⑵綜合以上分析，結(jié)合模型（1）和模型（2)建立如下的回歸模型（3）4.3.2模型求解直接利用MATLAB中的命令regress求解（取三等艙第一組數(shù)據(jù)進(jìn)行回歸系數(shù)估計(jì)）模型（3），程序運(yùn)行完后得到模型（3）的回歸系數(shù)估計(jì)值與其置信區(qū)間（置信水平α=0.05）檢驗(yàn)統(tǒng)計(jì)量的結(jié)果如下參數(shù)參數(shù)估計(jì)值參數(shù)置信區(qū)間615.0110[509.5600,720.4620]64.0399[35.3752,92.7045]-3.3799[-5.5073,-1.2524]0.6564[-1.3215,2.6344]-0.0024[-0.0116,0.0069]R2=0.8493,F12.6796,p=0.0010.05，s2=2523.7690利用模型（3）分別對(duì)各航次各艙進(jìn)行回歸系數(shù)估計(jì)，再利用得到的回歸方程求出y（預(yù)定平均價(jià)格）頭等艙平均價(jià)格二等艙平均價(jià)格三等艙平均價(jià)格141554144870313160014917031216781599753111733163675710182117118089184117597988192118269587193118159626188717829615190117979604188217589613183417189662175816308851174215588820168514458344.4問(wèn)題4的建模與求解若僅考慮一種艙位類型的情況。假定油輪每種艙位的最大容量為C，銷售周期包含T個(gè)周。令t=T-1表示第1個(gè)周期，t=0時(shí)表示最后一個(gè)周期，即t是起航前的周期個(gè)數(shù)，也就是說(shuō)，t是隨時(shí)間遞減的。假定郵輪顧客的保留價(jià)格服從一定的概率分布，且在整個(gè)銷售周期上是固定不變的，令F為保留價(jià)格的累積概率分布。在每個(gè)周期t，公司提供的價(jià)格P，只有當(dāng)保留價(jià)格低于當(dāng)前價(jià)格時(shí)顧客才會(huì)預(yù)定。因此，一個(gè)顧客實(shí)際預(yù)定的概率為，則周期t的需求函數(shù)為，其中，為周期t的潛在市場(chǎng)規(guī)模，價(jià)格為決策變量。研究目標(biāo)是在有限的銷售周期為不同航次周期確定最優(yōu)價(jià)格，從而最大化整條航線未來(lái)的總收益。假定顧客的保留價(jià)格服從區(qū)間上上的均勻分布。根據(jù)均勻分布的概率分布函數(shù)和，可以獲得每個(gè)周期的需求函數(shù)為也就是說(shuō)，需求函數(shù)的形式是線性的，即其中，截距斜率在銷售初期，根據(jù)市場(chǎng)調(diào)查，需求預(yù)測(cè)和歷史數(shù)據(jù)，企業(yè)可以對(duì)所有周期需求函數(shù)的參數(shù)進(jìn)行估計(jì)，確定各航次每一周期的價(jià)格，并應(yīng)用到實(shí)際的訂票系統(tǒng)中。然后顧客做出購(gòu)買或拒絕決策，同時(shí)企業(yè)也做出接受或者拒絕決策。在下個(gè)周期的初期，當(dāng)上個(gè)周期的需求和價(jià)格信息被觀測(cè)到，各周期需求函數(shù)的參數(shù)便依據(jù)下面的約束規(guī)則更新。其中，N是考慮的航次數(shù)量；和分別是航次k在周期t的價(jià)格和需求。隨著時(shí)間的推移，在周期t-1開(kāi)始之前，周期t的需求和價(jià)格數(shù)據(jù)被觀測(cè)到，需求函數(shù)，便通過(guò)上面的約束規(guī)劃更新為。隨著數(shù)據(jù)的引入，每個(gè)周期的需求函數(shù)被重新估計(jì)，不同航次的不同周期的最優(yōu)價(jià)格可以通過(guò)以下的非線性定價(jià)模型來(lái)確定：其中，R為郵輪總收益，由艙票銷售總額構(gòu)成，第一個(gè)約束條件保證了相鄰的周期之間的價(jià)格差異不會(huì)太大（20%），第二個(gè)約束條件是對(duì)艙位總數(shù)的條件約束保證座位總需求量不會(huì)超過(guò)郵輪的總需求量。需要說(shuō)明的是，在每個(gè)周期開(kāi)始之前，雖然可以確定各艙每周期的預(yù)期最優(yōu)價(jià)格，但在實(shí)際過(guò)程中，只有當(dāng)前的周期價(jià)格被應(yīng)用。通過(guò)對(duì)之前的幾周進(jìn)行數(shù)據(jù)分析預(yù)測(cè)，對(duì)于航次來(lái)說(shuō)，從周期t起始，公司通過(guò)對(duì)前面的價(jià)格與周的訂購(gòu)信息，從而確定未來(lái)周的最優(yōu)價(jià)格。在整個(gè)周期t，艙位價(jià)格為銷售，最終的需求為，此時(shí)數(shù)據(jù)被觀測(cè)，在周期t-1開(kāi)始，每個(gè)周期的需求函數(shù)將會(huì)發(fā)生變化，最優(yōu)價(jià)格也會(huì)隨之變化，在周期t-1，艙位便以新的價(jià)格銷售，值得注意的是，此時(shí)的價(jià)格與之前的預(yù)測(cè)價(jià)格將會(huì)發(fā)生變化。