Обнаружение критически важных звеньев в пространственно-временных маршрутах с использованием теории сложных сетей

Обложка

Цитировать

Полный текст

Аннотация

В работе предложен усовершенствованный метод выявления критических рёбер в пространственно-временных маршрутных сетях на основе комплексного сетевого анализа. В отличие от ранее предложенных моделей, метод учитывает не только топологические характеристики маршрутов, но и их динамическую нестабильность через комбинированный вес, включающий среднюю скорость движения и её дисперсию. Дополнительно вводятся метрики нагрузки и устойчивости связности. Критические рёбра определяются автоматически через перколяционный анализ, без необходимости ручной настройки порогов. Для прогнозирования критичности используется градиентный бустинг, опирающийся на набор структурных и временных признаков. Предложенный подход обеспечивает более точное, воспроизводимое и адаптивное выявление уязвимых участков в сетях маршрутов и может быть применён в реальном времени для поддержки управления воздушным движением.

Об авторах

Г. А. Гаспарян

Московский государственный технический университет гражданской авиации

Автор, ответственный за переписку.
Email: grigory.rw@gmail.com
ORCID iD: 0009-0007-3917-6256
аспирант Москва, 125493, Россия

Список литературы

  1. Нгуен Н. Н. К. Математическая модель и применение алгоритма A Star для оптимизации маршрутов ОВД в воздушном пространстве районного диспетчерского центра / Н. Н. К. Нгуен, В. Н. Нечаев, В. Б. Малыгин // Crede Experto: транспорт, общество, образование, язык. 2025. № 1. С. 12-22. EDN XGLVST.
  2. Печенежский В. К. Особенности организации планирования использования воздушного пространства в Российской Федерации на примере Московской воздушной зоны / В. К. Печенежский, Е. К. Чувиковская // Научный вестник МГТУ ГА. 2023. № 26(6). С. 47-57. EDN VJOFJZ
  3. Эшмурадов Д. Э. Вопросы оптимизации распределения загрузок воздушного пространства по секторам / Д. Э. Эшмурадов, Н. А. Сайфуллаева // Теория и практика современной науки. 2020. № 3. С. 45-52. EDN ZFSEAG.
  4. A network-based dynamic air traffic flow model for en route airspace system traffic flow optimization / D. Chen, M. Hu, H Zhang, J. Yin, K. Han // Transportation Research Part E: Logistics and Transportation Review. 2017. Vol. 106 (C). pp. 1-19. doi: 10.1016/j.tre.2017.07.009.
  5. Aeronautical Information Publication & Amendments // [Электронный ресурс] – 2020. URL: https://www.caas.gov.sg/docs/default-source/pdf/aip-singapore-31-dec-20.pdf (дата обращения: 08.02.2021).
  6. Air traffic complexity map based on linear dynamical systems / T. Ha, A. García, J. Lavandier, S. Chaimatanan, D. Delahaye // Aerospace. 2022. № 9(5). P. 230. doi: 10.3390/aerospace9050230.
  7. An optimization-simulation closed loop feedback framework for modeling the airport capacity management problem under uncertainty / P. Scala, M. M. Mota, C.-L. Wu, D. Delahaye // Transportation Research Part C: Emerging Technologies. 2021. Vol. 124. Article 102937. doi: 10.1016/j.trc.2020.102937.
  8. Dynamics of disruption and recovery in air transportation networks / M. Z. Li, K. Gopalakrishnan, H. Balakrishnan, S. Shin // CEAS Aeronautical Journal. 2021. Vol. 13, № 12. pp. 1-11. doi: 10.1007/s13272-021-00521-x.
  9. IATA. European Air Traffic Control Delays Loom Over Summer Air Travel // [Электронный ресурс] – 2018. URL: https://www.iata.org/pressroom/pr/Pages/2018-07-18-01.aspx (дата обращения: 28.01.2023).
  10. Identification of critical links based on the optimal reliable path in stochastic traffic networks / Y. Sun, S. Wang, X. Xu, L. Shen // PLoS ONE. 2024. № 19(1). P. e0298173. doi: 10.1371/journal.pone.0301272.
  11. Identifying critical links in urban transportation networks based on spatio-temporal dependency learning / X. Huang, S. Hu, W. Wang, I. Kaparias, S. Zhong, X. Na, M.G.H. Bell, D.-H. Lee // IEEE Transactions on Intelligent Transportation Systems. 2023. № 24(6). pp. 6632-6646. doi: 10.1109/TITS.2022.3339507.
  12. Kalpana R. Analyzing transportation network vulnerability to critical-link attacks through topology changes and traffic volume assessment / R. Kalpana, A. Sivakumar, S. Sundar // Applied Sciences. 2023. № 13(1). P. 221. doi: 10.3390/app15084099.
  13. Kong W. Spatio Temporal Pivotal Graph Neural Networks for Traffic Flow Forecasting / W. Kong, Z. Guo, Y. Liu // Proceedings of the AAAI Conference on Artificial Intelligence. 2024. № 38(8). pp. 8627-8635. doi: 10.1609/aaai.v38i8.28707.
  14. Mahabadi Z. Network properties for robust multilayer infrastructure systems: A percolation theory review / Z. Mahabadi, L. Varga., T. Dolan // IEEE Access. 2021. Vol. 9. Pp. 135755-135773. doi: 10.1109/ACCESS.2021.3116868.
  15. Multi-objective network structure optimization method based on waypoint layout / Y. Zheng, C. Li, Y. Wang, Y. Qi, Z. Li // Journal of Aeronautics, Beijing University of Aeronautics and Astronautics. 2019. Vol. 45, № 1. pp. 1-9. doi: 10.13700/j.bh.1001-5965.2018.0157.
  16. National airspace sector occupancy and conflict analysis models for evaluating scenarios under the free flight paradigm / H. Sherali, J. Smith, A. Trani, S. Sale // Transportation Science. 2000. № 34 (4). pp. 321-339. doi: 10.1287/trsc.34.4.321.12326.
  17. New centrality and causality metrics assessing air traffic network interactions / P. Mazzarisi, S. Zaoli, F. Lillo, L. Delgado, G. Gurtner // Journal of Air Transport Management. 2019. Vol. 85. Article 101801. doi: 10.1016/j.jairtraman.2020.101801.
  18. Optimal schedule recovery for the aircraft gate assignment with constrained resources / S. Zhou, Y. Shi, L. Chen, T. Wang // Computers & Industrial Engineering. 2021. Vol. 156. № 107682. doi: 10.1016/j.cie.2021.107682.
  19. Percolation transition in dynamical traffic network with evolving critical bottlenecks / D. Li, B. Fu, Y. Wang, G. Lu, Y. Berezin, H. E. Stanley, S. Havlin // Proceedings of the National Academy of Sciences of the United States of America. 2015. № 112(3). pp. 669-672. DOI https://doi.org/10.1073/pnas.1419185112.
  20. Ren G. Robustness Analysis of Air Route Network Based on Topology Potential and Relative Entropy Methods // Journal of Advanced Transportation. 2021. Vol. 2021. pp. 1-11. doi: 10.1155/2021/5527423.
  21. Takhtfiroozeh H. Topological-based measures with flow attributes to identify critical links in a transportation network / H. Takhtfiroozeh, M. Golias, S. Mishra // Transportation Research Record. 2021. № 2675(11). pp. 46-57. doi: 10.1177/03611981211013039.
  22. Tian X. Identification of critical links in urban road networks considering cascading failures / X. Tian, X. Liu, Z. Li // Mathematical Problems in Engineering. 2021. Article ID 6656837. doi: 10.1155/2021/9994347.
  23. Timescales of delay propagation in airport networks / Y. Wang, M. Z. Li, K. Gopalakrishnan, T. Liu // Transportation Research Part E: Logistics and Transportation Review. 2022. Vol. 161. Article 102687. doi: 10.1016/j.tre.2022.102687.
  24. UAV Trajectory and Communication Co-design: Flexible Path Discretization and Path Compression / Y. Guo, C. You, C. Yin, R. Zhang // IEEE Journal on Selected Areas in Communications, Special Issue on UAV Communications in 5G and beyond networks. 2020. Vol. 39, № 11. pp. 3506-3523. doi: 10.1109/JSAC.2021.3088690.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».