PROS:A Personalized Ranking Platform
for Web Search
Paul-Alexandru Chirita1,Daniel Olmedilla1,and Wolfgang Nejdl1
L3S and University of Hannover
Deutscher Pavillon Expo Plaza1
30539Hannover,Germany
{chirita,olmedilla,nejdl}@learninglab.de
Abstract.Current search engines rely on centralized page ranking algorithms
which compute page rank values as single(global)values for each Web page.
Recent work on topic-sensitive PageRank[6]and personalized PageRank[8]has
explored how to extend PageRank values with personalization aspects.To achieve
personalization,these algorithms need speci?c input:[8]for example needs a set
of personalized hub pages with high PageRank to drive the computation.In this
paper we show how to automate this hub selection process and build upon the lat-
ter algorithm to implement a platform for personalized ranking.We start from the
set of bookmarks collected by a user and extend it to contain a set of hubs with
high PageRank related to them.To get additional input about the user,we im-
plemented a proxy server which tracks and analyzes user’s sur?ng behavior and
outputs a set of pages preferred by the user.This set is then enrichened using our
HubFinder algorithm,which?nds related pages,and used as extended input for
the[8]algorithm.All algorithms are integrated into a prototype of a personalized
Web search system,for which we present a?rst evaluation.
1Introduction
Using the link structure of the World Wide Web to rank pages in search engines has been investigated heavily in recent years.The success of the Google Search Engine[5, 3]has inspired much of this work,but has lead also to the realization that further im-provements are needed.The amount and diversity of Web pages(Google now indicates about4.3billion pages)lead researchers to explore faster and more personalized page ranking algorithms,in order to address the fact that some topics are covered by only a few thousand pages and some are covered by millions.For many topics,the exist-ing PageRank algorithm is not suf?cient to?lter the results of a search engine query. Take for example the well-known query with the word“Java”which should return top results for either the programming language or the island in the Paci?c:Google de?ni-tively prefers the programming language because there are many more important pages on it than on the island.Moreover,most of the existing search engines focus only on answering user queries,although personalization will be more and more important as the amount of information available in the Web increases.Recently,several approaches to solve such problems have been investigated,building upon content analysis or on algorithms which build page ranks personalized for users or classes of users.The most
2
ambitious investigation so far for personalized ranking has been[8],which we have used as starting point for our work.
This paper describes the design and implementation of PROS,a personalized rank-ing platform which uses the algorithm presented in[8](called the“PPR algorithm”–Personalized PageRank–hereafter)plus new algorithms for automated input gen-eration to drive and optimize this algorithm.Our platform is based on HubFinder,an algorithm we developed to?nd related pages(or hubs,depending on the user)and on a proxy server meant to(temporarily)capture user’s sur?ng behavior.Hubs in this con-text are Web pages pointing to many other important pages(i.e.with a high rank).Their counterpart are authorities,which are high quality pages pointed by many hubs.
In the original[8]paper,PPR user pro?les,used as input for building personalized ranks,are gained by presenting users a set of pages/hubs with high PageRank(as com-puted using[14])from which they can choose a set of preferred pages.The disadvantage of this procedure is that this operation takes time and might often be super?uous as most Internet users have some bookmarks of their own already,which could be used to de-rive their user pro?le.We therefore wanted to build such a preference set automatically, using user’s bookmarks and/or most surfed pages(i.e.pages read for a longer period of time,or voted for by a user).This resulting set can then be extended using an algorithm which?nds high quality related pages.
The contributions of this paper are:(1)a platform which automates the computation of personalized ranks by generating more comprehensive input data with less user ef-fort,and which consists of two modules:one based on user’s bookmarks and the other based on the output of a specialized proxy server which computes the pages most likely to be considered interesting by the user;(2)both modules use HubFinder–a fast and ?exible algorithm for?nding related pages using the link structure of the World Wide Web,and HubRank–a modi?ed PageRank algorithm which combines the authority value with the hub value of Web pages,in order to further extend these sets of Web pages into the input data needed by the PPR algorithm;and(3)?rst experimental re-sults from integrating PROS into a personalized Web search system.
We will start by covering the algorithms related to or directly used as background of our research in section2.Section3discusses our PROS platform,which automates the computation of personalized ranks.First experimental results are presented in section4. Finally,section5describes other related Web search systems,and section6concludes with discussion of further work.
2Background
2.1Web Graph
In the paper we will use a notation similar to[8].G=(V,E)represents the Web graph, where V is the set of all Web pages and E is the set of directed edges
3
Let A be the adjacency matrix corresponding to the Web graph G with A ij=1
|O(j)| if page j links to page i and A ij=0otherwise.
2.2PageRank
PageRank is an algorithm for computing a Web page score based on the graph inferred from the link structure of the Web.The motivating idea for PageRank is that pages with many backlinks are more important than pages with only a few backlinks.As this simple de?nition would allow a malicious user to easily increase the”importance”of his page simply by creating lots of pages pointing to it,the PageRank algorithm uses the following recursive description:“a page has high rank if the sum of the ranks of its backlinks is high”.Stated another way,the vector PR of page ranks is the eigenvector of A corresponding to its dominant eigenvalue.
Given a Web page p,the PageRank formula is:
P R(p)=(1?c)
q∈O p P R(q)
O(q)
+cE(p)(1)
The dumping factor c<1(usually0.15)is necessary to guarantee convergence(A is not irreducible,i.e.G is not strongly connected)and to limit the effect of rank sinks [2].Intuitively,a random surfer will follow an outgoing link from the current page with probability(1?c)and will get bored and select a different page with probability c. 2.3Personalized Page Ranking
PageRank.Initial steps towards personalized page ranking are already described by [14]who proposed a slight modi?cation of the PageRank algorithm to redirect the ran-dom surfer towards preferred pages using the E vector.Several distributions for this vector have been proposed since.
Topic-sensitive PageRank.[6]builds a topic-oriented PageRank,starting by com-puting off-line a set of16PageRank vectors based on the16main topics of the Open Directory Project[13].Then,the similarity between a user query and each of these topics is computed,and the16vectors are combined using appropriate weights.
Personalized PageRank.Description.As the most recent investigation,[8]uses a new approach:it focuses on user pro?les.One Personalized PageRank Vector(PPV)is computed for each user.The personalization aspect of this algorithm stems from a set of hubs(H),each user having to select her preferred pages from it.PPVs can be expressed as a linear combination of basis vectors(PPVs for preference vectors with a single non-zero entry corresponding to each of the pages from P,the preference set),which could be selected from the precomputed basis hub vectors,one for each page from H,the hub set.To avoid the massive storage resources the basis hub vectors would use,they are decomposed into partial vectors(which encode the part unique to each page,computed at run-time)and the hub skeleton(which captures the interrelationships among hub vectors,stored off-line).
Algorithm.In the?rst part of the paper,the authors present three different algorithms for computing basis vectors:”Basic Dynamic Programming”,”Selective Expansion”
4
and”Repeated Squaring”.In the second part,specializations of these algorithms are combined into a general algorithm for computing PPVs,as depicted below:
https://www.doczj.com/doc/5f18721522.html,pute one partial vector for each page in H using a specialization of the Selective
Expansion algorithm.
https://www.doczj.com/doc/5f18721522.html,pute the hubs skeleton using a specialization of the Repeated Squaring algo-
rithm and taking the intermediate results from step1as input.
https://www.doczj.com/doc/5f18721522.html,pute the PPV using the computed partial vectors and hubs skeleton,and the
preference vector.
For an in-depth view of this process,we refer the reader to[8].
3PROS:A Personalized Ranking Platform
Introduction.As explained before,personalized rankings can improve current Web search systems by adapting results to user preferences.The algorithm presented in[8] is the most recent step in this direction.An issue left open in[8]is how a set of highly rated hubs,needed as input for the adaptation process,is selected by the user.The personalization(and therefore success)relies on the user’s ability to choose such high quality hubs which match her preferences.
In this section,we describe how to exploit information collected from the user to de-rive the highly rated hubs that represent the user pro?le.The computation is performed automatically based on the following input:
–Most surfed pages.Pages visited by the user are tracked using a specialized proxy we implemented.The proxy records information about the duration the user looked at a page and how frequently she returned to it.
–User’s bookmarks.Additionally,we use the user’s bookmarks as an indication for user preferences.Currently,bookmarks are directly provided by the user,but this interaction could also be automated(https://www.doczj.com/doc/5f18721522.html,ing a browser plugin).
Architecture.The PROS platform consists of two main modules,which use the two input sets described above.They use HubFinder and HubRank,two algorithms we developed for?nding related pages using the Web link structure and for ranking Web pages,respectively(presented brie?y later in this section and in more detail in[4]).
The?rst module consists of applying the following operations:
1.Get bookmarks from the user.
2.Add bookmarks to the preference set.
3.Apply HubFinder,using user’s bookmarks as input and HubRank scores as trim-
ming criterion.HubRank is the best criterion in this situation,because the PPR al-gorithm needs hubs with high PageRank as input and HubRank has been designed as a biasing of PageRank towards hubs,as discussed later in this section.
