Logistics Hub Location for High-Speed Rail Freight Transport—Case Ottawa–Quebec City Corridor
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
Background: This paper develops a novel, interdisciplinary framework for optimizing high-speed rail (HSR) freight logistics hubs in the Ottawa–Quebec City corridor, addressing critical gaps in geospatial mismatches, static optimization limitations, and narrow sustainability scopes found in the existing literature. Methods: The research methodology integrates a hybrid graph neural network-reinforcement learning (GNN-RL) architecture that encodes 412 nodes into a dynamic graph with adaptive edge weights, fractal accessibility (α = 1.78) derived from fractional calculus (α = 0.75) to model non-linear urban growth patterns, and a multi-criteria sustainability evaluation framework embedding shadow pricing for externalities. Methodologically, the framework is validated through global sensitivity analysis and comparative testing against classical optimization models using real-world geospatial, operational, and economic datasets from the corridor. Results: Key findings demonstrate the framework’s superiority. Empirical results show an obvious reduction in emissions and lower logistics costs compared to classical models, with Pareto-optimal hubs identified. These hubs achieve the most GDP coverage of the corridor, reconciling economic efficiency with environmental resilience and social equity. Conclusions: This research establishes a replicable methodology for mid-latitude freight corridors, advancing low-carbon logistics through the integration of GNN-RL optimization, fractal spatial analysis, and sustainability assessment—bridging economic viability, environmental decarbonization, and social equity in HSR freight network design.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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