MétaCan
Menu
Retour à la cohorte
Enregistrement W4252451967 · doi:10.5383/jttm.02.02.003

The effects of autonomous buses to vehicle scheduling system

2020· article· en· W4252451967 sur OpenAlexvenueno aff
Nagy Viktor, Balázs Horváth

Notice bibliographique

RevueInternational Journal of Traffic and Transportation Management · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCrewPublic transportCrew schedulingScheduling (production processes)Computer sciencePopulationTransport engineeringOperations researchBusinessEngineeringAeronauticsOperations management

Résumé

récupéré en direct d'OpenAlex

We are more and more close to the time when a higher number of autonomous vehicles are appearing in road traffic. The number of unanswered questions does not diminish but grow. One such issue is the role of autonomous vehicles in public transport. When talking about autonomous vehicles we often think of only cars and we think less about selfdriving buses. But the economic potential inherent in autonomous buses is huge. In the Hungarian vehicle and crew scheduling practice (and also in other countries) the one driver-one vehicle control is typical. This method closely links the vehicles and the drivers. Vehicles should therefore adapt to the rest time of the crew and the employment rules. Unused reserves are generated in the system. Autonomous vehicles can release this overcapacity. Thanks to that, fewer vehicles can carry out public transport tasks and we can save extra rides. It also provides a solution to the lack of drivers, which is a basic problem in many countries. In our study we show the reserves that can be recovered from the system in the case of three Hungarian cities (Eger, Dunaújváros, Győr). We show how much savings can be achieved by running autonomous buses in European cities with a population of 45 000, 54 000 and 130 000 inhabitants. The results are promising. In smaller cities we could achieve about 20% of economical savings but in bigger cities 40% is also realistic. Our statements are based on only rough calculations and they try to help in preparation for the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,742
Score d'incertitude au seuil0,228

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,210
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Traffic and Transportation ManagementMême sujetTransportation and Mobility InnovationsTravaux en français237 207