文摘

飓风疏散仿真模型的开发是应急管理的重要任务和计划。两个主要问题影响疏散的可靠性模型:一个疏散流量的估计是基于社会经济特征,另一个是容量变化及其影响疏散结果由于交通事件在飓风的上下文中。这两个问题会影响应急计划的有效性的疏散令发行,和疏散路线规划。该研究旨在探讨供给和需求建模在飓风疏散。这种方法为纽约市创造了三个场景(纽约)大都会区,包括一个基地和两个疏散场景与不同层次的交通需求和能力的不确定性。观察到的体积数据收集前飓风桑迪模型的响应曲线模型,并实证事件数据实际疏散条件下进行了分析和建模。然后,建模事件纳入疏散规划模型修改。模拟结果并与采样观测传感器旅行时间以及O-D-based旅行的时候纽约出租车数据。结果表明,事故频率和持续时间模型的引入可以显著提高疏散模型的性能。这种方法的结果意味着交通事件的重要性考虑飓风疏散模拟。

1。介绍

作为一个重要的紧急问题,热带风暴,哈维和厄玛等造成重大伤亡和财产损失大西洋沿海地区。减轻飓风的影响,影响居民的疏散计划可以确保及时疏散的脆弱区安全避难所预计等位置。成功实现这一重要任务的运输业务主要依赖于有效的计划之前,飓风的影响。然而,这种规划方法总是困难的,因为规模大、复杂性高的运输系统的不确定性。典型的问题包括“暴风雨的信息不足,应急资源有限,缺乏有效的协调和有效利用可用的巷道能力”(1]。根据Yazici Ozbay [2),有两个主要类型的挑战疏散交通建模:(a)疏散需求和(b)道路供给的不确定性。经验表明,疏散交通模式的体积和起飞时间可能比正常旅游条件(不同3,4)由于复杂的疏散决策(5]。同样,在紧急条件下巷道能力在很大程度上是受到交通车辆事故等事件的影响,残疾人车辆和道路洪水。交通事故发生的随机性和特征(例如,持续时间和严重程度)进一步将及时疏散需求压力。一般来说,如果交通量超过道路容量在一个或多个关键道路段疏散条件下,疏散过程将在很大程度上延误由于过饱和的问题(能力降低和速度)6]。因此,提高交通事件管理疏散紧急规划者所十分关注的问题。

现有的研究表明,区域交通规划模型有可能用于疏散建模。然而,这些模型必须小心使用尽可能多的假设如时间、发行和疏散的时间顺序,车辆占用,nonevacuation交通网络中(称为背景交通)应该考虑在某种程度上他们反映疏散的具体情况7,8]。概率道路容量约束也被认为影响疏散交通分配(9,10]。根据事件的显著影响,一些研究如罗宾逊et al。11)和Edara et al。12)开始解决这个问题,通过融合交通事件影响疏散模型。

由于对疏散经验数据的局限性,进一步的研究将阐明这些问题。因此,这种方法试图量化和交通纳入应急计划模型的大都市纽约(纽约),利用最近的数据关于飓风的经验。本研究关注的是事件对巷道的影响能力的损失。大多数现有的研究不同,本文制定事件频率和持续时间模型不同的事件类型基于实证的事件数据。然后,统计健壮的事件模型导入到一个网络分配模型检查疏散结果的差异引起的能力降低。针对现实世界的数据模型的结果进行了分析在实际的风暴。

2。文献综述

近年来,许多研究已经进行了模拟行为和疏散活动各种极端事件的影响。详细概述highway-based疏散建模在过去几十年的演进由Murray-Tuite和Wolshon13]。席尔瓦和Eglese [14]提出了空间决策支持系统(SPSS)与地理信息系统(GIS)疏散建模,使整个疏散过程的动态模拟。赵et al。1]介绍了一种方法将典型的规划模型来疏散模型的具体需求,指定目的地,和连接器。安德鲁斯et al。15)也使用TransCAD将传统的四步规划模型转化为一个疏散规划模型通过改变输入地址的交通需求,和方法被证明是有效的。陆和高16)开发出一种方法估算小区域撤离,因为化学泄漏使用动态交通分配(DTA)和执行模拟使用TransCAD预测对主要道路的交通影响。他们的研究结果显示有用的网络条件和疏散性能预测。图像的基本单位等。17总结了利用DTA对疏散行为。Ozbay et al。8)应用平衡分配工具来疏散建模基于多个场景在新泽西北部。此外,研究讨论了假设和数据输入模型的估计效果。结果提出了suitableness区域规划模型用于疏散模拟。

