Key corridor identification in multi-objective highway networks based on feature lines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To enhance the overall accessibility and operational efficiency of highway networks, this paper proposes an integrated analytical approach based on node importance, network reliability, and critical link identification to identify key transportation corridors within highway networks. Initially, a comprehensive node importance measurement method is developed by integrating static geometric characteristics and dynamic traffic attributes of complex networks. The weights of static indicators are calculated using an improved entropy weight method, while the dynamic importance of nodes is assessed based on the h-index, resulting in a ranked node importance list. Subsequently, from the perspective of network reliability, critical nodes are identified and ranked by simulating node failure scenarios through attack strategies, evaluating their impact on network connectivity and travel time. Further, critical links are identified utilizing the Stochastic User Equilibrium (SUE) model and Ant Colony Optimization (ACO). Finally, a multi-objective key corridor identification method based on feature lines is formulated by comprehensively considering node importance, network reliability, and critical road segments. An empirical analysis is conducted on the highway network across 11 counties/districts of Zhaotong City, Yunnan Province. Three key transportation corridors are ultimately identified:Ludian County-Zhaoyang District-Daguan County-Yanjin County, Ludian County-Zhaoyang District-Daguan County-Yongshan County, Ludian County-Zhaoyang District-Yiliang County.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle