文摘
在过去的二十年,引入了复杂网络建模方法来评估轨道交通网络的可靠性,在涉及乘客流的动态性能吸引了更多的关注最近在操作阶段。本文提出passenger-flow-weighted网络可靠性评价指标,来评估乘客流动对网络可靠性的影响。轨道交通网络的可靠性性能和passenger-flow-weighted从复杂网络的角度分析了。城市交通网络节点的实际客流重量是来自上海地铁公交卡数据,它被用来评估passenger-flow-weighted网络的可靠性。此外,上海城市轨道交通网络的动态模型构建了基于耦合映射格子(CML)模型。然后,级联失效引起的网络节点的流程在不同破坏情况模拟,测量期间passenger-flow-weighted网络可靠性的变化过程。结果表明,当网络破坏的规模达到50%,零passenger-flow-weighted网络可靠性的方法。因此,采取对策在网络级联的初期可能会有效地防止干扰网络中传播。本文的结果可以为运营管理提供指导,以及识别台passenger-flow-weighted内部网络不可靠。
1。介绍
城市化的快速发展,轨道交通的大城市已经扩展到网络进行大规模城市通勤乘客。地铁网络不仅提高交通系统的效率,还扩大了故障传播的风险。虽然拓扑网络的城市交通系统相对简单,作为一个典型的社交网络,passenger-flow-weighted一个相对复杂的(1]。因此,从复杂网络的角度来看,我们建立网络轨道交通系统的动力学模型,分析了级联失效过程和passenger-flow-weighted可靠性的变化将协助地铁管理机构改善客运能力和有效防止大规模的爆炸事故。
许多研究已经致力于级联故障从不同的角度和passenger-flow-weighted可靠性在交通网络2,3]。先前的研究主要集中在网络脆弱性、可访问性、和其他特征,而很少有研究关注passenger-flow-weighted网络可靠性和地铁网络的级联失效过程。Latora和Marchiori4)调查了波士顿地铁网络和验证地铁网络的小世界特征,从中提出了网络效率和连接性指数的概念。无标度网络下的不同随机和故意攻击(5,6]。随机攻击可能只是导致网络稍微受到影响,而一个故意攻击网络严重影响网络的鲁棒性研究的开始。太阳和关7)建立了上海网络模型和提出的指标来衡量网络的脆弱性从线的角度。他们发现圆线通常有最高的价值,因为特定的拓扑。京et al。8)提出了旅客的路由冗余(或路线的多样性)指数,定义为行为叫做有效的路线之间的数量(O-D)对网络中。新索引包含了旅行者的路线选择,协助评估地铁网络的防灾准备从O-D水平网络水平。
轨道交通网络可靠性的研究,早期学者主要应用未加权的指数来衡量轨道交通网络的可靠性,如网络效率、度分布、平均路径长度。例如,度分布、聚类系数指标是用来衡量可靠性的差异之间的无标度网络和随机网络9]。在现实中,然而,大多数是加权网络和研究考虑到客流的因素权重已经出现在过去的10 - 20年。李等人。10)指出,链接权重加权复杂网络是至关重要的,和获得的结果表明,重量分布的变化可能会导致一些重大影响微妙的给定网络的结构特点和功能。还发现,北京地铁网络的异构性和脆弱性变化随着时间的推移,当考虑客流(11]。从乘客的角度客流量,陈et al。12]利用二项式logit模型(BNL)来估算模式选择和区分地铁和出租车之间的关系是可替换的,补充和扩展类型。旅客旅行的时间和空间特征和线路的不平衡特征挖掘亚足联卡数据入口和出口的上海地铁在对乘客个人信息数据的应用程序(13]。这项研究评估了基于行程时间可靠性的乘客旅行指数。网络级联故障,顶点的影响失败的概率失败的旅行交通网络拓扑分析的吸收马尔可夫链模型(14]。吸收马尔可夫链模型还措施的不可靠概率失踪的运输路线由于能力不足。结果表明,中心与分支图是最可靠的随机点故障类型。链接失败,规范交通网络可靠性的方法提出了基于博弈理论来分析网络的弱点和性能的链接失败15]。可靠性估计被分成两个部分,一个是概率遇到失败的概率,另一个是在一个可接受的旅行时间到达目的地。这两种方法从概率的角度分析网络可靠性。
