Demand Forecasting in Revenue Management Systems

La gestion des revenues est l'art de développer des modèles mathématiques capables de déterminer quel produit offrir à quel segment de consommateurs à un moment précis dans le but de maximiser les profits. La prévision de la demande joue un rôle fondamental dans la gestion des revenues, car un manque de précision à cet égard engendrer une perte de profits. Dans cette thèse, nous proposons une étude systématique et approfondie de différentes méthodes qui sont employées pour prévoir la demande. Tout d'abord, nous présenterons un nouveau schéma de classification détaillant les caractéristiques de ces différentes méthodes pour déterminer en quoi elles diffèrent les unes des autres. Dans ce but, nous ferons une analyse exhaustive de la littérature existant à ce sujet pour être à même de bien catégoriser ces méthodes dans notre schéma. Par la suite, nous investiguerons à propos des systèmes de gestion des revenue qui utilisent un réseau neuronal artificiel modifié combiné à un historique des données pour prévoir le nombre de passagers, selon les heures de départ, pour une importante entreprise européenne de transport ferroviaire. Après, afin de bien cerner les effets de saisonnalité et modéliser le comportement des consommateurs, nous proposerons un nouveau modèle non paramétrique. La source de notre problématique part d'un modèle non-convexe et non linéaire composé de variables entières. Dans ce modèle, les variables représentent l'utilité de chaque produit ainsi que la demande potentielle de chaque jour et les variables binaires qui sont utilisées afin d'assigner chaque jour à chaque groupe des jours selon ses caractéristiques. Nous avons linéarisé et rendu convexe ce modèle avec succès en utilisant des techniques de linéarisation. Puis, nous avons présenté les caractéristiques de la disponibilité pour un temps donné afin d'extraire les corrélations entre les probabilités générées par ces choix. De plus, nous avons déterminé pour chaque journée un nombre prédéfini de blocs selon les caractéristiques spécifiques de la demande. Ainsi, nous avons pu déterminer une solution initiale basée sur laquelle on serre l'amplitude des variables. Ensuite, nous avons représenté un algorithme séparation et évaluation impliquant des techniques d'optimisation globale pour estimer les utilités et la demande potentielle à chaque jour. Le prétraitement des données a nécessité l'implémentation de plusieurs nœuds avant effectuer le branchement. Ce processus utilise des solveurs linéaires et non linéaires. Les résultats sont représentés par données synthétiques et données réelles. Par ailleurs, ces résultats sont comparés à deux modèles non linéaires d'optimisation globale bien connus. Le modèle que nous proposons offre une performance nettement supérieure. Dans la dernière partie de cette dissertation, nous étudierons l'impact de ce modèle de demande sur la performance des revenues générées. Les résultats sont représentés à l'aide des données synthétiques générés par une programmation linéaire déterministe basée sur les modèles de choix discret.