我国汽车租赁业经过近30年的发展,简单的经营模式已不能适应快速发展的社会潮流。汽车租赁企业开始探究收益管理在汽车租赁业中的应用研究,虽然通过容量控制、超售和定价策略能够提高期望收益,但要取决于需求预测的准确性。而需求预测建立在历史需求数据的基础上,但历史数据往往受到约束,不能反映真实的乘客历史需求状况,因此需要对约束数据进行无约束修复。利用修复后的无约束数据进行未来时刻需求预测称为无约束需求预测。由于汽车租赁站点车辆种类多,顾客主观能动性强,升级和降级的概率较高,使无约束需求预测成为收益管理在汽车租赁应用中的难题。汽车租赁的无约束需求预测主要包括历史约束需求的无约束修复和未来时刻需求预测两部分。主要工作和研究成果如下:首先,在文献综述的基础上,以汽车租赁收益管理为研究对象,分析收益管理的发展状况和使用条件;以汽车租赁收益管理特点为基础,得到汽车租赁收益管理应用中无约束需求预测的重要性。其次,提出考虑顾客选择行为的无约束需求修复方法。传统无约束需求修复方法建立在传统收益管理之上,不能描述顾客的主观选择行为。为此,设计顾客租车意向调查,利用变精度粗糙集的层次分析法对数据进行处理,得到影响顾客租车选择的因素以及权重;设计顾客满意度调查,然后利用多项离散选择模型处理数据,得到顾客选择偏好概率,在此基础上对传统Spill模型加以改进。再次,提出基于线性方法与非线性方法相结合的组合预测模型。线性的Holt-winter模型对存在季节性和周期性变化的汽车租赁需求有较好的预测效果,但顾客需求是受多种因素影响的复杂序列,线性预测不能满足越来越高的精度要求;而非线性的BP神经网络拥有强大的容错能力和联想记忆能力,但有陷入局部最优的风险,因此将两种方法合理的组合起来,利用各单项模型有用信息,能够避免单项预测导致的误差。最后,通过数值算例,得到传统修复模型和改进模型的无约束需求修复结果。利用修复后的无约束需求,得到三种预测方法未来一周期的预测需求。通过与真实需求对比,验证了组合预测模型和考虑顾客选择行为的改进Spill模型的可行性。