4.Add the preference set and the output from the previous step to the hub set.
The second module is based on using a proxy server for a limited period of time in order to capture user’s”sur?ng behavior”.Its modus operandi is described below:
1.The user surfs the Web using a given proxy.The proxy will output the pages exam-
ined by the user for a certain period of time(there must be both a lower threshold and an upper one to avoid the situation when the user leaves the browser open for
5
a long period of time without using it),as well as those most frequently revisited.
The more time it is used,the better ranking accuracy will be aquired.
2.Add the user’s most surfed pages(as recorded by the proxy)to the preference set.
3.Apply HubFinder with HubRank as criterion and a small radius and number of
output pages.We want the pages related to user’s bookmarks to be more important than the pages related to his/her most surfed ones and using a smaller radius is a way to achieve this.
4.Add user’s most surfed pages,as well as the pages related to them to the hub set.
Finally,the PPR algorithm is executed using the newly computed preference and hub sets.The complete process is depicted in?gure1.
Fig.1.Personalized Ranking Platform
HubFinder is an algorithm for?nding hubs,related to an initial base set of Web pages.We de?ne related similarly to[7],https://www.doczj.com/doc/5f18721522.html,ing only link information as input.Two pages are related if one is accessible from the other via the link structure of the Web graph(following either in-going or out-going links).We should also add that the dis-tance(the number of links followed)between such two pages is usually less than6 (according to our experiments,in cases where the distance is bigger the link informa-tion becomes insuf?cient to say that pages are similar in context with a high enough probability),and thus the related hubs are in the vicinity of the starting page.The max-imum distance(notedσand also called radius)is a parameter for HubFinder.
In order to get a good set of related pages we took into account the following as-pects:the set has to be small,rich in relevant pages and it should contain many of the strongest authorities.[10]extracts the top results of a query sent to a search engine and builds a focused sub-graph of the WWW around them.It then extends this base set by adding all pages pointed to and at most d pages pointing to each page from it.This op-eration is called Kleinberg extension.The author extends the initial set only once,but he focused on computing Hub and Authority scores,whereas we were focusing on?nding related pages or hubs.Therefore we iteratively apply the Kleinberg extension several times on the resulting set of each previous iteration in order to obtain more pages and thus more representative results.As this scenario leads to very big output sets(up to
6
500,000pages),trimming is necessary after each intermediate step.The pseudo-code of the resulted HubFinder algorithm is as follows:
LetΓbe the Base Set of pages whose related hubs we are looking for
Γ←Apply the Kleinberg Extension onΓonce
Γ ←Γ
For i=1toσdo:
Γ ←Apply the Kleinberg Extension onΓ once
TrimΓ to contain only interesting pages,not contained inΓ
Γ←Γ+Γ
Γ ←Γ
End For
TrimΓto contain as many interesting pages as desired
ReturnΓ
Two aspects have to be considered:how many pages should we keep after each iteration and which are the interesting pages?Regarding the former one,we keep one percent of the current set size,whereas the best criterion tackling the latter issue are global rank scores(e.g.as computed with PageRank or a similar algorithm).[4]contains an in-depth discussion of the algorithm,a formula on the exact number of pages to keep, as well as a proposed extension based on text analysis.
HubRank.We started from the idea that a page pointing to a good hub is a candidate for having a high hub rank as well.Often we encounter pages(perhaps good authorities) with only a few out-going links,but towards very important hubs.We consider such pages more important than the hubs themselves,because while a hub can cover lots of topics,such a page will usually contain information about the content addressed by the hubs it is pointing to,about the value of their content(e.g.author opinions),etc.
To compute these hub scores,we modi?ed the PageRank personalization vector to consider the out-degree of the pages.Intuitively,the random surfer prefers pages with a big out-degree when it gets bored.This way,the global importance of the pages will play an important role in de?ning general scores,as the random surfer will follow the out-going links with a higher probability than the random ones,and on the other hand,the out-degree of pages will always be considered.In PageRank,the vector E is
a uniform distribution with1
NP in each entry(where NP is the total number of pages).
We set the value of each entry i of E to E i=|O(i)|NP
|O|where|O|is the summation of
the out-going links over the whole Web graph.As PageRank focuses on authorities in the?rst part of the formula,we focused on hubs in the second part.
Prototype.Current Web search systems apply only basic personalization techniques (e.g.presenting a user interface in Spanish if the access is from a Spanish IP address). However,this refers only to how the search engine interacts with the user,but it uses the same ranking process no matter who submits the query.To exemplify this problem, let us imagine that a user searches using the keyword”architecture”.Output topics may vary from computer architecture to building architecture or even something else.By extracting user’s interests from her bookmarks(if she likes building architecture she would have some bookmarks on it)and from her most visited pages(she would check buiding architecture pages often),we can create a personalized view of the global ranks, and thus provide tailored output for each user.A screenshot of our prototype can be seen
7 in?gure2.As a comparison,we present the results obtained when ranking URLs with the PageRank algorithm[14]on the left side,and with PROS on the right.Our tester was interested in building architecture.While with PageRank only two output URLs were relevant,all?ve generated by PROS were worth
checking.
Fig.2.Prototype of the PROS Web Search System
4Experiments and Results
Input Data.We performed tests on several small Web crawls(3to40thousand pages) and on two bigger ones,one with one million and one with three million Web pages. The results presented in this paper use the largest set.Furthermore,we ran PPR and PROS using several data sets as input and several users,but selected only the most representative experiments here because of space constraints.
Algorithm Preference Set Hub Set PPR30user de?ned https://www.doczj.com/doc/5f18721522.html,er’s bookmarks(30)plus top ranked
PageRank pages.Totally about1200pages.
PROS30user de?ned bookmarks plus78
pages selected tracking user’s sur?ng
behavior(108pages in total).
The preference set plus its related pages plus
top ranked PageRank pages.Totally about
1700pages.
Table1.Input Data for the PPR algorithm experiments
Our?rst experiment follows all guidelines of the original paper.It has30user book-marks as preference set and a hub set mixing user’s bookmarks with top PageRank doc-
8
uments.The second experiment uses the input we obtained with our ranking platform.
A tester surfed the Web for about two weeks using our proxy and we selected78pages as her”?ngerprint”.These were merged with her30bookmarks(same as in the?rst experiment)into the preference set.Then,we applied HubFinder with HubRank as cri-terion on both the set of bookmarks and the set of most surfed pages,obtaining about 900pages from the former one and about400from the latter one(we used a radius of5for the bookmarks and a radius of2for the most surfed pages).To these1300 pages some top PageRank pages were added and the resulting set was used as hub set.
A description of the input data used can be found in table1.Our tester was an archi-tect,having traveling and software as other hobbies,and sports as a secondary interest. Her bookmarks were distributed accordingly:15on architecture,7on traveling,6on software and2on sports.
Results.To analyze the resulting ranks,we selected some general keywords(see table2)and performed Web searches,exactly as in a search engine.Results were sorted with respect to their ranks,without considering term frequency of keywords in output documents.The ranking algorithms used were PageRank,PPR,and PROS.Although the?rst one does not involve any personalization,we decided to implement it too,as it is the most popular algorithm and useful as background for our evaluation.
Query Keywords PageRank PPR PROS
Rel.Par.Rel.Irrel.Rel.Par.Rel.Irrel.Rel.Par.Rel.Irrel.
architecture532370820
building325235415
Paris604235622
park6048021000
surf307424721
Total235221915163578 Table2.Relevancy value for different search keywords and different algorithms The top10URLs obtained by ranking the search results with each algorithm were classi?ed into the following categories:(a)Relevant(denoted by”Rel.”in table2)if the URL was on one of the four topics of interest of our tester;(b)Partially Relevant(noted as”Par.Rel.”)if it was on a topic related to one of the above-mentioned four ones(e.g.an URL on hardware architectures was considered partially related to computer software); or(c)Irrelevant(”Irrel.”in table2)if it was not in any of the previous categories.A detailed list with all the output URLs can be found in[15].
Discussion.The most important issue is that,as expected,the original PageRank algorithm provides top results on several topics,even though the searcher is almost al-ways interested in only a speci?c one.This behavior is understandable,as the algorithm cannot disambiguate results based on user preferences.
The PPR algorithm performs only slightly better in this experiment(the total num-ber of possibly relevant URLs is34,whereas for PageRank it is28),mostly because the input sets were too sparse and qualitatively not very good.This might be improved by adding additional top PageRank pages to the preference set,but we did not use this
9 approach,as it would have de?nitely damaged the personalization aspect(remember that top PageRank pages can be on any topic).
Finally,we see signi?cant improvements when using PROS.The number of relevant pages is much higher than for the other two algorithms.However,we still got some bad output URLs(e.g.for the search keyword”building”).We think this happened because of the general pro?le of our tester.Other tests performed with more focused testers(i.e. with a pro?le on exclusively one topic,such as”architecture”)provided even better results,but we consider the experiment presented in this paper to be the closest to a real-life situation.
