A System Dynamics Model of Urban Railway Demand Prediction for Safety and Security Improvement: Lessons Learned from Indonesian Railway Network
Notice bibliographique
Résumé
The number of passengers on the Indonesian urban rail network (KRL Jabodetabek) continues to increase from year to year, causing problems like passenger overcapacity at stations and on trains.The safety and security of KRL needs to be improved by managing the demand for KRL passengers.This paper aims to predict the number of passengers, trains, and employees, as well as the total income and amount of subsidies required to support rational policymaking for future railway management.The prediction was carried out based on system dynamics modeling, a framework demonstration technique integrating system science with computer simulation.Our system dynamics model was built, and validated on time series data from 2014 to 2020.The results show that, the number of passengers, trains, and employees increased annually from 2014 to 2019, but decreased in 2020, for the human movement is restricted by COVID-19.According to the simulation results, the daily number of electric rail train passengers was projected to reach 1,387,295 in 2035, and 1,365 extra trains would be required to cater to the passengers.The safety and security of trains, which are strongly correlated with the management of urban electric rail passenger demand, would be jeopardized, if the number of passenger requests is out of control.The research provides unique empirical and theoretical materials for academics, and sheds new light on the importance of safety and security enhancement to urban rail network.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».