Detection of critical links in spatial-temporal routes based on complex networks

Capa

Citar

Texto integral

Resumo

This paper presents an enhanced method for detecting critical edges in spatial-temporal route networks based on complex network analysis. Unlike previous models, the proposed approach accounts not only for the topological characteristics of routes but also for their dynamic variability through a composite weight that includes the average travel speed and its variance. Additional metrics, such as load centrality and robustness of connectivity, are introduced. Critical edges are automatically identified via percolation analysis, without the need for manual threshold adjustment. For criticality prediction, a gradient boosting model is employed, using a set of structural and temporal features. The proposed approach ensures more accurate, reproducible, and adaptive identification of vulnerable segments in route networks and can be applied in real time to support air traffic management.

Sobre autores

G. Gasparyan

Moscow State Technical University of Civil Aviation

Autor responsável pela correspondência
Email: grigory.rw@gmail.com
ORCID ID: 0009-0007-3917-6256
postgraduate student Moscow, 125493, Russia

Bibliografia

  1. Air traffic complexity map based on linear dynamical systems. Complexity. 2022. Article ID 7291063. doi: 10.1155/2022/7291063.
  2. Athanasopoulos G., Hyndman R. J., Song H., Wu D. C. (2011). The tourism forecasting competition. International Journal of Forecasting. 27(3): 822-844. doi: 10.1016/j.ijforecast.2010.04.009.
  3. Carvalho R., Buzna L., Bono F., Masera M., Arrowsmith D. K., Helbing D. (2014). Resilience of natural gas networks during conflicts, crises and disruptions. PLoS ONE. 9(3): e90265. doi: 10.1371/journal.pone.0090265.
  4. Chen T., Guestrin C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). San Francisco, CA, USA: 785-794. doi: 10.1145/2939672.2939785.
  5. Cohen R., Erez K., ben-Avraham D., Havlin S. (2000). Resilience of the Internet to random breakdowns. Physical Review Letters. 85(21): 4626-4628. doi: 10.1103/PhysRevLett.85.4626.
  6. Dorogovtsev S. N., Goltsev A. V., Mendes J. F. F. (2008). Critical phenomena in complex networks. Reviews of Modern Physics. 80(4): 1275-1335. doi: 10.1103/RevModPhys.80.1275.
  7. Freeman L. C. (1977). A set of measures of centrality based on betweenness. Sociometry. 40(1): 35-41. doi: 10.2307/3033543.
  8. Gastner M. T., Newman M. E. J. (2006). The spatial structure of networks. The European Physical Journal B. 49(2): 247-252. doi: 10.1140/epjb/e2006-00046-8.
  9. Goerigk M., Knoth M., Müller-Hannemann M., Schmidt M., Schöbel A. (2013). Robust optimization in public transport. Mathematical Methods of Operations Research. 77(3): 379-404. doi: 10.1007/s00186-013-0431-9.
  10. Holme P., Kim B. J., Yoon C. N., Han S. K. (2002). Attack vulnerability of complex networks. Physical Review E. 65(5): 056109. doi: 10.1103/PhysRevE.65.056109.
  11. Husdal J. (2005). Reliability and vulnerability versus cost and benefits. In Proceedings of the 2nd International Symposium on Transportation Network Reliability (INSTR). Christchurch and Queenstown, New Zealand. 180-186.
  12. Jenelius E., Petersen T., Mattsson L.-G. (2006). Importance and exposure in road network vulnerability analysis. Transportation Research Part A: Policy and Practice. 40(7): 537-560. doi: 10.1016/j.tra.2005.11.003.
  13. Kermack W. O., McKendrick A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society A. 115(772): 700-721. doi: 10.1098/rspa.1927.0118.
  14. Kong G., Yang H., Zeng X., Pan W. (2024). Detection of critical links in a spatial-temporal route network based on complex networks. Communications in Transportation Research. 4. Article ID 100132. doi: 10.1016/j.commtr.2024.100132.
  15. Lu Z., Zhang H., Southworth F. (2009). Investigating link criticality measures in transportation networks. Transportation Research Record. 2120(1): 40-49. doi: 10.3141/2120-05.
  16. Newey W. K., West K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica. 55(3): 703-708. doi: 10.2307/1913610.
  17. Newman M. E. J. (2005). A measure of betweenness centrality based on random walks. Social Networks. 27(1): 39-54. doi: 10.1016/j.socnet.2004.11.009.
  18. Pechenezhskii D. Iu., Kurochkin M. A., Statsenko V. N., Gasparyan G. A. (2023). Poisk osnovnykh metriko ucheta slozhnosti vozdushnogo dvizheniya: obzor literatury. Mir transporta i tekhnologicheskikh mashin. No 4 (83). 120-133. doi: 10.33979/2073-7432-2023-4(83)-120-133.
  19. Pechenezskii D. Y., Chernov N. S., Vlasov R. V., Kuznetsov A. A. (2023). Uchet slozhnosti vozdushnogo dvizheniya pri operativnom planirovanii v edinom evropeiskom nebe. Nauchny vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta grazhdanskoi aviatsii. Vol. 26. No 3. 6-25. doi: 10.26467/2079-0619-2023-26-3-6-25.
  20. Sherali H. D., Smith J. C., Trani A. A., Sale S. (2000). National airspace sector occupancy and conflict analysis models for evaluating scenarios under the free-flight paradigm. Transportation Science. 34 (4): 321-339. doi: 10.1287/trsc.34.4.321.12326.
  21. Sun Y., Wang S., Xu X., Shen L. (2024). Identification of critical links based on the optimal reliable path in stochastic traffic networks. PLoS ONE. 19(1): e0298173. doi: 10.1371/journal.pone.0301272.
  22. Takhtfiroozeh H., Golias M., Mishra S. (2021). Topological-based measures with flow attributes to identify critical links in a transportation network. Transportation Research Record. 2675(11): 46-57. doi: 10.1177/03611981211013039.
  23. Tian X., Liu Z., Chen Z. (2021). Identification of critical links in urban road networks considering cascading failures. Mathematical Problems in Engineering. Article ID 6656837. doi: 10.1155/2021/9994347.
  24. Wang Y., Li M. Z., Gopalakrishnan K., Liu T. (2022). Timescales of delay propagation in airport networks. Transportation Research Part E: Logistics and Transportation Review. 161. Article 102687. doi: 10.1016/j.tre.2022.102687.
  25. Zheng Y., Li C., Wang Y., Qi Y., Li Z. (2019). Multi-objective network structure optimization method based on waypoint layout. Journal of Aeronautics, Beijing University of Aeronautics and Astronautics. 45(1). 1-9. doi: 10.13700/j.bh.1001-5965.2018.0157.
  26. Zhou S., Shi Y., Chen L., Wang T. (2021). Optimal schedule recovery for the aircraft gate assignment with constrained resources. Computers & Industrial Engineering. 156: 107682. doi: 10.1016/j.cie.2021.107682.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».