航空收益管理中的需求预测研究

硕士学位论文

航空收益管理中的需求预测研究

石宇

导师姓名(职称)李金林（教授）答辩委员会主席 崔利荣 申请学科门类管理学论文答辩日期 2010/06/22 申请学位专业 管理科学与工程

2010年 6 月 20 日

研究成果声明

本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。

特此申明。

签 名： 日期：

关于学位论文使用权的说明

本人完全了解北京理工大学有关保管、使用学位论文的规定，其中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印件；②学校可以采用影印、缩印或其它复制手段复制并保存学位论文；③学校可允许学位论文被查阅或借阅；④学校可以学术交流为目的,复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内容（保密学位论文在解密后遵守此规定）。

签 名： 日期：

导师签名： 日期：

摘要

收益管理是运筹学在管理中成功应用的一个重要领域，也是当今科学研究的难点和热点之一。现如今，收益管理已经是企业应对剧烈市场竞争的有效模式，是企业分配资源、管理需求的便利途径。其已在许多领域得到研究与推广应用，如航空运输、零售管理、酒店经营、汽车租赁、能源管理等行业。在航空收益管理的发展过程中，需求预测一直是研究的核心问题之一。预测是航空公司收益管理中重要的组成部分，是定价、座位优化（分配各个等级的座位）等决策的基础。从某种意义上说，预测能力和水平的高低，直接影响到收益管理系统的有效性。

论文的重点是预测模型和方法的分析研究，首先概述了收益管理和需求预测的发展历史和与现状；接下来综述了各种航班需求预测方法，对简单均值法、简单指数平滑法、回归法、增量法做了分析、比较，得出增量法在准确性、时间复杂度、健壮性、可扩展性等方面都具有比较好的结果；最后结合BP神经网络的理论基础，提出了基于BP神经网络的需求预测模型，使用主成分分析法对历史数据进行优化和选择，用一元回归法和相关系数法对训练质量进行评估，采用误差来判断神经网络的预测性能，并与增量法、回归法进行了比较分析，得出了基于BP神经网络的需求预测模型具有预测精度高、适应性强、易于实现等优点。

关键词：收益管理需求预测预测方法 BP神经网络

Abstract

Revenue management (RM) is not only one of the most successful application areas of operations research, but also the hot and difficult topical of scientific research. Nowadays, revenue management is becoming to be an effective pattern to reacting fierce market competition, and a convenient way to allocating resource and managing different demands. Theory and practice of revenue management has been researched and promoted in many application areas, such as airlines, retailing, hotels, rental car, and energy management. Forecasting has been one of the core topics in studying the revenue management of airline. It is the base of making policies，such as pricing, seat inventory controlling. Being one important part of revenue management, forecasting directly affects its effectiveness, to some extent.

The thesis emphasizes the analysis and study of the forecasting models and methods. First it introduces the history and present conditions of the revenue management and demand forecasting; second, it summarizes the methods of demand forecasting. Analyze and compare Simple Mean with Simple Exponential Smoothing, Regressing Model and Pick-Up Model. Pick-Up Model is better at accuracy, time complexity, robust and expansibility. Finally, it proposes a new method of demand forecasting based on BP Neural Network, in combination of the theory basis of Back-propagation neural network. Using the principal component analysis to optimize and select the historical data, adopting unitary regression method and correlation coefficient method to evaluate the quality of training, applying the error to judge predication performance of neural network, and comparing the new forecasting method with Pick-Up model and Regressing Model, the former is better at accuracy, adaptability and realization.

Key Words: revenue management; demand forecasting; forecasting methods; BP neural network

目录

第1章 引言 (1)

1.1 本课题的研究意义 (1)

1.2 论文的主要研究问题及相应的研究状况 (2)

1.2.1 收益管理的研究内容 (2)

1.2.2 需求预测的研究状况 (5)

1.3 本论文的研究内容和创新 (8)

1.3.1 本文的研究内容 (8)

1.3.2 本文的创新之处 (9)

第2章 收益管理中需求预测的基本方法 (10)

2.1 需求预测的基础 (10)

2.2 需求预测的影响因素及其处理方法 (10)

2.3 需求预测方法 (13)

2.3.1 传统的需求预测方法 (13)

