article_20251229_093944.json 21 KB

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248249250251252253254255256257258259260261262263264265266267268269270271272273274275276277278279280281282283284285286287288289290291292293294295296297298299300301302303304305306307308309310311312313314315316317318319320321322323324325326327328329330331332333334335336337338339340341342343344345346347348349350351352353354355356357358359360361362363364365366367368369370371372373374375376377378379380381382383384385386387388389390391392393394395396397398399400401402403404405406407408409410411412413414415416417418419420421422423424425426427428429430431432433434435436437438
  1. {
  2. "article": {
  3. "pdf_metadata": {
  4. "filename": "1-s2.0-S0191261504000402-main.pdf",
  5. "filepath": "./data/pdfs/1-s2.0-S0191261504000402-main.pdf",
  6. "file_hash": "46a834472363b3c8a6f0101568d3e5b7",
  7. "file_size": 371197,
  8. "page_count": 15,
  9. "creation_date": "2025-12-29T08:04:30.114031",
  10. "modification_date": "2025-06-15T11:59:33.939400"
  11. },
  12. "source_file": "./data/pdfs/1-s2.0-S0191261504000402-main.pdf",
  13. "file_hash": "46a834472363b3c8a6f0101568d3e5b7",
  14. "title": "Implementation and estimation of a combined model",
  15. "authors": [
  16. "Tel.: +1-217-244-5369",
  17. "fax: +1-217-244-1717."
  18. ],
  19. "year": "2004",
  20. "journal": "",
  21. "doi": "10.1016/j.trb.2004.02.005Transportation",
  22. "abstract_en": "## Abstract\nAbstract\nA combined model of interregional, multimodal commodity shipments, incorporating regional input–\noutput relationships, and the associated transportation network flows is formulated as an alternative to the\ntraditional four-step travel forecasting procedure of trip generation, distribution, mode choice, andassignment. The paper describes the formulation of the model, its solution using US interregional com-modity shipment data, estimation of key parameters, and evaluation of the performance of the model withtheobserveddata.The modelwasimplementedtopredictinterregionalcommodityshipments byroadsandrailways among regions of the US when these networks were disrupted by earthquakes or other naturalevents./C2112004 Elsevier Ltd. All rights reserved.",
  23. "summary_et": "**Põhjalik kokkuvõte artiklist \"Implementation and estimation of a combined model of interregional, multimodal commodity shipments and transportation network flows\"**\n\n**1. ARTIKLI PEAMISED PUNKTID:**\n\n* **Uurimisküsimused ja eesmärgid:** Artikkel püstitab eesmärgiks luua ja rakendada integreeritud (combined) mudelit, mis ühendab piirkondliku majanduse (sisend-väljund seosed), regioonidevahelised kaubavedud ja kauba voolud transpordivõrgustikel. Peamised eesmärgid on: 1) formuleerida alternatiivne mudel traditsioonilisele \"nelja sammu\" reisijate liikumise prognoosimise meetodile (trip generation, distribution, mode choice, assignment); 2) lahendada mudel USA andmete põhjal; 3) hinnata mudeli võimekust ennustada kaubavooge ning analüüsida võrgu häireid (nt maavärinate) mõju.\n* **Teaduslik tähtsus:** Töö täidab olulist lünka teaduses ja praktikas, kuna regioonidevaheliste kaubavedude modelleerimine on oluliselt vähem arenenud kui linnasisene reisijate liikumise modelleerimine. Puuduvad suuremahulised, hinnatud ja rakendatud mudelid, mis integreeriksid majanduslikke ja võrguvoogusid.