Assessing the Bus Bridging Effectiveness on the Operational Resilience of the Subway Service in Toronto
Notice bibliographique
Résumé
Unplanned rail disruptions result in substantial delays to passengers and severe effects on the economy of a large city like Toronto. While bus bridging has been a widely adopted method to replace the subway service in such events, its effect on the operational resilience of the subway service is less often studied. This study assesses the resilience of the subway network of Toronto employing an optimal bus bridging strategy. First, subway incidents are categorized based on their characteristics using K-mean clustering analysis. The incidents are then grouped based on the performance of optimal bus bridging plans. Classification and regression tree analysis is used for this task, employing two metrics: the total user delay and total number of shuttle buses under the optimal bridging scenario. Queueing and optimization models developed previously by the University of Toronto are used to determine and simulate the optimal bus bridging plans of a sample of incidents. The severity of unplanned disruptions is finally demonstrated using a severity scale and the effect of incident duration uncertainty is analyzed. The results show that along the congested city alignments, where the capacity of the roads and stations is limited, the bus bridging service is often insufficient to replace the train service. However, it could be a good alternative in uncongested subway segments where the available street capacity is relatively high, allowing large bus volumes to serve the corridor. This model is easily applicable to different rail systems and it could assess other systems to produce better bridging plans.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».