Reliability of the traffic network against cascading failures with individuals acting indepe... 论文导读

Reliability of the traffic network against cascading failures with individuals acting independently or collectively

写在之前

最近慢慢对交通稍微入门一点了，有一些自己的想法，希望自己能做出一点成果，加油！这篇文章是我在搜索级联故障和相关的交通流分配的时候找到。发表在TRC上，交通领域的顶刊了。这篇文章是北航的一个组发表的内容，一作是一个博士小姐姐，来拜读一下吧。

摘要

多米诺骨牌式的级联故障可能会降低系统和用户的流量网络可靠性。作为这一动态过程的微观起源，路径选择行为对于应对级联故障的可靠性模式至关重要，但其机制尚未得到系统研究。为了揭示这一点，我们提出了一个两级级联故障模型来观察交通拥堵演变过程中的路线选择模式：（i）上层描述级联故障如何在网络拓扑中扩散，而（ii）下层描述模拟旅行者在用户均衡（UE）和系统最优（SO）之间权衡时可能选择的路径。考虑到大规模交通网络上近百万个OD对，探讨了四个因素对两个可靠性指标的影响机制。我们发现，在某些扰动下，保持在确定的临界容差对于投资来说是最有利可图的，但对于可靠性来说却不稳定。令人惊讶的是，在不同的交通网络拓扑中都发现了相变模式，其中格子网络是最不可靠的。研究发现，通过将旅行者的路线选择从独立 UE 改为集体 SO 可以提高网络可靠性，而如果旅行者对旅行时间有随机感知误差或对概率旅行时间有风险偏好，则网络可靠性会降低。此外，如果过载故障能够从故障状态中恢复，则交通网络可以变得更加可靠。我们的发现可能有助于改善未来 UE 和 SO 之间多种状态传输的可靠性管理。

背景

交通系统的可靠性被解释为在给定时间间隔或其他特定条件下为特定数量的出行者提供服务的能力，在过去一段时间有很多从不同角度提出来的指标，包括连通可靠性，链路可靠性，行程时间可靠性等等。如果平衡被破坏了，则会出现非常严重的交通拥堵。干扰可能是人类活动（例如通勤时间）、随机故障（例如交通事故或自然灾害）或故意攻击（例如恐怖袭击）。级联失效则是其中的非常严重的一种现象。

首先，证据表明，旅行者的路线选择不仅依赖于 Motter-Lai 模型中假设的最短时间（距离）路径，而且可能由独立路径选择博弈行为决定用户均衡（UE）和集体系统最优（SO）。此外，研究发现，如果无法获得关于交通状况的完美信息，或者网络具有概率性旅行时间，旅行者的随机感知和风险偏好也会影响他们的路线选择其次，与如果路径发生超载故障则物理实体无法传输不同，如果其他替代路线需要更长的旅行时间，出行者仍然可以选择通过超载道路。为了考虑出行者的路线选择行为，本文改进了应用于城市交通网络的级联故障模型。

其实说人话就是，出行的人可能会选择最短时间或者距离的路，但是也有很多因素影响他们做决策。如果一条路堵车了，但是出行的人也可能仍然会选择该道路，这一点在其他网络上则可能不同。

动机&贡献

我们的目标是提出一种新的级联故障模型，以探索路线选择行为和上述网络特征如何影响交通网络的可靠性。发现这种影响机制的研究框架包括方法论的提出、模拟的设计、影响因素的识别和可靠性的评估，如图所示。

作者总结了工作的贡献如下：

• 我们制定了两级级联故障模型来研究由于随机波动或其他异常事件（例如交通事故、自然灾害、恐怖袭击等）导致部分链路故障时的交通网络可靠性。上层描述了交通拥堵的时空传播。较低层在 UE 和 SO 之间进行权衡，为旅行者分配路线选择。所提出的模型并没有像 Motter-Lai 模型那样从网络中删除超载路段，而是要求仍然通过超载道路的旅行者支付额外费用。