疏散研究的关键问题之一是证明疏散的需求。贝克(18)确定变量决定疏散需求基于posthurricane样本调查。这些变量包括脆弱区、住房、个人风险的看法之前,和storm-specific威胁因素,他后来所示研究[19,20.),后者创建一个分解模型来解决疏散时间选择的目的地。一代的需求全面审查和网络加载方法提出了Ozbay和Yazici21]。的方法来估计的影响疏散人员登陆情况下基于一个三维的沿海海洋模型提出了唐et al。22),应用于角的海岸线,新泽西。阴et al。23]介绍了飓风疏散需求评估系统使用基于主体建模。系统实现典型的疏散决策覆盖整个疏散过程,包括preevacuation准备。本研究采用基于活动的方法用于估计迈阿密戴德的飓风疏散区域。

除了疏散需求的可变性,估计网络容量的变化在疏散建模过程是另一个挑战。道路容量可以显著减少交通事故如倒下的树木、洪水或碎片。这些不再发生的事件在疏散的影响是至关重要的,因为它可能会延迟疏散过程,导致额外的危险疏散人员(24]。因此,在疏散建模中,应考虑事件定性的影响。例如,Wolshon et al。25)表示,“事件如残疾人车辆预计将发生在疏散,降低道路的容量和强调了需要及时评估原文如此]巷闭包的影响,天气条件和事件。“丰塞卡et al。26]分析了疏散记录在阿拉巴马州65号州际公路和分析不同的事件类型分布比例和持续时间。在此基础上,他们开发了一种方法来生成事件的疏散模型。Yazici和Ozbay10)使用动态分配基于细胞传输模型(CTM)探索的空间变异概率道路容量限制造成的遮蔽能力和疏散计划的建议的方法避免了规划不足导致灾后的问题。

一些研究定量评估incident-induced网络变化对紧急疏散。例如,罗宾逊et al。11)模拟飓风场景探索残疾人和废弃车辆的影响,但结果表明,总疏散时间的变化可以忽略不计。Edara et al。12]估计两种事件及其影响疏散仿真场景下,结果说明显著增加疏散时间和吞吐量下降。值得注意的是,上述研究是基于假设,而不是从实际经验事件数据疏散情况。柯林斯et al。27)模拟了虚构的恐怖袭击和飓风疏散疏散场景和结果表明,事故疏散时间可以增加了8%。相反,其他人使用医疗机构经验事件数据(11从通用事件率模型),预测(27),并且假定段的高流量可以产生更多的事件12]。丰塞卡et al。(26)开发了一种创造更多的事件指定方法和基于历史数据的分类但假设类似以前的研究(11,28]。最近,罗宾逊et al。29日)评估事件的影响在飓风疏散通过建立仿真模型与历史事件。结果显示,交通事故疏散人员的旅行时间延长,但总体疏散性能的影响可以忽略不计。

几个挑战以前的研究中提出的简化对疏散仿真评估事件的影响。首先,hurricane-specific事故记录可能不可用,或者收藏价值。例如,由于风味在暴风雨中,树是一个主要类型的事件在飓风的条件下(30.]。然而,这种影响仍有待解决。第二,很难收集各种因素如天气和道路实际库存,需要在事件疏散场景下建模。此外,很难验证仿真事件的影响,因为它是很难收集实证数据事件的影响在不同的阶段。没有适当的考虑这些关键问题,提出了模型的性能和信誉将负面影响。

