Freight Demand Model Development and Application at the National and Urban Scale
Notice bibliographique
Résumé
Freight demand models are tools that are used for the analysis of the freight transportation system, exploring the impacts of potential changes to the system, and forecasting the future demand. This thesis identifies some of the limitations in freight modelling through a review of current models and addresses these gaps by developing a component of a national freight model in the US, a carrier selection model, and an urban commercial vehicle (CV) model for the Greater Toronto and Hamilton Area (GTHA). The models are then applied to examine some important issues and trends in freight transportation, namely, truck driver shortages, truck carrier market consolidation, off-peak urban truck delivery and automated trucking.The carrier selection model simulates the transportation procurement market in the US, where shippers award annual contracts to for-hire carriers to transport goods to their customers. It is based on a heuristic algorithm that iterates through a list of shippers and shipment flows and assigns carriers based on price and carrier capacity. The model generates reasonable outcomes in terms of empty truck mileage and carrier revenue, among others. Model results suggest that some carriers may gain an advantage in terms of revenue compared to others. Scenario analyses identify how empty mileage, market share and contract locations (within-state, out-of-state, etc.) may change for owner-operators, small and large carriers. The GTHA CV model is a trip-based model with three components – truck trip generation, truck trip distribution and traffic assignment. Truck trip generation is based on a set of regression models, the outcomes of which suggest that rate-based trip generation – a common approach in the operational freight models – is not appropriate for most industry categories and truck types. Two applications of the CV model are presented in this thesis – off-peak truck deliveries and automated trucking. Model results of off-peak scenarios suggest that a daily travel time savings of over 5500 vehicle-hours can be obtained in the GTHA. Automated trucking is predicted to cause more congestion during partial adoption, but substantial travel time savings will be achieved at full automation.
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 | 0,000 | 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 | 0,001 | 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) | 0,000 | 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 ».