Adaptive Intermodal Transportation for Freight Resilience: An Integrated and Flexible Strategy for Managing Disruptions
Notice bibliographique
Résumé
Background: Disruptions in freight transportation—such as service delays, infrastructure failures, and labor strikes—pose significant challenges to the reliability and efficiency of intermodal networks. To address these challenges, this study introduces Adaptive Intermodal Transportation (AIT), a resilient and flexible planning framework that enhances Synchromodal Freight Transport (SFT) by integrating real-time disruption management. Methods: Building on recent advances, we propose two novel strategies: (1) Reassign with Delay Buffer, which enables dynamic rerouting of shipments within a user-defined delay tolerance, and (2) (De)Consolidation, which allows splitting or merging of shipments across services depending on available capacity. These strategies are incorporated into a re-planning module that complements a baseline optimization model and a continuous disruption-monitoring system. Numerical experiments conducted on a Great Lakes-based case study evaluate the performance of the proposed strategies against a benchmark approach. Results: Results show that under moderate and high-disruption conditions, the proposed strategies reduce delay and disruption-incurred costs while increasing the percentage of matched shipments. The Reassign with Delay Buffer strategy offers controlled flexibility, while (De)Consolidation improves resource utilization in constrained environments. Conclusions: Overall, the AIT framework demonstrates strong potential for improving operational resilience in intermodal freight systems by enabling adaptive, disruption-aware planning decisions.
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 ».