Enhancing dynamic resilience of traffic network: Role of Bayesian pre-posterior analysis supported by real-time congestion scanning technology
Notice bibliographique
Résumé
ABSTRACT Major unanticipated disruptions to the traffic network that result in severe delays to travellers and adverse socio-economic impacts require an emergency preparedness strategy. Examples are bridge collapse caused by collision with a ship or fire or structural failure, and bridge closure due to stormwater. Although the inherent resilience of the traffic network can reduce the intensity of effects, dynamic resilience is required to further reduce delays until the disruption is removed or necessary demand management actions are implemented. The emergency preparedness mandate can be well-served with dynamic resilience action tested in a digital twin of the traffic network. This paper reports research on the development of dynamic resilience capability of the traffic network. Following problem definition, the methodological framework is described that incorporates dynamic stochastic assignment method-based traffic control system, real-time congestion scanning technology, and Bayesian pre-posterior analysis method that requires the use of scanning technology. The developed methodological framework guides decisions on the choice of dynamic resilience action and implementation time to minimize delay. The Chaudière Bridge that links Cities of Ottawa and Hull/Gatineau in the Canadian National Capital Area is used as a case study. This bridge outage caused by stormwater demonstrates the role of dynamic resilience in addressing uncertain states of post-disruption traffic delay. As compared to the business-as-usual traffic control, the dynamic resilience action-based control reduces delay by 12.3% under very high delay condition. The developed new methodological framework for analyzing network resilience can be applied to other major network disruption cases to reduce delay.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».