Resilience Assessment and Recovery Strategy for High‐Speed Railway Networks Considering Spatiotemporal Dynamic Characteristics
Notice bibliographique
Résumé
The service link in a high‐speed railway (HSR) network has an evident temporal attribute, and conventional research methods ignore the importance of temporal information in resilience assessments. Hence, in this study, an HSR service network model based on a temporal network framework is constructed, and an HSR service network resilience assessment method considering spatiotemporal dynamic characteristics is proposed. Considering the heterogeneity of train flow in different time periods and taking the time cost of the shortest temporal path as the network performance measure, a resilience assessment model is established based on the HSR temporal service network, and an algorithm for solving the network performance is designed. Taking China’s HSR network as a case study, the research results showed that the optimal recovery strategy exhibited a higher resilience value than four other recovery strategies. In different spatiotemporal dimensions, the impact of disturbance events on network resilience is different, and the corresponding optimal restoration sequence is also different, making the resilience of the HSR network to exhibit evident differences in the spatiotemporal distribution. In addition, an increase in the number of repair resources is not proportional to the improvement in network resilience. The railway emergency department should comprehensively consider the spatiotemporal characteristics of the disturbance distribution and reasonably determine the restoration sequence and the number of repair resources.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».