Optimizing the Cleaning and Disinfection Scheme for Dockless Shared Bikes
Notice bibliographique
Résumé
Shared bikes can help cities achieve carbon neutrality goals. Cleaning and disinfection are vital procedures of the maintenance of shared bikes, especially during the COVID-19 pandemic because shared bikes could be a transmission intermediary of viruses. This study proposes an optimization model of the cleaning and disinfection scheme of the dockless shared bikes. The disinfection is assumed to be performed at night, when the usage is lowest. By regarding the disinfection staff as traveling salesmen, the model is formulated as an extension of the Multidepot Multiple Traveling Salesman Problem (MDMTSP). The objective function is to minimize the total cost; which consists of the cost associated with the working time and per-capita cost of the disinfection staff. A heuristic algorithm combining <a:math xmlns:a="http://www.w3.org/1998/Math/MathML" id="M1"> <a:mi>k</a:mi> </a:math> -means clustering and genetic algorithm (K-GA) is adopted to find the lower bound solution. Then, the K-GA-adjustment algorithm has been adopted to find the solutions that satisfy the constraints. To reduce the computing time needed, an approximate function for the lower bound of the optimal number of disinfection staff is obtained by constructing a Continuous Approximation (CA) model. A case study based on real location data of shared bikes in Chengdu, China, is performed to show how the maintenance department could adopt the optimization framework to design an efficient scheme to clean and disinfect the shared bikes.
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 ».