Risk Mapping for Daily High‐Speed Railway Disturbances Based on Operation Loss
Notice bibliographique
Résumé
Confronted with the disturbances arising from various risk events, it is crucial to accurately measure the severity of risks in the dispatching section for efficient train operation and transportation management of a high‐speed railway (HSR). This paper proposes a risk mapping method for daily HSR disturbances based on a self‐formulated operation loss model, aiming to assist in identifying the spatiotemporal transportation bottlenecks and mitigating the propagation of risks. The calculation models for operation loss under risk disturbances are first established, with a focus on the instantaneous operation loss (IOL) of affected trains and the cumulative operation loss (COL) of the dispatching section, giving specific considerations on delay status, train importance, and operation scheme. Based on the delay characteristics observed in various risk scenarios, the variation curves of IOL for affected trains and dispatching sections are categorized into triangular and trapezoidal patterns. Combining the historical data statistics, the spatiotemporal risk distribution matrix is then established by occurrence probability calculation, event probability decomposition, and grid operation loss calculation, using well‐designed algorithms. Meanwhile, the importance of risk scenario features is analyzed through LightGBM classification to identify key attributes. To validate the feasibility of the proposed approach, a case study has been conducted on weekday risk disturbances in a dispatching section administrated by the Shanghai Railway Bureau. The results demonstrate that this approach can accurately depict the distribution of risk severity by considering both operation losses and decomposed probabilities, where the average COL of station risks ranges from 0.14 to 0.64, while the average COL of section risks ranges from 0.09 to 0.49. Furthermore, the attributes contributing to the risk severity can be effectively extracted for various scenarios, such as the primary delay, risk position, and train speed heterogeneity. Finally, a discussion on the generalizability and challenges of applying this method provides further verification and detailed explanations for HSR risk mapping.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».