view in publisher's site

Compound generalized extreme value distribution for modeling the effects of monthly and seasonal variation on the extreme travel delays for vulnerability analysis of road network

Highlights•A new data-driven network vulnerability approach is presented.•A new distribution called Compound Generalized Extreme Value (CGEV) is derived.•The CGEV distribution models monthly and seasonal variation in extreme travel delay.•The CGEV distribution is applied to derive a new measure of network vulnerability.•The vulnerability measure considers probability and consequences of link failure.AbstractThis paper proposes a new class of extreme value distribution called compound generalized extreme value (CGEV) distribution for investigating the effects of monthly and seasonal variation on extreme travel delays in road networks. Since the frequency and severity of extreme events are highly correlated to the variation in weather conditions as an extrinsic cause of incidents and long delays, monthly and seasonal changes in weather contributes to extreme travel time variability. The change in driving behavior, which itself varies according to road/weather conditions, also contributes to the monthly and seasonal variation in observed extreme travel times. Therefore, it is critical to model the effect of monthly and seasonal changes on observed extreme travel delays on road networks. Based on the empirically revealed linear relationship between mean and standard deviation (SD) of extreme travel delays for both monthly and seasonal levels, two multiplicative error models are formulated. The CGEV distribution is then obtained by linking the two multiplicative error models and forming a compound distribution that characterizes the overall variation in extreme travel delay. The CGEV distribution parameters are calibrated and the underlying assumptions that are used to derive the CGEV distribution are validated using multi-year observed travel time data from the City of Calgary road network. The results indicate that accounting for the seasonality by identifying seasonal specific parameters provides a flexible and not too complex CGEV distribution that is shown to outperform the traditional GEV distribution. Finally, the application of the proposed CGEV distribution is evaluated in the context of road network vulnerability taking into account the observed probability of extreme event occurrences and the link importance. This derived data-driven vulnerability index incorporates a wealth of information related to both network topography in terms of connectivity and the dynamic interaction between travel demand and supply. This new data-driven vulnerability measure can thus be used as a decision support tool to inform decision-makers in prioritizing improvements to critical links to enhance overall network vulnerability, reliability, and resilience.

توزیع مقادیر حدی تعمیم‌یافته برای مدل‌سازی اثرات تغییرات ماهانه و فصلی بر تاخیره‌ای سفر حدی برای تحلیل آسیب‌پذیری شبکه جاده

نکات برجسته * یک رویکرد جدید آسیب‌پذیری شبکه برگرفته از داده ارائه شده‌است. یک توزیع جدید به نام مقدار افراطی تعمیم‌یافته ترکیبی (CGEV)به دست آمده‌است. * مدل‌های توزیع CGEV تغییرات ماهانه و فصلی در تاخیر سفر زیاد. توزیع CGEV برای بدست آوردن یک معیار جدید از آسیب‌پذیری شبکه اعمال می‌شود. * معیار آسیب‌پذیری احتمال و پیامدهای خرابی لینک را در نظر می‌گیرد. واکنش ناپذیری این مقاله طبقه جدیدی از توزیع مقدار حدی تعمیم‌یافته ترکیبی (CGEV)را برای بررسی اثرات تغییرات ماهانه و فصلی بر تاخیره‌ای سفر حدی در شبکه‌های جاده‌ای پیشنهاد می‌کند. از آنجا که فراوانی و شدت رویداده‌ای شدید به شدت با تغییر در شرایط آب و هوایی به عنوان علت بیرونی رویدادها و تاخیره‌ای طولانی مرتبط است، تغییرات ماهانه و فصلی در آب و هوا به تغییر پذیری زمان سفر شدید کمک می‌کند. تغییر در رفتار رانندگی، که خود با توجه به شرایط جاده / آب و هوا تغییر می‌کند، همچنین به تغییرات ماهانه و فصلی در زمان‌های سفر شدید مشاهده‌شده کمک می‌کند. بنابراین، مدل کردن تاثیر تغییرات ماهانه و فصلی بر تاخیره‌ای سفر زیاد مشاهده‌شده در شبکه‌های جاده‌ای بسیار مهم است. براساس رابطه خطی بین میانگین و انحراف معیار (SD)تاخیره‌ای سفر زیاد برای هر دو سطح ماهانه و فصلی، دو مدل خطای ضربدری فرمول‌بندی می‌شوند. سپس توزیع CGEV با اتصال دو مدل خطای ضربی و تشکیل یک توزیع ترکیبی که تغییرات کلی در تاخیر سفر شدید را مشخص می‌کند، به دست می‌آید. پارامترهای توزیع CGEV کالیبره شده و فرضیات اساسی که برای استنتاج توزیع CGEV استفاده می‌شوند با استفاده از داده‌های زمان سفر مشاهده‌شده چندساله از شهر شبکه جاده کالگری اعتبار سنجی می‌شوند. نتایج نشان می‌دهد که محاسبه فصلی بودن با شناسایی پارامترهای خاص فصلی یک توزیع CGEV انعطاف‌پذیر و نه خیلی پیچیده فراهم می‌کند که برای عملکرد بهتر از توزیع سنتی GEV نشان‌داده شده‌است. در نهایت، کاربرد توزیع CGEV پیشنهادی در زمینه آسیب‌پذیری شبکه جاده با در نظر گرفتن احتمال مشاهده رخدادهای شدید و اهمیت لینک ارزیابی می‌شود. این شاخص آسیب‌پذیری برگرفته از داده، مجموعه‌ای از اطلاعات مربوط به هر دو توپوگرافی شبکه از نظر اتصال و تعامل پویا بین تقاضای سفر و عرضه را ادغام می‌کند. بنابراین، این معیار جدید آسیب‌پذیری برگرفته از داده را می توان به عنوان یک ابزار پشتیبانی تصمیم‌گیری برای آگاه کردن تصمیم گیرندگان در اولویت‌بندی بهبود پیوندهای حیاتی به منظور افزایش آسیب‌پذیری کلی شبکه، قابلیت اطمینان و انعطاف‌پذیری استفاده کرد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Transportation
  • ترجمه مقاله Transportation
  • مقاله حمل و نقل
  • ترجمه مقاله حمل و نقل
  • مقاله Automotive Engineering
  • ترجمه مقاله Automotive Engineering
  • مقاله مهندسی خودرو
  • ترجمه مقاله مهندسی خودرو
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.