Dual‐Layer Dynamic Optimization Model for Carbon‐Conscious Transport Mode Allocation
Notice bibliographique
Résumé
Within the framework of China’s “Dual Carbon” strategy, numerous cities have articulated visions and objectives for optimizing the travel structure of transport to further urban sustainable development goals. A critical challenge lies in minimizing CO 2 emissions from road networks while meeting diverse transport demands. However, at present the mode shares are set arbitrarily and may not be realistically achievable. When government officials establish travel structure targets, they may not adequately consider the intricate balance between residents’ travel demands and low‐carbon development objectives. To address this issue, this paper presents a dual‐layer optimal allocation model for transport modes, which simultaneously addresses travel demand management and carbon emission control. The upper‐layer model evaluates carbon emissions with the help of speed‐dependent emission factors for various transport modes, and the lower‐layer model leverages the logit Stochastic User Equilibrium (logitSUE) model to yield the velocities of road segments under a diverse array of travel structures. A sophisticated fusion algorithm, integrating the Dial_MSA algorithm with a genetic algorithm (GA), is developed to solve the model. The proposed model and algorithm are tested on a large‐scale real network and show its robustness and scalability. The optimal travel structure derived from this study can provide a theoretical foundation and empirical support for policymakers and urban planners in setting transport infrastructure goals and 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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».