Cloud-Edge-End Collaboration for Intelligent Train Regulation Optimization in TACS
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
Advancing from large-scale complex railway network construction to refined network operation management is a significant trend in promoting the high-quality development of modern rail transportation services. With the emergence of the next-generation train control system–Train Autonomous Circumambulation System (TACS), the transportation environment manifests obvious intricate correlations with strong couplings, multiple constraints, and rapid evolution. Most of the existing works focus on low-dimensional passenger flow prediction and independent train adjustment optimization, while the potential of network-level situation assessment and generalized experience across multi-tasks are neglected. In this paper, we propose a novel cloud-edge-end collaboration empowered TACS intelligent train regulation optimization scheme with situation awareness at end layer, arithmetic provision at edge layer, and intelligent fusion at cloud layer. Specifically, a Graph Convolutional Network (GCN)-based passenger flow prediction model is introduced to enable accurate assessment of the urban rail transit operation situation at the network level. Moreover, the Deep Reinforcement Learning (DRL)-based train dynamic adjustment algorithm is proposed to ensure efficient matching of passenger and traffic flows. In addition, a Actor-Mimic based multi-task and transfer reinforcement learning method is implemented in TACS to facilitate generalizing the trained experience across multiple tasks and accelerate the ability to adapt to new environments. Extensive simulation results illustrate that the proposed scheme can effectively improve the transportation capacity matching of TACS and enhance the generalization of train dynamic adjustment strategies.
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 | 0,001 | 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