3所示。数据和工具

3.1。数据和疏散建模工具

在这项研究中使用的网络和需求是来自大规模的网络模型,纽约最佳实践模型(NYBPM) [31日]。原始模型是一个典型的四步旅行一代模块日常旅行的计划基于TransCAD 6.0 [32)平台。这计划模型包括最新的物理和社会经济等信息网络和社会经济属性为纽约市区28个县。宏观交通网络和交通分析区域(小胡子)原始模型的利用。

在这项研究中,时间降解网络和疏散需求的生成是基于53399年宏观交通网络链接和4000多流量分析区(小胡子)在最初的规划模型。疏散需求开发了通过添加疏散旅行,修改原始每日OD需求,以反映预期影响人群的疏散行为给他们的位置和特征如私人汽车,每户居民,疏散的偏好。

生成的一个优点疏散模型基于NYBPM第二代(NYBPM 2 g)模型是区域规划模型提供period-based精确校准的旅行表。为方便每小时作业,这次旅行表分布到每小时的飓风疏散响应曲线的基础上,这是建模使用交通计数从运输业务协调委员会(宗旨)。李的方法论构建的响应曲线和Ozbay4确保网络分配模型可以捕捉疏散的变化响应时间的方式。

如前所述,网络任务之前,一个关键步骤是估计和疏散需求分发给旅行表。考虑大型计算的要求修改访问表(4000年为每个表行和列,24小时矩阵每个场景),我们开发了一个预处理和后处理工具叫旅行需求矩阵生成(Tridmatrix)工具。Tridmatrix是用Java编写的,它可以在几分钟内产生每小时疏散需求设计疏散区。这些输出访问表然后导入TransCAD执行quasi-dynamic交通分配,所示(8]。

3.2。交通事故

主要高速公路和高速公路的事故数据收集纽约市区的交通。数据集包含所有交通事故从开始到飓风后,桑迪。数据集的详细信息可以在谢et al。30.]。据统计,84年有354起小时在登陆之前,和有六个类型的事件,如表所示1。可以看出,事故是事故的主要类型,其次是倒下的树木。这两种类型占一半以上的所有事件。

事件可以暂时减少公路能力通过阻断肩膀或车道。造成的容量损失事件的数量变化在不同的事件类型。基于历史数据,造成的容量损失各种事件类型如表所示2。它可以注意到,事件等事故,碎片,和残疾人车辆可能会阻止更多的车道。

4所示。飓风疏散建模

建模方法的基本策略如图1。在疏散条件下,旅游需求由假定背景交通和疏散需求。与大多数的先前的研究认为稳定的公路容量根据巷道特点、道路容量在这项研究是动态建模为模拟事件的函数。

4.1。场景和假设

在这项研究中,三个模拟开发和评估,即基础情况下,疏散场景没有能力损失,和疏散场景与容量损失。基本场景使用校准每小时旅行表和网络链接基于区域规划模型。两个疏散场景模拟实际飓风的条件,一个1级飓风2012年10月发生在东海岸。登陆的飓风在新泽西和纽约和长岛都造成了严重的损伤。除了背景旅游需求,疏散要求在这两个场景的生成是基于人口和假定疏散地区的疏散率在纽约和长岛。使用经验的每小时的OD矩阵估计疏散曲线是基于实际的观察研究区域交通需求。此外,如上所述在[8),增量赋值由保持剩余流量和通过他们实现以下任务。这使得交通分配quasi-dynamic。一个疏散场景考虑容量损失的影响基于事件生成模型,而另一个不把事件的影响。

研究中的关键假设认为如下。首先,疏散建模期间24小时被定义为从晚上12点到第二天中午12。它符合发行政府强制疏散令飓风桑迪在12点。2012年的10月28日,一天在飓风登陆前(33]。其次,实际疏散的方向变化在不同的行政区域。纽约的居民认为离开六疏散区安全区域。长岛的居民撤离疏散区四个安全区域。具体来说,区域1在纽约和长岛是强制疏散区,和旅行对这两个区域(阻塞)不允许在模型中。识别的疏散区纽约和李可以描绘在图2。