As we know from[8],pages from the preference set may have different importance.
In our tests,all pages had the same weight,that is1
|P S|,where P S is the preference set.
Let us denote by B the set of bookmarks and S the set of user’s most surfed pages.In
this case,we can give for example2
3?|B|importance to bookmarks and1
3?|S|
to user’s
most surfed pages.We think this approach(or a more complex one which automatically gives an importance value to each of the most surfed pages,depending on the amount of sur?ng time or revisits)would provide even more accurate ranks.Further experiments are needed to de?ne the correct biasing of these pages.
Generally,our experiments allow us to conclude that PROS increases the ranks of pages similar to user’s bookmarks,as well as those that are most likely to be considered interesting by the user(and thus the granularity of relevant results when performing a Web search).If the tester uses the proxy server for longer periods,the accuracy of the latter set is proportionately bigger(i.e.the size of the”most surfed pages”set is bigger, and therefore the rankings are more accurate).
5Other Web Search Systems
Research on Web searching usually focused on algorithms,as they comprise the most important part of such an engine.However,these algorithms are not always straight-forward to integrate into a search engine and attention must also be paid to the user-search engine interaction.[12]for example aims at satisfying all types of users(either experienced,or novice)by translating the search goal into good query keywords.Al-though search goals must be manually disambigued(e.g.solve a problem,?nd people who,etc.),the system allows users to type queries in natural language and produces the search keywords automatically using an inference engine.
[11]is somehow similar to PROS in the sense that user pro?les are built automat-ically and Web pages are recommended to users based on personalization approaches. However,its contributions are orthogonal to ours:surfers are guided towards rele-vant pages while they are browsing judging on the pages they have previously visited, whereas we focus on integrating such personalization into page ranks used by a search engine.[16]presents a new system for computing Web page ranks in a distributed fash-ion,which could be nicely extended by our PROS approach.
Another interesting approach is described in[1],which adds personalization to the JobFinder[9]search engine.It uses pro?le jobs and Information Retrieval operators to classify retrieved jobs as relevant or irrelevant.
10
6Conclusions and Further Work
We presented the design and implementation of a personal ranking platform(PROS), providing personalized ranking of Web pages based on user preferencees,while au-tomating the input generation process for the PPR algorithm[8].To achieve this,we use user bookmarks as well as a record about the user’s sur?ng behavior(gained with a proxy),which are then extended using our new HubFinder algorithm with HubRank scores as trimming criterion.HubRank score is based on PageRank but additionally takes hub quality of pages into account.
We are currently extending our tests towards more users and different environments in order to get in depth evaluations of our platform.Furthermore,we are investigating the additional inclusion of collaborative?ltering algorithms to PROS,which would allow us to also use personalize ranking based on groups of similar users instead of single users,to further increase the input set available for the personalization algorithm. References
1.K.Bradley,R.Rafter,and B.Smyth.Case-based user pro?ling for content personalization.
In Proceedings of the International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems,pages133–143.Springer-Verlag,2000.
2.Sergey Brin,Rajeev Motwani,Lawrence Page,and Terry Winograd.What can you do with
a we
b in your pocket?Data Engineering Bulletin,21(2):37–47,1998.
3.Sergey Brin and Lawrence Page.The anatomy of a large-scale hypertextual Web search
https://www.doczj.com/doc/5f18721522.html,puter Networks and ISDN Systems,30(1–7):107–117,1998.
4.Paul-Alexandru Chirita,Daniel Olmedilla,and Wolfgang Nejdl.Pros:A personalized rank-
