Combinatorial Optimization of Service Order and Overtaking for Demand-Oriented Timetabling in a Single Railway Line
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
Train timetabling is crucial for passenger railway operation. Demand-oriented train timetable optimization by minimizing travel time plays an important role in both theory and practice. Most of the current researches of demand-oriented timetable models assume an idealized situation in which the service order is fixed and in which zero overtaking exists between trains. In order to extend the literature, this paper discusses the combinatorial effect of service order and overtaking by developing four mixed-integer quadratic programming timetabling models with different service order as well as overtaking conditions. With the objective of minimizing passengers’ waiting time and in-vehicle time, the models take five aspects as constraints, namely dwell time, running time, safety interval, overtaking, and capacity. All four models are solved by ILOG CPLEX; and the results, which are based on Shanghai-Hangzhou intercity high-speed rail data, show that either allowing overtaking or changing service order can effectively optimize the quality of timetable with respect to reducing the total passengers’ travel time. Although optimizing train overtaking and service order simultaneously can optimize the timetable more significantly, compared to overtaking, allowing the change of service order can help passengers save total travel time without extending the train travel time. Moreover, considering the computation effort, satisfying both of the conditions in the meantime, when optimizing timetable has not got a good cost benefit.
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) | 0,000 | 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