• 使用所提出的模型，我们基于大型网络进行了大量模拟，每个级联步骤中都有来自近一百万个起点-目的地（OD）对的特定数量的旅行者。案例研究可以通过检查和解释四个因素的影响来回答如何提高针对级联故障的交通可靠性，包括网络容差、网络拓扑、旅行者路线选择行为和可恢复的过载故障。

• 引入基于路径的用户可靠性$R_u$和基于操作的系统可靠性$R_s$来评估用户或系统对于初始扰动触发的级联故障是否满意的临界条件。系统可靠性$R_s(t)$定义为在级联步骤 $t$ 时可以正常运行的道路所占的比例，用户可靠性$R_u(t)$定义为用户可以通过不使用任何路径的路径完成出行的比例级联步骤 $t$ 处发生过载故障。

相关工作

作者分别以三个方面提到了相关的工作，分别是交通网络的可靠性，级联失效现象，以及旅行者的路径选择。具体的不过与赘述，详细请参照原文。

模型建模

作者建立了一个双层的级联失效模型。如下图，级联故障的过程通常是由意外扰动（即图中的黑色虚线）触发，然后反复遭受（i）过载故障传播（即图中的红色链接），（ii）改变出行成本函数（针对灰色和红色链接），以及 (iii) 选择出行路线选择（针对出行 OD 需求 q(t)）。在我们开发的两级级联故障模型中，上层描述了这些多阶段过程，并显示了过载故障如何在空间和时间上扩散。较低层基于允许旅行者独立或集体行动的一类路线选择模型来解决每个级联周期 t 的旅行者路径。

上层模型

作者建模如同其他类似，将交通系统看成一个图结构的网络结构，$G(N,L)$其中$N$为节点集合，$L$​为路段集合。

作者任务道路的耐受供给能力 $C_i$ 是由基础容量 $B_i$ 和耐受因子 $a$ 组成的如下，同时 $a>1$ 。
$$C_i=a\times B_i,i\in L$$
同时定义流量需求，如下式。$D_i(t)$指的是在级联时间步$t$时候的，$i$路段的车流情况。这个流量等于所有在$t$时间经过这条路的OD请求集合。
$$D_i(t)=\sum _{\omega \in W}{d}_i^{\omega }(t),i\in L$$
针对每条路的状态进行定义为 $s_i(t)$，当流量 $D_i(t-1)$ 大于 $C_i$ 则表明现在这条道路过载了，$s_i(t)=1$，反之则为0。
$$s_i(t)=\{\begin{array}{l}1,\text{if}{D}_i(t-1)⩽C_i\\ 0,\text{if}{D}_i(t-1)>C_i\end{array}$$
如果想知道两个时间段之间，拥堵路段到底是增加了还是减少了，则可以直接减一下就能很快得到，如下。
$$F(t)=\sum _{i\in L}{s}_i(t)-\sum _{i\in L}{s}_i(t+1)$$
接下来作者就尝试衡量出行所花费的代价了，作者参考了一个BPR function，如下。$\alpha$ 和 $\beta$ 用于调整拥堵对行驶时间的影响程度，通常通过实际数据拟合获得，在这里分别被设置为0.15和4，$p_{i,\text{free}}$ 代表的是平时情况下的通行时间。
$$p_i=p_{i,\text{free}}\left(1+\alpha (\frac{D_i(t)}{C_i}{)}^{\beta }\right)$$
作者针对级联失效场景进行了一个变动，其实也就是加了个倍数$M$，就拥堵时候的时间会成倍的增加。如下图。（emmmm个人觉得是符合直觉的，但是真的合理吗）
$$P_i(t)=\{\begin{array}{ll}{p}_i(\frac{D_i(t)}{C_i}),\text{if}{s}_i(t)=1& \\ & \\ M\times p_i(\frac{D_i(t)}{C_i}),\text{if}{s}_i(t)=0& \end{array}$$
这样的话通行时间就定义完成啦。