上面的可靠性评价方法与传统方法相比,而良好的性能。然而,网络可靠性的变化动态过程中仍未提及。此外,网络级联失效行为是另一个重要的问题。本研究模拟级联故障造成的网络节点的过程基于耦合映射格子(CML)模型和措施passenger-flow-weighted网络级联失效过程中可靠性。CML模型是一种常见的动态网络模拟方法,它描述了连续变化的混沌状态。Crucitti et al。16)模拟电网和网络的级联失效,利用效率指数来衡量网络函数的变化。他们发现,单个节点的故障是足以崩溃,整个系统的效率,如果节点之间的最大载荷。崔et al。17]CML模型应用于小世界网络的级联失效,发现一个更大的平均节点度(指边的数量直接与网络内的节点)可以推迟级联失效过程。崔et al。18)修改原始CML模型和提出了一个连续的级联失效模型与边缘干扰,在CML模型的应用扩展到边缘元素。Zhang et al。19]提出了一种改进的CML模型来模拟北京的城市道路交通网络的级联故障测试使用不同的攻击策略。
总之,网络的级联失效过程已经通过不同的中断节点选择策略调查,测量网络的可靠性通过这些属性的变化过程中网络效率和刀枪不入。然而,passenger-flow-weighted可靠性仍较少涉及,在轨道交通网络上有巨大的影响力。本文基于实际的地铁客流数据,提高可靠性指标涉及客流参数提出了领域,以更好地反映网络可靠性的情况。本文的其余部分结构如下:部分2描述了定义和使用的城市地铁系统网络可靠性分析方法,在地铁站的动态建模,提出了基于耦合映射格子。实证研究网络的级联失效过程进行上海地铁系统。在不同条件下的级联失效过程进行了研究。最后,结论和建议提供了部分4。
2。定义和方法
网络的可靠性概念反映了函数在级联失效的过程。作为地铁网络通常是由多个节点和连接节点之间的边,网络可靠性可以被认为是所有节点的可靠性的总和。因此,测量可靠性的变化需要利用其他功能指标。对可靠性的网络拓扑结构有很大的影响,但在现实世界中,由于不同的乘客流分布和路线。可靠性分析从客流的角度重量更有实际意义(20.]。我们试图结合拓扑指数与客流指标权重获得真正的地铁网络可靠性。
2.1。可靠性度量指标
2.1.1。中间性和Passenger-Flow-Weighted中间状态
中间性是指数量的最短路径经过的节点在网络中所有节点之间的最短路径(21],它常被用来评估节点的中心在一个无关紧要的拓扑网络。然而,节点介数只考虑网络拓扑结构的因素,忽略了客流的因素。然而,与大型中间性值在一个未加权的网络节点实际上可能不是重要的如果将真正的客流重量(3]。结合节点的介数中心与实际客流重量,passenger-flow-weighted介数指标节点可获得客流的数学表达式如下: 在哪里表示节点的中间状态值正常化后;表示passenger-flow-weighted中间性节点的价值 ; 表示网络中所有节点的数量; 表示节点的最短路径总数年代来t; 表示的最短路径年代来t通过节点 ; 表示乘客通过节点的总金额我在一天之内;表示乘客通过节点的总金额在一天之内;表示客流在节点的比例和平均节点客流;和表示passenger-flow-weighted中间性的价值网络V。
2.1.2。熵和熵Passenger-Flow-Weighted
熵是描述系统的混乱度的申请。较高的熵值与系统的混乱度就越高。网络拓扑熵指数的计算方程(2)介绍了测量的一致性未加权的网络如下: 在哪里代表节点度的比例所有节点;k我表示节点的程度我;表示网络中所有节点的数量;和E代表网络拓扑熵的值;此外,介绍了节点客流强度来衡量的平衡程度提供客流强度的网络节点。然后,网络客流强度归一化后的熵是: 在哪里 表示网络的理论最小熵; 表示网络的理论最大熵;表示网络的passenger-flow-weighted熵;表示网络中所有节点的数量;表示乘客通过节点的总金额我在一天之内;表示乘客通过节点的总金额在一天之内;和表示客流通过节点的比例总客流穿过所有节点。
因此,基于这一概念,提出passenger-flow-weighted可靠性考虑客流的因素指标的中间性和熵。
2.2。动态建模基于CML的地铁站
被广泛应用于复杂动态系统建模、CML模型定义相邻的网络节点之间的耦合关系,描述了时空混沌状态改变的节点。这意味着CML状态节点的价值完全取决于前面的时间节点和前面的相邻节点的状态。表达式定义如下: 在哪里X我(t)是CML的节点我在时间t,ε是耦合系数,较大的耦合系数总是与更高的节点相互影响。一个ij相应的行我和列j邻接矩阵中的元素 ,反映了网络连接的信息,一个ij= 1表示该节点我是直接连接到节点j;否则,一个ij= 0。 混乱的逻辑映射函数(x∈[0,1]),然后呢X我(t获得+ 1)X我(t)通过混沌映射函数和其他数学运算。当0 <X我(t)< 1,节点我处于健康的状态。在调查的级联失效过程造成的网络系统节点我施加外部扰动R≧1时间步米节点出现故障时,可以表示如下:
