ترجمه مقاله عملیات حمل و نقل هوایی - نشریه الزویر

Air cargo revenue management is the integrated management of the capacity forecast of dedicated freighters and passenger aircraft, network capacity plan and allocation, pricing, overbooking, reject-or-accept policies, and capacity contracting, with the objective of maximizing overall profitability. Air cargo revenue management differs from passenger yield management in several aspects because of the distinct characteristics of different cargo types in terms of available capacity estimation, network capacity allocation, and capacity booking behavior. As for existing studies on air cargo revenue management, the majority discussed overbooking and its purpose to compensate for no-shows, cancellations, and variable tenders. Kasilingam (1996) provided a concise review of the literature in the area of yield management and compared passenger yield management with cargo revenue management. Kasilingam (1997) proposed an optimization model for air cargo overbooking by calculating the overbooking levels for discrete and continuous probability distributions of capacity. Popescu et al. (2006) presented an alternative nonparametric distribution estimation method to calculate the show-up rate for cargo booking and compared the proposed discrete distribution with the normal distribution by using real data from airlines. From an information system perspective, Wang and Kao (2008) developed a fuzzy knowledge system to determine the overbooking level based on fuzzy reasoning, in which they expressed fuzzy decision rules in the form of triangular fuzzy numbers. Qin et al. (2012) established a dynamic programming model to achieve dynamic space inventory control for air cargo with consideration of overbooking. Some important structure properties were elicited from their model. Totamane et al. (2014) used the Potluck Problem approach to propose a multi-producer or multiconsumer solution for predicting the cargo demand in a route.

در تحقیقات در مورد مسیریابی و زمانبندی ناوگان بار هوایی, برخی محققان روی مسائل زمانبندی و ناوگان خطوط هوایی برای مسافران و بارها به طور جداگانه تمرکز نمودند و فرستندگان اختصاص داده شده را مدلسازی نمودند. به طور مثال, (2006) Yan et al. یک مدل زمانبندی را برای مسائل انتخاب فرودگاه, مسیریابی ناوگان و ساخت جدول زمانی برای عملیات های بار پیشنهاد داد. علاوه بر این Yan and Chen (2008) کاربرد این مدل را به یک حالت اتحاد گسترش دادند. در تحقیقات اولیه روی مسیریابی ناوگان و زمانبندی پرواز در بارهای هوایی, این هدف بر سود یا هزینه عملیات مبتنی مسافت تمرکز یافت (به طور مثال Amaruchkul et al., 2007). را ببینید). Derigs et al. (2009) تحقیقات برای عملکرد در گستره شبکه را گسترش دادند و دو مدل ادغام شده را برای کمک به انتخاب پرواز, چرخش هواپیما و مسیریابی بار, با هدف ماکزیمم نمودن سود شبکه گسترش دادند. علاوه بر این, Derigs and Friederichs (2013) یک مدل یکپارچه را برای اصلاح زمانبندی موجود بار هوایی را بعد از شناسایی پروازهای انتخابی و اجباری توسعه دادند. با استفاده از اطلاعات زمانی-واقعی و احتمال تاخیر در اعزام, Azadian et al. (2012) یک مدل تصمیم گیری جدید مارکوف را برای مسیریابی دینامیک بار هوایی حساس به زمان را تدوین نمود.