2.3.2 新的预测方法 (15)

2.3.3 经典的需求预测方法 (15)

2.4 算法综评 (19)

2.4.1 评价标准 (20)

2.4.2 算法评价 (20)

2.5 小结 (21)

第3章 神经网络算法的研究 (23)

3.1 神经网络技术研究概述 (23)

3.1.1 神经网络的研究发展 (23)

3.1.2 神经网络的特性 (24)

3.1.3 神经网络的应用领域 (25)

3.1.4 神经元模型 (26)

3.2 反传学习算法 (27)

3.2.1 BP算法的原理 (27)

3.2.2 BP算法的缺陷 (29)

3.2.3 BP算法的改进 (30)

3.3 小结 (32)

第4章 基于BP神经网络的航空需求预测研究 (33)

4.1 需求预测模型 (33)

4.1.1 BP神经网络的输入输出 (33)

4.1.2 网络结构及相关参数的设置 (35)

4.2 需求预测算法 (36)

4.2.1 需求预测的训练算法 (36)

4.2.2 需求预测的预测算法 (37)

4.3 训练质量评估 (38)

4.4 神经网络模型预测效果的评价标准 (38)

4.5 神经网络模型的改进 (39)

4.5.1 FR共轭梯度算法 (39)

4.5.2 改进FR共轭梯度算法 (40)

4.6 小结 (41)

第5章 航空需求预测的实证研究 (42)

5.1 数据的主成分分析 (42)

5.1.1 订座数据的采集 (42)

5.1.2 数据的标准化 (42)

5.1.2 数据的主成分分析 (43)

5.2 BP神经网络参数的确定 (44)

5.3 神经网络的训练阶段 (46)

5.4 神经网络的训练质量评估 (47)

5.5 神经网络的预测结果与比较 (48)

5.6 小结 (51)

第6章 结论与展望 (52)

6.1 研究结论 (52)

6.2 研究展望 (53)

6.2.1 方法的展望 (53)

6.2.2 需求预测研究的展望 (54)

参考文献 (56)

攻读学位期间发表论文与研究成果清单 (59)

致谢 (60)

注释表

No-Show：在航班最后起飞时原来已经预订座位的旅客没有登机的情况被称之为误机或者缺席，这也可以称之为最后时刻的座位取消。

Go-Show：由于紧急事务临时在机场购票登机的旅客，包括旅客已购机票但未指定具体的乘机日期，也称持OPEN票的旅客。

DB：超售可能造成有些买了票的乘客上不了机，这种现象被称为被拒登机（Denied Boarding）。

DCF：是Discounted Cash Flow的简写，就是现金流折现法的意思，用资产未来可以产生现金流的折现值来评估资产的价值。

第1章 引言

1.1 本课题的研究意义

经济全球化和科学技术的进步，使航空、酒店、银行等服务性企业的经营由垄断转向竞争，市场由以企业为中心转向以顾客为中心，产品或服务由同质化转向差异化，顾客需求由单一化转向多元化。这些变化使得传统的供求理论在解决有限资源约束下提高企业收益问题时，面临资源闲置或因潜在收益流失造成企业收益下降等困境。自1970年代末以来，深受市场激烈竞争和价格血战带来收益严重下滑困扰的航空业，通过对自身经营战略的反思，率先进行有效提高企业收益的新的理论研究和实践探索。其成功不仅使收益管理理论成为现代管理学的一个重要分支，而且向酒店、银行、交通运输等服务性行业推广。中国自20世纪90年代末开始关注并在航空业应用收益管理理论，并逐步向其他服务性行业拓展[1]。收益管理理沦的重要性，如国际运筹学会主席Bell所指出的，它已经并将继续改变所有应用领域和管理科学的面貌。

收益管理正在为实现航空公司的收入最大化的目标发挥其巨大作用，收益管理的实施重点在于管理方法与管理理念的更新。收益管理得以发展的一个主要原因是需求的多维度本质。它是企业以市场为导向，通过对市场进行细分，对各子市场的消费者行为进行分析、预测，确定最优价格和最佳存量分配策略以实现收入最大化的过程。其核心是在适当的时候将适当的产品以适当的价格销售给适当的顾客，取得最大的经济效益[2]。在航空客运领域，收益管理是指航空公司通过预测和优化等科学手段，使每一航班的每一航段的每一座位以最好的价格出售，以获得最大的收益。它根据历史数据进行需求预测，在此基础上制定相应的价格、存量控制和超售策略来平衡供需。

航班需求预测是收益管理的关键部分，预测的结果直接影响了座位保护数的设定，预测方法的论述目前大都出现在有关超售研究的文献中，这是由于超售数的确定依赖于对最终订座需求、取消数和未登机数的预测。需求预测问题包含了三个不同的层次：针对航线的宏观市场预测，针对旅客行为的预测，针对具体航班各个等级订座需求的微观预测。由于前两层预测包含了诸多不确定因素，在实践中一般以定量因子的形式加入第三项的预测结果中。本文的讨论只涉及针对具体航班的微观预测。

由此可以看出，准确的需求预测可以说是收益管理中最重要的组成部分，是确定

航空舱位订座限额的基础。根据美国麻省理工学院航空运输实验室的研究结果，需求预测准确度每提高10%，在市场需求旺季航空公司收入就可以提高1%-40%[3]。正因为如此，需求预测的准确性成为判定航空公司收益管理系统是否成功的一个重要尺度，同时也是衡量收益管理系统软件好坏的一个重要标志。国际上比较成熟的收益管理系统，如SABRE和PROS都在采用不同手段调整其预测精度，以更好地实现收益管理的目标。在收益管理中要准确的预测需求是很困难的，因为影响需求的因素很多，如顾客选择行为和其他随机不确定因素，而且预测时一般都依赖于历史数据，而预定系统中的历史数据常常并不能反映真实的需求[4]。如果用这样的数据进行预测，必将导致决策的失误，错误的决策又反过来牵制预测，形成恶性循环。因此，航空公司需要在预测之前对丢失的需求进行修复。在收益管理中，称修复后的历史需求为无约束需求，它才能真正反映航空公司在整个市场所占的份额。结果分析表明，即使在低需求的情况下，修复模型也将整个收入提高3.5%。

人工神经网络是近年来得到迅速发展的一个前沿课题。神经网络由于其大规模并行处理、容错性、自组织、自适应能力和联想功能强等特点，己成为解决复杂计算问题的有力工具，对突破现有科学技术的瓶颈，更深入探索非线性等复杂现象起到了重大作用。

因此，基于以上人工神经网络的优势，本选题将采用人工神经网络的算法来预测航班的需求量。希望本选题的研究结论能够为我国航空业今后需求的预测，收益的提高以及必要的航空舱位决策提供有效的参考依据。

1.2 论文的主要研究问题及相应的研究状况

1.2.1 收益管理的研究内容

所谓收益管理，指的是在恰当的时间以恰当的价格销售给恰当乘客。收益管理的关键是，在制定价格时，以市场为准则，而不是以成本为准则；在营销过程中，着眼于微观市场，考虑到不同顾客需求差异，提供不同价格的产品，同时设法把产品卖给愿付更高价的顾客。目前收益管理还没有一个统一的定义，但是其研究内容是明确的。在早期的收益管理研究中，将收益管理的内容划分为四个部分。

第一部分是收益管理系统的基础——需求预测。需求预测是收益管理的首要问题。Beckmann和Bobkowski（1958）为了研究超售，就先分析了旅客乘机到达流的分布[5]。在对比了泊松分布、负指数分布和Gamma分布，认为Gamma分布符合最好，

