Digital Twin-Empowered Green Mobility Management in Next-Gen Transportation Networks
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
Evolving transportation networks need seamless integration and effective infrastructure utilisation to form the next-generation transportation networks. Also, they should be capable of capturing the traffic flow data at the right time and promptly applying sustainable actions toward emission reduction. However, traditional transportation networks cannot handle right-time updates and act upon the requirements in dynamic conditions. Here, Digital Twin (DT) enables the development of enhanced transportation management via robust modelling and intelligence capabilities. Therefore, we propose a DT-empowered Eco-Regulation (DTER) framework with a novel twinning approach. We define a transport-specific twin sampling rate to catch right-time data in a transportation network. Besides, we perform emission prediction using Multi-Layer Perceptron (MLP), Bidirectional Long Short-Term Memory (Bi-LSTM), and BANE embeddings. We perform Laplacian matrix analysis to cluster the risk zones regarding the emissions. Thereafter, we recommend actions by setting the number of vehicle limits of junctions for high-emission areas according to the outputs of Q-learning. In summary, DTER takes control of the emission with its transport-specific twin sampling rate and automated management of transportation actions by considering the emission predictions. We note DTER achieves 19% more successful right-time data capturing, with 30% reduced query time. Moreover, our hybrid implementation of intelligent algorithms for emission prediction resulted in higher accuracy when compared to baselines. Lastly, the autonomous recommendations of DTER achieved <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$\sim$</tex-math></inline-formula> 20% decrease in emissions by presenting an effective carbon tracing framework.
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 | 0,002 |
| Science ouverte | 0,001 | 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