How contraflow enhances clearance time during assisted mass evacuation – A case study exploring the Australian 2013–14 Gippsland bushfires
Notice bibliographique
Résumé
Evacuation during a catastrophic disaster is a crucial operation that needs to be appropriately managed and is of more importance when considering the elderly and people with disabilities. The uncertain and unpredictable nature of disasters can cause long-term repercussions, especially in traffic congestion. This study presents a mathematical model to formulate traffic balance for regular and assisted evacuation (that is, disabled and the elderly) whilst considering traffic congestion in evacuation clearance time by applying contraflow. A Branch and Price (B&P) related approach is developed to help solve the proposed model in large-size problems. The presented algorithm is applied to a case study of Australia’s 2013–14 bushfires in Gippsland, located in the eastern part of Victoria. A variation test is performed to evaluate the robustness of results generated by the developed model. Results indicate that the participation percentage of edges is different based on their location, capacity, and sustainability of blockage. The edges’ capacity influences the evacuated population most compared to route capacity and time window. The output of this approach enables authorities to improve the resilience of communities by making optimal strategic and operational decisions for enhancing an evacuation response as well as influencing appropriate policies. • A novel integrated assisted mass evacuation model is developed to improve efficiency. • Evacuation of elderly people and those with disabilities are investigated in this study. • An Accelerated Branch & Price algorithm is proposed to tackle large-scale evacuation issues. • Contraflow is added to the model to boost network capacity and cut clearance time.
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 | 0,002 | 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 | 0,001 | 0,002 |
| 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 ».