4.2。基于模型的疏散分析的步骤

下面的步骤是用来测试疏散模型:(1)确定疏散区基于2012年的纽约洪水疏散区和小胡子属性,并估计区域疏散需求基于模型假设和社会经济数据。(2)在这一步中,现有的公路网和旅行表修改基于每小时经验数据来执行每小时作业总疏散时间,即24小时。(3)基于正常的开发场景和疏散情况。(4)修改访问表基于疏散需求然后修改公路网络捕捉能力损失事件。(5)使用基于每小时运行网络分配模型TransCAD quasi-dynamic赋值方法,不同的场景。(6)分析分配结果和总结疏散时间和网络性能和没有能力损失。

5。每小时疏散需求的建模

一个循序渐进的过程在本节说明决定疏散需求。

一开始,每小时旅行nonevacuation条件下表准备使用period-based旅行表。规划模型中有四个时期,即,(早上高峰),医学博士(中午),下午(晚上高峰),和NT(晚上)。这些period-based旅行表分为等量的小时。旅行表校准使用交通数据,自每小时流量可能不是每个时期在疏散过程中均匀分布。以下每小时使用校准系数: 在哪里是系数的因素来调整原始表和旅行吗是每小时的日常交通来自交通数据量的百分比。这反映了不同的旅游模式的背景交通在工作日和周末,和比例是不同的。的累积百分比,也就是说,周期性的成交量比例。的分数是小时期限内(例如,MD段, )。因此,调整每小时的旅程表, ,可以计算为

计算小时交通量作为输入的基本情况和背景来确定旅行。

下一步是背景估计的旅行。根据Urbanik二世(34),背景交通包括旅行期间疏散但与疏散无关的活动。在这种方法中,背景估计旅行是由基于小时交通量和方向,和三种不同假设的背景流量率(百分比的背景旅行仍在网络)是由:(1)设置安全层间旅行背景流量的百分比为100%,也就是说,旅行安全的区域内,开始和结束在小胡子,属于安全区域。(2)为撤离75%背景流量百分比隐域性旅行。这些包括旅行从疏散区域和危险区域安全区域。(3)对疏散区设置为0%,旅行。所有前往疏散区都被设置为零。

下面的任务是确定疏散总需求。我们首先要确定的人口疏散区基于社会经济数据。自2010年人口普查数据显示每个普查区的人口,我们可以计算小胡子人口包括人口普查大片的总和。

疏散的假设利率是由下一个地区内不同的疏散区。区1疏散率最高而区6最低。在下一步中,车辆占用的假设是根据(35),1人/车辆使用。疏散旅行现在生成基于描述所有这些假设在前面的步骤中使用以下方程: 在哪里表示每日总疏散旅行产生的小胡子 , 小胡子的人口吗 ,和疏散率为疏散区类别吗的小胡子属于。签证官认为车辆占用。

下面的步骤是将疏散要求分成每小时使用估计疏散响应曲线,结果输出的每小时区域疏散的要求。之后,目的地的疏散要求被分配。疏散旅行目的地的分布将遵循背景旅行因为背景的比例之旅旅游模式可以被视为一个迹象的旅游偏好和熟悉,可导致疏散目的地的选择。因此,作业是基于原始背景旅行的比例从疏散和高风险区域安全区域。例如,对于疏散区和nonevacuation B区, 在哪里代表疏散旅行从一个小胡子B小胡子,都是疏散旅行,从小胡子,表示背景旅行从一个小胡子B,小胡子代表背景旅行从小胡子的总和所有其他区域x最后,修改后的旅行表计算通过添加疏散要求背景旅行。需求建模的实现过程如图3。

6。Incident-Induced模拟

本节提出了一种生成方法降解飓风条件下网络,更具体地说,基于每小时的动态模拟incident-induced容量损失。基于上述事件数据,两个模型。第一个模型调查事件发生和巷道几何之间的关系,和第二个地址的相关事件类型和持续时间。然后,将模型应用于整个网络估计全网容量减少。这种建模方法的细节可在[36]本文的作者。

