Planeación óptima de la red de rutas de una aerolínea
An analytic methodology is developed to recommend the optimal plan for an airline network, determining the best capacity deployment by route and by month in one year horizon, having the objective of maximizing the projected profitability. This Work comprehends the integration of several predictive m...
- Autores:
-
Rojas Arcila, Daniel Camilo
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/51034
- Acceso en línea:
- http://hdl.handle.net/1992/51034
- Palabra clave:
- Líneas aéreas - Planificación
Transporte de pasajeros - Colombia
Aviación comercial
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_cdc4429c21dfd0684a80f48459d66ce5 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/51034 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Planeación óptima de la red de rutas de una aerolínea |
title |
Planeación óptima de la red de rutas de una aerolínea |
spellingShingle |
Planeación óptima de la red de rutas de una aerolínea Líneas aéreas - Planificación Transporte de pasajeros - Colombia Aviación comercial Ingeniería |
title_short |
Planeación óptima de la red de rutas de una aerolínea |
title_full |
Planeación óptima de la red de rutas de una aerolínea |
title_fullStr |
Planeación óptima de la red de rutas de una aerolínea |
title_full_unstemmed |
Planeación óptima de la red de rutas de una aerolínea |
title_sort |
Planeación óptima de la red de rutas de una aerolínea |
dc.creator.fl_str_mv |
Rojas Arcila, Daniel Camilo |
dc.contributor.advisor.none.fl_str_mv |
Medaglia González, Andrés L. Suárez Bayona, Daniel Eduardo |
dc.contributor.author.none.fl_str_mv |
Rojas Arcila, Daniel Camilo |
dc.contributor.jury.none.fl_str_mv |
Alvarez Martínez, David |
dc.subject.armarc.none.fl_str_mv |
Líneas aéreas - Planificación Transporte de pasajeros - Colombia Aviación comercial |
topic |
Líneas aéreas - Planificación Transporte de pasajeros - Colombia Aviación comercial Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
An analytic methodology is developed to recommend the optimal plan for an airline network, determining the best capacity deployment by route and by month in one year horizon, having the objective of maximizing the projected profitability. This Work comprehends the integration of several predictive models with a prescriptive model of Mixed Integer Programming (MIP), which at the end will provide the optimal recommendation for the capacity deployment of the airline. The projected profit is modeled in the MIP as the criteria to be maximized, however, to model the revenues, it is necessary to answer three fundamental questions: 1. ¿what will be the capacity deployment of competitors in each route for the following year? 2. ¿How is the passenger?s response versus market capacity changes? 3. ¿What has been the historical effects that capacity changes have in average fares for each route? To respond to these questions predictive models are developed; for the first question, four models involving time series and neural network are applied for each route (Auto-Arima, Prophet, LSTM, MLSTM), every model is assessed by the Root Mean Square Error (RMSE), assigning the model with the best performance in each route. On the other hand, regression models are implemented to model the passengers and fare in terms of capacity. Once the models for competitors offer prediction are obtained (question one), a potential range of several choices of capacity deployment for the airline are combined with the capacity projection of competitors to obtain potential total market deployment, which is used to estimate passengers and fares by using the regression models. Finally, these models provide the estimations to the MIP and then the optimization model is run to provide the plan recommendation. |
publishDate |
2020 |
dc.date.issued.none.fl_str_mv |
2020 |
dc.date.accessioned.none.fl_str_mv |
2021-08-10T18:06:42Z |
dc.date.available.none.fl_str_mv |
2021-08-10T18:06:42Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/51034 |
dc.identifier.pdf.none.fl_str_mv |
23399.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/51034 |
identifier_str_mv |
23399.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
45 hojas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Maestría en Inteligencia Analítica para la Toma de Decisiones |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Industrial |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/7fd839ca-1c70-4f85-84fa-64ab6492fd4c/download https://repositorio.uniandes.edu.co/bitstreams/a469ed94-dd84-405f-a7ce-e0ef53df6798/download https://repositorio.uniandes.edu.co/bitstreams/d9b46759-e33f-4bf7-ab35-c99dd0610279/download |
bitstream.checksum.fl_str_mv |
