MétaCan
Menu
Retour à la cohorte
Enregistrement W4410999468 · doi:10.1155/atr/7018472

Taxiing Route Planning for Aircraft on Airport Surface Considering Conflicts With Ground Service Vehicles

2025· article· en· W4410999468 sur OpenAlexvenueno aff
Yu Shen, Peiwen Zhou, Yujing Zheng, Yuefeng Zheng, Yuxiong Ji, Yuchuan Du

Notice bibliographique

RevueJournal of Advanced Transportation · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesNational Key Research and Development Program of ChinaScience and Technology Commission of Shanghai Municipality
Mots-clésService (business)Transport engineeringAeronauticsEngineeringComputer scienceBusiness

Résumé

récupéré en direct d'OpenAlex

The density and complexity of airport surface traffic increase significantly with the expansion of hub airports. Conflicts may occur due to the concentration of aircraft and ground service vehicle (GSV) movements, leading to safety and congestion issues. Considering the potential conflicts with GSV routes, a strategic aircraft taxiing route planning model is proposed, which integrally optimizes apron area and runway assignments for arriving/departing aircraft, as well as their taxiing routes. Two prioritized objectives are considered for the safety of airport surface traffic and the convenience of passengers. The proposed model is validated first in an illustrative example and then applied in the real‐world case of Shanghai Pudong International Airport, China. The optimal routing plan effectively reduces the conflict points between aircraft and GSVs by 29.2% and 19.0%, respectively, compared with the two typical alternative plans. To assess the impact of different management preferences on the trade‐off among various locations and types of conflicts, a series of experiments are conducted by setting up different conflict weights. The results demonstrate that the optimized plan effectively reduces the number of conflicts with higher weights.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,536
Score d'incertitude au seuil0,497

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,235
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetAir Traffic Management and OptimizationTravaux en français237 207