\n* **Uudne panus valdkonda:** Artikkel pakub välja ja rakendab praktiliselt **integratiivset lähenemist**, mis ühendab otseselt piirkondlikku majanduslikku nõudlust (sisend-väljund mudelite kaudu) transpordivõrgu pakkumise ja kasutajate käitumisega (marsruutimisvalikud). See on alternatiiv traditsioonilistele järjestikustele (sequential) prognoosimismeetoditele. Mudelit rakendatakse suuremahuliste reaalsete andmete peal (USA kaubavedud, teedevõrk) ja hinnatakse selle täpsust.\n\n**2. KASUTATUD MEETODID:**\n\n* **Andmete kogumise meetodid:** Mudeli hindamiseks ja kalibreerimiseks kasutati **USA kaubavedude loenduse (Commodity Flow Survey) andmeid**. Lisaks kasutati detailseid **teedevõrgu ja raudtevõrgu andmeid**, et modelleerida füüsilist taristut. Andmed olid piirkondlikul tasandil (mitte linnasisese või riikliku taseme koondandmed).\n* **Analüüsimeetodid:** Põhimeetodiks on **matemaatiline optimeerimine**, kus mudel on formuleeritud kui mittelineaarse programmeerimise ülesanne. Kasutati **sõlmpunkti-hinnangut (node-price estimation)** meetodit, et leida tasakaalulised kaubavood, mis rahuldavad nii majanduslikke piiranguid (nõudlus ja pakkumine piirkondades) kui ka transpordivõrgu võimekust.\n* **Mudelid ja algoritmid:** Artiklis kirjeldatakse **\"combined\" või integreeritud mudelit**. See sisaldab kolme põhikomponenti:\n 1. **Regioonimajanduse komponent:** Kirjeldab kaupade tootmist ja tarbimist piirkondades sisend-väljund seoste kaudu.\n 2. **Kaubavedude jaotuse ja režiimivaliku komponent:** Määrab, kui palju kaupa liigub ühest piirkonnast teise ja millist transpordiviisi (raudtee või veok) kasutatakse, lähtudes transpordikuludest.\n 3. **Võrguvoogude määramise (assignment) komponent:** Suunab konkreetsed kaubavood füüsilisele teedevõrgu- ja raudteelõikudele, võttes arvesse võimalikke ummikuid (konjestiooni).\n Need kolm komponenti lahendatakse mitte järjestikku, vaid **üheaegselt ühes matemaatilises raamistikus**, mis tagab sisemise järjepidevuse.\n\n**3. PEAMISED TULEMUSED:**\n\n* **Olulisemad leidud:** Mudel osutus rakendatavaks suuremahuliste reaalsete andmetega. See suutis **ennustada kaubavooge** teedevõrgustikul ja raudteel piisava täpsusega. Mudel võimaldas analüüsida **võrguhäirete (disruption) mõju**, näidates, kuidas maavärina või muu katastroofi korral kaubavood ümber suunatakse ja transpordikulud tõusevad.\n* **Statistilised tulemused:** Artikkel esitab mudeli kalibreerimise tulemusi, sh hinnangud parameetritele, mis kontrollivad režiimivaliku ja marsruutimise tundlikkust kulude suhtes. Tulemused näitasid, et mudel suudab jäljendada vaadeldud kaubavooge olulisel määral.\n* **Mudeli täpsus ja piirangud:** Kuigi mudel näitas head tulemust, on sellel piiranguid. **Andmete kättesaadavus ja aggregatsioonitase** jäävad peamisteks väljakutseteks. USA kaubavedude andmed on küll olemas, kuid sageli liiga koondatud, et hinnata väga detailseid mudeleid. Lisaks eeldab mudel teatud tasakaaluseisundit, mis võib piirada selle kasutatavust dünaamilistes stsenaariumites.\n\n**4. JÄRELDUSED JA SOOVITUSED:**\n\n* **Peamised järeldused:** Integreeritud mudel, mis kombineerib majanduslikke seoseid, režiimivalikut ja võrguvoogusid, on **teostatav ja võimas vahend** regioonidevaheliste kaubavedude prognoosimiseks ja poliitikaanalüüsiks. See pakub **süstemaatsemat alternatiivi** traditsioonilistele meetoditele.