Learning-Based Matching Algorithm for Smart Freight Platform and Sustainability Assessment in Montreal
Notice bibliographique
Résumé
Road freight transportation connects producers and consumers, and delivers goods in a timely manner, which is essential for the economy and society.However, traditional freight forwarding faces challenges such as long delays, high labor costs, and empty mileage, which increase the logistics and environmental costs and affect the carriers and shippers negatively.To address these issues, we develop a sustainable smart freight-matching model using Reinforcement Learning (RL).The main components of matching platform include: (i) optimizing real-time carriershipper matching using RL, aiming to maximize matches while considering time, location, and capacity (ii) emphasizing designing a dynamic dispatching system to ensure on-time availability, optimize resource allocation, enhance customer satisfaction, and improve operational efficiency in freight fleet management, (iii) stablishing dynamic cargo consolidation to reduce shipping costs, lower CO2 emissions, and enhance vehicle and logistics resource efficiency.To achieve sustainability, this platform maximizes platform profit as economic criterion, minimizing vehicle emissions, as environmental criterion and maximizing service level, as a social criterion.We use the Actor-Critic framework to model the state, action, and reward of the smart freight platform.We use Montreal region as a case study to test our model.We create synthetic data that simulates the real-world characteristics of freight logistics, such as timestamps, player roles, and location coordinates.
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 ».