Notice bibliographique
Résumé
Driverless transit features vehicles or transit units functioning with no onboard intervention from a driver or attendant. In comparison with traditional transit, driverless transit offers reduced labor costs and smaller vehicles, albeit with higher capital costs, and better performance records. As of 2005 there were 37 driverless transit systems in urban service, with five in the United States. Fifteen cities in Canada, Europe, and East Asia had driverless metros. To move driverless transit into the mainstream, research is needed in multiple areas. This paper examines research needs identified in 12 papers presented at the 10th International Conference on Automated People Movers (APMs), with supplemental information from related literature. Integrating APMs into airport security infrastructure, the development of lightweight materials for vehicles and guideways, and personal rapid transit (PRT) reliability and systems theory are among the high-priority research challenges. Medium-priority research needs would focus on special applications of and revenue generators for driverless transit. Although a great deal of driverless transit research has been conducted in simulation, there is a need for operating and performance data from existing systems. These data would enable driverless transit to be considered in modal alternatives analysis. Also, to bring concepts such as PRT into reality, full-scale models need to be tested in operational environments. It is argued that research supported by industry and local agency consortiums can make incremental advancements, but extensive studies require committed, high-level government funding. While the development of driverless transit in the United States has been stifled by high-profile cost overruns and abandonments, successful applications in Europe or elsewhere may revive domestic investment. Potential driverless transit research funding resources are suggested.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,016 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».