Analyzing Fleet Efficiency and Passenger Delay in Demand‐Responsive Transit: A Dual‐Model Approach With CVRPTW and TAMOS
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
This study proposes an integrated framework that combines real‐time simulation with offline optimization to evaluate and enhance the operational performance of demand‐responsive transit (DRT) systems. Using the Kalamazoo Metro DRT as a case study, the Transportation Analysis and Mobility Optimization System (TAMOS) is employed to replicate dynamic booking behavior and vehicle dispatch logic. These real‐time operations are benchmarked against a static capacitated vehicle routing problem with time windows (CVRPTW), solved using Google OR‐Tools (v9.6) with the PARALLEL_CHEAPEST_INSERTION strategy to minimize fleet mileage while respecting vehicle capacity and time window constraints. Results show that the current fleet of 41 vehicles achieves a 74% service rate with an average pickup delay of 19.6 min. In contrast, the optimized CVRPTW solution fulfills 100% of trip requests with only 22 vehicles, assuming a relaxed pickup delay of 10 min. However, reducing the allowable delay to 5 min lowers trip feasibility to 65%, underscoring the operational sensitivity to temporal thresholds. The dual‐model approach illustrates how integrating real‐time simulation with optimization can quantify trade‐offs between service quality and operational efficiency. Additionally, the study introduces several enhancements to the OR‐Tools solver, including dynamic time windows, passenger‐level detour constraints, and integration with the Google Maps API for real‐world travel time matrices, improving model realism and decision relevance. The proposed framework is adaptable to various urban contexts and scalable across international settings, offering practical guidance for transit agencies in fleet sizing, delay tolerance, and service design under dynamic demand conditions.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle