Green and Intelligent Planning of Drone Launch in Truck-Drone Collaborative Delivery
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
The Internet of Things (IoT) paradigm has enabled innovative applications across various domains, significantly enhancing efficiency in the transportation sector through intelligence-driven and sustainable solutions. In the field of parcel delivery, the integration of trucks and drones has attracted considerable attention from both academia and industry as a means to optimize logistics networks and reduce last-mile delivery costs. Traditionally, research on truck-drone collaborative delivery (TDCD) has focused on routing and scheduling problems within hypothetical scenarios. This study, however, seeks to address the problem using a more realistic approach by introducing a newly generated customer order dataset, which includes data from 191 customer locations over a span of 7 days. The goal is to evaluate the efficiency of drone deliveries assisted by trucks. Utilizing this dataset, we applied the Self-Organizing Feature Map (SOFM) algorithm, a type of artificial neural network, to the TDCD problem. This novel approach identifies the optimal location for truck-based drone launches to minimize overall travel distance. Thanks to its adaptive nature, the SOFM algorithm dynamically selects the launch location based on daily customer orders rather than relying on a static, predetermined site. This method has resulted in a 4.4% reduction in the total distance traveled by drones and a $\mathbf{1. 1 \%}$ reduction in the distance covered by trucks over the seven-day period. These efficiencies translate into savings of $30.28 \mathrm{gCO2}$ in carbon emissions and 80.16 Wh of energy consumption, equivalent to 288.58 Kjoules.
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