进而提出了一个近似优化的超售水平。但Taylor（1962）研究认为，旅客乘机与订票的行为方式有关。通过乘客订票的规律预测出起飞时乘机的人数。他的研究成果建立起订票与取消、超售的联系[6]。他认为如果将订票看作需求，那么就可以为舱位控制，定价提供分析基础。因此Taylor的研究方法成为航空收益管理研究的主流。有多位学者研究了订票的规律，主要包括Lyle（1970），他认为需求分布是具有泊松分布误差的Gamma分布；Belobaba（1987）和Shlifer与Vardi（1975）认为需求分布是具有正态分布[7]。Rothstein（1968，1971）认为订票过程是一个非平稳的泊松过程，必然导致需求是累积泊松分布。这些理论成果为收益管理的超售与舱位控制提供了重要的理论基础。但是1990年Swan却认为原先的分析存在重要的问题。在多等级舱位的优化控制下，当低价票的需求超过设定的界限时需求数量就被删除了。因此航空公司的历史记录不是真正的需求而是被压制的需求。他提出了一种统计方法还原真实无限制的需求。Lee（1990）提出了最大可能性法（EM，Expectation Maximization）估计受限制的订票过程的参数。上述的方法都试图从研究需求的分布进行预测，构成了预测的一个重要的分支[8]。预测的另一个分支是基于时间序列的预测，这些方法对需求的分布并不过分关心。这类预测方法主要根据历史需求数据推定当前需求数据。由于航空需求的特性，一周内的每一天的需求都具有很大的差异，并且淡旺季的差别更大。所以详细的历史数据收集工作就非常重要。而这类方法的难度及理论深度并不显著。从应用效果上看，由于计算机系统的普遍使用，这种方法取得了比较好的效果。

第二部分是超售。超售问题的研究最为深入，研究的人数众多，并且至今还在研究。超售问题一般分为两大类，一类是静态的方法。其目的是建立起飞时刻航班可售票的最大数量，以控制拒绝登机（DB）的概率。这有些类似于随机规划的经典问题——报童问题。在这方面Simon（1968，1972），Falkson（1969），Bierman和Thomas （1975）等都提出自己的超售政策[9]。另一类是动态的方法，它将超售问题放入机票销售过程中，制订每天能够销售机票的最大数量。Kosten（1960）提出了第一个连续时间的动态超售模型，之后Alstrup（1986）将模型进行了改进，研究了双舱位的超售问题，并将理论在Scandinavian航空公司的实践中进行了检验[10]。

第三部分是舱位优化控制。舱位控制是收益管理的核心问题。航空公司能够实施收益管理就是基于对不同乘客的差别定价。对价格敏感的乘客收取低价，对时间敏感的乘客收取高价。因此根据乘客的偏好，合理安排各需求层次的数量，既可保证乘客的利益，又可以实现收益的最大化。但问题的困难在于一般情况下，低价格机票预订

请求先于高价格机票的请求，保留多少座位给高价票是一个两难的选择。Littlewoods （1972）年根据经济学的经典方法——边际收益法，提出了期望边际座位收益（EMSR）概念和基本规则。但是由于他的工作缺乏推理过程，没有引起重视。Belobaba（1987）在其博士论文中，发展了Littlewoods的方法并给出了严格的证明，得到广泛的关注，称为EMSRa方法[11]。但是这一方法一问世就引起了许多的争论。McGill与Wolimer （1989）提供证据支持EMSRa，但是Robinson（1995）却提供证据表明EMSRa方法的效果很差。之后Van Ryzin和McGill等对EMSRa方法进行了完善，称之为EMSRb。以后一些人围绕EMSRa或EMSRb进行多方面的研究。研究的主要方向是放松这两种方法的六个假设条件的一部分，如等级舱之间需求独立，无批量订票等。McGill 与Brumelle（1990）的工作成果非常突出，他们表明在高低票舱位需求依赖关系存在中等程度的单调性时，问题就是一个单调优化停时问题。当在六个假设条件中仅保留“低价票需求限制”和“各等级需求独立”这两个条件，而放松其它四个条件，将不存在优化的静态控制。McGill与Brumelle（1990）两人的工作引导了对舱位控制的研究转向使用动态规划的方法[12]。从应用动态规划的发展来看，经历了从单航段到多航段（即O-D问题）的研究过程，由于动态规划的方法是一个常规的思想方法，因此这方面的理论成果很多。但是由于动态规划没有很好的求解方法，使得理论的应用性很差。还有一些学者努力通过问题转换，来解决这一问题。比如：Glover等将O-D问题转化为最小费用流问题进行研究，而Wollmer（1986）将其转化为线性规划问题研究。这些方法同样存在求解工作量大的问题。

第四部分是定价。定价问题在收益管理的研究中一直没有受到广泛的关注。在1990年代之前，一般认为价格是由竞争性的市场决定，是一个外生的变量。不同等级的子舱对应不同的价格，并且各子舱价格一但确定就不再变化。因此定价问题的研究一般与舱位控制问题结合在一起研究，专门单独的论述很少。Ladany和Arbel （1991），Gallego和Van Ryzin（1994，1997）将机票价格看作一个连续变化的变量，控制舱位数量的方法可以通过提高票价来限制对低票价的需求[13]。这种方法看上去正好与舱位控制的方法相反。另一类对定价问题的研究力图从理论上证明采用差别定价是合理的，能够使航空公司与乘客实现双赢。

从国内收益管理的研究上来看，收益管理所包括的各个方面内容都有所涉及，但是深度不够。目前公开发表的研究成果还主要集中在预测技术与舱位控制技术和少量的超售问题上。其中预测技术方法的论文占绝大多数，在舱位控制上的大多数的论文

以介绍性与综述性的论文为主。超售的研究主要集中在单舱位的静态控制上。另一方面的研究成果中与国内现实情况相结合的很少，多数成果都是对国外现有的模型进行延伸，没有根据国内的现实情况进行分析构建新的模型。由于研究成果没有与国内的现实情况相结合，所以许多的研究成果都没能得到运用。

目前国内航空公司所使用的收益管理系统主要都是国外研制的收益管理系统，由于市场环境的区别，这些系统并未给航空公司带来理想的收益效果。虽然也有两个国产的收益管理系统在航空公司应用，但是由于系统还是主要依据国外的理论基础组建的并且使用时间较短，目前难以对其效果做出准确的评价。

1.2.2 需求预测的研究状况

1.2.2.1 需求预测的主要对象及其特征

需求预测是收益管理系统的基础，而需求预测方法是收益管理的技术支柱。预测需要为超售提供每个航班No-Show、Go-Show、订座取消人数的预测数据；还要求为座位控制中提供给定航班、给定航段或给定航程各个运价等级的旅客需求。因此收益管理系统最基本的预测对象是给定航班、给定航段或给定航程各个运价等级的旅客需求、No-Show、Go-Show、订座取消人数和DB人数等等。需求预测是对未来事件的推测，是建立在未来事件和历史事件具有相似的规律的基础上的，因此，只有掌握好其中的规律，才能提高预测的准确度。

旅客的需求受到很多因素的影响，包括自身因素和外界因素的影响。自身因素包括旅客的消费行为习惯、旅客对运输工具的偏好和旅客类型等；外界因素包括航空公司提供运价等级、座位数和服务水平等等。这些因素在不同的时期，不同的地域范围、不同的市场条件下作用的大小和方向是不一样的，因此也决定了旅客需求的不稳定性。

旅客需求的不稳定性并不否定旅客需求具有规律性。一条航线上的相同季节会有相似的高峰季节；本周五也会出现上周五相似的旅客需求变化；一天之中的相同时刻的旅客需求也呈现周期性的变化，这些旅客需求的变化规律就是需求预测的基础，因此可以利用历史的已经离港的航班信息来预测未来离港的航班信息。

1.2.2.2 需求预测的研究状况

准确的需求预测可以说是收益管理系统最重要的组成部分，是确定舱位订座限额的基础。根据美国麻省理工学院航空运输实验室的研究结果，需求预测准确度每提高

10%，在市场需求旺季航空公司收入就可以提高1%-40%。正因为如此，需求预测的准确性成为判定航空公司收益管理系统是否成功的一个重要尺度，同时也是衡量收益管理系统软件好坏的一个重要标志。国际上比较成熟的收益管理系统，如SABRE 和PROS 都在采用不同手段调整其预测精度，以更好地实现收益管理的目标。在收益管理中要准确的预测需求是很困难的，因为影响需求的因素很多，如旅客行为和其他随机不确定因素，而且预测时一般都依赖于历史数据，而预定系统中的历史数据常常并不能反映真实的需求。如果用这样的数据进行预测，必将导致决策的失误，错误的决策又反过来牵制预测，形成恶性循环。因此，航空公司需要在预测之前对丢失的需求进行修复。在收益管理中，称修复后的历史需求为无约束需求，它才能真正反映航空公司在整个市场所占的份额。结果分析表明，即使在低需求的情况下，修复模型也将整个收入提高3.5%。

