Exploring the Impact of COVID-19 on Aircraft Boarding Strategies Using Discrete Event Simulation
Notice bibliographique
Résumé
Aviation is one of the most severely impacted industries by COVID-19.The passenger boarding-process is not only a bottleneck but is also one of the riskiest processes for COVID-19 transmission.There is a need for a decision-support tool that can proactively test the impact of COVID-19 policies on the passenger boarding-process.We achieve this by developing an adaptable modeling approach to Discrete Event Simulation (DES) that simulates the process of boarding under different COVID-19 policies and boarding-strategies.DES model was created using time and motion studies, flightlogs and manuals.Programing-logic was created using n=29 subject-matter experts.As a demonstratorcase, we tested seven of the most common boarding-strategies under different COVID-19 stages: pre-COVID, COVID-19 stage 1 and 2. Preliminary-results show the COVID-19 transmission risk may be decreased with a trade-off: passenger-satisfaction may decrease due to an increase in boarding-time and waiting-time.Steffen's method was most-effective in minimizing COVID-19 risk but is the most difficult to implement.Reverse pyramid and Window Middle Aisle, while slightly less effective than Steffen's method, but overall, more-effective and easier to implement with minimal COVID-19 risk.For COVID-19 stage 1 and 2, boarding time increased up to 33% and 64%, respectively, in-comparison to baseline pre-pandemic conditions.Further, up to 1.5 and 6.6 seat and aisle interferences along with a jetway-seat time of up to 13 minutes were observed.The developed modeling approach serves as a direct response to ICAO's (International Civil Aviation Organization) need for a tool to proactively test and develop policies that minimize COVID-19 risk.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».