\n* **Rakendussoovitused:** Mudelit saaks kasutada **taristuinvesteeringute prioriseerimiseks**, et tuvastada võtmelised lõigud võrgustikus, mis võivad tulevikus üle koormuse alla võtta. Samuti on see kasulik **riskianalüüsiks** loodusõnnetuste (maavärinad, üleujutused) korral, aidates hinnata võrgu vastupidavust (resilience) ja varuühenduste (redundancy) olulisust.\n* **Edasised uurimissuunad:** Edasine töö peaks suunduma **andmete paremale kättesaadavusele ja detailsele modelleerimisele**. Oluline on ka mudeli laiendamine, et arvestada **logistika- ja kettemaju** (nt laod, terminalid), **mitme transpordiviisi (intermodaalsuse)** keerukamaid stsenaariume ning **dünaamilisi ajalisi aspekte**.\n\n**5. TRANSFORDIPLANEERIMISE KONTEKST:**\n\n* **Parem transpordisüsteemi kujundamine:** Artikkel näitab, et tõhus taristuplaneerimine nõuab **süsteemset lähenemist**, mis integreerib majandusliku arengu, kaubavoogude mustrid ja füüsilise võrgu omadused. See võimaldab näha, kuidas investeeringud ühte piirkonda või ühel transpordiliigil mõjutavad vooge kogu süsteemis.\n* **Praktilised rakendused:** Mudelit saab kasutada:\n * **Pikaajalise taristuarengu strateegiate** koostamiseks.\n * **Kriisiolukordade (loodusõnnetused, suletud sild) mõju hindamiseks** ja hädaolukorraplaanide koostamiseks.\n * **Maksude või tollitasude muutuste mõju hindamiseks** kaubavoogudele.\n * **Erinevate transpordiliikide (nt rongi vs veok) rolli analüüsimiseks** riigi kaubavedudes.\n* **Rakendamine Eesti tingimustes:** Eesti, kui väike, kuid olulise transiidirolliga riik, võiks sellist lähenemist kasutada:\n * **Rahvusvaheliste ja piiriüleste kaubavoogude paremaks modelleerimiseks** (nt Eesti-Vene, Eesti-Läti suund).\n * **Oluliste taristuprojektide (nt Rail Baltica, sadamate arendus) mõju hindamiseks** kogu riigi kaubavoogudele ja majandusele.\n * **Eesti transpordivõrgu vastupidavuse analüüsiks**, eriti arvestades sõltuvust peamistest maanteekoridoritest (nt Tallinn-Tartu) ja raudteeliinidest. Mudel aitaks tuvastada kriitilisi lõike, mille sulgemine (õnnetus, remont) põhjustaks suuri häireid.\n * **Kauba jaotuse keskuste (logistikapargid) optimaalse paigutuse** hindamiseks, et minimeerida transpordikulusid ja linnaümbruse liikluskoormust.\n\nKokkuvõtteks pakub see artikkel välja ja demonstreerib praktilist rakendust terviklikule mudelile, mis võib olla võimas abivahend riiklikul ja piirkondlikul tasandil tehtavate transpordi- ja majanduspoliitiliste otsuste toetamiseks.",
  24. "key_concepts": [
  25. "interregional commodity shipments",
  26. "multimodal transportation",
  27. "combined model",
  28. "transportation network flows",
  29. "input-output relationships"
  30. ],
  31. "methods_used": [
  32. "Regressioonanalüüs",
  33. "Simulatsioon",
  34. "Võrguanalüüs",
  35. "Parameetri hinnang"
  36. ],
  37. "transport_context": {