对该收益管理修复的讨论分散于文献中某部分，如Brummer 等（1988）最早发现最后的订座数据比实际需求偏低，并研究了航空公司的每一个航班总的预定数被最大订票限制约束下，假设无约束需求服从对数正态分布，根据删失数据对数正态分布的似然函数来估计无约束数据对数正态分布的均值和方差。Lee （1990）考虑单票价等级受到单布的订票限制约束下的航空订票数据的删失性。在该文中，他得出了在开始预订后的任意时刻的订票数为删失泊松分布，用最大似然法来估计这些删失泊松分布中的未知参数[14]。McGill （1995）建立了一个多变量的复合回归模型，该模型不考虑多预订等级删失性的影响，用多等级需求相关的变量和外部因素回归。在模型中，相关变量的删失性由Dempster 等（1997）提出的EM 方法来处理。McGill （1995）指出EM 方法适用于航空需求的删失数据，并能产生一个较好的算法结束该数据删失估计的复杂问题[15]。一般说来，EM 方法在数值计算上具有挑战性，因为除开一些特殊的例子，它的似然函数中联合概率密度函数不收敛，而且，似然函数的最大性依赖于计算机运行时间。

Wickham （1995）研究在某航班，由于票价等级不同，当达到订票限制时在一定的订票区间内无约束需求。他提出一种“订票曲线截尾”的确定方法来估计在关闭的订票区间内无约束需求[16]。首先，基于没有达到订票限制的订票曲线得到每个票价等级的平均订票曲线。然后在平均订票曲线上计算出给定的时间间隔i 内的订票数和给定的时间间隔内的订票数的比值。对于有订票限制的航班，第一个关闭的时间间隔内无约束需求估计值等于上一个（即1i ?i 1i ?）个时间间隔的精确数据乘上这个比值，

如此类推。这个方法的关键取决于假设航班关闭时需求具有相似性，在每个时间间隔的相临区间订票数有正相关性，而且相关系数对所有航班都保持不变。这些相关系数被假设为己知或给出，而不是由实际订票数据估计，订票区间内的局部封闭和票价引起的限制订票数不加以考虑。

Hopperstad（1995）提出了一种PD（投影截尾）的随机方法来获得不同等级受到不同订票限制的无约束需求[17]。同Wickham（1995）的“订票曲线截尾”方法一样，这个方法假设投影区间和投影预订的订票数有正相关。Skwarek（1996）对Wickham （1995）和Hopperstad（1995）提出的无约束需求估计方法进行了比较，考虑航班预订关闭和仍然开放的不同比例的概率，对Wickham（1995）提出修正。他也提出一种“拾起修复”的确定的无约束需求估计方法。这里假设从时刻i到到达时间段内没有关闭的航班为关闭的航班可以利用的座位拾起的高价值客人的票数为增，所有的限制订票数估计值等于关闭的航班从开放的航班在关闭前拾起的票数的一般平均值。Skwarek（1996），Zickus（1998），McGill和Ryzin（1999）对无约束需求的己有方法作了回顾。Weatherford和Polt（2002）提出在航空收入管理系统中的需求数据需要进行优化，提高预测精度以增加收入[18]。该文对无约束需求数据的修复提出了六种方法N1，N2，N3，BP，PD和EM，模拟分析了当删失数据占整个数据的不同比例时，PD 和EM是较好的缺失数据修复方法，并进一步分析，当所占比例达到60-80%时，EM 和PD的无约束需求均值提高20-80%，以致得到更准确的预测。他们还通过对美国一家航空公司进行实证分析，发现提高无约束需求数据的预测可以增加收入2-12%。Zeni （2001）比较了所有的六种方法N1，N2，N3，BP，PD和EM，得出了和Weatherford 相同的结论。Orkin（1998）指出，在酒店业，用系统中的历史订房数据预测无约束需求己经提出多年，但相关的研究很少，突破性的成果更是寥寥无几。Patrick H.Liu，Smith，Orkin和Carey（2002）研究了酒店中基于删失数据估计无约束需求的问题，他们认为酒店无约束需求产生于容量限制、居住时间限制和房价限制三种因素，分析了删失数据特征和删失机制，建立了参数回归模型，不仅考虑需求分布，而且考虑数据收集的条件。他们对weibull分布、泊松分布和正态分布建立了参数回归模型，并利用实际例子进行了实证分析，通过研究删失数据需求分布、订票过程，得到结论:基于删失数据的参数回归模型能估计无约束需求[19]。

