Étude comparative de divers modèles pour le problème de transport à la demande
Bibliographic record
Abstract
Le problème de transport à la demande consiste à déterminer les tournées et horaires des véhicules qui effectuent le transport d'usagers à leur demande. Ce problème se pose, par exemple, dans le transport adapté de personnes handicapées ou âgées. Le problème de transport à la demande se diférencie des problèmes classiques de cueillettes et livraison puisque ce sont des personnes qui sont transportées. Il est alors naturel de tenir compte du niveau de service offert en plus des coûts encourus. La conception d'un système automatisé de transport à la demande doit donc chercher un équilibre entre les coûts d'opération et la qualité du service. Pour la version statique du problème, plusieurs modèles et algorithmes capables de produire des solutions de bonne qualité sous diverses contraintes liées à la performance ou au bien-être des usagers existent déjà. Par contre, à la connaissance des auteurs, il n'existe aucune étude systématique sur les meilleurs compromis à atteindre entre les coûts de transport et le niveau de service souhaitable. Cet article vise à combler cette lacune. Pour ce faire, onze modèles ont été implantés et les résultats obtenus ont ete comparés. La fonction objectif de chacun de ces modèles comprend deux termes, le premier représentant les coûts de transport et le deuxième représentant le niveau de service (ou les conditions de travail des chauffeurs). Des analyses de sensibilité ont été effectuées en modifiant le poids associé au deuxième terme des fonctions objectif.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".