Exploring the Performance of Different On-Demand Transit Services Provided by a Fleet of Shared Automated Vehicles: An Agent-Based Model
Notice bibliographique
Résumé
Automated vehicles used as public transport show a great promise of revolutionizing current transportation systems. Still, there are many questions as to how these systems should be organized and operated in cities to bring the best out of future services. In this study, an agent-based model (ABM) is developed to simulate the on-demand operations of shared automated vehicles (SAVs) in a parallel transit service (PTS) and a tailored time-varying transit service (TVTS). The proposed TVTS system can switch service schemes between a door-to-door service (DDS) and a station-to-station service (SSS) according to what is best for the service providers and the travelers. In addition, the proposed PTS system that allows DDS and SSS to operate simultaneously is simulated. To test the conceptual design of the proposed SAV system, simulation experiments are performed in a hypothetical urban area to show the potential of different SAV schemes. Simulation results suggest that SAV systems together with dynamic ridesharing can significantly reduce average waiting time, the vehicle kilometres travelled and empty SAV trips. Moreover, the proposed optimal vehicle assignment algorithm can significantly reduce the empty vehicle kilometres travelled (VKT) for the pickups for all tested SAV systems up to about 40% and improve the system capacity for transporting the passengers. Comparing the TVTS system, which has inconvenient access in peak hours, with the PTS systems, which always makes available door-to-door transport, we conclude that the latter could achieve a similar system performance as the former in terms of average waiting time, service time and system capacity.
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 | 0,001 |
| 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 ».