A machine-learning-based column generation heuristic for electric bus scheduling
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
Bus scheduling in public transit consists in determining a set of bus schedules to cover a set of timetabled trips at minimum cost. This planning process has evolved recently with the advent of electric buses that introduce constraints related to vehicle autonomy and battery charging process. In particular, column-generation algorithms have regained popularity for solving problems similar to the one considered in this paper, namely, the multi-depot electric vehicle scheduling problem (MDEVSP) with a piecewise linear charging function and capacitated charging stations. To tackle large-scale MDEVSP instances, we design a column generation (CG) heuristic that relies on reduced-sized networks to generate the bus schedules. The reduction is achieved by selecting a priori a subset of the arcs. Multiple selection techniques are studied: some are based on a greedy heuristic and others exploit a supervised learning algorithm relying on a graph neural network. It turns out that combining both selection types yields the best computational results. On 405 artificial instances involving between 568 and 1474 trips and generated from real bus lines in Montreal, the network reduction technique produced an average computational time reduction of 71.6% (compared to the same CG heuristic but without network reduction), while deteriorating solution cost by an average of 2.2%. On 8 larger instances containing more than 2500 trips on average, the proposed solution method also provided an average time saving of 52.5% with an average gap of 4.2% thanks to a transfer learning approach. • Electric bus scheduling with nonlinear recharging function and capacitated stations. • We develop several heuristic arc selection procedures. • The best combines a greedy heuristic and a graph neural network. • It speeds up a column generation heuristic by an average factor of 3.5. • Solution quality deteriorates by 2.2% on average.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 découle