ing platform for web search.Technical report,L3S and University of Hannover,Feb2004.
5.Google search engine.https://www.doczj.com/doc/5f18721522.html,.
6.T.Haveliwala.Topic-sensitive pagerank.In In Proceedings of the Eleventh International
World Wide Web Conference,Honolulu,Hawaii,May2002.
7.G.Jeh and J.Widom.Simrank:A measure of structural-context similarity.In Proceedings
of the8th ACM International Conference on Knowledge Discovery and Data Mining,2002.
8.G.Jeh and J.Widom.Scaling personalized web search.In Proceedings of the12th Interna-
tional World Wide Web Conference,2003.
9.Job?nder search engine.http://www.job?https://www.doczj.com/doc/5f18721522.html,.
10.Jon M.Kleinberg.Authoritative sources in a hyperlinked environment.Journal of the ACM,
46(5):604–632,1999.
11.Nicholas Kushmerick,James McKee,and Fergus Toolan.Towards zero-input personaliza-
tion:Referrer-based page prediction.In Proceedings of the International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems,2000.
12.Hugo Liu,Henry Lieberman,and Ted Selker.Goose:A goal-oriented search engine with
commonsense.In Proceedings of the Second International Conference on Adaptive Hyper-media and Adaptive Web-Based Systems,pages253–263.Springer-Verlag,2002.
13.Open directory project.https://www.doczj.com/doc/5f18721522.html,/.
https://www.doczj.com/doc/5f18721522.html,wrence Page,Sergey Brin,Rajeev Motwani,and Terry Winograd.The pagerank citation
ranking:Bringing order to the web.Technical report,Stanford University,1998.
15.Pros project home page.http://www.learninglab.de/?chirita/pros/pros.html.
16.Jie Wu.Towards a decentralized search architecture for the web and p2p systems.In Pro-
ceedings of the Adaptive Hypermedia and Adaptive Web-Based Systems Workshop held at the HyperText03Conference,2003.
机器人视觉物体定位方法 本次设计的题目是机器人视觉物体定位。伴随社会发展，机器人的利用越来越普及，出现了多种多样的智能机器人，由此也引发了对机器视觉的研究热潮。文章首先介绍了机器视觉的发展历程，并详细说明了各阶段的特点。接着概述了机器视觉技术的原理，深入剖析了主流视觉物体定位方法。然后介绍了机器人视觉物体定位方法常用的几种应用。最后介绍了几种新颖的视觉物体定位方法，并猜想机器人视觉物体定位技术未来发展方向。 关键词：机器视觉 SLAM技术单目视觉双目视觉多目视觉 第一章：绪论 1.1选题的背景及意义 在我国持续爆发的2019新型冠状病毒（即2019-nCoV）事件中,自动化食品仓储配送系统服务包括机器人、无人驾驶、无人机等再次成为讨论的焦点。配送机器人如何实现自动取货送货？无人驾驶汽车是怎么躲避行人？无人机巡航中怎么确定物体之间的距离？当我们谈到相关的话题时，机器视觉定位是无论如何也绕不开的问题。 自被誉为“机器人之父”的恩格尔伯格先生1959年发明第一台机器人以来，科学家一直把对机器人的研究作为研究的重点方向。传统的机器人缺乏环境感知能力和自动应变能力，仅仅只能在严格的预定义的环境中完成一些预定义和指令下的动作,应用非常有限局限。随着机器人逐渐走进人们的生产和生活中，人们也对机器人提出了更高的要求，希望实现在生产加工中对物体的自动加工、对自身运动轨迹实时的随动检测，节省对其运动轨迹的预先编程，提高生产效率。要达到这些要求，必须同时满足图像信息的获取、采集、处理和输出，这就是本文的研究重点：机器人视觉物体定位方法。
机器人视觉物体定位系统的设计和研发是为了更好地为工业机器人服务，它的本质是发挥摄像机定位以及跟踪性功能，很多企业在自身生产环节依赖于机器人，生产效率明显得到改善。然而很多的机器人是半自动的工作模式，只有在人工操控的指引下才能完成工作任务，这样的机器人实用性很差，无法彻底解放人工，实现自动化操作。为了提高机器人接收外界信息、感知外界信息的能力，进一步提高机器人的工作效率，保障工业生产的精度和质量，在以往的机器人系统中新增全新的计算机图像视觉获取系统,通过视觉图像获取系统中所捕捉的图像和外界信息,对捕捉的图像信息进行处理和分析识别，继而让机器人能够识别外界信息，然后再全面分析图像的基础上完成后续的重建和精准化计算，通过一系列的重建以及精准化的计算全面应用机器人控制柜通讯等等设备，掌控全面的工作，实现机器人对外界信息的跟踪和定位。 1.2国内外研究现状 国外研究现状 国外最先开始视觉物体定位技术的研究，应用领域也相对广泛，并且占据绝对的技术优势，其主要涉及机器人移动导航、三维立体测量、虚拟现实VR技术等。 20世纪60年代,美国mit的robert研究人员提出三维景物分析,标志着立体视觉和影像技术的结合点而诞生。立体视觉在此后20年的时间迅速地发展成为一门新的影像技术学科。到70年代时,以marr为主要代表的一批视觉物体定位方法研究学者已经整理和发展出了一整套关于视觉计算的理论基础。到80 年代后，大量利用空间几何研究双目立体视觉的学者提出了一系列理论与实际成果。 卡内基梅隆大学的Tomasi 和Kanade 等人对立体视觉的研究建立在摄像机为正交投影模型的假设下，分解出了三维结构和相机运行，成功研究出了基于图像的三维重建技术。但是，这项技术存在明显的缺点，由于假设相机为正交投影模型，而这个假设仅仅在物体深度远远大于物体尺寸时才是合理假设。美国
国航 中国国际航空股份有限公司简称“国航”中英文名称为“Air China Limited”，简称“Air China”，其前身中国国际航空公司成立于1988年。根据国务院批准通过的《民航体制改革方案》，2002年10月，中国国际航空公司联合中国航空总公司和中国西南航空公司，成立了中国航空集团公司，并以联合三方的航空运输资源为基础，组建新的中国国际航空公司。2004年9月30 ，经国务院国有资产监督管理委员会批准，作为中国航空集团控股的航空运输主业公司，中国国际航空股份有限公司（以下简称国航）在北京正式成立，员工23000人，注册资本为人民币65亿元、实收资本94.33亿元。2004 年12月15日，中国国际航空股份有限公司在香港（股票代码0753）和伦敦（交易代码AIRC）成功上市。国航具备很强的盈利能力，从2001年开始到2007年已连续实现7年盈利，在中国 民航居于领先地位。 山航 山东航空股份有限公司，通常简称“山航”“山航股份”，山东航空股份有限公司由成立于1999年12月13日，其前身系成立于1994年山东航空有限责任公司。山东航空股份有限公司由山东航空集团有限公司、浪潮集团有限公司、山东华鲁集团有限公司、山东省水产企业集团总公司和鲁银投资集团股份有限公司发起重组而成。山东航空集团有限公司将航空客货运输业务折股投入山东航空股份有限公司。2000年8月向中国境外投资人发行境内上市外资股（深圳证券交易所证券简称：山航Ｂ）。主营业务：国内航空客货运输业务；由国内始发至周边国家、地区航空客货运输业务；酒店餐饮；航空器维修；航空公司间的代理业务；与主 营业务有关的地面服务。
航空公司信息列表 二字码三字码中文名称英文名称 CA CCA 中国国际航空公司Air China CZ CSN 中国南方航空（集团）公司China Southern Airlines MU CES 中国东方航空公司China Eastern Airlines CA CHY 中国国际货运航空有限公司CHINA AIR CARGO HU CHH 海南省航空公司（中国）Hainan Airlines Co.,Ltd. ZH CSZ 深圳航空公司（中国）SHENZHEN AIRLINES FM CSH 上海航空股份有限公司（中国）SHANGHAI AIRLINES CO.,LTD. FX FDX 美国联邦快递航空公司FedEx 5X UPS 美国联合包裹运输公司UPS United Parcel Service (USA) SQ SIA 新加坡航空公司SINGAPORE AIRLINES LIMITED NX AMU 澳门航空公司AIR MACAU COMPANY LIMITED KE KAL 大韩航空公司（韩国）KOREAN AIR LINES CO.LTD. NH ANA 全日空航空有限公司ALL NIPPON AIRWAYS CO, LTD. OZ AAR 韩亚航空公司ASIANA AIRLINES 3U CSC 四川航空公司（中国）SICHUAN AIRLINES MF CXA 厦门航空有限公司（中国）Xiamen Airlines Ltd. LX CRX 瑞士国际航空公司Swiss International Air Lines Limited UB UBA 缅甸航空公司MYANMA AIRWAYS DY DYA 民主也门航空公司ALYEMDA-DEMOCRATIC YEMEN AIRLINE AT RAM 摩洛哥王家航空运输公司ROYAL AIR MAROC COMPAGNIE NATIONAL DE TRANSPORTS A AM AMX 墨西哥航空公司AERONAVES DE MEXICO S.A. MX MXA 墨西哥航空公司COMPANIA MEXICANA DE AVIACION, S.A. SA SAA 南非航空公司（南非）SOUTH AFRICAN AIRWAYS 3W CNJ 南京航空公司（中国）NANJING AIRLINES CT SFB 索菲亚航空公司AIR SOFIA PY SLM 苏里南航空公司SURINAAMSE LUCHTVAART MAATSCHAPP SD SUD 苏丹航空公司SUDAN AIRWAYS UV UVA 世界航空公司（美国）WORLD AIRWAYS
中国东方航空集团公司简介 中国东方航空集团公司是中国三大国有大型骨干航空企业集团之一，于2002年在原东方航空集团的基础上，兼并中国西北航空公司，联合云南航空公司重组而成。 集团总部位于中国经济最活跃、最发达的城市――上海，拥有贯通中国东西部，连接亚洲、欧洲、澳洲和美洲的庞大航线网络。集团注册资本为人民币25.58亿元，总资产约为516.99亿元，员工达35000人，拥有207架大中型现代化运输飞机，22架通用航空飞机，经营着450条国际、国内航线。集团还广泛涉及进出口、金融、航空食品、房产、广告传媒、机械制造等行业，集团拥有20多家分子公司。 中国东方航空股份有限公司是东航集团的核心企业，是中国第一家在香港、纽约和上海上市的航空公司，注册资本为人民币4,866,950,000元，中国东方航空集团拥有其61.64%股权。中国东方航空股份有限公司自成立以来在业界获得过许多荣誉，其品牌在海内享有广泛声誉，创造过全国民航服务质量评比唯一“五连冠”纪录，还荣获国际航空业界的“五星钻石奖”。 在航空运输主营业务方面，集团正全面实施“中枢网络运营”战略，一个以上海为中心、依托长三角、连接全球市场、客货并重的庞大航空网络正在快速形成中。同时，集团全力构建、完善高效的“统一运营管理模式”，逐步建立起与世界水平接近的飞行安全技术、空中和地面服务、机务维修、市场营销、运行控制等支柱性业务体系。 多元化拓展是集团战略重要的一环，航空进出口、金融服务、航空食品、旅游票务、房产物业、通用航空、机械制造、广告传媒等辅业板块已经初步建立，多元化拓展已形成全新格局。 预计到“十五”期末（2005底），集团运输总周转量将达到46亿吨公里，旅客运输量将达到2250万人次，货邮运输量达到80万吨，总资产达520亿元，营业收入260亿元，运输飞机达到180架，主要经营指标估计将超过原定目标的15％，集团将保持7%年均增长速度。 以创新促发展，迅速形成企业核心竞争力，锻造世界性航空企业品牌，实现快速、稳健、持续发展是中国东方航空集团发展战略的核心目标。 中国东方航空集团公司发展历史 中国东方航空成立于1988年6月，是中国民用航空企业三强之一。东航人创业之初就“开拓创新、深化改革、厉兵秣马、飞向世界”，成功实现了由区域性航空公司向国际性航空公司的转变。 1993年10月6日，中国东方航空集团成立，明确提出要把东航建设成“以航空运输为主，相关产业配套，多角化经营，全方位渗透的跨地区、跨行业的国际性航空集团”，除航空运输主业外，投资企业涉及广告传媒、旅游、宾馆、金融、期货、贸易、房地产、航空食品、设备制造等众多行业。 1997年2月4日、5日及11月5日，东方航空集团公司所属企业——中国东方航空股份有限公司分别在纽约证交所、香港联交所和上海证交所成功挂牌上市，被传媒誉为“中国航空概念股”，为中国民航发展史揭开了崭新的一页.1997年，东航还依法对原中国通用航空公司实施了兼并。 1998年8月，东航与中国远洋运输集团总公司联合组建中国货运航空有限公司。 新世纪之初，在民航总局的领导下，东航主题鲜明地抓改革重组，在中国民航深化改革的热烈氛围中，积极拉开了东航、西北航、云南航联合重组的序幕，统一了三家的思想，完成了清产核算。 2002年是入世后的第一年，东航依据加入WTO以后世界民航市场的新情况，加快推进内部的主业、辅业、机制、体制改革，努力实现东航新集团组织一体化、管理规范化、经营
航空快件考核制度范文航空快递的流程国内的快递企业大多采用集中托运，即将货物交付给代理公司，由其统一向航空公司办理托运的形式来进行航空货物运输。其工作流程可分为以下几个步骤。 (1)收件网点收取航空快件后，在规定时间运转到各自区域的分拨中心。 (2)始发分拨中心对应目的地分拣货物，确定对应机场发货总量和外包装件数。 (3)始发分拨中心向航空代理预订舱位，并将航空货物交给航空代理。 (4)航空代理接到始发分拨中心的订舱资料，根据分拨中心的要求时效，对应向航空公司预订舱位。 (5)航空公司批舱后，航空代理在对应的航班起飞前3h交机场主单，起飞前2h过完安检。 (6)航空代理将对应的机场资料交给始发分拨中心，始发分拨中心向目的分拨中心发送相应的资料。
(7)货物到达目的地后，暂由航空代理代为收取。 (8)目的分拨中心接收到预报后，在飞机落地后的2-3h内派人提取货物。 (9)提货者提取货物后，首先核对货物信息是否与始发分拨中心所发送的资料相符，若有不符，应立即上报。 (10)货物核对正确后，由目的分拨中心进行分拣，再运到各派送点安排派送。 整个工作流程根据货物在发货地与收货地的状态不同，可分为出港和进港两个过程。 一.出港 出港是指货物从发货地暂存仓库中登记出库发往目的地，在本章中是指货物从始发分拨中心发往目的分拨中心这一过程。 在此过程中货物流向为：收件做收入扫描4分拣、小件集包-装车出站-交航空代理转运航空公司-发出预报。
1.收件扫描 (1)收件网点收取航空快件后，在规定时间运转到各自区域的分拨中心。 (2)始发分拨中心出港联络员实时关注网点发来的货物信息预报后，并统计预报中的货量，按照标准路由计划向航空代理预订舱位。 (3)始发分拨中心收取网点上交的快件，并检查快件的重量、尺寸及包装是否符合航空运输的要求，快件中是否夹带 ___品等。若发现有不符标准的快件，应及时退回网点理货。 (4)检查快件运单面是否用大头笔书写了“HK”字样，若未有，则要补写。 (5)对符合要求的快件进行人站扫描，并将扫描件的数量上传至系统（包括集包操作的大包数据），供进港提货员及目的分拨中心操作员核对。 2.分拣集包
孔栋 总经理 孔栋先生2008年4月出任中国航空集团公司总经理、党组副书记、国航董事长。此前，曾任中国海洋直升机公司常务副总经理，深圳机场集团公司总经理、党委书记，首都国际机场党委副书记、航站区扩建指挥部总指挥，中国航空总公司党委书记、总经理等职务。 2002年10月民航联合重组后任中航集团副总经理， 2004年8月任中航集团党 组书记、副总经理。 2008年，孔栋先生被选为第十一届全国政协委员。孔栋先生兼任中 国企业家协会副会长。 孔栋先生毕业于江西工业大学电机制造专业，高级经济师。 王银香 党组书记 王银香女士2008年4月出任中国航空集团公司党组书记、副总经理、国航副董事长。此前，曾任中国国际航空公司飞行总队乘务大队副大队长、乘务部党委书记兼副经理，客舱服务部党委书记兼纪委书记、副经理，中国国际航空公司党委副书记等职务。 2002年10月联合重组后任中国航空集团公司副总经理、党组成员， 2003年7月兼任中国航空集团公司工会主席， 2004年12月任中国航空集团公司党组纪检组组长、党组成员、工会主席， 2005年1月兼任中国航空集团公司直属党委书
记。 王银香女士毕业于中央党校经济管理专业，高级政工师。 曹建雄 副总经理 曹建雄先生 2008年12月起任中国航空集团公司副总经理、党组成员。曹建雄先生1996年12月起任中国东方航空股份有限公司副总经理兼财务总监。1999年9月起任中国东方航空集团公司副总经理。2002年9月至2008年12月任中国东方航空集团公司副总经理、党组成员，其中2002年12月至2004年9月兼任中国西北航空公司党委书记，2006年10月至2008年12月兼任中国东方航空股份有限公司总经理、党委副书记。 蔡剑江 党组成员 蔡剑江先生2007年2月起任集团党组成员、国航总裁。蔡剑江1999年任深圳航空有限责任公司总经理，2001年进入中国国际航空公司，先后任上海营业部经理、中国国际航空公司总裁助理兼市场营销部经理等职务。2002年10月民航联合重组后任中国国际航空公司副总裁，2004年9月至2007年2月任国航党委书记、副总裁。 蔡剑江先生毕业于中国民航学院航行管制专业和中国民航学院英语 专业。
航空运输是全球最重要的产业之一。而航空业的发展及其技术水平和服务水平的提高，也是现代社会进步的重要内容。正是航空运输业，为我们提供了世界范围的运输网络，使全球范围的商务和旅行成为可能。在促进地方经济发展，尤其是发展中国家和地区的发展中，航空运输业所起的作用越来越大。自从1949年第一架喷气式客机开航以来，全球商业航空运输量已经增长了70倍。这种增长是任何一种其它的运输方式都无法相比的，同时也成为经济发展的重要支柱。航空服务需求促进了航空运输对全球经济发展的影响，也带来了世界范围内数百万的航空乘客量和数十亿美元的商业销售额。 多年来，世界航空业的需求稳步增长。乘客数量在过去的10年内增长了45%，比20世纪80年代中期翻了两番。货运交通的增长更快，吨公里数在过去10年内增长了80%，比80年代中期提高了3倍。这种快速增长的驱动因素很多。首先，随着GDP的增长，可支配收入和生活水平的提高，商业与休闲出游的机会增多。其次，航空业效益的提高和逐渐增加的竞争，使全球航空费用比20世纪70年代中期降低了40%（可比价）。第三，全球化推动了空间相互作用和国际贸易，增加了长途旅行和在国外政策和社会环境优越的地区进行商务活动的频率。最后，70年代源自美国，并在80年代逐步被欧盟及其它地区所采纳的放松管制政策，使得航空业得以迅速扩张、重组以及实现航线网络结构最优化，这极大提高了航空业的承运规模，并降低了航空飞行的费用，因而促进了乘客数量的持续增长。根据航空运输组织(ATAG)[1]的研究，2004年航空系统输送近20亿的定期航班乘客，3800×10t的货物，以及40%（按照货物价值）的区域间货物出口量，和大约40%的国际旅行。航空运输业在世界范围内带来了总计2900万个就业，和大约29600亿美元的全球经济影响，相当于全世界GDP 的8%。 很久以来，人们都认为运输对经济发展有强大的积极影响，运输和经济发展之间的联系可以是间接的也可以是直接的。例如，便捷的交通网络可以降低运输成本，扩大服务市场，还可以在广阔的活动范围内形成规模经济、范围经济和集聚经济式的节约。更间接的实例还包括交通设施建设所诱发的其它行业的就业机会，以及建设中的自然资源投入和劳动需求所引发的乘数效应。 航空服务水平和航空网络的组织对于城市和区域经济发展的影响与日俱增。Bell和Feitelson指出，在每一个城市体系中，高效的交通网络都有两个最基本的效果——使商品和服务的流通更加便捷；使劳动者的流动更及时，更有效。这对于需要频繁交流和直接接触的现代生产和生活来说至关重要。尽管近代技术革命减少了某些领域直面接触的需要，许多经济部门之间依然严重的依赖于他们和同行、供应商、顾客等的直接接触。Nooteboom认为便捷的交通可以最大限度地缩短空间、认知和文化距离，从而成为知识交换的关键。对于管理和辅助人员(administrative and auxiliaryemployees)来说，由于涉及到各个层次的沟通，合作研究以及开发领域的工作，尤其需要面对面的频繁交流，因而高效的交通网络就愈加重要，相应的，这部分从业人员的乘机率大大高于其它产业。Button和Taylor的研究指出，从事信息业，生物科技，电子业以及管理的新经济部门，员工的乘机率是传统产业雇员的1.6倍。 在现代经济活动的地理分布和运作模式的诸多决定因素中，“接近空港”而带来的可达性越来越关键。因此我们非常有必要更好地理解航空运输系统的性质，以及航空运输和机场在城市集聚区的作用。这篇文章集中探讨航空机场的经济作用。笔者将通过分析主要机场，特别是大型枢纽机场的优势，以及这种机场所在城市和地区所获得经济利益，着重探讨机场相关活动和地方经济发展之间的相互关系。 1 航空枢纽对城市和区域经济的影响 如今，航空枢纽已经基本拥有现代城市所拥有的一切功能和物质性基础设施，和地方社区一起承担许多职责，包括不可或缺的公共服务的职能。一个机场可能有上百个承租人，从事一系列的航空事业或商业活动，为机场和地方创造可观的收入。机场年度预算可能达到上千万、上亿美元，投资计划可能达到数百万、数十亿，或者更多。即使是一个中型的商业机场，候机楼群、通用航空设施和机场辅助支撑设施（如用于飞机维护保养的建筑与器械，跑道、停机坪，滑道等航行区域）也价值数亿美元。现代机场是一笔“大生意”，极大影响着现代人类的经济、社会和政治生活。 因此，航空服务的方式对人口的地理分布，产业的发展和布局，都有重要影响。航空放松管制20年来，美国国内主要的航空公司都发展了轴辐式(hub-and-spoke)的航空网络。这为美国公众减少了航空费用，并提供了更多可选择的旅行线路。这种轴辐式的结构，使得不同城市航空服务的质量和数量差别很大。 某个城市成为航空枢纽，不仅给乘客带来多种利益，也对本地的整个经济状况产生重大的影响。居住在枢纽城市的居民
收益管理系统软件 一、分析模块 1、日历概览 展示酒店每日关键营业指标如出租率、单房收益、平均房价、市场价格、预测等2、图表展示月度关键数据3、查看对应天的假期和展会、天气预报等信息提醒 2、预订进度 预订进度分析：展示每个细分市场/渠道未来的预订趋势；还能提供预测、去年实际、预算、已获预订和已售房和去年同期预订比较 月度销售展望：展示每个细分市场/渠道每月的间夜、平均房价和客房收入；还能提供今年预测、今年实际和去年同期业绩比较 3、预订规律 预订进程、预订窗口：不同的市场/渠道的预订窗口统计、分析 停留时长分析：可以查看所选时间段内，不同的市场/渠道预订的入住天数 到达分析：可以查看所选时间段内，不同的市场/渠道预订到达的占比 离店分析：可以查看所选时间段内，不同的市场/渠道预订退房的占比 周分析：可以查看所选的一周内，不同的市场/渠道的间夜、客房收入和平均房价 4、市场环境 可以查看未来每个被观察日期所对应的展会、节假日、社会文娱活动等事件。 可以按照展会、展馆、日期进行筛选查询，并导出明细 二、优化模块 1、预测 通过分析酒店PMS的历史数据、预订进度、市场环境、竞争对手比价等数据，预测每个细分市场每天出租的间夜数、平均房价、收入等；系统支持用户人工干预，修改预测值，以便系统自我学习完善。 2、定价 洞察竞争对手酒店所有房型在OTA上的所有价格，并提供价格变化走势对比图。 提供酒店竞争群价，向酒店提供建议散客价 3、超额预订 通过预测未来每个入住日期的总需求量、延住、取消、No-show、提前退房、维修房、坏房等情况，提供未来每个被观察日期的超额预订建议。 三、报表模块 1、数据对比 按照天、月累计和年累计比较各个市场/渠道的实际产出，预测数值和预算。 2、预订增量 比较不同的两个时间观测点对于某一天的预订增减情况。 3、量价对比 比较不同的两个时间段内，所有价格码的间夜和收入。 4、房型销售分析 比较不同的两个时间段内，每种房型的出租率和平均房价。 5、超额预订 历史延期、取消、No-show、提前退房、维修房、坏房等情况参照值。 6、收益日历 选择不同的时间观察点，了解酒店在该时间段内的预测、在手预订、同比情况详细列表 四、设置模块
一、研究航空运输企业社会责任的背景 20世纪末, 企业社会责任思想传入我国。近年来,随着我国改革开放的不断深入, 经济社会中存在的诸多矛盾不断显现。我国政府提出构建社会主义和谐社会战略, 要促进经济、社会、环境和谐发展。在此背景下,企业社会责任在我国受到社会各界越来越多的关注, 相关学术成果、社会讨论和企业实践活动明显增加。当前,企业社会观念已经成为企业一种新观念, 企业承担社会责任也已经成为一种社会潮流航空企业作为我国综合运输体系的重要组成部分, 对经济及社会的发展都有着很大的影响, 航空企业应当承担起其社会责任, 为和谐社会建设作出贡献。 （一）是建设民航强国的客观要求 中国现在已经是民航大国，运输总周转量已经位居世界第二位。很大程度上讲，航空公司的竞争力决定着全行业的整体竞争力，也决定着一国民航业的国际地位。加强航空运输企业的社会责任研究与建设，是塑造强航空公司的关键。 （二）是建设社会主义和谐社会的需要 中共十六届三中、四中全会站在马克思主义唯物史观的高度，提出了建设社会主义和谐社会的目标。坚持“以人为本” ，以科学的发展观为指导构建和谐社会已成为人们的共识。建设社会主义和谐社会的重要战略决策，明确提出建设社会主义和谐社会的基本愿景，成为今后全社会各行各业的行动纲领。按照此愿景，民用航空局作出了重要部署，提出了建设和谐民航的发展要求。民航业作为窗口型的服务性行业，在建设和谐社会、和谐民航的社会工程中责任重大，需要民航全体员工的共同努力。企业自觉履行社会责任，有利于和谐社会的构建。 （三）是我国航空运输企业生存和发展的必然要求 航空运输企业，作为从事运送客货业务的主体，它的企业行为效果具有影响面大、传播面广的基本特点，其社会责任履行的好坏都会引起比较大的社会关注。目前，我国民航正处于快速发展的阶段，经济增长推动了社会对民航运输的需求，这为航空运输企业提供了难得的机遇。但同时，民航运输领域的竞争日益激烈，航空运输企业所面临的竞争压力不断增加，航空运输企业只有加强自身履行社会责任能力建设，积极地尽己所能地回报社会，才能够树立良好的企业形象，为自身的生存和发展赢得空间。 （四）是应对航空运输业国际化竞争的客观需要 航空运输业是一个服务性行业，具有较强国际化色彩的行业，在航空自由化浪潮的推动下，行业内的竞争日趋激烈。这一特点决定了我国航空运输企业非常严峻的生存环境，因为它们要同时面对多重的竞争压力，在这样的背景下，如何找准自身的市场定位，通过社会责任的履行来增强自身的社会认同，扩大生存空间，这是航空运输企业所必须思考的问题。随着中国民航不断开放，中国的航空运输市场面临着日益激烈的竞争，国外航空运输巨头更是以咄咄逼人的姿态进入中国航空运输市场，使得本已竞争激烈的国内市场更加白热化。同时，我国航空运输企业要走向国际化，就得对其各方面的要求就更高。SA （Social Accountability 8000）、ISO14000 等国际社会责任标准体系的约束，已经成为我国企业从事国际贸易活动，进行国际化经营的一大壁垒。这对我国航空运输企业而言，无疑是一个挑战。因此，必须加强对我国航空运输企业社会责任的研究，以便更好地做出应对。 二、以中国航空集团为例航空运输企业社会责任的特点 中国航空集团公司以中国国际航空公司为主体，联合中国航空总公司和中国西南航空公司组建而成，是中央直属的特大型国有航空运输集团公司，国航是中国唯一载国旗飞行的民用航空公司以及世界最大的航空联盟——星空联盟成员、2008年北京奥运会航空客运合作伙伴，具有国内航空公司第一的品牌价值（世界品牌实验室2013年评测为765.68亿元），在航空客运、货运及相关服务诸方面，均处于国内领先地位。故以中国航空集团为例研究航空企业的社会责任具有典型的代表性。 12月19日，中国航空集团公司正式公开发布首份社会责任报告《中国航空集团公司社会责任报告2003-2010》。报告围绕“保障安全第一”、“创造品质服务”、“共创经济繁荣”、“推进绿色发展”、“打造卓越团队”、“贡献社会祥和”六大关键责任议题，叙述了中航集团在自身发展的同时，不断深化对企业责任的理
