The Integration of Multimodal Networks: The Generalized Modal Split and Collaborative Optimization of Transportation Hubs
Notice bibliographique
Résumé
Integrated transportation is one of the most important methods to encourage the modal shift from car to public transportation (PT). However, as most cities have an existing multimodal network, it is difficult to expand the current networks by building more PT routes. Thus, integrating different modes through the optimization of hubs is a cost-efficient way to promote sustainable mobility. This paper develops a bilevel multimodal network design problem based on the collaborative optimization of urban transportation hubs. The upper-level problem is formulated as a mixed-integer nonlinear program to achieve a modal shift from congested subnetworks to underutilized subnetworks to realize a balanced use of the entire network. The decision variables are classified into location-based (hub locations) and route-based (route layouts and frequency setting) ones. The lower-level problem is a generalized modal split/traffic assignment problem (GMS/TAP), which captures the mode choices of all modes in the path set. The GMS/TAP is formulated as a nonlinear optimization problem (NLP) and is solved using a hybrid method of the successive average (MSA) algorithm. A hybrid genetic search with advanced diversity control (HGSADC) is developed to solve the bilevel model, where the exploration of the search space is expanded using the biased fitness function and diversification mechanism. The solution properties of the hybrid MSA and HGSADC are demonstrated in two modified nine-node networks. The model performance is illustrated in a real-size network in Jianye district, Nanjing. 9.2% decrease of travel time, 25.7% increase of service level, and a significant modal shift from car to PT are obtained.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».