Development of a Multimodal Microsimulation-Based Evacuation Model
Notice bibliographique
Résumé
This study presents a multimodal evacuation microsimulation modeling framework. The paper first determines optimum marshal point locations and transit routes, then examines network conditions through traffic microsimulation of a mass evacuation of the Halifax Peninsula, Canada. The proposed optimization modeling approach identifies marshal point locations based on transit demand obtained from a Halifax Regional Transport network model. A mixed integer linear programming (MILP) technique is used to formulate the marshal point location and transit route choice problem. The study proposes a novel approach to solving the MILP problem, using the “branch and cut” algorithm, which demonstrates superiority in computation time and production of quality solutions. The optimization model determines 135 marshal points and 12 transit routes to evacuate approximately 8,400 transit-dependent individuals. Transit demand and marshal point locations are found to be concentrated at the core of the peninsula. The microsimulation modeling takes a dynamic traffic assignment-based approach. The simulation model predicts that it takes 22 h to evacuate all auto users but just 7 h for the transit-dependent population. The study reveals that the transit system has excess capacity to assist evacuees who switch from auto and other modes. Local traffic congestion prolongs the evacuation of a few densely-populated zones in the downtown core of the peninsula. The findings of this research help policy-makers understand the impacts of marshal point locations and transit route choice decisions on multimodal evacuation performance, and provide insights into emergency planning of multimodal evacuations under "mode switch" and transit-based evacuation scenarios.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».