A Stochastic Programming Approach for Scheduling Extra Metro Trains to Serve Passengers from Uncertain Delayed High-Speed Railway Trains
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
The metro system is an important component of the urban transportation system due to the large volume of transported passengers. Hub stations connecting metro and high-speed railway (HSR) networks are particularly critical in this system. When HSR trains are delayed due to a disruption on the HSR network, passengers of these trains arriving at the hub station at night may fail to get their last metro connection. The metro operator can thus decide to schedule extra metro trains at night to serve passengers from delayed HSR trains. In this paper, we consider the extra metro train scheduling problem in which the metro operator decides how many extra metro trains to dispatch and their schedules. The problem is complex because (i) the arrival of delayed HSR trains is usually uncertain, and (ii) the operator has to minimize operating costs (i.e., number of additional trains and operation-ending time) but maximize the number of served passengers, which are two conflicting objectives. In other words, the problem we consider is stochastic and biobjective. We formulate this problem as a two-stage stochastic program with recourse and use an epsilon-constrained method to find a set of nondominated solutions. We perform extensive numerical experiments using realistic instances based on the Beijing metro network and two HSR lines connected to this network. We find that our stochastic model outperforms out-of-sample a deterministic model that relies on forecasts of the delay by a range of 3–5%. Moreover, we show that our solutions are nearly optimal by computing a perfect information dual bound and obtaining average optimality gaps below 1%.
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) | 0,001 | 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