  38. "analysis": "```json\n{\n \"theoretical_contribution\": \"Artikkel täidab olulist teoreetilist lünka, pakkudes välja integreeritud (combined) mudeli, mis ühendab otseselt piirkondlikku majanduslikku nõudlust (sisend-väljund mudelid), režiimivalikut ja võrguvoogude määramist ühtsesse matemaatilisse raamistikku. See on teaduslik edasiminek traditsioonilise järjestikuse (sequential) 'nelja sammu' meetodi suhtes, pakkudes süstemaatsemat ja sisemiselt järjekindlat alternatiivi regioonidevahelise kaubaliikluse modelleerimiseks.\",\n \"practical_applicability\": \"Mudeli praktiline rakendatavus on kõrge, kuna see on demonstreeritud suuremahuliste reaalsete USA andmetega (Commodity Flow Survey, teedevõrk). Seda saab kasutada pikaajalise taristustrateegia kujundamiseks, investeeringute prioriseerimiseks, võrgu vastupidavuse (resilience) analüüsiks häirete (nt loodusõnnetused) korral ning erinevate poliitikameetmete (maksud, tollid) mõju hindamiseks. Eesti kontekstis oleks see rakendatav Rail Balticu, sadamate ja peamiste maanteekoridorite mõju hindamisel.\",\n \"problem_solving\": \"Mudel lahendab reaalseid transpordiplaneerimise probleeme: 1) võimaldab prognoosida kaubavooge kogu riigi ulatuses, arvestades majanduslikke seoseid; 2) võimaldab analüüsida võrgu nõrku kohti ja häirete mõju, aidates kriisijuhatajaid; 3) toetab otsuseid taristuinvesteeringute kohta, näidates, kuidas muudatus ühes kohas mõjutab kogu süsteemi; 4) pakub võimalust hinnata erinevate transpordiliikide (raudtee vs maantee) rolli ja konkurentsi.\",\n \"limitations\": \"Peamisteks piiranguteks on andmete kättesaadavus ja aggregatsioonitase (detailsete piirkondlike andmete puudumine), mudeli staatiline olemus (eeldab tasakaaluseisundit, mis piirab dünaamiliste stsenaariumite analüüsi) ning lihtsustatud arvestus logistikakettede keerukusega (nt laod, terminalid, intermodaalsus). Mudeli rakendamine nõuab olulisi arvutusressursse ja spetsialistide oskusi.\",\n \"relevance_score\": 9\n}\n```",
  39. "relevance_score": 5
  40. },
  41. "relevance_score": 5,
  42. "processing_date": "2025-12-29T09:39:44.540875",
  43. "word_count": 5016,
  44. "section_count": 12
  45. },
  46. "embeddings_summary": [
  47. 0.02553594298660755,
  48. -0.03858186677098274,
  49. 0.021938135847449303,
  50. 0.04494081437587738,
  51. -0.07941783964633942,
  52. -0.0459660105407238,
  53. -0.01786128804087639,
  54. 0.08316583931446075,
  55. -0.06078742817044258,
  56. -0.009255838580429554,
  57. 0.027811860665678978,
  58. -0.06994356215000153,
  59. 0.012790563516318798,
  60. 0.009514633566141129,
  61. -0.03564635291695595,
  62. -0.04644903168082237,
  63. 0.004451265558600426,
  64. -0.02392628975212574,
  65. -0.05868856608867645,
  66. -0.009985745884478092,
  67. 0.08249154686927795,
  68. -0.0395197831094265,
  69. -0.09440060704946518,
  70. -0.04071976616978645,
  71. 0.03409388288855553,
  72. 0.05097363516688347,
  73. -0.03541233763098717,
  74. -0.06327922642230988,
  75. 0.009136006236076355,
  76. -0.028506111353635788,
  77. -0.033759597688913345,
  78. 0.10064063221216202,
  79. -0.017170391976833344,
  80. -0.022688912227749825,
  81. -0.02724016271531582,
  82. 0.06206231564283371,
  83. -0.09065725654363632,
  84. -0.02685120701789856,
  85. 0.035090915858745575,
  86. 0.046849917620420456,
  87. -0.059826429933309555,
  88. 0.0029367373790591955,
  89. -0.04152603819966316,
  90. -0.04364241287112236,
  91. 0.03822590783238411,
  92. -0.0636925920844078,
  93. -0.018555689603090286,
  94. -0.002642012434080243,
  95. -0.027378737926483154,