粘上原文的一段话

由于超载故障扩大了故障道路的旅行成本 $P_i(t)$，在级联步骤 $t$ 进入的旅行者 $q(t)$ 随后可能会偏离前一步骤的路径选择，以避开超载故障。在级联过程的程序（iii）中，根据每个级联步骤 $t$ 中更新的旅行时间成本函数 $P_i(t)$，旅行者 $q(t)$ 所选择的路径由路径选择模型在 UE 和 SO 之间进行权衡后在下层重新确定。特定道路的流量需求 $D_i(t)$ 会随之变化，更多的道路可能出现超载故障。这种逐时超载过程会一直持续下去，直到不再出现超载故障。

下层模型

社会良好的路线选择凸规划问题

一般来说。路径选择都是选择最短路径，然而，在交通网络中，路线选择是数百万出行者博弈行为的结果。在城市交通中，出行者的路线选择可能在用户均衡（UE）和系统最优（SO）条件之间变化。引入 Çolak 等人（2016 年）工作中定义的社会公益权重 $\lambda $，我们得到了在级联失效的每一步都在 UE 和 SO 之间进行权衡的旅行成本效用函数。在给定社会公益权重 $\lambda $ 的情况下，用户的旅行时间效用函数是一个人所花费的时间和他/她的选择给其他人带来的总外部时间的线性组合。
$$U_i^{\lambda }(D_i(t))=(1-\lambda )P_i(t)+\lambda \frac{d[D_i(t)P_i(t)]}{d(D_i(t))}=P_i(t)+\lambda D_i(t)\frac{d(P_i(t))}{d(D_i(t))}$$
前半部分 $P_i(t)$ 是代表着个人的在这条路出行所耗费的时间成本，$\frac{d[D_i(t)P_i(t)]}{d(D_i(t))}$则是选择所带来的边际成本，通过社会公益权重 $\lambda $ 来衡量。这个值从0到1之间，0则代表用户只考虑自己，而1则代表用户只考虑别人。从理论上讲，在 UE 的交通状态下，没有用户能从单方面偏离自己的选择中获益。而在 SO 的流量状态下，一些出行者可能会牺牲个人利益来提高系统效率。求解级联步骤 $t$ 的流量需求 $D_i(t)$时，每个用户的目标都是最小化其社会公益效用。
$$\begin{array}{rl}& \min Z(D(t))=\sum _{i\in L}{\int }_0^{D_i(t)}{U}_i^{\lambda }(x)dx\\ & \\ \text{subject}& \text{to}\\ & \\ & \sum _{k\in K^{\omega }(t)}{d}_k^{\omega }(t)=q^{\omega }(t),\omega \in W\\ & \\ & d_k^{\omega }(t)⩾0,\omega \in W,k\in K^{\omega }(t)\\ & \\ & D_i(t)=\sum _{\omega \in W}\sum _{k\in K^{\omega }(t)}{d}_k^{\omega }(t){\delta }_{ik}^{\omega }(t),i\in L\end{array}$$
其中 $q^{\omega }(t)$ 是OD对 $\omega$ 在级联时间步 $t$ 上的出行计划，$d_k^{\omega }(t)$ 是在级联步骤 $t$ 处从 OD 对 ω 经过路径 $k$ 的用户数量，$K^{\omega }(t)$ 是 OD 对 ω 的路径集合，当道路 $i$ 位于 OD 对 $\omega$ 的路径 $k$ 上时 ${\delta }_{ik}^{\omega }(t)$ 是1，其他情况下为0。

考虑导致出行者集体行为的社会公益权重，可以通过进行一些政策干预（例如，收取部分边际成本通行费）或设计具有先进交通信息系统的网络（例如，互联的交通网络）来实现。车辆和汽车）。而在没有完美交通状况信息的真实交通网络中，出行者可能对彼此的出行时间有不同的理解，作者加入了一些随机误差，来作为感知误差。作者总共比较了四种独立的路由选择行为和一种集体的路由选择行为。

