Impacts of Holding Area Policies on Shared Autonomous Vehicle Operations
Notice bibliographique
Résumé
Shared mobility has an important role in supporting existing transportation options in cities. However, when not deployed carefully, shared services may have operational inefficiencies such as low occupancies and increased deadheading. One reason is the spatio-temporal variance in the distribution of urban trip demand, which may lead to an unbalanced fleet displaced in cities thus unable to serve requested trips. Strategically siting holding areas (depots for dispatching and relocating fleets) could help improve fleet performance. Therefore, this paper considers shared autonomous vehicle (SAV) fleet operations by modeling the impacts of different holding area policies on service performance. Modeling and comparing multiple holding area policies for tactically deploying SAVs is novel, and the insights from this paper can inform service providers on how to site holding areas for improved performance. We develop a model of SAV fleet with pooling in the City of Toronto, with 27,951 total SAV trip requests across a 16-h period. We then integrate four holding area policies estimated using different spatial clustering methods, centralized positioning, and existing taxi stands. Findings indicate that using agglomerative clustering results in superior SAV fleet performances (average passenger waiting times reduced by about 20% compared with the worst performing policy), with increased served demand and reduced deadheading. A single holding area at a high trip density location yields efficient service performance at lower fleets but struggles to serve sparse demand (producing worst results); this method may suffice for operating SAV services within a small geofence with high trip densities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».