对于一个航班f，其销售过程有数据采集点：1，2，…，T（数据采集点一般是远期为每天而近期为半天甚至到每小时）。f 对应的历史航班池为｛f1，f2，…，fn｝，fi 的销售过程也有数据采集点：1，2，…，T，对应i=1，2，…，n。
每个航班有m 个舱位，对于航班fi 在时间采集点t内舱位j 上的销量为qijt（i=1，2，…，n，j=1，2，…，m，t=1，2，…，T）和最终舱位j 上的销量为Qij，通过去约束化（最大估算法或基线法）可得到对应的需求量
和
。可拟合出舱位j 时间采集点的需求和最终需求之间的函数关系Qj=Hjt（qjt）（j=1，2，…，m，t=1，2，…，T）（拟合模型可以是线性模型、对数模型、加法模型、全数模型、乘法模型、零数模型、去年模型、平均模型、指数平滑增加模型）。
以2018年4月和5月春秋航空上海-厦门的实际销售数据为例，表1 是该时间段的航班在舱位U 上提前3 天的销量和最终销量（仅选取展示的10 个航班的数据）。所有数据描点画图后如图1。
表1 航班3 天外销量与最终销量
(www.xing528.com)
图1 航班3 天外销量与最终销量的拟合关系
按照线性模型，最终拟合结果为：最终销量=1.357 96×3 天外销量+15.403 8。当未来有一个航班销售时，根据3 天外舱位U 的销量，即可用该线性公式预测舱位U 的最终销量。
当前航班f 的销售时间点为T0 且总客座容量C，根据模型H（T0）（·）来预测舱位j 最终的需求分布F（Qj，σj）。EMSRA：根据各个舱位的需求分布来计算每个座位期望收入，并按照从大到小排序，取前C 个座位所属的舱位即为舱位分布结果。EMSRB：计算按价格从高到低的嵌套舱位的需求分布和加权价格，通过和下一个舱位价格关系计算出来嵌套舱位的保护等级［5］［6］。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
