MétaCan
Menu
Retour à la cohorte
Enregistrement W2606694194 · doi:10.1155/2017/7058789

Integrated Optimization of Bus Line Fare and Operational Strategies Using Elastic Demand

2017· article· en· W2606694194 sur OpenAlexvenueno aff
Chunyan Tang, Avishai Ceder

Notice bibliographique

RevueJournal of Advanced Transportation · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesChina Scholarship CouncilDalian University of Technology
Mots-clésMaximizationService (business)Operations researchCrowdingComputer scienceDifferential (mechanical device)Value (mathematics)Social WelfareTransport engineeringFunction (biology)Public transportMathematical optimizationBusinessMathematicsMarketingEngineering

Résumé

récupéré en direct d'OpenAlex

An optimization approach for designing a transit service system is proposed. Its objective would be the maximization of total social welfare, by providing a profitable fare structure and tailoring operational strategies to passenger demand. These operational strategies include full route operation (FRO), limited stop, short turn, and a mix of the latter two strategies. The demand function is formulated to reflect the attributes of these strategies, in-vehicle crowding, and fare effects on demand variation. The fare is either a flat fare or a differential fare structure; the latter is based on trip distance and achieved service levels. This proposed methodology is applied to a case study of Dalian, China. The optimal results indicate that an optimal combination of operational strategies integrated with a differential fare structure results in the highest potential for increasing total social welfare, if the value of parameter <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mml:mrow><mml:mi>ε</mml:mi></mml:mrow></mml:math> related to additional service fee is low. When this value increases up to more than a threshold, strategies with a flat fare show greater benefits. If this value increases beyond yet another threshold, the use of skipped stop strategies is not recommended.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,886
Score d'incertitude au seuil0,353

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,315
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTransportation Planning and OptimizationTravaux en français237 207