Analyzing Fleet Efficiency and Passenger Delay in Demand‐Responsive Transit: A Dual‐Model Approach With CVRPTW and TAMOS
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».