafından işletilmektedir. SVO→AER — V = 190 kapasiteli Boeing 737 uçakları üzerinde havayolu şirketi A3 tarafından işletilmektedir. The fixed costs will be as follows: C(1) sabit — 48360 c.u.; C (2) sabit — 10270 c.u.; C (2) sabit — 9890 c.u. Değişken maliyetler : c(1)var — 6.8 c.u. / yolcu c(2)var — 5.4 c.u. / yolcu c(2)var — 5.1 c.u. / yolcu Assume that passenger flows are distributed as follows: H1 ~ Poisson (λ1 = 370) H2 ~ Poisson (λ2 = 350) H3 ~ Poisson (λ3 = 110) def prob_in_trafic(fiyatlar): 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 ı ı ı ı ı ı ı ı ı ı ı DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ Eğer fiyat\_2 > fiyat\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pbp\_22 = pbp\_22 = rvdem\_2.sf\23 = rvdem\2.sf(price_3) pb_22 = pbp\22 pb\_20 = 1 - pb\_22 - pb\_23 Pb2 = Pb2, Pb22, Pb22, Pb23, Pb22, Pb22, Pb22, Pb23, Pb22, Pb22, Pb23, Pb22, Pb22, Pb22, Pb23, Pb23, Pb22, Pb23, Pb23, Pb23, Pb22, Pb23, Pb23, Pb23, Pb23, Pb22, Pb22, Pb22, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb2 Üye Ol ya da Giriş Yap : Üye Ol ya da Giriş Yap : Üye Ol ya da Giriş Yap : Üye Ol ya Eğer (fiyat\_1 + fiyat\_2) > (fiyat\_1 + fiyat\_3): pbp\_32 = rvdem\_3.sf(fiyat\_1 + fiyat\_2) pbp\_33 = rvdem\_3.sf(fiyat\_1 + fiyat\_3) - rvdem\_3.sf(fiyat\_1 + fiyat\_2) pbp\32 = pbp\_32 = pbp\_33 = rvdem\3.sf(fiyat\1 + fiyat\_3) pbp\33 + pbp\33 diğer: pbp\32 = rvdem_33.sf(fiyat\1 + fiyat\_2) pbp\33 = rvdem_3.sf(fiyat\1 + fiyat\_3) pbp\ pb\_30 = 1 - pb\_32 - pb\_33 Pb_3 = Pb\33, Pb\32, Pb\33, Pb\33 return ph\_1, ph\_2, ph\_3 def satışlar(P): h_1 = poisson.rvs(mu=370) h_2 = poisson.rvs(mu=350) h_3 = poisson.rvs(mu=110) v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_2, q\_3 = 0, 0, 0 aralıkta iter için (h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) eğer pass\_in\_h == 1: eğer np.random.choice(\[0, 1\], p=P\[0\]): eğer 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 def profit_a(prices, 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(prices, n_iter): P = prob_in_trafic(prices) return np.mean([profit_a(prices, sales(P)) for _ in range(n_iter)], axis = 0) Şimdi modelleme ve optimize etmeye başlayabiliriz. sorular ortaya çıkar: ne ve nasıl optimize edilir? kâr artışı olup olmadığını görmek için neyi ve neyi karşılaştırmalıyız? Ideally, every airline wants to increase its profit, but changes in the price of one airline’s tickets affect all passenger traffic. These changes are noticed by other airlines and they too change the price, which again leads to changes in passenger flows. This means that profit gains cannot be achieved by applying the optimization method just once. Thus, there is only one requirement for the method — it must show a non-negative profit increase for all parameters. Hiçbir havayolu şirketinin kod paylaşım anlaşmaları yapmadığını varsayalım ve aşağıdaki fiyatları optimum olarak düşünelim: Fiyatı(1) 1 = 185 Fiyat (2) 2 = 114 Fiyat (3) 2 = 110 Kazançlarının dağılımı ise şöyle olacak: fiyatları = [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic( fiyatlar) i aralığında(1000): Q = satış(P) q_data.append(Q) profit_data.append(profit_a(fiyatlar, Q)) q_data = np.array(q_data) profit_data = np.array(profit_data) fig, ax = plt.subplots(1, 3, figsize=(12, 3.5) E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: E-Devlet şifresi: plt.suptitle('Uçak Kazançları Dağıtım') plt.tight_layout(); A3 havayolları için fiyat açıkça en iyi fiyat değil, ancak A2 ve A3 havayollarının ortalama kârının birbirleriyle bir kod paylaşım anlaşması imzaladıkları takdirde tam olarak nasıl değişeceğini merak ediyoruz. Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme: Değerlendirme pb\_11 = rvdem\_1.sf(fiyat\_1) pb\_10 = 1 - pb\_11 ı ı ı ı ı ı ı ı ı ı ı DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İÇİN DİKKATİĞİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ İKİ Eğer fiyat\_2 > fiyat\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pbp\_22 = pbp\_22 = rvdem\_2.sf\23 = rvdem\2.sf(price_3) pb_22 = pbp\22 pb\_20 = 1 - pb\_22 - pb\_23 Pb2 = Pb2, Pb22, Pb22, Pb23, Pb22, Pb22, Pb22, Pb23, Pb22, Pb22, Pb23, Pb22, Pb22, Pb22, Pb23, Pb23, Pb22, Pb23, Pb23, Pb23, Pb22, Pb23, Pb23, Pb23, Pb23, Pb22, Pb22, Pb22, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb23, Pb2 Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Aşağıdakilerden hangisidir? Eğer fiyat\_ch > (fiyat\_1 + fiyat\_2) > (fiyat\_1 + fiyat\__3): pbp\_31 = rvdem\_3.sf(fiyat\_ch) pbp\_32 = rvdem\_3.sf(fiyat\_1 + fiyat\__2) pbp\_31 = pbp\33 = pbp\33 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 Pb_31, pb\32, pb\32, pb\33, pb\33, pb\33, pb\33, pb\33 geri dönüş 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) v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_1\_ch, q\_2, q\_3 = 0, 0, 0 Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir? 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 Çözünürlüklü Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük Çözünürlük def profit_a_ch(prices, Q, w_1): profit_1 = (Q[0] * prices[0] + Q[1] * prices[-2]) - (Q[0] + Q[1]) * 6.8 - w_1 * prices[-1] - 48360 profit_2 = (Q[2] * prices[1] + w_1 * prices[-1]) - (Q[2] + Q[1]) * 5.4 - 10270 profit_3 = Q[3] * prices[2] - Q[3] * 5.1 - 9890 return profit_1, profit_2, profit_3 def e_profit_ch(fiyatlar, w_1, n_iter): P = prob_in_trafic_ch(fiyatlar) return np.mean([profit_a_ch(fiyatlar, sales_ch(P, w_1), w_1) for _ in range(n_iter)], axis = 0) Aynı anda sıfırdan daha büyük olan A1 ve A2 kar değerlerine bir göz atalım: Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir?Aşağıdakilerden hangisidir? x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', etiket='Başarısızlık') plt.plot(x, y_2, 'C2', etiket='Başarısızlık') plt.xlabel(r'$A_{2}$ kâr (c.u)') plt.ylabel(r'$A_{1}$ kâr (c.u)') plt.title ('İki havayolu şirketinin olumlu kâr değerlerinin dağılımı') plt.legend() Çıkış gösterisi() Pareto verimliliği setinin tüm noktalarını içeren, yukarıdan bazı yukarı konveks ve monoton düşen fonksiyonlarla sınırlıdır. Bu set simetrik olsaydı, çizgiye en yakın olan noktası, koordinat eksenlerinden eşit segmentleri keserek en iyi nokta olarak kabul edilebilirdi. Bu yaklaşım mesafeli bir yaklaşım olarak adlandırılır. Etkili bir set neredeyse asla simetrik değildir, bu nedenle katılımcıların ortak bir karar verirken asimetrinin mutlaka dikkate alınmasını sağlamak için bir ilgisi vardır. Bu durumda, setin üstündeki çizgiye en yakın nokta ve maksimum ilgi noktalarını geçen çizgiye paralel olarak en iyi nokta olarak kabul edilir (0,Profit 1) ve (Profit 2,0). Stokistik formda bir sorun için böyle bir setin yapımı her zaman araştırma ve yaklaşım gerektirir - analitik olarak inşa edilemez. Maksimum ilgi noktaları aşağıdaki gibi olsun: (0, 12000) ve (17500, 0). Maksimum ilgi noktalarını geçiren başka bir çizgiye paralel olarak, eşitliği y=−0.8x+20000 ile çizgiyi alalım. Fiyatı(1) 1 = 185 Fiyat (2) 2 = 114 Ürün fiyatı (1)ch = 345; Fiyatı (2)ch = 120; DİKKAT (1) 3 = 29 Kod paylaşım uçuşunun uygulanmasından sonra, kâr dağılımları şu şekildedir: fiyatlar_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) f_daha fazla bilgiye sahip olmalısınız. Aşağıdakilerden