A Data-Driven Forecasting and Solution Approach for the Dial-A-Ride Problem with Time Windows
Notice bibliographique
Résumé
The Dial-A-Ride Problem (DARP) consists of de-signing pick-up and delivery routes for a set of customers with special needs. Particularly, it arises in door-to-door transportation services provided to elderly and impaired people. DARP's main objective is to accommodate as many customers' constraints as possible with minimum operation costs. DARP involves realistic precedence and transit time constraints on the pairing of vehicles and customers. This paper proposes a neural network forecasting approach for DARP with time windows (DARPTW). It develops and compares the results of two-layer and a three-layer artificial neural networks (ANN) which forecast demands, service and travel times based on real-life data provided by a transportation company. Experimental results show that three-layer ANN with hyperbolic tangent (tanh) and sigmoid linear unit (selu) activation functions, coupled with a stochastic gradient descent (SGD) optimizer provide the best forecasting results. This paper also develops a data-driven hybrid adaptive large neighborhood search (DD-HALNS). DD-HALNS selects the local search operators according to their updated success' rates, which are, in turn, guided by a learning mechanism from previous successful moves and cost savings. It applies four hybridization features: simulated annealing, tabu lists, genetic crossovers, and restarts. Experimental results on DARPTW benchmark instances highlight DD-HALNS’ ability to improve best known routing solutions, while its application on real life instances, from the Canadian city/region of Vancouver, confirms its implementability.
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 | 0,001 | 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 ».