Modeling the Peak‐Period Bus Commuting Behavior with Staggered Work Hours Using a Regret‐Minimizing Learning Method
Notice bibliographique
Résumé
The staggered work hours (SWH) policy is a practical strategy for managing travel demand, aiming to spread out the temporal distribution of travel volume by adjusting the schedules of travelers’ activities. The influence of the SWH policy on the commuting patterns of passengers using bus transit is not yet clear. We addressed this issue in a many‐to‐one bus line, treating commuters as Q‐learning agents learning to minimize regrets by selecting appropriate bus runs. The learning outcomes reveal a SWH‐induced equilibrium, where commuters departing from the same station with the same work start time experience identical minimal commuting costs, regardless of the chosen bus. Subsequently, we investigate the effectiveness of SWH policy by manipulating two key control variables: the division of travel demand between two categories of travelers and the staggered time interval. The results confirm that congestion during peak hours can potentially be mitigated by carefully selecting the above two key parameters. Correspondingly, we provide optimal control boundaries for these two parameters to design an effective SWH policy. Furthermore, we explore the combined impact of physical distancing and SWH policy on traffic flow patterns during an epidemic outbreak. Concurrently, we assess the infection risk through a surrogate index, revealing that the SWH policy has a positive effect in mitigating the risk of contact exposure.
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 | 0,001 |
| 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 ».