[论文解读] AI-CARGO: A Data-Driven Air-Cargo Revenue Management System

Stefano Rizzo, Ji Lucas+3 more|arXiv (Cornell University)|May 22, 2019

Data Quality and Management参考文献 20被引用 3

一句话总结

AI-CARGO 是一个数据驱动的航空货运收益管理系统，通过集成基于机器学习的运量预测与优化，降低卸载成本并提升收益。通过检测预订数据中的伪装缺失值（DMVs），并利用梯度提升机（GBMs）预测实际货运量，实现动态接受/拒绝决策，从而减少因运量与预订量不一致导致的收益损失，尤其在运力受限的航班中效果显著。

ABSTRACT

We propose AI-CARGO, a revenue management system for air-cargo that combines machine learning prediction with decision-making using mathematical optimization methods. AI-CARGO addresses a problem that is unique to the air-cargo business, namely the wide discrepancy between the quantity (weight or volume) that a shipper will book and the actual received amount at departure time by the airline. The discrepancy results in sub-optimal and inefficient behavior by both the shipper and the airline resulting in the overall loss of potential revenue for the airline. AI-CARGO also includes a data cleaning component to deal with the heterogeneous forms in which booking data is transmitted to the airline cargo system. AI-CARGO is deployed in the production environment of a large commercial airline company. We have validated the benefits of AI-CARGO using real and synthetic datasets. Especially, we have carried out simulations using dynamic programming techniques to elicit the impact on offloading costs and revenue generation of our proposed system. Our results suggest that combining prediction within a decision-making framework can help dramatically to reduce offloading costs and optimize revenue generation.

研究动机与目标

• 解决航空货运中预订量与实际货运量之间存在差异这一关键问题，该问题导致效率低下和收益损失。
• 通过整合预测与决策机制，改进航空货运的收益管理，与仅关注乘客收益的传统系统形成对比。
• 开发一个稳健的数据清洗流程，以处理异构且质量较低的预订数据，特别是伪装缺失值（DMVs）。
• 构建一个基于预测的优化框架，根据预计的出发时实际货运量来建模收益决策。
• 在真实航空公司的生产环境中部署并验证该系统，以证明其在降低卸载成本和提升收益方面的实际改进效果。

提出的方法

• 引入一个数据清洗模块，用于检测并解决预订数据中的伪装缺失值（DMVs），从而提升预测任务的输入质量。
• 训练一个梯度提升机（GBM）模型，基于预订特征预测实际接收的货运量（rcsvol），并对受DMVs影响的条目进行特殊处理。
• 将航空货运收益管理问题建模为一个顺序的、随机的优化任务，其中状态（总运量）在航班出发时才被确定。
• 将GBM预测模型整合到决策框架中，评估是否应基于预测运量和收益影响来接受或拒绝某项预订。
• 使用动态规划模拟，评估系统在不同预订波动性和容量约束下的性能表现。
• 通过合成数据集和真实数据集，将所提出的D1S策略与FCFS（先到先服务）策略进行对比，以评估其在收益和卸载成本方面的表现。

实验结果

研究问题

• RQ1 航空货运预订数据中伪装缺失值（DMVs）的存在如何影响运量预测模型的准确性？
• RQ2 基于机器学习的运量预测模型在多大程度上可以减少航空货运运营中预订量与实际货运量之间的差异？
• RQ3 将预测与优化相结合，相较于传统的FCFS策略，如何提升收益并降低卸载成本？
• RQ4 在模拟的航空货运场景中，预订波动性（θ）的变化对D1S决策策略与FCFS策略性能的影响如何？
• RQ5 基于预测的优化框架是否能有效应对航空货运容量利用的动态与随机特性？

主要发现

• 伪装缺失值（DMVs）的检测与处理显著提升了运量预测的质量，直接增强了下游决策的可靠性。
• 基于GBM的预测模型降低了运量预测中的偏差与方差，尤其是在航班层面，从而提供了更可靠的决策输入。
• 在动态规划模拟中，D1S策略在预期收益和扣除卸载成本后的最终收益方面均优于FCFS策略，且在所有测试的波动水平（θ = 0.8 和 θ = 1.0）下均保持一致优势。
• 在 θ = 1.0 时，D1S 的预期收益为 2927.87，最终收益为 2553.74，而 FCFS 分别为 2548.95 和 2517.23，表明即使在扣除卸载成本后，D1S 仍能持续带来更高的收益。
• 表5 显示，当容量已满时，D1S 仍会动态接受高收益率的货运，而 FCFS 则会拒绝这些货物，从而实现更高的收益积累，并更好地应对运量不确定性。
• 该系统通过基于预测实际运量的主动预订管理，成功降低了卸载成本并提升了收益生成能力，验证了预测与优化集成的显著价值。