Using Multi-agent Geo-simulation Techniques for the Detection of Risky Areas for Trains
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A transportation system is spatially and functionally distributed; its subsystems have a high degree of autonomy and are in constant interaction with each other and with the surrounding geographic environment. Modeling and simulating such systems in large-scale geographic spaces is a complex process. In this paper we address the domain of railway systems, and more particularly the problem of detecting risky areas along railroads. This requires that we consider a variety of static and dynamic variables, including train characteristics, hazardous events (e.g. rock-falls), and the properties of the large-scale geographic environment, as well as weather conditions. This simulation enables us to recommend speed limits in risky areas while taking into account all of the aforementioned factors. Since statistical and analytical models are not appropriate to represent such a complex process in which spatial constraints are of high importance, we adopted a multi-agent geo-simulation (MAGS) approach that facilitates the simulation of complex systems in large-scale geo-referenced environments. In this paper, we present Train-MAGS, an agent-based geo-simulation tool that simulates train behaviors in risky areas in large-scale virtual geographic environments. We also demonstrate how risky areas can be detected in real time using an agent-based approach. This work also illustrates how the application of artificial intelligence techniques, such as the MAGS approach, provides interesting perspectives of realistic and plausible simulations aimed at improving the functioning, the efficiency, and the safety of the transportation systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle