Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Battery-assisted bicycles, or E-bikes, are part of a disruptive wave of transportation technology that uses electricity and rechargeable batteries to increase the velocity, the traveled distance and, as a consequence, the ridership. Biking and E-biking are globally recognized to have the potential to play an important role in the transition to a Net-Zero society. The widespread availability of E-bikes is significantly impacting several sectors of the tourist industry. Therefore, Touristic Administrations (TAs) now provide tourists with trail options and the corresponding charging infrastructure for E-bikers with different profiles. Our main objective is to provide TAs with a suitable decision-support tool that serves two purposes: (1) finding locations for charging stations by considering the difficulty and the cost of installing such stations in remote, often off-the-road locations; and (2) designing itineraries that are suitable for different categories of E-bikers. In the scientific literature, the first decision component has been mostly addressed in the context of electric cars, and it is not suitable for E-bikes. On the other hand, works on the second decision focused on muscular bikes, thus ignoring the first decision component. In this paper, we aim at closing this gap. We formulate this problem as a mixed-integer linear program. We develop an efficient branch-and-cut algorithm and present a comprehensive computational experiment. In particular, we provide a case study in the Asiago Sette Comuni Plateau in Italy, where the obtained charging stations and bike trails maximize a measure of attractiveness for three types of users.
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.
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 | 0,001 |
| 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 découle