删失数据分析不仅在酒店和航空，也在许多其它领域应用，如可靠性工程、生物医学和生态学等。在生命可靠性测试中，经常必须在所有的测试项目失败前终止实验，

在医学临床实验中，不可能所有的癌症病人在手术后都能幸存，一些病人可能死于不相干的其它疾病。这些领域有大量关于删失数据的理论分析和实际运用（如Cox （1972）；Cox和Oakes（1984）；Crowader等（1991）；Kalbfleisc和Prentice（1980）；Lawless（1982）；Liu和Makis（1996），Schneider（1986），Nelson（1990））最常用的模型技术是参数和非参数回归模型及其变量，其中Cox结合商业软件包SAS和S-Plus的PHM模型最为著名。

从以上文献回顾中，我们发现在收益管理中，关于需求预测的研究主要集中在以下四个方面：对现有方法的改进，以提高预测精度，改进算法性能；将时间序列方法和因果联系方法相结合的新方法的探讨；在方法中加入自学习功能；来源于计量经济学理论的新方法的引入等。而且无约束需求将对预测精度产生很大影响，以致影响后面的优化模型，反过来，被约束的需求是由于优化模型的限制条件导致的，所以，探索如何把收益管理系统中被截掉的需求修复，以准确地预测，不仅对企业增加收入有利，而且理论上将有新的突破。虽然研究收入管理的无约束需求修复方法有一些零星的工作，但没有专门研究，而且方法上有待改进。

1.3 本论文的研究内容和创新

1.3.1 本文的研究内容

（1）需求预测在收益管理中的现状及影响

实践表明提高预测的准确性可以增加航空公司的收益，特别是需求比较高的航班。准确的市场预测是收益管理最重要的组成部分，是确定舱位订座限额的基础。也就是说，市场预测的准确性已成为判断航空公司收益管理系统是否成功的一个重要尺度，而航空公司预测技术和方法是影响准确性的关键因素。

（2）收益管理中需求预测方法研究

综述了各种航班需求预测方法，并详细介绍了简单均值法、简单指数平滑法、回归法和增量法，以及它们之间的对比分析。

（3）神经网络算法的研究

简单介绍了下神经网络的发展、特性以及神经元模型；BP神经网络的原理、缺陷以及对其的改进。

（4）基于BP神经网络需求预测模型

提出了基于BP神经网络的需求预测模型，采用主成分分析法对历史数据进行优

化和选择，用一元回归法和相关系数法对训练质量进行评估，并采用误差来判断神经网络的预测性能。

（5）对航空的需求预测问题进行实证研究

（I）选取数据

选取2006年4月1日到2007年4月1日民航客运业中的某一航班的订座数据。

（II）对需求量（航空订座）的预测研究

通过对历史数据进行主成分分析获得该模型，用一元回归法和相关系数法对训练质量进行评估，并采用误差来判断神经网络的预测性能。将该模型与增量法、回归法进行了对比，具有在线预测速度快、预测精度相对较高等优点。

（6）对航空收益管理中的需求预测的结论与展望。

1.3.2 本文的创新之处

（1）将智能优化算法，特别是人工神经网络应用到航空的需求预测研究中，加快了需求预测的速度及其精度，有效的解决了航空需求预测的难题。

（2）本文还对人工神经网络算法进行了改进，将BP神经网络的最速下降方法改为共轭梯度方法，得到了很好的实际效果。

第2章 收益管理中需求预测的基本方法

本章基于收益管理的发展和研究概况，结合中国民航的实际情况给出了收益管理的操作流程：基于多等级票价，在数据预处理的基础上，对航班各等级的最终订座人数进行预测，再按照预测的结果进行超售处理和座位优化分配，以获得单航班期望收益最大化。由此可见，需求预测是座位优化分配的基础，是座位控制过程的核心。本章主要介绍了各种传统的需求预测方法，并对简单均值法、简单指数平滑法、回归法、增量法做了分析、比较。希望通过本章介绍对于收益管理领域的预测方法有一个较为清楚的认识。

