Demand Prediction of Railway Emergency Resources Based on Case-Based Reasoning
Notice bibliographique
Résumé
The demand prediction of emergency resources is helpful for rational allocation and optimization of emergency resources for railway rescue when emergency incident occurs. In this paper, a case base containing China railway traffic accident that has occurred since 1978 is established, and the case-based reasoning (CBR) method is applied in railway emergency resource demand predicting research. The core case attributes of railway emergencies are described. In view of the attribute types of railway emergency cases, five types of attributes, including enumeration, numerical, interval, character and fuzzy type, are considered, and the local similarity calculation models of different attributes are given. In order to avoid the problem of missing attribute in the traditional nearest neighbor algorithm, a global case similarity calculation method based on structural similarity and attribute similarity is designed. The empirical results show that case 3 is the most similar to the target case, and the calculating quantities of the proposed model are closer to the actual usage quantity and more accurate in the demand prediction of railway emergency resources, compared with the traditional empirical method. The relative errors of demand forecasts for the 9 resources have been, respectively, reduced by 15.9884%, 15.1471%, 6.4286%, 17.1429%, 66.6667%, 38.8889%, 27.5%, 0%, and 17.7778%. Therefore, the proposed model is both reasonable and applicable. The research results are of great significance to effectively deal with railway emergencies.
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 ».