hangisidir: Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) f_ch_data = np.array(q_ch_data) profit_ch_data = np.array(profit_ch_data) fiyat_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) f_daha fazla bilgiye sahip olmalısınız. Aşağıdakilerden hangisidir: Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) f_ch_data = np.array(q_ch_data) profit_ch_data = np.array(profit_ch_data) Tüm algoritmalar sadece bir havayolu şirketinin gelirini optimize eder. Sonuçta, iki havayolu şirketi (potansiyel ortaklar) böyle bir algoritmayı kullanarak farklı rakamlarla müzakerelerde buluşacak - bu, nihai sonucu her şeyin nasıl müzakere ettiğine bağlı olacağı anlamına gelir. Pareto verimli bir set oluşturmak sadece her iki havayolu şirketinin kârını optimize etmez, aynı zamanda müzakereleri çok daha kolaylaştırır, oyun teorisine daha doğrudan ve daha kısa bir yol açar - insan elementini tamamen ortadan kaldırır. Yolcuların şişelenmesi ve yakalanması fikri çok derin ve “daha ileri” anlamlara sahiptir.Bu tür bir fikirden ne kadar para kazanılabilir?Gerçek ve simüle edilmiş veriler üzerinde yapılan testler, yolcuların tercihlerini göz önünde bulundurmanın, her iki havayolu şirketinin optimum oranlarını ve karlarını hesaplamalarının, yalnızca tercih yöntemlerine kıyasla önemli kazançlar sağladığını göstermektedir: Kırmızı renk, bir anlaşmaya girmemiş havayolu şirketlerinin ne kadar kaybettiğini gösterir - ortalama olarak, kaybın kod paylaşımı uçuşunu yaratan havayolu şirketlerinin kazançlarını aştığını görebilirsiniz. Konu, yolcu akışındaki değişikliklerin tüm rota ağına etkilediğidir. Böyle değişikliklerin olumsuz veya olumlu etkileri, ağındaki tüm katılımcıları etkileyebilir: ortaklar, rakipler ve hatta hiç dikkate alınmamışlar. Havayolları da genellikle kod paylaşım uçuşlarının cazipliğini aşırı derecede takdir eder. Bazen fiyatlar 100 dolardan fazla yükselir. Seyahat edenler gerçekten rahatlığı çok takdir ederler, ancak aşırı derecede yükselen fiyatlar nedeniyle daha az rahat ama çok daha ucuz seçenekler seçerler. Optimizasyon sorununun iki kriterli bir sorun olduğu gerçeği özel bir dikkat gerektirir. Eğer işleten taşıyıcı (gerçekte yolcu taşıyan kişi) Pareto-optimal çözüm setini nasıl hesaplayacağını bilmiyorsa, pazarlama taşıyıcısı (bilet satışı yapan kişi) bunu kolayca yararlanabilir ve daha az ödeyebilir. By the way, in this article only one most common type of free-sale codeshare was considered — when both airlines can publish the other carrier’s flight as their own with little or no restrictions on the number of seats that can be sold (within the capacity of the airplane or the set limits). However, the considered optimization method is also suitable for other types of codeshare, for example, block-space — when the number of seats to be sold by a marketing carrier is fixed. The method is also suitable for optimizing interline agreements, where one airline simply recognizes the carriage documents of another airline. Interline also affects attractiveness, but requires fewer constraints on the part of the airline. Bir yandan, farklı anlaşmalar göz önüne alındığında görev biraz daha karmaşıktır, ancak diğer yandan, havayolu şirketinin farklı koşulları birleştirmesine izin verir, sadece kârı değil aynı zamanda geniş rota ağı nedeniyle hem düzenli hem de yeni yolcular için de caziplik sağlar. Sonuç olarak Sadece kod paylaşım anlaşmaları nedeniyle %5 oranında bir kâr artışı kötü bir sonuç değildir. Daha fazlası olabilir mi? Tabii ki evet. Bu sorun, yolcu kompozisyonu modelleme ve yolcu akışının şişme / yakalama ilkesine dayanan IFAM flota atama