The Intermodal Railroad Blocking and Railcar Fleet-Management Planning Problem
Notice bibliographique
Résumé
Rail is a cost-effective and relatively low-emission mode for transporting intermodal containers over long distances. This paper addresses tactical planning of intermodal railroad operations by introducing a new problem that simultaneously considers three consolidation processes and the management of a heterogeneous railcar fleet. We model the problem with a scheduled service network design with resource management (SSND-RM) formulation, expressed as an integer linear program. While such formulations are challenging to solve at scale, we demonstrate that our problem can be tackled with a general-purpose solver when provided with high-quality warm-start solutions. To this end, we design a construction heuristic inspired by a relax-and-fix procedure. We evaluate the methodology on realistic, large-scale instances from our industrial partner, the Canadian National Railway Company: a North American Class I railroad. The computational experiments show that the proposed approach efficiently solves practically relevant instances, and that solutions to the SSND-RM formulation yield substantially more accurate capacity estimations compared to those obtained from simpler baseline models. Managerial insights from our study highlight that ignoring railcar fleet management or container loading constraints can lead to a severe underestimation of required capacity, which may result in costly operational inefficiencies. Furthermore, our results show that the use of multi-platform railcars improves overall capacity utilization and benefits the network, even if they can locally lead to less efficient loading as measured by terminal-level slot utilization performance indicators.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».