A New Stochastic Model for Bus Rapid Transit Scheduling with Uncertainty
Notice bibliographique
Résumé
Nowadays, authorities of large cities in the world implement bus rapid transit (BRT) services to alleviate traffic problems caused by the significant development of urban areas. Therefore, a controller is required to control and dispatche buses in such BRT systems.. However, controllers are facing new challenges due to the inherent uncertainties of passenger parameters such as arrival times, demands, alighting fraction as well as running time of vehicles between stops. Such uncertainties may significantly increase the operational cost and the inefficiencies of BRT services. In this paper, we focus on the controller’s perspective and propose a stochastic mixed-integer nonlinear programming (MINLP) model for BRT scheduling to find the optimal departure time of buses under uncertainty. The objective function of the model consists of passenger waiting and traveling time and aims to minimize total time related to passengers at any stop. From the modeling perspective, we propose a new method to generate scenarios for the proposed stochastic MINLP model. Furthermore, from the computational point of view, we implement an outer approximation algorithm to solve the proposed stochastic MINLP model and demonstrate the merits of the proposed solution method in the numerical results. This paper accurately reflect the complexity of BRT scheduling problem and is the first study, to the best of our knowledge, that presents and solves a mixed-integer nonlinear programming model for BRT scheduling.
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 | 0,001 | 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 ».