OPTIMAL FENCING IN AIRLINE INDUSTRY WITH DEMAND LEAKAGE S Y ED A SI FRAZAANDMIHA EL ATURI AC
Notice bibliographique
Résumé
Four decades from its beginning in the airline industry, revenue management (RM) practice evolved rapidly to complex systems with applicability in many industries and gained researchers’ attention. McGill and Ryzin (1999) and more recently Chiang et al. (2007) presented in detail an overview of RM research. After the 1983 US Airline Deregulation Act, considered as one of the most important applications of management science and operations research (Bell, 1998), two essential features remained in RM practice: demand segmentation (which for an airline means managing the set of fare classes) 3.1 Introduction 53 3.2 Model Development 56 3.2.1 No Fencing Investment 58 3.2.2 With Fencing Investment 59 3.3 Model Analysis 60 3.3.1 Hierarchical Optimization 60 3.3.2 Joint Optimization 62 3.3.2.1 Linear Fencing Cost 63 3.3.2.2 Nonlinear Fencing Cost 63 3.4 Numerical Experimentation 64 3.5 Conclusions 69 Appendix 3.A 69 Acknowledgment 80 References 80 and fare classes availability management. In particular, airline RM research has focused on four categories: forecasting, overbooking, quantity/inventory (booking) control and pricing; however, as noticed in Cote et al. (2003), integration of pricing and quantity controls is expected to improve the firm’s revenue. The tactics and strategies of RM are applied in general in business that has a fixed or perishable resource like the flight seats in airline business or the hotels’ rooms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 source (Gemma direct ou Codex distillé), 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 ».