Le secteur du transport interurbain et la recherche opérationnelle : une synergie méconnue à exploiter
Bibliographic record
Abstract
Résumé Les gestionnaires du secteur du transport font régulièrement face à des problèmes de répartition de cueillettes, d’élaboration d’horaires ou d’itinéraires. Par exemple, un répartiteur doit déterminer quels colis un camion donné ira chercher, dans quel ordre il les cueillera et quels chemins il empruntera. Le coût du service rendu dépend de façon cruciale de ces décisions. L’objectif du présent article est de présenter des outils scientifiques qui permettent d’obtenir rapidement des solutions très efficientes. Cette approche scientifique est comparée à des méthodes intuitives utilisées couramment dans le secteur du transport et les gains financiers – et autres – que permet l’approche scientifique sont évalués. Les outils quantitatifs décrits dans cet article ont un champ d’application qui déborde largement le transport interurbain par camion. Ce secteur a été retenu pour illustrer de façon concrète les gains de productivité offerts aux gestionnaires par la recherche opérationnelle.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".