2.1 需求预测的基础

图2.1给出了需求预测的

基础，包括四个部分：历史

订座数据是需求趋势分析的

基础，当前订座数据与其它

相关信息，如竞争对手状况、

事件与节假日信息等，是针

对具体航班的个例情况；受

座位控制策略的影响，在航

班销售过程中可能人为地在

某些时候关闭某些舱位，此

时历史订座数据实质上是受

到限制地数据，并未正确地反映实际需求，因此，要对历史数据进行必要地补充，以抵扣关舱限制地影响；在此基础上，方可运用需求预测模

图2.1 需求预测基础 型进行预测。 2.2 需求预测的影响因素及其处理方法

航班需求变化非常复杂，随机性很大，它要受季节、节假日与特殊事件、一周的某一天（DOW ，Day of Week ）、一年中的某一周（WOY ，Week of Year ）、市场份额、市场大小、离港时刻、服务类型（直航、经停、转机等）、票价、限制（允许退票、

不允许等）、换乘时间、机型、旅客行为（得不到较低折扣时是否愿意购买高价票等）等诸多因素的影响。航班需求在不同的季节有很大的不同，表现在航班订座上就会出现淡季、旺季，随着DOW 、WOY 的变化波动。在特定时间、节假日，航班需求会有很大的变化，例如在“五一”、“十一”、“春节”，出行的人数会明显增加，反映在航班订座上就会出现订票激增的情况。

在实际应用时，通常采用参数化的方法将影响因素量化。其中一些因素的量化是非常难的，如旅客行为等。在实际预测中，只考虑季节性的影响、节假日与特殊事件的影响、DOW 的影响和WOY 的影响。一般根据历史统计数据和人工经验将这些影响进行参数化，再加入到预测模型中。

索引法是一种常用的参数化方法。以季节索引法为例，这里的季节是指在一段比较长的时间里，在没有其他事件的影响下，航班需求长时间的高于或低于正常水平的时间区间。设为季节的集合，S {},1,,i S S i n ==L ，

,1,,i j i

j S i avg UD S Index i n Y ∈=∑L = （2.1）

j UD 表示航班j 的非限制性需求，表示航班的年均值，avg Y i S 表示季节中的航

班数。同理，也可以建立节假日与特殊事件的索引，DOW 的索引，WOY 的索引。由于事件具有突发性，当遇到像“非典”、“猪流感”这样的特殊事件时，仅靠事件索引是不够的，应该将人工的经验加进去，对预测的结果进行修正，才能反映出实际的情况。

i S 图2.2给出了预测处理的流程，首先是选定相关的历史订座数据、当前订座数据以及订座相关信息等；其次，对此数据集中的数据进行脏数据清理，脏数据主要是指由于多个计算机系统之间数据传输的问题，造成的异常数据，例如订座数据为负数，各个之间订座数据的逻辑矛盾等；再次，受座位控制策略的影响，在航班销售过程中可能人为地在某些时候关闭某些舱位，此时历史订座数据实质上是受到限制的数据，并未真正地反映实际需求。因此，要对历史数据进行必要的修复，以抵扣关舱限制的影响，即进行限制性需求处理，一般的处理方法是根据一定时间期间内的未受限制航班的订座数的统计结果来人为地增加受限制航班的订座数据。

DCP

图2.2 预测处理流程

数据进行预测，其优点能尽快反映航班今日内为统计该数据集合在各个上的均值和方差，

对偏离均值较远的数据进行预测，产生预测值及其方差，最后，选取方差较小的结果作为最终的需求预测结果。

需求预测准确度的关键在于数据抽取的方法，目前常用的数据抽取方法包括数据池（Pool ）方法和最近日方法（Cut history ）。数据池的本质就是根据上述航班需求影响因素，并综合考虑航班实际客座率对历史航班标注特定的池特性，对未来航班根据人工经验和预测结果标注特定的吃特性，对同一池内的航班预测时要选择同一池内的预测，选取与要预测的航班日期临近的订座的订座波动，对市场变化反应敏捷。

数据抽取的结果产生一个用于预测的数据集合，对此集合应该进行超差数据处

理，基本方法DCP 修正。

在此基础上，可以使用多种预测模型进行需求