MétaCan
Menu
Retour à la cohorte
Enregistrement W2787751072 · doi:10.1155/2018/1580287

Parking Management Efficiency Analysis through Various Charge Schemes for Day-Long Commuting considering Elastic Travel Demand

2018· article· en· W2787751072 sur OpenAlexvenueno aff
Jing Wang, Chaowu Tan, Zhigang Liu

Notice bibliographique

RevueJournal of Advanced Transportation · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Parking Systems Research
Établissements canadiensnon disponible
Organismes subventionnairesShanghai Shuguang ProgramNational Natural Science Foundation of China
Mots-clésTollDuration (music)BottleneckMorningTransport engineeringEveningRush hourRoad pricingComputer scienceEconomicsEngineeringOperations managementTraffic congestion

Résumé

récupéré en direct d'OpenAlex

In this paper, we investigate the travel pattern of the day-long commuting in a bisection bottleneck network and the efficiency of pricing schemes with elastic travel demand. We extend the Vickrey model to morning and evening commutes and allow commuters to arrive at workplace late and depart from workplace early. The parking searching time is considered in the morning commute. Next, we derive the independent morning and evening commuting travel patterns without road toll and parking fee. Then, we propose three pricing regimes: duration dependent parking fees; optimal time-varying road tolls; optimal time-varying road tolls with duration dependent parking fees. We compare the efficiency of the four schemes with elastic demand. Theoretical analysis and the numerical examples show that optimal time-varying road toll is the most efficient pricing scheme. Charging a duration dependent fee neither improves nor deteriorates the scheme of time-varying road toll, if the toll rates are appropriately set. The regime of duration dependent parking fee only is less efficient than the regime of independent morning and evening commuting travel patterns without road toll and parking fee. In the regime of duration dependent parking fee, the social surplus decreases with the increase of duration dependent parking fee rate.

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)0,001
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: aucune
Score de désaccord entre enseignants0,669
Score d'incertitude au seuil0,681

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,017
Tête enseignante GPT0,284
Écart entre enseignants0,267 · 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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetSmart Parking Systems ResearchTravaux en français237 207