失败的节点我将从网络中删除下一个时间步米+ 1。由于CML模型的耦合机制,CML的邻节点我影响网络的级联失效是引起。
3所示。实证研究的网络级联故障的过程
3.1。客流数据处理和分析
作为必要的参数加权可靠性指标,实际客流从卡中提取重要组成部分记录由上海公共交通卡股份有限公司提供。我们选择的数据2016年8月29日(星期一)。白天,大约200万名乘客和500万次后得到的数据的过程。考虑到大多数地铁乘客倾向于选择最短的路线和地铁传输时间费用高,迪杰斯特拉最短路径算法(22)应用于分配500万年去上海网络根据相应的每位旅客OD。赋值后,每个网络节点的数量的日常客流作为参数的获得和使用可靠性指标。
3.2。CML网络节点的状态
虽然CML模型节点的状态决定的,不同节点的动态是由于各自不同的网络内部的连接关系。因此,每个节点都有一个特殊的CML状态值X我(t在任何时间步)。
3.2.1之上。CML的变化没有干扰R网络节点的状态值
CML模型描述了网络中相邻节点之间的关系,任何一个节点控制的模型。在最初的时间t= 0,状态值X我(0)的所有节点之间的网络设置为一个随机值(0,1),和美国在随后的时间步骤是根据公式计算(4)。如果不是打扰,节点状态值总是在(0,1)。在东川路地铁站地铁5号线的节点作为一个例子,每个时间步的CML州东川路站的影响CML的相邻樊建川路和江川路站。CML状态值的变化R干涉图所示1。
图1表明东川路站的CML价值没有干扰处于混乱状态R,这意味着站之间的健康状态(0,1)。
3.2.2。CML的变化与干扰网络节点的状态值R
通过选择节点随机和施加干扰R在时间步≥1米,节点失败,会从网络中删除下一个时间步,和节点状态值设置为0,随后的时间步。东川路站的以节点为例,通过施加干扰R= 1第51次一步,CML的变化状态如图2。
后,添加干扰R= 1时的步骤t网络节点失败,东川路的CML状态值,X(t),超过临界值1。然后,以下步骤的CML价值X(t+1)被设置为0,其余的步骤。
3.3。级联失效过程和Passenger-Flow-Weighted上海网络的可靠性分析
不同的节点度的条件下,耦合系数ε和干扰R的级联失效过程轨道交通网络系统的行为不同,和相应的网络可靠性状态变化也不同。一个小R干扰不能导致网络的级联失效,而大的耦合系数ε导致过快传播速度和节点度主要描述了节点重要性在网络级联故障的影响。
3.3.1。节点的影响程度上Passenger-Flow-Weighted可靠性
更高的学位的价值网络中的节点通常表明更高的重要性,这往往是位于网络的中心区域。调查与不同程度影响的节点网络的级联失效过程,四个站,浦东国际机场(学位价值= 1),樊建川路(学位= 2),Lancun路(程度= 3),和西藏南路(程度= 4),随机选择。与耦合系数ε= 0.2,通过施加相同的干扰R= 4,级联失效过程引起的网络节点,如图3。
图3相比地铁网络的级联失效过程引起的节点有不同的度,而数字4(一)和4 (b)测量passenger-flow-weighted网络中间性和熵的变化在不同的级联故障的过程。在同样的扰动R和耦合系数ε大的节点度往往会导致级联故障过程的速度比度较小的节点。
(一)
(b)
当时间步t≤5级联故障过程是在初始阶段,和干扰R只能失败节点的相邻节点的传播速度相对较慢。在最初阶段,passenger-flow-weighted中间性和网络熵略有影响,这表明网络的整体功能不受影响。当t> 5级联故障的速度开始加快,因为干扰R传播网络的中心区域和其他线路传输节点。最终,所有节点被感染和失败,passenger-weighted中间性和熵指数降低为0。
在加速阶段,passenger-flow-weighted熵不断下降,表明客流混乱正在下降。不同于passenger-flow-weighted熵加权中间性迅速降低为0。随着干扰R蔓延到节点在网络的中心区域,进行大量的客流,严重影响网络的连接功能。发现节点度值主要影响的速度级联失效过程。
3.3.2。扰动的影响R在Passenger-Flow-Weighted可靠性
干扰R主要是指节点故障的大小,在此期间,网络系统崩溃在不同显示了不同情况下的可靠性R值。不会导致网络级联失效R值很小,但当R连续值很大,网络将会崩溃。突出的影响不同R价值网络上的级联失效过程,最大程度上的节点值被选中。因此,世纪大道站(程度= 6)被选中,施加不同的扰动值(R= 2.6 - 4.4),和网络级联失效过程如图5。
