Optimal road facility spare parts location with continuum approximation
Notice bibliographique
Résumé
This study presents a new methodology for optimizing the location of spare parts depots for expressway facilities using a continuum approximation (CA) approach. The increasing importance of expressway facility asset management necessitates efficient strategies for minimizing both user impact during failures and the costs of maintaining spare parts depots. In this study, we first formulate a model within the framework of dynamic facility location planning (DFLP), a type of integer programming (IP), to optimize the spare parts location plan, taking into account the failure processes of expressway facilities. Traditional IP models are computationally intensive when applied to large-scale networks. To address this, we adapt the CA approach, traditionally used for facility location problems in Euclidean spaces, to handle network distances by embedding the road network into a new Euclidean space using the Isomap algorithm. The proposed methodology was then applied to spare parts location optimization problems of electronic toll collection (ETC) systems in a real-world expressway network in Japan. The results demonstrate that the proposed methodology significantly reduced the optimization computation time by 85.6% to 97.9% compared with an existing method, showcasing a substantial improvement in computational efficiency while also obtaining near-optimal solutions. • Optimize road facility spare parts depot locations using continuum approximation. • Develop a model for spare parts planning considering expressway facility failures. • Handle network distances by embedding a road network into a new Euclidean space. • Achieve 85.6% to 97.9% reduction in optimization computation time. • Validate robustness of the method via stable performance in sensitivity analysis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».