From imperfection to advantage: Quantifying the benefits of imperfect advance load information for multi-truck carriers
Notice bibliographique
Résumé
Considering the dynamic and volatile conditions of spot markets, small trucking companies often struggle with load selection due to imperfect advance load information (iALI). This study develops a mathematical approach to better leverage iALI in the spot market. Using mathematical and statistical techniques, it examines two key aspects: (i) quantifying the benefit of iALI for multi-truck companies, and (ii) analyzing how market attributes affect its value. The proposed framework integrates iALI into truck activity planning via two decision-making policies: (i) Look-ahead (LOAH) and (ii) Value Function Approximation (VFA). LOAH assumes all loads materialize deterministically, while VFA uses a stochastic framework to dynamically incorporate imperfect information . To benchmark these policies, a Greedy policy is also considered as a baseline, where all advance load information is treated as completely unreliable, and decisions rely solely on currently available loads. To ensure practical relevance, the model includes real-world factors like domicile visits, truck coordination, and shipper classifications. Results show that VFA, by dynamically using iALI, improves profits by over 70% compared to LOAH, especially in classified markets, while also achieving faster solution times. A real-world case study confirms the model’s effectiveness for small trucking firms.
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 | 0,000 | 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 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 ».