6.1。建模事件频率

本节探讨了事件之间的关系发生的疏散和道路属性,如链接长度和交通量。每个事件是GIS shapefile地理编码和匹配道路部分被检测到。事件的频率为每个巷道部分可以检索模型。负二项(NB)模型被广泛用于模型事件频率(37,38),因为他们可以解决非负离散事件发生的性质和已被证明是有效的overdispersed数据通过引入一个误差项39]。NB模型可以表示如下: 在哪里巷道断面观察事件的频率吗我,的期望是 , 解释变量的向量,是向量回归系数的估计,然后呢是色散参数。

建模结果事件频率的飓风疏散下表所示3。根据值,估计可以在95%的水平被视为重要的除了变量州际在90%水平具有重要意义。估计色散值(从0 = 0.4523)显著不同。这表明overdispersion数据的强有力的证据,采用负二项模型的必要性。

6.2。建模事件持续时间

持续时间分布变化为不同的事件类型。对数正态模型可以用来表达事件的持续时间和类型之间的关系,正如前面用于(30.,40,41]。模型可以表示为 在哪里事件观察到的时间吗 , 和是正态分布的平均值和标准偏差事件吗 , 解释变量代表类型的事件,然后呢是向量回归系数的估计。事件持续时间模型的结果如表所示4。据统计系数表4,估计事故、碎片和禁用车辆是消极的,这意味着他们有更短的时间比其他事件像倒下的树和洪水。

6.3。模拟的事件和网络容量损失

一旦生成的事件模型,基于每小时模拟道路容量的损失可以由应用链接能力减少计划模型。利用蒙特卡罗模拟生成随机观察,估计分布(42]。本节描述事件的过程模拟,生成的方法仿真网络的持续能力损失。

第一步是清洁仿真网络。原始网络NYBPM 2 g模型包括53399个交通链接,包括重心连接器、外部连接器和PTZ连接器(公共交通)。因为这些连接器不实际道路和不适用于事件,他们应该被删除。对于每个巷道链接,事件的平均值线性相关道路属性作为参数表3;然后,这一事件的频率可以用剩余的40442链接和色散参数r。基于 ,简单应用蒙特卡罗模拟来确定链接的事件会发生 。

前一步骤生成一个每小时的全网事件列表。为了预测能力损失,其他属性的事件需要完成。这些属性包括事件类型,时间,阻塞航道,影响链接。首先,类型的事件模拟使用百分比表1。一旦确定类型,事件的持续时间可以使用事件持续时间模型模拟表所示4,意思是依赖于事件类型和事件的对数正态分布,意味着什么和标准偏差 。其他事件,需要指定的属性影响车道的数量和方向,这是模拟使用表格2。例如,对于意外,阻断两车道的概率是35.77%。阻塞造成的容量损失的肩膀和每个车道veh / h,假定为1000年和2000年分别。然后,模拟事件的方向。更具体地说,对于每一个双向道路事故发生,根据定向分配一个链接的体积比。因此,可以认定为单向链接如果另一边的能力为零。另一个问题是重叠事件的影响。多个事件的情况下生成的同一侧相同的链接,链接的能力损失这一方向被认为是最大的容量损失造成的所有这些事件。这一步的输出是完整的事件列表,其中包含事件类型的字段,每个小时产能损失,和方向。图4显示了一个示例的输出事件模拟某一小时,包括位置和类型的事件。

考虑到事件的持续时间和类型上的差异,这一事件列表不能直接使用减少的联系的能力。更具体地说,道路容量不仅影响的事件发生在当前的小时也积极的发生在前一小时。这些属性是时间,事件的生命周期管理机制是必要的。此外,应考虑事件的综合影响,因为多个活动的事件可能会同时在一定位置和侧。

管理的生命周期事件,这种方法保持一个活跃的事件表相同的列与事件列表。每小时更新表通过添加新的事件从事件列表中当前的小时和删除事件不再活跃。后插入和删除,以表快照的小时。删除事件是由时间决定的,而每小时下降一个单位。一旦时间变成了零,事件就会从表中删除。多个事件的影响,在相同的位置是另一个需要解决的问题。这种方法使表中的事件和假定只有一个大的影响(高容量损失)。一旦一个较高的影响是过期的,另一个是还活着,激活另一个事件。这种方法并不适用于并发事件的不同方面相同的链接,在这种情况下,这两个事件可以同时是有效的。

快照生成表从之前的方法显示的容量损失和方向指定链接。所以时间降解模拟网络可以由简单的能力减少快照表中的值在研究期间每小时。如果容量损失大于原始链接的能力,剩下的容量设置为100。这是为了满足收敛要求的宏观分配模型。

最后一步是运行疏散模拟的基础上,基于时间要求修改规划模型和可降解网络。类似的研究Ozbay et al。8),quasi-dynamic交通分配方法覆盖纽约市区TransCAD创建。三个模拟运行时的场景。具体来说,基本场景只考虑背景交通没有消除阻塞旅行,和高速公路网络能力是稳定的。两个疏散场景有相同的疏散需求,包括疏散和背景要求,减去了旅行。两个场景的唯一的区别是这一事件的存在影响。

7所示。结果和讨论

7.1。评估仿真

在这一步中,模拟事件频率和持续时间是评估通过比较观测数据。表5和6总结事件类型的模拟事件的百分比频率和持续时间模型,同意观察到的事件数据表所示1和2。

模拟的直方图和观察到的事件持续时间(单位:小时)在图所示5,这也显示了观测数据和模拟结果之间的一致性。

7.2。通过比较与观察到的灾后出租车数据验证

旅游时间旅行离开曼哈顿比较观察到出租车旅行倍模型的验证。在纽约,大多数的黄色出租车旅行发生在曼哈顿,所以实际使用黄色出租车旅行与仿真在曼哈顿旅行。疏散方向一致,小胡子在曼哈顿的出租车旅行安全的曼哈顿区以外的选择。平均旅行结果可比性,建模旅行的抽样结果必须保证相同数量的旅行和观察到的出租车数据建模为同一O-D一对。这是通过选择每个小时的所有合格的出租车旅行,选择相同数量和属性的建模旅行,然后计算数据集的平均旅行时间。

图6显示了每小时和平均旅行时间(单位:分钟)为疏散场景没有能力损失(第一行),与容量损失(第二行),并观察旅行时间(第三行)。在灰色区域彩色显示没有数据可用的时间选择出租车旅行。颜色的区域,如果没有额外的旅行在接下来的小时,平均旅行时间被认为是不变。基于图6市中心的旅行时间明显高于市区和哈莱姆,和曼哈顿东区的旅行时间低于西方。这些揭示了空间特征和不同级别的漏洞在曼哈顿区。此外,旅行时间的能力损失情况略高,接近于经验。这样的结论也可以量化表7在美和RMSE值计算每个小胡子规范化的疏散时间。所有值都是低容量损失模型。

出租车数据的相似性也可以以图形方式显示使用时间的旅行时间分布,显示数据集在图之间是一致的6。也说明了时间的差异:旅行时间更近的时候发布疏散令,然后实证晚上旅行时间比模型变得更糟。第二天上午,旅行时间越来越近了。结果还揭示,在后期的疏散,疏散时间从经验数据是略高于模型。

总之,这部分验证模型与实证数据,与incident-induced容量损失和疏散模型与实验数据很好,但仍然倾向于低估实际疏散时间一定的时间段。几个问题如需求假设或其他与飓风有关的情况下可能会导致不一致。

7.3。疏散时间的比较

与容量损失模型验证,用于提供对疏散时间为不同的疏散区展示它如何影响模型,忽略了事件的影响。

首先,对疏散时间的影响旅行从指定生成危险区域安全区域是量化使用网络模型。

图7显示了疏散旅行时间从每个区每个仿真场景的类别。分析是基于六疏散区在纽约和四个疏散区在长岛(李)。结果表明,平均旅行时间取决于疏散区域的位置。

如图7疏散期间,有两个高峰时期。第一个高峰期发生在第一天的下午高峰,第二个是在第二天的上午高峰。对于基本场景,旅行时间在两个高峰之间的差异是无关紧要的疏散区1在纽约和李。此外,对于疏散场景,下午高峰时期有更高的旅行时间。这是由于大量的疏散撤离的最初几小时。