7f3f239c20e206430fe20c053a060a75 9af0853b2a4de8cd08394181c3605f6a 8cf9b2f85f32d9336946e32a67d81d3d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812134078614339584 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Medaglia González, Andrés L.3642fa58-ecf3-4f9e-a695-5934b0ff6c5f400Suárez Bayona, Daniel Eduardo0d2ed7e8-ac2c-4fe5-8948-3956c5b3cd95400Rojas Arcila, Daniel Camiloc70ad3f4-7f28-42f7-80f1-7eeed03191b3500Alvarez Martínez, David2021-08-10T18:06:42Z2021-08-10T18:06:42Z2020http://hdl.handle.net/1992/5103423399.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/An analytic methodology is developed to recommend the optimal plan for an airline network, determining the best capacity deployment by route and by month in one year horizon, having the objective of maximizing the projected profitability. This Work comprehends the integration of several predictive models with a prescriptive model of Mixed Integer Programming (MIP), which at the end will provide the optimal recommendation for the capacity deployment of the airline. The projected profit is modeled in the MIP as the criteria to be maximized, however, to model the revenues, it is necessary to answer three fundamental questions: 1. ¿what will be the capacity deployment of competitors in each route for the following year? 2. ¿How is the passenger?s response versus market capacity changes? 3. ¿What has been the historical effects that capacity changes have in average fares for each route? To respond to these questions predictive models are developed; for the first question, four models involving time series and neural network are applied for each route (Auto-Arima, Prophet, LSTM, MLSTM), every model is assessed by the Root Mean Square Error (RMSE), assigning the model with the best performance in each route. On the other hand, regression models are implemented to model the passengers and fare in terms of capacity. Once the models for competitors offer prediction are obtained (question one), a potential range of several choices of capacity deployment for the airline are combined with the capacity projection of competitors to obtain potential total market deployment, which is used to estimate passengers and fares by using the regression models. Finally, these models provide the estimations to the MIP and then the optimization model is run to provide the plan recommendation.Se desarrolla una metodología analítica para recomendar la planeación óptima de la red de rutas de una aerolínea, determinando el despliegue de capacidad por ruta y por mes durante un horizonte de planeación de un año. Lo anterior, con el fin de maximizar la rentabilidad esperada. Este trabajo comprende la integración de modelos predictivos y un modelo prescriptivo de programación entera mixta (MIP), el cual genera la recomendación óptima de capacidad a ofertar. En el MIP se modela la rentabilidad cómo criterio objetivo a maximizar, sin embargo, para modelar los ingresos es necesario responder a tres preguntas fundamentales: 1. ¿Qué oferta desplegará la competencia para el siguiente año en cada ruta?, 2. ¿Cómo responden los pasajeros ante los cambios de capacidad del mercado?, y 3. ¿Qué efectos históricos tienen los cambios de capacidad del mercado en la tarifa promedio de cada ruta? Para responder a estas preguntas se desarrollan modelos predictivos, 4 modelos que involucran series de tiempo y redes neuronales son desarrollados para resolver la primera pregunta (Auto-Arima, Prophet, LSTM, MLSTM). Por tanto, se aplica para cada ruta el mejor modelo en términos del menor error cuadrático medio (RMSE). Por otro lado, a través de modelos de regresión, se modelan los comportamientos de la tarifa y los pasajeros versus la capacidad. Una vez se tienen estos modelos predictivos, se genera un rango de posibilidades de oferta de la aerolínea para cada ruta de tal manera que el modelo de optimización seleccione el despliegue óptimo de capacidad. Es decir, cada oferta posible se agrega a las predicciones de capacidad de los competidores para obtener la proyección de capacidad del mercado total, esto a su vez alimentará los modelos de las preguntas 2 y 3 de tal manera que, para cada una de estas combinaciones, se estimen los ingresos esperados, y así, al resolver el modelo de optimización se seleccionará la mejor combinación de oferta a proponer para cada ruta.Magíster en Inteligencia Analítica para la Toma de DecisionesMaestría45 hojasapplication/pdfspaUniversidad de los AndesMaestría en Inteligencia Analítica para la Toma de DecisionesFacultad de IngenieríaDepartamento de Ingeniería IndustrialPlaneación óptima de la red de rutas de una aerolíneaTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMLíneas aéreas - PlanificaciónTransporte de pasajeros - ColombiaAviación comercialIngeniería201924286PublicationTHUMBNAIL23399.pdf.jpg23399.pdf.jpgIM Thumbnailimage/jpeg6893https://repositorio.uniandes.edu.co/bitstreams/7fd839ca-1c70-4f85-84fa-64ab6492fd4c/download7f3f239c20e206430fe20c053a060a75MD55ORIGINAL23399.pdfapplication/pdf2151891https://repositorio.uniandes.edu.co/bitstreams/a469ed94-dd84-405f-a7ce-e0ef53df6798/download9af0853b2a4de8cd08394181c3605f6aMD51TEXT23399.pdf.txt23399.pdf.txtExtracted texttext/plain53838https://repositorio.uniandes.edu.co/bitstreams/d9b46759-e33f-4bf7-ab35-c99dd0610279/download8cf9b2f85f32d9336946e32a67d81d3dMD541992/51034oai:repositorio.uniandes.edu.co:1992/510342024-08-15 08:37:44.682https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |