Airline revenue management via data mining

Abstract

Gelir maksimizasyonu havayolu endüstrisinde uzun yıllardır büyük bir ilgi ile araştırılan ve üzerinde de çokça çalışma yapılan bir konudur. Araştırma konuları genelde tanımlı bir veri kümesine bilgisayar tabanlı tahmin algoritmalarının uygulanmasıyla gerçekleşir. Bu tezde de havayolu endüstrine ait kabin bazlı yolcu sayısı, kabin bazlı arz edilen koltuk sayısı, uçuş mesafesi, sezon bilgisi, ay yıl bilgisi ve gelir muhtelif tahmin algoritmalarıyla analiz edilmiştir. Doğruluk ve tutarlılıkları mukayese edilerek raporlanmıştır.Bölüm 2'de endüstrideki gelir yönetim modelleri ve kullanılmış tahmin algoritmaları hakkında özet literatür araştırması verilmiştir.Bölüm 3'te algoritmalarda kullanılan veri kümesi tanıtılmıştır. Bununla birlikte, Bayesian Network, Sequential Minimal Optimization, Support Vector Machines, Multilayer Perceptron ve Radial Basis Function Network algoritmaları müzakere edilmiştir.Bölüm 4'te tahmin algoritmalarının çıktıları analiz edilmiştir.Son olarak, veri kümesi için seçilmiş tahmin algoritmalar mukayese edilmiş ve çıktılar üzerinde değerlendirme yapılmıştır.

Revenue maximization has been of a paramount interest to Airline Industry during the last few decades and numerous studies have been reported aiming robust analyses. Principle analysis techniques in most of these studies include computational-based prediction algorithms that are used for a given data set. In this thesis, airline specific data, which consists of cabin class passenger data, cabin class supplied capacity data, distance of flights, season, year-month data and revenue data, is analyzed with various prediction algorithms. Consistencies and accuracies of different algorithms are compared and reported.In Section 2, a brief literature review is given on airline revenue management models and on prediction algorithms that are used in airline industry via Weka.In Section 3, the data set that is use in the algorithms is described. Also, the predictions algorithms, Bayesian Network, Sequential Minimal Optimization, Support Vector Machines, Multilayer Perceptron, and Radial Basis Function Network is discussed. In Section 4, the outcomes of prediction algorithms are analyzed.Lastly, selected prediction algorithms for the data set are compared and a conclusion on resulting outcome is given in Section 5.