sorununun bir uzantısı olarak görülebilir. Kod paylaşım uçuşu bazı sanal uçaklar tarafından işletilen bir uçuş olarak kavramsallaştırılabilir. Bu, daha fazla optimizasyon için zaten iyi kurulan teknikleri kullanabileceğin anlamına gelir - örneğin, ortalama ve kaba değerler yerine dinamik fiyatlandırma düzeyinde optimizasyon. IFAM sadece tek bir havayolu düşünüyor, ancak bu modelin yenilikçiliği tam olarak, ilk kez bazı yolcu akışlarının bazı yolcu akışlarının diğer yolcu akışlarının değişikliklerine etkilerini dikkate almaya başladığı gerçeğinden kaynaklanıyor.Bir yerde “dökme” ve başka bir yerde “dökme toplama” mümkün hale geldi. IFAM’de kod paylaşım uçuşları yoktur, çekicilik yoktur ve yolcu akışları sadece fiyatla etkilenir. IFAM’in genişlemesi ile ilgili zorluk, her potansiyel ortak uçuşun gerçekten ayrı bir sanal uçak olarak değerlendirilmesi gerektiğidir. Bir havayolunun flota içinde 100’den fazla ya da hatta 1000’den fazla potansiyel uçak olabilir. Ve bu hepsi değil – IFAM kararının genellikle, yolcuların çekiciliğini göz önünde bulundurarak tasarlanan zamanlamayı şekillendirme görevi ile önlenir. Kod paylaşım uçuşları eklendiğinde, sanal uçakların sabit uçuş programlarının havayolunun gerçek uçaklarının kullandığı sabit zamanlamalarla uyumlu olduğu derecesi dikkate alınmalıdır. En önemlisi, her sanal uçak ve bilet fiyatını seçtikten sonra, tüm rota ağındaki yolcu akışlarının yeniden dağıtılması hesaplanmalıdır. Makalenin başında belirtildiği gibi, sorunun çözümü yalnızca veriler varsa mümkündür – daha doğrusu, büyük miktarda veri. Bir şekilde ya da başka bir şekilde, seyahat edenlerin yaptıkları ayrıntılı seçenekleri modellemeye kadar geliyor. Bazı havayolu şirketleri, büyük miktarda tarihi verileri ile bu konuda oldukça iyi bir iş yapıyorlar, ancak hatta GDS (Global Dağıtım Sistemi) ile rekabet edemiyorlar. Bu, havayolu şirketlerinin yalnızca yol ağındaki yolcu akışları hakkındaki verilerinin olduğu gerçeğinden kaynaklanıyor, GDS ise tüm resmini görüyor ve yolcuların akışlarındaki değişikliklerin hem de senaryoların çok daha büyük bir sayısını analiz edebiliyor. Bununla birlikte, bunun sadece yeni nesil GDS için geçerli olduğu söylenmelidir. Ne yazık ki, eski sistemler In reality, no airline will ever be able to assess the redistribution of passenger flows in a timely manner, simply because it requires data from other airlines. In this article we have touched, albeit in passing, on the topic of multi-criteria optimization, which facilitates negotiations, which in turn takes us into game theory. But this theory has repeatedly proved that cooperative strategies are the most profitable and sustainable. In order to achieve this, a new generation of GDS is needed, then any airline would have access to anonymized data on passenger traffic of other airlines. Thanks to this it is possible to achieve a qualitatively new level of optimization not only of codeshare agreements, but also of a number of other tasks: schedules, fleet deployment, etc. GDS'nin olasılıklarını anlamak için, basit bir soru soralım: düşünülen sorunda tüm uçuşlar üç tarafından değil, tek bir havayolu şirketi tarafından gerçekleştirilirse ne olurdu? Bu durumda, tüm uçuşlardan elde edilen kârın ortalama miktarı optimize edilebilir. Sıradan IFAM sorunu alırsınız ve toplam kâr kazançları kod paylaşımlı uçuşların tanıtımından çok daha büyük olur. Tek sorun, uçuşların farklı havayolları tarafından işletilmesidir. Merkezi yönetim çok daha fazla avantajı vardır, ancak aynı zamanda zorluklar vardır. Yetersiz veri nedeniyle, havayolları bunu yapamaz, ancak GDS yapabilir.