Cost-Effective, Time-Efficient Passenger Rail System for the Eastern United States
Notice bibliographique
Résumé
A program was developed using a genetic algorithm and automated lookup features to design an efficient passenger rail system for the eastern-half of the United States connecting large cities, metropolitan populations greater than two million, with overnight rail service. The results of the program predicted a passenger starting at the farthest point of the system boards the train at 16:02 on average and arrives at a different point of the system at 07:57 on average the following day, assuming the train travels an average speed of 70 mph. The design used actual distances by train track where possible. The system was modeled with six trains that meet at a hub and exchange passengers and continue on to their destination. The optimal solution had a total one-way minimum distance of 4334 km (2693 miles). Assuming the same ridership that currently exists on a popular train route, ticket prices would average $62 (USD) for a one-way ticket. For this system to be feasible, the government would need to own or lease one set of tracks for all the routes determined, build a hub for passengers to transfer trains near Charleston, WV, and ensure the trains are unimpeded by other trains. Installing tracks that go around cities that the trains do not stop at would be a great benefit also. With advances in communication, GPS, and train control technology, this article points out the benefits of publically available tracks to form a transportation network similar to that found in road, air, and water traffic.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».