Reinforcement learning‐based approach for urban road project scheduling considering alternative closure types
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
Growth in urban population, travel, and motorization continue to cause an increased need for urban projects to expand road capacity. Unfortunately, these projects also cause travel delays, emissions, driver frustration, and other road user adversities. To alleviate these ills, road agencies often face two work zone design choices: close the road fully and re-reroute traffic or implement partial closure. Both options have significant implications for peri-construction road capacity, traveler costs, and the project duration and cost. This study presents a decision-making methodology to facilitate the choice between full road closure and partial closure. The presented decision-making methodology is a bi-level optimization problem: at the upper level, the road agency seeks to optimally schedule road construction work to minimize net vehicle emissions and road construction costs. The lower-level of the problem captures two types of travelers’ route choice behaviors: rational travelers who minimize their travel time and path-loyal travelers who do not change their routes from their pre-construction routes. The bi-level mixed integer nonlinear model is solved using a reinforcement learning-based algorithm (the multi-armed bandit-guided particle swarm optimization [PSO] technique). The computational experiments suggest the superiority of the proposed algorithm, compared to the classic PSO algorithm in terms of solution quality. The numerical results suggest that if the percentage of path-loyal travelers increases, the agency needs to invest more in road project construction to implement under partial closure to avoid a significant increase in vehicle emissions.
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 | 0,000 |
| 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