特別的，在最后一個(gè)周期，參與定價(jià)的需求函數(shù)只有一個(gè)，由于需線性的，滿足，只要，最終價(jià)格就可以直接確定。4.5問(wèn)題5的建模與求解建立模型決策變量：設(shè)頭等艙的人數(shù)為，二等艙人數(shù)為，三等艙人數(shù)為，由二等艙升入頭等艙的人數(shù)為，由三等艙升入二等艙的人數(shù)為，由三等艙升入頭等艙的人數(shù)為，二等艙、三等艙升入頭等艙的折扣為，三等艙升入二等艙的折扣為，頭等艙的價(jià)格為，二等艙的價(jià)格為，三等艙的價(jià)格為。目標(biāo)函數(shù)：約束條件：非負(fù)約束:模型求解：使用LINGO軟件求解可以看出（程序?yàn)楦戒浰?，最大收益與艙位的價(jià)格有關(guān)，當(dāng)艙位價(jià)格定下來(lái)以后即可求出最大收益，此處取頭等艙價(jià)格區(qū)間（1500,1600），二等艙價(jià)格區(qū)間（1000，1450），三等艙價(jià)格區(qū)間（680,950），得到最大收益為1527500。5.模型評(píng)價(jià)優(yōu)點(diǎn)：在建立模型的過(guò)程中，大部分采用了理想化模型，使模型更具一般性，更加簡(jiǎn)潔，建立的模型是變化的模型，使得所建立的模型適用圍更廣。運(yùn)用Logistic曲線，時(shí)間序列法和非線性擬合預(yù)測(cè)三種不同的預(yù)測(cè)方法比較合理的完善了問(wèn)題1的表格；對(duì)于問(wèn)題2采用多項(xiàng)式擬合的方法較好的預(yù)測(cè)每次航行各周預(yù)定艙位的價(jià)格；在問(wèn)題3中運(yùn)用回歸統(tǒng)計(jì)的方法求出了各航次的平均預(yù)定價(jià)格；問(wèn)題4和問(wèn)題5各采用了最優(yōu)化和規(guī)劃模型相應(yīng)的解決了問(wèn)題。缺點(diǎn)：在建立模型的過(guò)程中，只考慮了理想化情況和可調(diào)控因素，忽略了主觀個(gè)人因素可能會(huì)對(duì)結(jié)果造成影響，使得模型的可信度降低。改進(jìn)：模型的建立過(guò)程中缺乏了對(duì)實(shí)際情況的考慮，比如天氣因素，海綿狀況，風(fēng)力因素等，把這些方面考慮進(jìn)去就會(huì)使得模型更加貼近實(shí)際情況。6.參考文獻(xiàn)[1]貽民，梁明，《學(xué)院學(xué)報(bào)》，2006年06期[2]肖宇谷，《數(shù)學(xué)》，：中國(guó)財(cái)經(jīng)經(jīng)濟(jì)，2010年[3]蔡曉霞;牛亞菲;;中國(guó)郵輪旅游競(jìng)爭(zhēng)潛力測(cè)度[J];地理科學(xué)進(jìn)展;2010年10期[4]基于北美市場(chǎng)的實(shí)證分析，華東師大學(xué)商學(xué)院，旅游周刊，2012.28（2），111-1187.附錄附錄一functionf=fun(x,tdata)f=x(1).*exp(x(2).*tdata);clearallclcdata1=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet2','B6:B20')';x=0:length(data1)-1;plot(x,data1,'r+')holdontdata=0:14;c1data=data1;x0=[0.2,0.05];x1=lsqcurvefit('fun',x0,tdata,c1data)f=fun(x1,tdata)plot(tdata,f)附錄二clearallclcdata1=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet3','B6:B20')';x=0:14;plot(x,data1,’r+’)holdonP1=polyfit(x,data1,2)P2=polyfit(x,data1,3)z1=polyval(P1,x)z2=polyval(P2,x)plot(x,z1,'r',x,z2,'b')附錄三clearallclcdata1=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','p7:p21')';data2=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','q7:q21')';data3=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','r7:r21')';data4=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','s7:s21')';data5=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','t7:t21')';data6=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','u7:u21')';data7=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','v7:v