Notice bibliographique
Résumé
In the business environment of today where railroads are competing head to head with trucks, and often in a tightly structured logistics chain, providing transportation in tandem with those competitors, improved equipment utilization is a large part of the drive to get more capacity out of existing infrastructure. Equipment utilization and asset management mean virtually the same thing: positioning cars, locomotives and crews to support an operating plan. Equally important is: how cars and locomotives are maintained, inspected, and repaired, and to have the tools the mechanical forces employ to do the most efficient job possible to keep the assets moving and perhaps create additional capacity. One of the important aspects to equipment utilization/asset management is scheduling. The focus of this article is on examination of how scheduled operations wrest more work from existing fleets. Highly sophisticated computer modeling tools and computer based operating systems, combined with common sense approaches are helping railroads improve their equipment utilization, whether it is for boxcars or boxes. Systems like Norfolk Southern's (NS) Thoroughbred Operating Plan (TOP) and service products like Canadian National's (CN) Intermodal Excellence (IMX) have become industry standard. The article discusses NS and CN asset management systems as the best examples for building capacity through well planned equipment utilization. For NS, Top has provided enormous benefits, not the least of which is this railroad's ability to handle unprecedented traffic growth. For CN, a new precision intermodal product and service plan called IMX has boosted train capacity by more than 20%.
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 | 0,000 | 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) | 0,002 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».