航空快递的主要特征 航空快递“是指具有独立法人资格的企业将进出境的货物或物品从发件人所在地通过自身或代理的网络运达收件人的一种快速运输方式”，航空快递的主要特征： 1、航空快递的收件范围主要有档和包裹两大类。 其中档主要是指商业档和各种印刷品，对于包裹一般要求毛重不超过32公斤(含32公斤)或外包装单边不超过102厘米，三边相加不超过175厘米。近年来，随着航空运输行业竞争更加激烈，快递公司为吸引更多的客户，对包裹大小的要求趋于放松。 而传统的航空货运业务以贸易货物为主，规定每件货物体积不得小于5*10*20厘米。邮政业务则以私人信函为主要业务对象，对包裹要求每件重量不超过20公斤，长度不超过1米。 2、经营者不同 经营国际航空快递的大多为跨国公司，这些公司以独资或合资的形式将业务深入世界各地，建立起全球网络。航空快件的传送基本都是在跨国公司内部完成。而国际邮政业务则通过万国邮政联盟的形式在世界上大多数国家的邮政机构之间取得合作，邮件通过两个以上国家邮政当局的合作完成传送。 国际航空货物运输则主要采用集中托运的形式，或直接由发货人委托航空货运代理人进行，货物到达目的地后再通过发货地航空货运代理的关系人代为转交货物到收货人的手中。业务中除涉及航空公司外，还要依赖航空货运代理人的协助。 3、经营者内部的组织形式不同 邮政运输的传统操作理论是接力式传送。航空快递公司则大多都采用中心分拨理论或称转盘分拨理论组织起全球的网络。简单来讲就是快递公司根据自己业务的实际情况在中心地区设立分拨中心(Hub)。各地收集起来的快件，按所到地区分拨完毕，装上飞机。当晚各地飞机
飞到分拨中心，各自交换快件后飞回。第二天清晨，快件再由各地分公司用汽车送到收件人办公桌上。这种方式看上去似乎不太合理，但由于中心分拨理论减少了中间环节，快件的流向简单清楚，减少了错误，提高了操作效率，缩短了运送时间，被事实证明是经济、有效的。 4、使用的单据不同 航空货运使用的是航空运单，邮政使用的是包裹单，航空快递业也有自己的独特的运输单据——交付凭证(Proof of Delivery，POD)。交付凭证一式四份。第一联留在始发地并用于出口报关;第二联贴附在货物表面，随货同行，收件人可以在此联签字表示收到货物(交付凭证由此得名)，但通常快件的收件人在快递公司提供的送货纪录上签字，而将此联保留;第三联作为快递公司内部结算的依据;第四联作为发件凭证留存发件人处，同时该联印有背面条款，一旦产生争议时可作为判定当事各方权益，解决争议的依据。 5、航空快递的服务质量更高 主要体现在： (1)速度更快。航空快递自诞生之日起就强调快速的服务，速度又被称为整个行业生存之本。一般洲际快件运送在1-5天内完成;地区内部只要1-3天。这样的传送速度无论是传统的航空货运业还是邮政运输都是很难达到的。 (2)更加安全、可靠。因为在航空快递形式下，快件运送自始至终是在同一公司内部完成，各分公司操作规程相同，服务标准也基本相同，而且同一公司内部信息交流更加方便，对客户的高价值易破损货物的保护也会更加妥帖，所以运输的安全性可靠性也更好。与此相反，邮政运输和航空货物运输因为都牵扯不止一位经营者，各方服务水平参差不齐，所以较容易出现货损货差的现象。 (3)更方便。确切的说航空快递不止涉及航空运输一种运输形式，它更像是陆空联运，通过将服务由机场延伸至客户的仓库、办公桌，航空快递真正实现了门到门服务，方便了客户。
移动机器人视觉定位设计方案 运动视觉研究的是如何从变化场景的一系列不同时刻的图像中提取出有关场景中的目标的形状、位置和运动信息，将之应用于移动机器人的导航与定位。首先要估计出目标的空间位置和运动信息，从而为移动机器人车体的导航与定位提供关键前提。 视觉信息的获取主要是通过单视觉方式和多视觉方式。单视觉方式结构简单，避免了视觉数据融合，易于实现实时监测。如果利用目标物体的几何形状模型，在目标上取3 个以上的特征点也能够获取目标的位置等信息。此方法须保证该组特征点在不同坐标系下的位置关系一致，而对于一般的双目视觉系统，坐标的计算误差往往会破坏这种关系。 采用在机器人上安装车载摄像机这种局部视觉定位方式，本文对移动机器人的运动视觉定位方法进行了研究。该方法的实现分为两部分：首先采用移动机器人视觉系统求出目标质心特征点的位置时间序列，从而将对被跟踪目标的跟踪转化为对其质心的跟踪；然后通过推广卡尔曼滤波方法估计目标的空间位置和运动参数。 1 目标成像的几何模型 移动机器人视觉系统的坐标关系如图1 所示。 其中O-X Y Z 为世界坐标系；O c - X cY cZ c 为摄像机坐标系。其中O c 为摄像机的光心，X 轴、Y 轴分别与X c 轴、Y c 轴和图像的x ，y 轴平行，Z c 为摄像机的光轴，它与图像平面垂直。光轴与图像平面的交点O 1 为图像坐标系的原点。O cO 1 为摄像机的焦距f 。 图1 移动机器人视觉系统的坐标关系 不考虑透镜畸变，则由透视投影成像模型为：
式中，Z′= ［u，v ］T 为目标特征点P 在图像坐标系的二维坐标值；（X ，Y ，Z ）为P 点在世界坐标系的坐标；（X c0，Y c0，Z c0）为摄像机的光心在世界坐标系的坐标；dx ，dy 为摄像机的每一个像素分别在x 轴与y 轴方向采样的量化因子；u0，v 0 分别为摄像机的图像中心O 1 在x 轴与y 轴方向采样时的位置偏移量。通过式（1）即可实现点P 位置在图像坐标系和世界坐标系的变换。 2 图像目标识别与定位跟踪 2.1 目标获取 目标的获取即在摄像机采集的图像中搜索是否有特定目标，并提取目标区域，给出目标在图像中的位置特征点。 由于机器人控制实时性的需要，过于耗时的复杂算法是不适用的，因此以颜色信息为目标特征实现目标的获取。本文采用了HS I 模型， 3 个分量中，I 是受光照影响较大的分量。所以，在用颜色特征识别目标时，减少亮度特征I 的权值，主要以H 和S 作为判定的主要特征，从而可以提高颜色特征识别的鲁棒性。 考虑到连通性，本文利用捕获图像的像素及其八连通区域的平均HS 特征向量与目标像素的HS特征向量差的模是否满足一定的阈值条件来判别像素的相似性；同时采用中心连接区域增长法进行区域增长从而确定目标区域。图2 给出了目标区域分割的算法流程。
关于中国民航重组升级新三大航空集团的构想 2009-06-05 民航资源网论文王涌涛[投稿排行榜] 2009/06/05(14:26:35) 我来说两句(1) 字体大小：[ 大中小] 寡头垄断的全球航空市场与中国民航重组升级新三大航空集团 摘要：上世纪70-80年代以来，世界航空业进行了三次大规模的联合重组。现在，中国民航面对的是一个国际寡头垄断的全球航空市场。对此缺乏认识，可追溯到2002年民航“一次重组”的战略定位失误，中国民航在国际航空竞争中的弱势地位与此有很大关系。结果，国内航空公司至今仍挤在国内干线和短程国际航空市场上自相竞争，在当前世界经济金融危机中，也不可避免地遭受重创。在新的国际、国内形势下，中国民航应当重新审视自己的战略目标、定位和任务，在正确政策的引导下，组建新的三大航空运输集团。 关键词：寡头垄断重组升级新三大集团 当前世界经济金融危机还在深化，我国民航业面临的形势相当严峻。鉴于世界空运业已形成的寡头垄断格局，为了维护国家利益，实践中国民航业的科学发展，我们急需在战略上重新审视民航业基本的目标、定位和任务。在正确政策引导下，组建新的三大航空运输集团，这不是未雨绸缪，而是刻不容缓。 一、世界航空市场通过三代重组升级，已经形成寡头垄断格局 自从1978年美国卡特政府实施“天空开放”政策（批注1）以来，至今已有30多年，航空运输业已经成为全球最开放、自由化程度最高、竞争最为激烈的市场。空运企业面临生