21')';data8=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','w7:w21')';data9=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','x7:x21')';data10=xlsread('C:\DocumentsandSettings\Administrator\桌面\附件.xls','Sheet4','y7:y21')';x=0:(length(data1)-1);x1=0:(length(data5)-1);x2=0:(length(data6)-1);x3=0:(length(data7)-1);x4=0:(length(data8)-1);x5=0:(length(data9)-1);x6=0:(length(data10)-1);plot(x,data1,'*')holdonn1=length(data1);n2=length(data5);n3=length(data6);n4=length(data7);n5=length(data8);n6=length(data9);n7=length(data10);alpha=0.3;S11(1)=data1(1);S12(1)=data1(2);fori=2:n1S11(i)=alpha.*data1(i)+(1-alpha).*S11(i-1)S12(i)=alpha.*S11(i)+(1-alpha).*S12(i-1)enda1=2.*S11-S12b1=alpha./(1-alpha).*(S11-S12)Y1=a1+b1plot(x,Y1)S21(1)=data2(1);S22(1)=data2(2);fori=2:n1S21(i)=alpha.*data2(i)+(1-alpha).*S21(i-1)S22(i)=alpha.*S21(i)+(1-alpha).*S22(i-1)enda2=2.*S21-S22b2=alpha./(1-alpha).*(S21-S22)Y2=a2+b2S31(1)=data3(1);S32(1)=data3(2);fori=2:n1S31(i)=alpha.*data3(i)+(1-alpha).*S31(i-1)S32(i)=alpha.*S31(i)+(1-alpha).*S32(i-1)enda3=2.*S31-S32b3=alpha./(1-alpha).*(S31-S32)Y3=a3+b3S41(1)=data4(1);S42(1)=data4(2);fori=2:n1S41(i)=alpha.*data4(i)+(1-alpha).*S41(i-1)S42(i)=alpha.*S41(i)+(1-alpha).*S42(i-1)enda4=2.*S41-S42b4=alpha./(1-alpha).*(S41-S42)Y4=a4+b4S51(1)=data5(1);S52(1)=data5(2);fori=2:n2S51(i)=alpha.*data5(i)+(1-alpha).*S51(i-1)S52(i)=alpha.*S51(i)+(1-alpha).*S52(i-1)enda5=2.*S51-S52b5=alpha./(1-alpha).*(S51-S52)Y5=a5+b5Y5=[Y5,a5(14)+b5(14)*2]S61(1)=data6(1);S62(1)=data6(2);fori=2:n3S61(i)=alpha.*data6(i)+(1-alpha).*S61(i-1)S62(i)=alpha.*S61(i)+(1-alpha).*S62(i-1)enda6=2.*S61-S62b6=alpha./(1-alpha).*(S61-S62)Y6=a6+b6Y6=[Y6,a6(13)+b6(13)*2,a6(13)+b6(13)*3]S71(1)=data7(1);S72(1)=data7(2);fori=2:n4S71(i)=alpha.*data7(i)+(1-alpha).*S71(i-1)S72(i)=alpha.*S71(i)+(1-alpha).*S72(i-1)enda7=2.*S71-S72b7=alpha./(1-alpha).*(S71-S72)Y7=a7+b7Y7=[Y7,a7(12)+b7(12)*2,a7(12)+b7(12)*3,a7(12)+b7(12)*4]S81(1)=data8(1);S82(1)=data8(2);fori=2:n5S81(i)=alpha.*data8(i)+(1-alpha).*S81(i-1)S82(i)=alpha.*S81(i)+(1-alpha).*S82(i-1)enda8=2.*S81-S82b8=alpha./(1-alpha).*(S81-S82)Y8=a8+b8Y8=[Y8,a8(11)+b8(11)*2,a8(11)+b8(11)*3,a8(11)+b8(11)*4,a8(11)+b8(11)*5]S91(1)=data9(1);S92(1)=data9(2);fori=2:n6S91(i)=alpha.*data9(i)+(1-alpha).*S91(i-1)S92(i)=alpha.*S91(i)+(1-alpha).*S92(i-1)enda9=2.*S91-S92b9=alpha./(1-alpha).*(S91-S92)Y9=a9+b9Y9=[Y9,a9(10)+b9(10)*2