前两个小时疏散期间,所有10个类别的区域的平均旅行时间是最高的。李区1在纽约和疏散是强制性的,疏散造成显著的旅行时间。最高的平均旅行时间观察到下午3点,疏散交通需求和背景是最重的,和最高的疏散疏散区旅游时间在纽约和李估计为45 38分钟,分别。高峰期前八小时后,点完成,对疏散方案的所有区域的旅行时间减少,和旅行时间的方法基本场景值午夜。

在纽约等一些区域区4,疏散场景的旅行时间没有能力损失甚至低于基本场景凌晨12点。这可能是因为疏散需求的数量甚至少于旅行阻塞的方向疏散区。这个建模假设的结果是减少总旅行相比基本场景。旅行时间增加了17个小时后疏散秩序。这可以归因于剩余疏散需求。然后,23次降至正常水平^{理查德·道金斯}小时。

建模结果表明,疏散场景与容量损失的旅行时间高于疏散场景没有能力损失的假设。特别是在最后6小时疏散,容量损失场景的旅行时间值高于其他两个场景,而疏散场景的旅行时间满负荷接近基本场景旅行时间。

8。结论

本研究构建一个基于场景的飓风疏散模型,其中包括纽约和李的健壮的事件评估模块。疏散人员的要求是基于人口数据生成的基于经验并分发到每小时疏散响应曲线。事件的频率和持续时间模型的生成是基于经验数据的高速公路事件在飓风桑迪。三个宏观场景创建基于规划模型来评估事件对疏散时间的影响预测。结果表明,巷道事件可以产生强烈的负面影响疏散过程,特别是引入显著增加对这些OD对从疏散到安全区域。

尽管强调了改进后考虑事件的影响在网络模型中,需要更多的工作来检查这些结果的准确性和真实性。研究了各种假设关于疏散率和背景流量百分比。尽管这些值基于我们的假设是校准使用经验数据,他们可能会改变基于特定的事件。事件建模的一些事件,如洪水或倒下的树木可能相关的地方,和一个空间建模方法可能有助于改善事件生成模块。也,因为比平常少出租车数据点可供很大一部分的网络链接主要是由于需求的减少飓风登陆前,这是不可能准确地评估是否引入incident-induced容量损失的网络模型获得更准确的旅行时间估计的所有链接网络。因此,其他相关数据的实证链接属性,可以帮助进行这种比较有用进行网络范围的评估。此外,进一步的研究需要检查损失的能力开发一个增强的级联故障仿真模块,可以解决多层网络的相互依存。然而重要的是要注意,飓风是非常罕见的事件在纽约/新泽西地区和未来数据的可用性和任何其他地区非常低的飓风出现率可能是一个问题。我们希望类似的数据可以从美国和其他地区获得用于提高本文中描述的独特的建模方法(43]。

数据可用性

没有相关研究数据提交,因为作者没有共享数据的权限。

信息披露

本文的内容反映了作者负责的观点提出的事实和数据的准确性。论文的内容不一定反映官方机构的观点或政策。给出了一个早期版本的手稿在交通运输研究委员会第95届会议研究委员会(43)。

的利益冲突

作者宣称没有利益冲突的披露。

作者的贡献

朱元开发方法论,致力于软件,写了初稿,可视化研究。库恩谢正式进行分析和调查研究。Kaan Ozbay监督研究和审查和编辑文章。香港杨概念化和验证研究。安德Faruk Morgul:概念化的研究并进行了数据分析。

确认

本研究部分青年科学家基金支持的中国国家自然科学基金(批准号61903205)和年轻科学家内蒙古自然科学基金(批准号2019 bs07002)。工作部分由纽约州弹性研究所风暴和紧急情况(NYSRISE)和NSF脆:类型1:简化的和综合的方法来改善多尺度相互依赖的关键基础设施的弹性和弹性交通网络的项目在决策支持系统由纽约大学教务长全球种子基金资助。也是部分由C2SMART,一级UTC纽约大学由美国运输部。作者要感谢交通事件数据。