Système d'aide à la régulation et à la reconfiguration des réseaux de transports SVM et algorithme à colonie de fourmis
Bibliographic record
Abstract
La régulation des réseaux de transport en commun est une tâche qui se fait en temps réel et qui devient de plus en plus difficile pour un opérateur humain, avec un nombre de stations, de véhicules et de modes qui ne cesse d'augmenter. Le régulateur se trouve parfois devant des cas de perturbations très compliqués où il doit refaire la planification du réseau. Il s'agit d'une reconfiguration spatiale ainsi qu'une régulation horaire. C'est un travail encore plus délicat que la régulation. Cet article propose un système d'aide à la régulation ainsi qu'à la reconfiguration. Il utilise un premier algorithme de classification SVM (Support Vectors Machines) pour la régulation et un deuxième algorithme à colonie de fourmis pour la reconfiguration spatiale et horaire. Dans cette approche, nous avons utilisé une nouvelle idée de recherche locale à dimension dynamique. Les résultats obtenus confirment les bonnes performances des deux approches pour l'adaptation d'un réseau de transport multimodal aux conditions réelles d'exploitation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".