图5描述的范围和速度级联失效过程造成的世纪大道站在不同干扰(R= 2.6 - -4.4)。干扰R因素主要影响网络的规模。在相同的耦合系数ε、节点与更大的干扰R倾向于引起更大规模的级联故障。当R≦3.6,连续是不够导致网络崩溃,只有一部分节点失败。然而,当R> 3.6,图的级联失效过程不同R价值观只是彼此一致,这表明网络级联故障的速度达到最大。节点受到扰动的影响R在每个时间步都被感染,成为无效。
数据6(一)和6 (b)现在网络的变化passenger-flow-weighted中间性和passenger-flow-weighted熵可靠性级联过程中失败,分别。级联失效过程中由不同造成的R熵值的可靠性passenger-flow-weighted不断减少。然而,passenger-flow-weighted中间性迅速下降。世纪大道站,干扰R值= 3.6是至关重要的。一旦超过临界值,网络级联故障的规模达到最大。一般来说,R扰动主要影响网络级联故障的规模,和网络还有另一个临界值导致扰动传播。
(一)
(b)
3.3.3。耦合系数的影响ε在Passenger-Flow-Weighted可靠性
耦合系数ε测量的是相邻节点间相互作用的强度。一般来说,的价值ε影响干扰的传播能力,很大ε表示节点之间的交互和扰动传播能力强是强大的。相反,一个更小的ε表明弱相互作用力和扰动传播的能力。通过随机选择浦东大道站2学位的价值和发挥R= 4在不同的值ε从0.1到0.7,级联失效过程和可靠性的变化如图7。
图7描述的范围和速度的级联失效过程浦东大道节点在不同ε耦合系数与R= 4。当ε≦0.2,仅仅是一个网络节点失败的一部分,不会导致连续网络崩溃。当ε> 0.3,级联故障图在图7互相配合,表明网络级联失效过程达到最大速度。当ε= 0.3,所有网络都受损,但破坏条件的速度是不同的ε> 0.3。
数据8(一个)和8 (b)现在网络的变化passenger-flow-weighted中间性和passenger-flow-weighted熵可靠性级联过程中失败,分别。的passenger-flow-weighted中间性passenger-flow-weighted熵相比下降得快,这表明网络的整体连通性下降得更快。
(一)
(b)
在一般情况下,耦合系数ε影响网络级联故障的规模和速度影响的大小R扰动的传播过程。
4所示。结论和建议
尽管城市轨道交通网络可靠性理论已发展多年,passenger-flow-weighted地铁网络系统的可靠性是相对未知的。passenger-flow-weighted可靠性指标是必要的地铁管理识别网络中的不可靠节点。级联过程分析也为地铁网络的规划提供了一个新的视角。本研究认为,在城市地铁乘客旅行根据最短路径,这是接近真正的旅游习惯大规模数据下的乘客。论文的主要贡献的结论如下:(我)构建网络的passenger-flow-weighted可靠性评价指标:利用上海公共交通卡数据,现场实际客流重量作为影响因素,考虑实际客流体重的影响网络可靠性。最终,客流被证明在网络可靠性产生重大影响。(2)上海地铁网络的建立动态模型基于CML模型,从而研究不同参数对级联故障的影响过程:节点度和干扰R分别影响级联失效过程的速度和规模,在耦合系数影响的规模和速度级联失效过程。(3)测量的变化passenger-flow-weighted可靠性的上海地铁网络级联失效过程中:passenger-flow-weighted介数指标下降的速度比熵指数,达到零当层叠失败是一半以上的规模,说明网络连接的快速下降。
数据可用性
数据将根据要求提供。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
作者证实对论文的贡献如下:Shaojie吴,燕朱,李宁,和王Xingju参与研究和设计概念;燕朱、王绎曾和丹尼尔(剑)太阳收集数据;王绎曾王、李宁和Xingju进行模型模拟;燕朱、李宁和丹尼尔(剑)太阳仿真结果分析和解释;朱和Shaojie吴,燕,丹尼尔(剑)太阳准备草案手稿。所有作者回顾了结果,批准了最终版本的手稿。
确认
作者承认纸”https://trid.trb.org/view/1759671”名为“城市轨道交通系统网络可靠性分析基于耦合映射格子模型”提出了交通研究委员会第100届会议。这项研究的部分资金由中国国家自然科学基金(71971138)、上海“科技创新行动计划”——“一带一路”国际合作项目(19210745600),和交通安全与控制实验室的开放课题河北省(JTKY2019001)。任何意见、发现和结论或建议本文中表达的是作者的,不一定反映的意见赞助商。