Managing Unplanned Rail Disruptions: Policy Implications and Guidelines Towards an Effective Bus Bridging Strategy
Notice bibliographique
Résumé
Bus bridging is a key strategy used by transit agencies to handle rail service interruptions. In practice, buses are dispatched from scheduled services to act as temporary shuttles along the disrupted rail segment. This study provides a robust analysis of four factors affecting bus bridging policies: 1) initial dispatch direction of shuttle buses, 2) dispatch time (i.e., the response time for requesting shuttle buses), 3) uncertainty in predicting the incident duration, and 4) reduction of metro passengers demand because of disruption. A user delay modeling tool is used to assess various bus bridging policies based on their resulting users’ delays (for affected passengers) and other system performance measures. The tool was validated, and sensitivity analysis was conducted based on real disruption scenarios that suspended various segments of the metro service in the City of Toronto. The main results indicate that: 1) the initial dispatch direction of shuttle buses should take into consideration the demand at the disrupted segment while maintaining a moderate level of shuttle bus utilization; 2) a 1-min increase in the dispatch time causes about 0.4 min additional waiting time at disrupted metro stations per passenger; 3) incidents with high forecasting errors can cause excessive delays for metro passengers and significant wasted time of non-utilized shuttle buses; and, 4) significant users’ delay savings are observed at higher demand reduction levels. This paper provides transportation practitioners and planners with a better understanding of the different aspects of bus bridging policies based on users’ delays and shuttle buses’ performance metrics.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».