中欧班列运输网络中关键节点风险影响班列线路规划和运营安全。通过分析中欧班列运输节点的物理网络拓扑特性,结合考虑服务网络中节点服务能力的重要性,提出熵-逼近理想解排序法(Technique for Order Preference by Similarity to an Id...中欧班列运输网络中关键节点风险影响班列线路规划和运营安全。通过分析中欧班列运输节点的物理网络拓扑特性,结合考虑服务网络中节点服务能力的重要性,提出熵-逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)节点重要度评估方法。考虑节点受外部宏观因素影响可能失效的情况,引入国家运输支撑力衡量节点失效可能,提出重要性-失效可能分析模型(Importance-Failure Possibility Analysis,IFPA)识别中欧班列关键运输节点风险,并采用K-Means++聚类算法对节点进行风险划分。通过构建中欧班列全域运输网络进行案例分析,结果表明该模型可有效识别节点风险且节点风险分类结果符合实际情况。高、中、低风险区和风险监测区分别对应5、10、7和6个关键运输节点。对运输节点进行风险分类有助于分级管理中欧班列运输风险,保障运输安全。展开更多
若运输网络中的重要节点发生故障,中欧班列的运输效率和货物流动会受到严重制约。本文提出一种基于改进TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法及灰色关联分析的多层网络节点重要性评价方法。首...若运输网络中的重要节点发生故障,中欧班列的运输效率和货物流动会受到严重制约。本文提出一种基于改进TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法及灰色关联分析的多层网络节点重要性评价方法。首先,以中欧班列运输网络结构特征为基础,构建中欧班列多层网络;其次,选取度中心性、介数中心性及接近中心性等多个评价指标,运用改进TOPSIS法计算节点单层网络重要度评价值,采取灰色关联分析融合得到节点综合重要度评价值;最后,利用多层网络SIR(Susceptible Infected Recovered Model)模型验证方法的有效性。结果表明:本文识别出的关键节点包含中欧班列主要线路的起讫城市、境内外重要口岸和中欧班列集结中心,结果与实际情况较为契合;采用排序前10%重要节点作为初始感染节点,SIR网络感染率在20次迭代后达到97.8%,本文提出方法的网络节点感染率及传播速率均高于BC(Betweenness Centrality)算法、DC(Degree Centrality)算法和PageRank算法等传统单一网络排序方法,即识别的关键节点对全局网络的影响更为普遍和高效。此外,根据排序结果从国家层面提出相应的政策建议,有助于提高中欧班列运输网络的鲁棒性。展开更多
文摘中欧班列运输网络中关键节点风险影响班列线路规划和运营安全。通过分析中欧班列运输节点的物理网络拓扑特性,结合考虑服务网络中节点服务能力的重要性,提出熵-逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)节点重要度评估方法。考虑节点受外部宏观因素影响可能失效的情况,引入国家运输支撑力衡量节点失效可能,提出重要性-失效可能分析模型(Importance-Failure Possibility Analysis,IFPA)识别中欧班列关键运输节点风险,并采用K-Means++聚类算法对节点进行风险划分。通过构建中欧班列全域运输网络进行案例分析,结果表明该模型可有效识别节点风险且节点风险分类结果符合实际情况。高、中、低风险区和风险监测区分别对应5、10、7和6个关键运输节点。对运输节点进行风险分类有助于分级管理中欧班列运输风险,保障运输安全。
文摘若运输网络中的重要节点发生故障,中欧班列的运输效率和货物流动会受到严重制约。本文提出一种基于改进TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法及灰色关联分析的多层网络节点重要性评价方法。首先,以中欧班列运输网络结构特征为基础,构建中欧班列多层网络;其次,选取度中心性、介数中心性及接近中心性等多个评价指标,运用改进TOPSIS法计算节点单层网络重要度评价值,采取灰色关联分析融合得到节点综合重要度评价值;最后,利用多层网络SIR(Susceptible Infected Recovered Model)模型验证方法的有效性。结果表明:本文识别出的关键节点包含中欧班列主要线路的起讫城市、境内外重要口岸和中欧班列集结中心,结果与实际情况较为契合;采用排序前10%重要节点作为初始感染节点,SIR网络感染率在20次迭代后达到97.8%,本文提出方法的网络节点感染率及传播速率均高于BC(Betweenness Centrality)算法、DC(Degree Centrality)算法和PageRank算法等传统单一网络排序方法,即识别的关键节点对全局网络的影响更为普遍和高效。此外,根据排序结果从国家层面提出相应的政策建议,有助于提高中欧班列运输网络的鲁棒性。
