Обнаружение критически важных звеньев в пространственно-временных маршрутах с использованием теории сложных сетей
https://doi.org/10.51955/2312-1327_2025_3_131
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 авторе
Г. А. Гаспарян
Московский государственный технический университет гражданской авиации
Россия
Россия
Григорий Арменович Гаспарян, аспирант
Кронштадтский б-р, 20, Москва, 125493
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.
Рецензия
Для цитирования:
Гаспарян Г.А. Обнаружение критически важных звеньев в пространственно-временных маршрутах с использованием теории сложных сетей. Crede Experto: транспорт, общество, образование, язык. 2025;(3):131-161. https://doi.org/10.51955/2312-1327_2025_3_131
For citation:
Gasparyan G.A. Detection of critical links in spatial-temporal routes based on complex networks. Crede Experto: transport, society, education, language. 2025;(3):131-161. (In Russ.) https://doi.org/10.51955/2312-1327_2025_3_131
Просмотров:
7
JATS XML
Послать статью по эл. почте 