Abstract

通过将附加服务分层打包为结构化的票价产品类别，新型售票体系(branded fares)已成为航空公司收益管理中的核心机制。然而，这一演进也带来了新的挑战:一方面，不同舱位产品在重叠航线和市场之间相互竞争，形成复杂的竞争性票价动态;另一方面，顾客的购买决策具有情境依赖性，会受到预订时可见票价组合的影响。如果不显式刻画这些动态，航空公司可能会因错误识别顾客偏好而面临收益稀释，甚至出现价格与收益持续下滑的“螺旋式下降"效应。本文提出一个新的研究框架，将动态调整的边际票价变换与在线贝叶斯学习算法Bayes-Selector相结合，以实时优化票价和座位分配。在到达率均匀且仅能观测销售数据(即无法区分"未购买"和“未到达”)的标准情形下，该方法可以高效学习情境特定的顾客选择参数。在对选择概率和收益差满足温和可分性条件时，探索阶段所需的时间步数仅为0(logT)。进一步地，当存在可靠的先验信息时，算法几乎无需额外探索，即可相对于最优动态规划达到同阶的0(IogT)后悔值(regrets)。在利用阶段，我们采用基于线性规划的投标价控制(bid-price control)，以保证边际定价与库存分配的效率。我们将该框架扩展到具有顾客分群和非均匀到达率的设置。只要分群身份和到达率可观测，我们的性能保证仍然成立。此外，我们展示了该算法能够适应不断变化的竞争环境，例如竞争对手上调某些舱位价格，从而支持在动态市场中进行灵活的票价再优化。大量数值实验以及基于真实航空公司数据的案例研究表明，相较于经典收益管理算法，我们的方法在收益上具有持续优势，并通过根据顾客行为和竞争状况调整票价结构，有效减弱顾客“向下购买"(buy down)带来的负面影响。

Biography

Lan Wu is a fifth-year PhD student from the department of analytics and operations at the National University of Singapore under the supervisi on of Prof. Chung-piaw Teo and Prof.Xiaobo Li. She obtained her Bachelor degree from the Chinese University of Hong Kong,Shenzhen. Currently, her research intere sts focus on revenue management, pricing, field experiment, and assortment optimization.