  96. 0.09073097258806229,
  97. -0.022519340738654137,
  98. 0.021002432331442833,
  99. -0.028339605778455734,
  100. 0.02291836030781269,
  101. 0.004191244952380657,
  102. -0.04882218316197395,
  103. 0.00026930999592877924,
  104. -0.0293808002024889,
  105. -0.011289157904684544,
  106. 0.025896701961755753,
  107. -0.02419242449104786,
  108. -0.024871064350008965,
  109. -0.06696988642215729,
  110. -0.01591848023235798,
  111. 0.03689558431506157,
  112. -0.003741931403055787,
  113. -0.0949612408876419,
  114. -0.0048653422854840755,
  115. -0.05333436280488968,
  116. -0.013880519196391106,
  117. 0.0039093829691410065,
  118. 0.008202552795410156,
  119. -0.07357306778430939,
  120. 0.020045895129442215,
  121. -0.005512390285730362,
  122. -0.05254829302430153,
  123. 0.08652302622795105,
  124. 0.0632699579000473,
  125. -0.025801729410886765,
  126. -0.07255170494318008,
  127. 0.05432095378637314,
  128. 0.08286001533269882,
  129. 0.017309116199612617,
  130. -0.07057762145996094,
  131. -0.014271737076342106,
  132. -0.0453098900616169,
  133. -0.001455332851037383,
  134. 0.05281020700931549,
  135. 0.0057295854203403,
  136. -0.056594349443912506,
  137. 0.0536307618021965,
  138. 0.10080822557210922,
  139. -0.046637531369924545,
  140. -0.0277089960873127,
  141. 0.029395554214715958,
  142. -0.002920605707913637,
  143. -0.05430147796869278,
  144. 0.020879609510302544,
  145. 0.04308713600039482,
  146. 0.02001192793250084,
  147. 0.06328767538070679,
  148. 0.005520020145922899,
  149. 0.03167513757944107,
  150. -0.02962201088666916,
  151. -0.0873313918709755,
  152. -0.03672366961836815,
  153. 0.0028865006752312183,
  154. -0.04146948084235191,
  155. 0.01430813129991293,
  156. 0.06414445489645004,
  157. -0.08217228204011917,
  158. -0.026109889149665833,
  159. -0.008263242430984974,
  160. -0.05325750261545181,
  161. -0.08570614457130432,
  162. 0.033176518976688385,
  163. -0.037894051522016525,
  164. 0.006280810106545687,
  165. 0.04255806282162666,
  166. 0.01539259310811758,
  167. -0.020287686958909035,
  168. -0.07847242802381516,
  169. 0.16706570982933044,
  170. -0.012093898840248585,
  171. 0.028134288266301155,
  172. 0.09428604692220688,
  173. 0.12979985773563385,
  174. 1.7536630105157559e-32,
  175. -0.12835510075092316,
  176. -0.11458688974380493,
  177. -0.05413268879055977,
  178. 0.02830413356423378,
  179. 0.04970879480242729,
  180. -0.01883656159043312,
  181. -0.0982101783156395,
  182. -0.10273326188325882,
  183. 0.100429967045784,
  184. -0.08748932927846909,
  185. -0.06717614829540253,
  186. 0.08964374661445618,
  187. -0.015458956360816956,
  188. 0.06547603011131287,
  189. 0.0033947003539651632,
  190. -0.053977277129888535,
  191. 0.05012795329093933,
  192. 0.010211274027824402,
  193. 0.049455199390649796,
  194. -0.002865384565666318,
  195. 0.014860345982015133,
  196. -0.1626242995262146,
  197. 0.017413876950740814,
  198. -0.05626392737030983,
  199. 0.062207918614149094,
  200. 0.04978945478796959,
  201. 0.05131193622946739,
  202. 0.010179510340094566,
  203. 0.0068914033472537994,
  204. 0.05252421647310257,
  205. 0.025838863104581833,
  206. 0.018276464194059372,
  207. -0.04340122640132904,
  208. -0.04370864853262901,
  209. -0.09243884682655334,
  210. 0.0533803291618824,
  211. -0.043568044900894165,
  212. -0.017040152102708817,
  213. -0.04378197714686394,
  214. -0.07504799216985703,
  215. -0.06525013595819473,
  216. -0.03830070048570633,
  217. -0.013157829642295837,
  218. 0.045961689203977585,
  219. -0.0260558370500803,
  220. 0.07087136059999466,
  221. 0.03550723195075989,
  222. -0.013979379087686539,
  223. 0.08475326001644135,
  224. 0.03339383751153946,
  225. -0.08359412103891373,
  226. -0.02507966198027134,
  227. 0.005624246783554554,
  228. -0.10784712433815002,
  229. -0.030133327469229698,
  230. 0.03527778014540672,
  231. 0.022330259904265404,
  232. -0.019339432939887047,
  233. 0.0457616001367569,
  234. 0.026611942797899246,
  235. -0.05930104851722717,
  236. 0.03441707044839859,
  237. 0.05513681843876839,
  238. -0.014382930472493172,
  239. 0.11582360416650772,
  240. 0.004899156279861927,
  241. -0.04268929734826088,
  242. 0.029368842020630836,
  243. 0.018560409545898438,
  244. -0.043725717812776566,
  245. 0.006537127308547497,
  246. -0.04879150167107582,
  247. 0.011697681620717049,
  248. 0.07662219554185867,
  249. 0.07349101454019547,
  250. -0.057134710252285004,
  251. 0.029354291036725044,
  252. 0.0692046582698822,
  253. -0.009262398816645145,
  254. 0.017516452819108963,
  255. -0.16997666656970978,
  256. 0.033971287310123444,
  257. -0.010928925126791,
  258. -0.047471750527620316,
  259. 0.0693032294511795,
  260. 0.010244419798254967,
  261. 0.0131576182320714,
  262. 0.01193268969655037,
  263. -0.021647412329912186,
  264. 0.008204050362110138,
  265. -0.027942746877670288,
  266. 0.0838007777929306,
  267. -0.045850642025470734,
  268. 0.07820138335227966,
  269. 0.037507563829422,
  270. -1.8142698829394206e-32,
  271. 0.052635807543992996,
  272. 0.1177782416343689,
  273. -0.00841568224132061,
  274. 0.03746025264263153,
  275. 0.04603241756558418,
  276. -0.0035687796771526337,
  277. 0.037463124841451645,
  278. 0.04336005076766014,
  279. 0.11186465620994568,
  280. 0.056497056037187576,
  281. -0.07981260865926743,
  282. 0.029041580855846405,
  283. -0.016211306676268578,
  284. -0.025082360953092575,
  285. 0.07280034571886063,
  286. -0.037884894758462906,
  287. 0.07762318104505539,
  288. -0.056037481874227524,
  289. 0.005337551701813936,
  290. 0.022243989631533623,
  291. -0.03685201704502106,
  292. -0.031937386840581894,
  293. -0.09702509641647339,
  294. -0.023734232410788536,
  295. -0.03186893090605736,
  296. 0.052213963121175766,
  297. 0.0014873715117573738,
  298. -0.05991849675774574,
  299. -0.09222617000341415,
  300. -0.058059897273778915,
  301. 0.020732909440994263,
  302. -0.040193431079387665,
  303. -0.003769724164158106,
  304. 0.07159611582756042,
  305. -0.042594607919454575,
  306. 0.05915249511599541,
  307. -0.004675704520195723,
  308. 0.07544353604316711,
  309. -0.028421197086572647,
  310. 0.0548652820289135,
  311. 0.014288079924881458,
  312. -0.004432775545865297,
  313. -0.027717165648937225,
  314. -0.04338366910815239,
  315. -0.022993693128228188,
  316. -0.037425581365823746,
  317. 0.0024557681754231453,
  318. -0.015846654772758484,
  319. -0.012731741182506084,
  320. -0.051065221428871155,
  321. 0.04784781113266945,
  322. 0.10735106468200684,
