MétaCan
Menu
Retour à la cohorte
Enregistrement W4412754658 · doi:10.11159/iccste25.191

Investigation of the Applicability of Surrogate Models in Transportation Network Design Problems

2025· article· en· W4412754658 sur OpenAlexvenueno aff
Mervegül Uysal, Yalçın Alver

Notice bibliographique

RevueProceedings of the International Conference on Civil, Structural and Transportation Engineering · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSurrogate modelMachine learning

Résumé

récupéré en direct d'OpenAlex

The rapidly increasing rate of vehicle ownership causes significant transportation problems, especially in developing countries.The increase in travel costs and safety are among these issues.To solve this problem, transportation-related institutions generally plan to change the existing geometry of the roads or open alternative roads.These solutions are quite costly and timeconsuming.In addition, existing conditions are not always sufficient for applying these solutions.At the same time, the results of these improvements are not known with certainty.Both travel costs and road and driving safety should be increased with these improvements.This study developed a bi-level optimization model considering these two objectives.According to the network design decisions taken in the lower-level problem of the developed bi-level model, the route choice of the transportation network users is determined by the deterministic user equilibrium assignment model.The assumptions made by Wardrop (1952) were considered in the assignment model.It has been observed that the user equilibrium conditions are ensured in the developed assignment model.The objective function of the upper-level optimization model is to minimize the expected number of accidents to increase road safety.The solution of optimization models developed to work on large-scale road networks takes quite a long time.Since the assignment problem solved in the lower-level optimization model contains continuous loops, the time spent on the solution of the model increases.Therefore, surrogate models were used to shorten this period in the study.Surrogate models can solve largescale problems in less time by producing their data with actual data.As a result of the study, it has been determined that using surrogate models in a medium-sized network shortens the long processing time and gives the most accurate result in a short time.In this respect, surrogate models hope to obtain accurate and applicable results by conducting field studies in an entire transportation network with a short processing time.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,744
Score d'incertitude au seuil0,284

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 Opus0,028
Tête enseignante GPT0,240
Écart entre enseignants0,212 · 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'étudeObservationnel
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 revueProceedings of the International Conference on Civil, Structural and Transportation EngineeringMême sujetTransportation Planning and OptimizationTravaux en français237 207