A methodology for scheduling within‐day roadway work zones using deep neural networks and active learning
Notice bibliographique
Résumé
City infrastructure agencies routinely implement road projects that address various elements of urban infrastructure. The majority of these projects are short-term in nature (e.g., utility repair), as they are completed in a few hours within 8:00 a.m. to 5:00 p.m. of a workday. The implementation of these projects during working hours, in spite of the inconvenience imposed on road users, helps the agency avoid extra labor costs associated with nonregular working hours. Careful scheduling of these projects can prevent unduly increased travel delays (road users’ interest) while keeping project costs low (the agency's interest). This study presents a bi-level framework for scheduling short-term urban road projects that analyzes the implicit tradeoffs between the two stakeholders’ interests. The upper-level model establishes the optimal schedule considering the project characteristics, such as cost and duration. The lower-level model captures the dynamic user equilibrium conditions that yield the road users’ path and departure time choices. The bi-level model is a mixed-integer program with nonlinear constraints. Recognizing the relatively low efficiency of traditional solution methods, this paper proposes a deep-neural-network-ensemble-assisted active learning (DN2EA2L) algorithm and adopts a fixed-point algorithm for solving the bi-level model. The numerical experiment uses the Sioux Falls network to demonstrate the efficiency of the DN2EA2L, compared to conventional metaheuristic methods. It is shown that travel time increases due to the project implementation during the peak hours can outweigh the agency's saving in wage costs. Further, it is shown that a significant reduction in the road users’ value of time enables the agency to schedule more projects during regular working hours.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».