A decomposition approach to determining fleet size and structure with network flow effects and demand uncertainty
Notice bibliographique
Résumé
Summary This paper presents a new methodology to determine fleet size and structure for those airlines operating on hub‐and‐spoke networks. The methodology highlights the impact of stochastic traffic network flow effects on fleet planning process and is employed to construct an enhanced revenue model by incorporating the expected revenue optimization model into fleet planning process. The objective of the model is to find a feasible allocation of aircraft fleet types to route legs using minimum fleet purchasing cost, thus ensuring that the expected fleet profit is maximized subject to several critical resource constraints. By using a linear approximation to the total network revenue function, the fleet planning model with enhanced revenue modeling is decomposed into the nonlinear aspects of expected revenue optimization and the linear aspects of determining fleet size and structure by optimal allocation of aircraft fleet types to route legs. To illustrate this methodology and its economic benefits, an example consisting of 6 chosen aircraft fleet types, 12 route legs, and 57 path‐specific origin‐destination markets is presented and compared with the results found using revenue prorated fleet planning formulation. The results show that the fleet size and structure of the methodology proposed in this paper gain 211.4% improvement in fleet profit over the use of the revenue prorated fleet planning approach. In addition, comparison with the deterministic model reveals that the fleet size and structure of this proposed methodology are more adaptable to the fluctuations of passenger demands. Copyright © 2016 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».