Big-data-enabled modelling and optimization of granular speed-based vessel schedule recovery problem
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
The Automatic Identification System (AIS) is a vessel tracking system that automatically provides updates on a vessel's movement and other relevant voyage data to vessel traffic management centres and operators. Aside from assisting in real-time tracking and monitoring marine traffic, this system is used in the analysis of historical navigation patterns. In this work, we mined and aggregated vessel speeds from AIS messages within geohashed regions at different precision levels. This granulated, real-world information was brought into the formulation of a Speed-based Vessel Schedule Recovery Problem (S-VSRP). The goal is to mitigate disruptions in vessel schedule by adjusting the speeds while also conforming to the historical navigation patterns reflected in the AIS data. We introduce a new model for vessel schedule speed recovery problem by formulating it as a multi-objective optimization (MOO) problem called the Big-Data-enabled Granular S-VSRP (G-S-VSRP) and propose meta-heuristic optimization methods to find Pareto-optimal solutions. The three objectives are: (1) minimizing the total delay between origin and destination ports, (2) minimizing total financial loss, and (3) maximizing the average speed compliance with historical speed limits. Three evolutionary multi-objective optimizers (EMOO) were investigated and utilized to approximate the Pareto-optimal solutions providing vessel voyage speeds. The Pareto front gives the ability to inspect the tradeoff among the three conflicting objectives. To the best of our knowledge, this is the first time historical AIS data has been exploited in the published literature to mitigate disruptions in vessel schedules.
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 | 0,000 | 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 | 0,000 | 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) | 0,001 | 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