  323. -0.06059714034199715,
  324. 0.00711061479523778,
  325. 0.0275972131639719,
  326. 0.10123540461063385,
  327. 0.008005778305232525,
  328. -0.09342382848262787,
  329. -0.06475044041872025,
  330. -0.059434060007333755,
  331. 0.057056453078985214,
  332. -0.017033684998750687,
  333. 0.04941663518548012,
  334. 0.016587527468800545,
  335. 0.023545533418655396,
  336. -0.008980108425021172,
  337. 0.04133928567171097,
  338. -0.05189108848571777,
  339. 0.01346521358937025,
  340. 0.0502343475818634,
  341. -0.026193561032414436,
  342. 0.003943039104342461,
  343. -0.01248055137693882,
  344. 0.004623095504939556,
  345. 0.05451192334294319,
  346. -0.03692253679037094,
  347. 0.03168927878141403,
  348. 0.07338538020849228,
  349. 0.004254200495779514,
  350. -0.009200080297887325,
  351. -0.07151933759450912,
  352. 0.050043873488903046,
  353. -0.020852157846093178,
  354. -0.007207037415355444,
  355. -0.022788727656006813,
  356. -0.046580590307712555,
  357. -0.02619493193924427,
  358. -0.05295121669769287,
  359. 0.032151974737644196,
  360. 0.06775656342506409,
  361. -0.03243590518832207,
  362. 0.039150599390268326,
  363. -0.04010387882590294,
  364. 0.017184283584356308,
  365. -0.0667479932308197,
  366. -7.100137366933268e-08,
  367. -0.03772874176502228,
  368. -0.03097008727490902,
  369. -0.004402531776577234,
  370. -0.014099598862230778,
  371. 0.037047166377305984,
  372. -0.03425757959485054,
  373. 0.014242107048630714,
  374. 0.02036445215344429,
  375. -0.07182212173938751,
  376. 0.04029681533575058,
  377. -0.01593194343149662,
  378. 0.04924720153212547,
  379. -0.08970420062541962,
  380. 0.058124855160713196,
  381. -0.031452566385269165,
  382. -0.04150364175438881,
  383. 0.03438885509967804,
  384. 0.09666287899017334,
  385. -0.06884360313415527,
  386. -0.06618617475032806,
  387. 0.05413050577044487,
  388. -0.031146015971899033,
  389. -0.019741637632250786,
  390. 0.008877341635525227,
  391. 0.07772832363843918,
  392. -0.005792689509689808,
  393. 0.0025421329773962498,
  394. -0.0048798504285514355,
  395. 0.06475861370563507,
  396. -0.04258866235613823,
  397. -0.01887308992445469,
  398. 0.03654437139630318,
  399. -0.0740797221660614,
  400. 0.0036979904398322105,
  401. -0.02713548019528389,
  402. 0.0015018745325505733,
  403. -0.029480205848813057,
  404. 0.07940908521413803,
  405. 0.008304673247039318,
  406. 0.024931536987423897,
  407. 0.008108645677566528,
  408. -0.023656563833355904,
  409. 0.026590347290039062,
  410. -0.022432830184698105,
  411. 0.06911390274763107,
  412. 0.027633944526314735,
  413. -0.08908896893262863,
  414. -0.041683379560709,
  415. 0.015650050714612007,
  416. 0.010651352815330029,
  417. -0.07280213385820389,
  418. -0.0073805381543934345,
  419. 0.004000515677034855,
  420. 0.0827317014336586,
  421. 0.07165268063545227,
  422. -0.04260500147938728,
  423. -0.0565752275288105,
  424. -0.04909461736679077,
  425. 0.0317293219268322,
  426. 0.009735777974128723,
  427. -0.06200677528977394,
  428. -0.04242749512195587,
  429. -0.06381970643997192,
  430. -0.02161163091659546
  431. ],
  432. "processing_stats": {
  433. "pdf_pages": 15,
  434. "summary_length": 6986,
  435. "concepts_count": 5,
  436. "methods_count": 4
  437. }
  438. }