Vulnerability Analysis of China‐Europe Railway Express Network Based on Improved Nonlinear Load‐Capacity Model
Notice bibliographique
Résumé
The China‐Europe Railway Express (C‐ER Express) provides a transcontinental rail container service between China and Europe. As most C‐ER Expresses are affected by frequent natural disasters and public health incidents, it faces the increasing risk of network vulnerability. When previous studies investigated the evolution of network vulnerability through local information, they often overlook the complexity of the network’s multidimensional characteristics. The nonlinear load‐capacity (NLC) model proposed in this paper integrates local and global information of the network. This approach enables a detailed investigation into how condition thresholds and different types of nodes influence network vulnerability. Firstly, a feature matrix is constructed for C‐ER Express based on the topological measures, freight information, and external environment scores. Then, the autoencoder is used to extract the low‐dimensional dense information, and the DBSCAN is used to classify C‐ER Express into distinct clusters. Secondly, The NLC model integrates feature coefficient to describe the initial capacity of nodes. Subsequently, the failure load is redistributed proportionally to neighboring nodes and remaining normal nodes based on time‐varying load and initial capacity of nodes. Finally, the improved NLC model is applied to the C‐ER Express under different simulation scenarios. Simulation results show that a reasonable condition threshold can mitigate the impact of small‐scale node failures on the network. The DBSCAN attack strategy can effectively identify the node types and prevent the network from chain reactions brought by different types of node failures. This research study is expected to provide some reference value for relevant research about vulnerability analysis of the C‐ER Express network.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».