MétaCan
Menu
Retour à la cohorte
Enregistrement W2905256011 · doi:10.1155/2018/7805168

Joint Operating Revenue and Passenger Travel Cost Optimization in Urban Rail Transit

2018· article· en· W2905256011 sur OpenAlexaffvenue
Wenxin Li, Qiyuan Peng, Qinlin Li, Chao Wen, Yongxiang Zhang, Javad Lessan

Notice bibliographique

RevueJournal of Advanced Transportation · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Systems and Energy Efficiency
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesDepartment of Science and Technology of Sichuan ProvinceChina Scholarship CouncilNational Natural Science Foundation of China
Mots-clésRevenueOperations researchGenetic algorithmSortingScheduling (production processes)Operating costTransport engineeringUrban rail transitRevenue managementBeijingComputer scienceTransit (satellite)Multi-objective optimizationMathematical optimizationEngineeringPublic transportChinaEconomicsMathematicsFinance

Résumé

récupéré en direct d'OpenAlex

Urban rail transit (URT) scheduling requires designing efficient timetables that can meet passengers’ expectations about the lower travel cost while attaining revenue management objectives of the train operators. This paper presents a biobjective timetable optimization model that seeks maximizing the operating revenue of the railway company while lowering passengers’ average travel cost. We apply a fuzzy multiobjective optimization and a nondominated sorting genetic algorithm II to solve the optimization problem and characterize the trade-off between the conflicting objective functions under different types of distances. To illustrate the model and solution methodology, the proposed model and solution algorithms are validated against train operation record from a URT line of Chengdu metro in China. The results show that significant improvements can be achieved in terms of the travel cost and revenue return criteria when implementing the solutions obtained by the proposed model.

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 enseignants0,661
Score d'incertitude au seuil0,350

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 savante0,0000,000
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 Opus0,008
Tête enseignante GPT0,209
Écart entre enseignants0,201 · 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

Citations8
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetRailway Systems and Energy EfficiencyTravaux en français237 207