A Slack Departure Strategy for Demand Responsive Transit Based on Bounded Rationality
Notice bibliographique
Résumé
Demand responsive transit (DRT) is emerging as one of the most potential travel modes to satisfy flexible travel demands. Nevertheless, how to attract more passengers has become a critical problem in the success of DRT projects. It is necessary to take into account the psychological factors impacting passengers’ choices. The study proposes a slack departure strategy considering boundedly rational passengers, which introduces passengers’ decision-making psychology into the optimization process. The strategy can adjust the departure time of passengers to adjacent time windows. The discount-incentive mechanism is presented to attract passengers to accept the changes while maintaining the quality of service. On this basis, the theory of bounded rationality is applied to describe the decision-making process of passengers. We construct a multiobjective programming model to analyze the operator-passenger interactive effect. To address the multiobjective problem, a two-phase heuristic algorithm is established to get the Pareto solution for the model. A numerical experiment is carried out on the Sioux Falls network. The case study of Beijing is discussed to evaluate the effectiveness of the strategy. The results indicate that the slack departure strategy can significantly benefit both the operators and passengers. The operating profit substantially increases by up to 63%. Meanwhile, the passenger’s general travel cost declines by 12%. The optimal discount rate of the incentive mechanism is 20%. Therefore, the study contributes to comprehending the passenger’s decision-making psychology and providing a new optimization strategy for the operator of DRT.
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 | 0,000 | 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 ».