MétaCan
Menu
Retour à la cohorte
Enregistrement W4291237963 · doi:10.1061/jtepbs.0000705

Robustness Quantification of Transit Infrastructure under Systemic Risks: A Hybrid Network–Analytics Approach for Resilience Planning

2022· article· en· W4291237963 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Transportation Engineering Part A Systems · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésRobustness (evolution)Computer scienceCascading failureCluster analysisDistributed computingRisk analysis (engineering)BusinessElectric power systemArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Disruptions due to either natural or anthropogenic hazards can significantly impact the operation of critical infrastructure networks (e.g., transportation systems) as they may instigate network-level (cascade) systemic risks, thus impacting the overall city resilience. Recent relevant studies demonstrated the need to quantify the resilience of city infrastructure networks following failures of one/some of their main components, considering both topological and operational network measures. Subsequently, focusing on robustness (a key resilience attribute) and on transit (a major critical infrastructure network), the current study develops a related quantification tool employing a hybrid approach that integrates complex network theoretic measures with data analytics, and specifically clustering and genetic algorithms. To demonstrate the practical utility of the developed tool, the robustness of the City of Minneapolis bus transit network is quantified under possible cascade failures represented by node (i.e., bus stop), link (i.e., route segment), and route failure scenarios. The robustness quantification of this transit network is facilitated by analyzing 43 topological and operational measures using a coupled map lattice model integrated with a direction-based passenger flow redistribution model. Absorptive capacity thresholds are subsequently identified under different passenger flow-to-route capacity ratios. Finally, the routes are categorized based on their influences on the network robustness using genetic algorithms coupled with K-means clustering. The developed approach aims at providing a better understanding of transit systems pre- and postdisruptions by identifying key components that control the network robustness and subsequently devising reliable systemic risk management strategies and recovery plans. Such strategies and plans are expected to facilitate city resilience planning through management of cascade failure risks attributed to natural and anthropogenic hazard events.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil0,847

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,241
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle