Analysing the Vulnerability of Public Transport Networks
Notice bibliographique
Résumé
This paper analyses the robustness of specific public transport networks. Common attributes and which of them have more influence on the networks’ vulnerability are established. Initially, the structural properties of the networks in two graphical representations (L-Space and P-Space) are checked. Afterwards, the spread of problems (traffic jams, etc.) are simulated, employing a model based on a propagation and recovery mechanism, similar to those used in the epidemiological processes. Next, the size of the largest connected subset of stops of the network (giant component) is measured. What is shown is that the faults randomly happened at stops or links, also displaying that those that occurred in the highest weighted links spread slower than others. These others appear at stops with the largest level of betweenness, degree, or eigenvector centralities and PageRank. The modification of the giant component, when several stops and links are removed, proves that the removal of stops with the highest interactive betweenness, PageRank, and degree centralities has the most significant influence on the network’s integrity. Some equivalences in the degree, betweenness, PageRank, and eigenvector centrality parameters have been found. All networks show high modularity with values of index Q close to 1. The networks with the highest assortativity and lowest average number of stops are the ones which a passenger can use to travel directly to their destination, without any change. The Molloy–Reed parameter is higher than 2 in all networks, demonstrating that high integrity exists in them. All stops were characterized by low k-cores ≤3.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».