存危机时，只有两条出路可以选择：要么破产，要么被收购兼并。仅1980年至1996年，全球空运业就发生了200多起航空公司并购案。30多年来，联合重组一浪高过一浪，并且步步升级，其间大体经历三个阶段。由于重组三个阶段依次表现出鲜明的“升级换代”特点，为了表述方便，以下用“重组一代”、“重组二代”、“重组三代”简称其发展的阶段性。 第一阶段（重组一代），时间从上世纪70年代中期至80年代中期。在“天空开放”政策刺激下，各国航空业收购浪潮风起云涌，其主要特征是：强者收购兼并弱者即“强弱重组”，目标是“救危自强”，且局限于各国民航业内部。 第二阶段（重组二代），从上世纪80年代中期至上世纪末。重组二代为中东石油危机和全球国营公司股份化和私有化浪潮所诱发和推动，其主要特征是；强强联合，目标由国内转向国际，力争国际市场竞争的有利地位。如英国航空公司收购本国第二大航空公司——英国金狮航空公司，1990年，法国航空公司收购法国联合航空公司和法国内航空，一跃成为世界第四大航空公司，1992年，澳大利亚快达航空公司收购本国第二大航空公司——澳大利亚航，2000年，加拿大航空公司与本国第二大航空公司——加拿大国际航合并。强强兼并的结果，国际航空市场开始出现寡头垄断局面。例如，英国航空公司占本国市场份额的70%，德国汉莎航空公司占德国市场的92%，法国航空公司占本国市场份额的88%，大韩航空公司占本国市场份额的72%，加拿大航空公司占本国市场份额的94%。美国前三大航空公司垄断其国内市场份额50%以上。（批注2）寡头垄断是航空市场激烈竞争的必然趋势和结果，是由民航业的特点和规模经济效应决定的。民航运输业是典型的资本密集型和技术密集型行业，门槛很高，需要相当大的规模才能摊薄成本。 第三阶段（重组三代）始于本世纪初，由美国“911”事件、石油价格高企和金融海啸等一连串危机所引发，其特征为：寡头垄断已越出一国界限，因由各国载旗航空公司（批注3）之间进行重组，出现了航空寡头之间的国际合并和洲际航空的联盟。其间，各国政府插手干预、协调的味道越来越浓，其目标是瓜分全球航空市场势力范围。第三阶段重组迄今已呈现以下三大特征。 第一个特征：联合重组升级为国家之间航空寡头的重组，显现欧洲“抱团”的新动向。2004年，法国航空公司与荷兰皇家航空公司重组为法荷航空集团。2006年，德国汉莎航空公司将陷入财务困境的瑞士国际航空纳入旗下。于是，法荷航空集团和德国汉莎航空公司超越原世界第一大航空公司——美利坚航空公司，分别坐上世界第一、第二大航空公司交椅。2008年，德国汉莎航空公司又收购了奥地利航空公司；意大利航空公司宣布与法荷集团结成战略合作伙伴；西班牙航空公司的兼并重组也正在商谈中，无论其最后归属如何，只会在欧洲圈内锁定。目前，欧洲形成了由法航、德国汉莎航、英航三大寡头垄断的格局。“欧洲抱团”现象已经延伸到空域和飞机制造领域：欧洲各国打破空域界限，实行欧洲“单一天空计划”；空中客车公司将原来四个国家（英国、德国、法国、西班牙）的生产许可证合并为一个生产许可证。寡头合并的典型是美国第二大航空公司——达美航空公司兼并了美国第五大航西北航空公司，其反垄断豁免申请得到美国政府批准，从而超越美利坚航空公司和法荷集团，成为美国及至世界第一大航空公司。这是2008年世界航空界发生的最大并购案，格外引人注目。 第二个特征：三大国际航空联盟瓜分世界航空客运市场。航空联盟可以绕开国家间双边协定的限制，轻而易举地进入对方国家的航空市场；联盟成员通过代码共享、网络互联、枢
收益管理的行业适用性分析 ——以我国酒店行业为例姓名：王宇班级：1301s酒店管理学号：2013050454019 一、行业介绍 随着计算机技术的飞速发展，越来越多的星级酒店开始使用酒店管理信息系统来进行酒店的经营管理，但由于管理实践经验和管理水平的不同，国内开发的酒店管理信息系统与国外先进的酒店管理信息系统相比，仍有需要改进的地方，比如国内开发的酒店管理信息系统中普遍缺少收益管理子系统。加上该子系统后，就可通过合理地控制房价及优化客房存货的分配来最大限度地为酒店赢得收入，就能为酒店带来更高的效益和利润。 二、收益管理适用性分析 （一）不同的细分市场具有不同的需求特点 小型酒店在实施收益管理理论时，靠的是“人工智力”与“一般计算机技术”结合即可，没有必要将其理论繁杂化。 大型酒店往往拥有自己的收益管理系统，这种系统是将信息技术、经济学原理、数理统计方法、优化模型、运筹学算法集于一身的可进行数据处理、预测、优化的集成决策支持系统。大家都比较熟悉航空公司的变动价格制度, 并且接受这样的变动价格利用同样原理, 将变动价格原理推行到酒店行业, 顾客同样是接受的。酒店集团和在线预订公司对多天住宿顾客的预订都采用收益管理方法报价，收益管理是保证酒店收益最大化和保证顾客满意指数最大化的一个平衡杠杆。 （二）服务设施无法储存 由于酒店客房的特点是不可储存性，因此客房的销售永远是在卖未来的某一个间夜。间夜是指一晚的住宿。在酒店中，客房已经作为库存商品的概念来进行技术管理了，每一个间夜就是一个库存单位。收益管理的目的是获得客房收益最大化，运用于库存管理就是不仅要卖得快，而且要卖得好，就是指出租率高，价格也卖得高。衡量收益最大化的指标通常是看客房出租率与平均房价的乘积的高低。 （三）可以通过预订工作提前销售产品或服务 由于预售和实际入住存在一定差异，因此酒店通常实行一定比例的超预订以减少这种预售和实际入住差异时的损失。超预订的比例究竟多大才合适，就依赖于前厅和营销部门的协作，对历史数据的分析以确定一个基本合理的概率。
上海诺鸿快递有限公司提醒各位需要发航空快递的企业和个人，以下物品是禁运品，以免你的货物被扣押，或者被销毁,给您或者公司造成不必要的损失! 航空快递禁运品 （一）快递禁运品： 1、难以估算价值的有价证券及易丢失的贵重物品，如：提货单、核销单、护照、配额证、许可证、执照、私人证件、汇票、发票、本国或外国货币（现金）、金饰物、人造首饰、手机。 2、易燃易爆、腐蚀性、毒性、强酸碱性和放射性的各种危险品，如：火柴、雷管、火药、爆竹、汽油、柴油、煤油、酒精（液体和固体）、硫酸、盐酸、硝酸、有机溶剂、农药及其它列入化学工业出版社出版的“化学危险品实用手册”中的化工产品。 3、各类烈性毒药、麻醉药物和精神物品，如：砒霜、鸦片、吗啡、可卡因、海洛英、大麻等。 4、国家法令禁止流通或寄运的物品，如：文物、武器、弹药、仿真武器等。 5、含有反动、淫秽或有伤风化内容的报刊书籍、图片、宣传品、音 上海诺鸿快递有限公司
像制品，激光视盘（VCD、DVD、LD）、计算机磁盘及光盘等。 6、妨碍公共卫生的，如尸骨（包括已焚的尸骨）、未经硝制的兽皮、未经药制的兽骨等。 7、动物、植物以及它们的标本。 8、难以辨认成分的白色粉末。 9、私人信函等。 （二）、航空禁运品： 1、威胁航空飞行安全的物品，指在航空运输中，可能明显地危害人身健康、安全或对财产造成损害的物品或物质。主要有以下几类： A、爆炸品：如烟花爆竹、起爆引信等； B、气体：如压缩气体、干冰、灭火器、蓄气筒(无排放装置，不能再充气的)、救生器(可自动膨胀的)等； 上海诺鸿快递有限公司
C、易燃液体：如油漆、汽油、酒精类、机油、樟脑油、发动机起动液、松节油、天拿水、胶水、香水等； D、易燃固体：自燃物质，遇水释放易燃气体的物质，如活性碳、钛粉、椰肉干、蓖麻制品、橡胶碎屑、安全火柴(盒擦的或片擦的)、干燥的白磷、干燥的黄磷、镁粉等； E、氧化剂和有机过氧化物：如高锰酸钾； F、毒性和传染性物品：如农药、锂电池、催泪弹等； G、放射性物质； H、腐蚀品：如蓄电池、碱性的电池液。 I、未加消磁防护包装的磁铁、磁钢等含强磁的制品。 2、任何药品。 3、其它航空禁运品，如：粉末状物品(不论何种颜色) 、液体（不论使用何种包装）、外包装有危险标志的货品、没有国家音像出版社 上海诺鸿快递有限公司
收益管理的研究现状及综述 摘要：收入管理作为管理科学一个飞速发展的分支，是对服务业中易逝性产品进行管理的有效工具。对收入管理理论的三个主要部分———价格策略、存量控制和超订的研究文献加以综述、评价；对收益管理动态定价问题的几个构成要素进行了分析；对国外动态定价基本模型的研究文献进行了简单的评述；介绍收入管理理论最新发展动态及其在中国的研究现状。强调对于加入WTO后的中国服务业，收入管理是一项亟待促进的商业策略。 关键词：收入管理；动态定价；存量控制；策略性顾客 一、引言 收益管理起源于二十世纪七十年代美国的航空业，经过近三十多年的发展，已经成为管理科学的一个重要分支，并得到广泛应用。现在收益管理已经突破传统应用领域（航空，宾馆，汽车出租等）向其它行业渗透，如广播广告、医疗服务、房地产、交通运输、制造业、体育比赛和娱乐事件管理等。作为收益管理的重要方法，动态定价也随之得到广泛应用。 麦肯锡在对财富1000企业2001年的成本结构的研究中发现，定价是比可变成本、固定成本以及销售量更有力的提升收益的杠杆。在定价方面1%的改进可以平均提高8。6%的营业毛利。Elmaghraby和Keskinocak[1]认为促成动态定价得以广泛应用的因素主要有以下三个：（1）决策者拥有大量销售数据可以用于辅助决策；（2）新技术的采用使价格调整变得更容易；（3）辅助分析需求数据和动态定价决策支持工具逐渐增加。但是确定“正确”的价格仍然是一件非常复杂的事情，不仅要求决策者了解自己的运营成本和库存水平，还要了解顾客的品味以及对价格的反应。因此动态定价策略也受到越来越多的学者关注，他们提出大量价格优化方法。这些动态定价模型又被集成到各种收益优化软件中，应用到多个行业来指导决策者制定更合理的价格从而提高收益。 目前已有一些文献从不同角度对动态定价的研究进行了综述。Bitran和Caldentey[2]通过建立一个一般的动态定价模型对当时的研究成果进行了综述，并指出了将来可能的研究方向。与之不同，本文综述的动态定价模型主要是针对收益管理问题的———销售商要在一定时间内销售固定数量的资源，销售期内不允许补货，销售商通过动态调整价格以使收益最大，并且本文重点针对最近几年发展起来的动态定价的最新研究热点进行评述。本文在对一般收入管理相关文献整理基础上，对动态定价问题构成要素进行深入分析，简略介绍该理论的三个主要部分———价格策略、存量控制和超订，以及最新发展动态。对收入管理在中国发展的状况也作了回顾，旨在推动其在中国的应用，提高国内服务业的竞争力。 1、价格策略 经济理论和实践证明，价格是影响产品市场需求的最有效工具。收入管理的差别定价(price discrimination)策略基于细分市场的存在，即根据消费者需求的多样性以及不同时刻消费者对于产品价值认同的差异，将产品或服务设定在不同价格水平上。如以商务乘客为主的航班，乘客对时间、服务较价格更为敏感，则应多售全价票；旅游热线上对价格比较敏感的休闲旅客占多数，则应以折价票为主。通过差别定价，可满足不同价格弹性的消费者对产品的需求，最大限度地增加收入。