用户可靠性和系统可靠性

作者引入了两个网络可靠性的指标，分别是基于路径的用户可靠性 $R_u(t)$ 以及基于操作的系统可靠性 $R_s(t)$ ，分别评估用户或系统在级联故障下令人满意的临界条件。$R_u(t)$ 定义为在级联步骤 $t$ 处没有任何超载道路的路径中完成出行的用户比例，如下所示
$$R_u(t)=\frac{{\sum }_{\omega \in W^c(t)}{q}^{\omega }(t)}{{\sum }_{\omega \in W}{q}^{\omega }(t)}$$
其中 $W^c(t)$ 是在级联步骤 t 处由至少一条没有过载道路的路径连接的 OD 对的集合。系统可靠性$R_s(t)$定义为级联步骤t正常运行的道路比例，即
$$R_s(t)=\frac{1}{\Vert L\Vert }\sum _{i\in L}{s}_i(t)$$
其中 $s_i(t)$ 是级联故障第 $t$ 步时道路 $i$ 的状态。感觉这两个指标定义的很简单（这上面是能做一些文章的感觉）。

级联过程中的流量分配及可靠性评估

作者介绍了级联过程中的路径选择问题，以及评估可靠性的详细程序。程序的大概流程框图以及具体步骤如下

案例研究

通过已有文献得知，交通网络有着复杂网络中的包括小世界网络，无标度网络，方格网络以及随机网络的一些特性。所以作者针对这几个网络分别进行研究网络图形如下

级联故障的演变

作者先模拟一个小世界网络中的级联过程，假设旅行者完全独立行动（λ = 0）。为了观察网络系统如何应对极其严重的扰动，我们攻击了初始交通流量最大的 10% 的道路。初始过载故障会产生行驶路线重选，在此动态过程中可能会导致全局级联过载故障。如下图中(a)部分所示，当道路的容忍因子 $a=3$ 的时候，在时间步3的时候很快就道路全都发生级联失效了。但是设置为4.8的时候，如(b)部分所示，基本上就还好，没太多失效的。这证实了流量网络能够以足够的容忍度可靠地防止级联故障。对于每个 a 值，© 显示级联过程中存在过载峰值。当容差增加时，该峰值会变小并且出现得更晚。达到峰值之前的这个“时间窗口”提供了保护网络免遭全面故障的机会。如果容差增加到 4.6，过载故障峰值 $F(t)$ 接近于零，道路容量足够大，就几乎不会发生级联失效。

网络的容忍度和弹性

对于一个针对级联故障的交通网络，过载故障可能会从全局拥塞变成局部拥塞，并且具有足够的容忍因子$a$。我们这里关注的一个基本问题是：网络可靠性如何随容差a变化？在下图（a）和（b）中，当级联步骤t继续进行时，可靠性$R_u(t)$和$R_s(t)$下降并最终保持在最小值。给定较大的容差a，网络需要更长的时间才能达到最差的可靠性条件。（c）表明，用户可靠性$R_u$和系统可靠性$R_s$都随着容差因子$a$的增加而增加，并且存在临界容差$a_c$将可靠性突然分为低阶段和高阶段。在临界容差$a_c$以上，$R_u$和$R_s$均在1左右，表明大多数用户可以在不发生任何超载故障的情况下完成行程，并且大多数道路处于正常状态。而低于临界容差$a_c$，由于可能出现全局级联故障，可靠性会突然降至较低值。值得注意的是，$R_u$ 低于 $R_s$ 意味着流量网络对于用户路径选择的可靠性低于系统运行的可靠性。虽然许多研究表明这些基础设施，包括交通网络和电网，是小世界网络，但我们发现这些系统的可靠性在接近临界容差时不稳定。可靠性的突然转变可能与全局级联故障的临界条件高度相关

在城市交通网络中，系统可以通过提高其容量承受能力来缓解这种不利的级联效应。然而，它受到投资成本的严重限制，因为扩大道路通行能力或提供其他替代的出行方式选择需要非常大的经济成本。根据经济学的定义，投资回报率（ROI）用于评估投资策略的盈利能力，表示为总收益与总投资的比率。对于用户和系统，用户投资回报率$RO{I}_u$和系统投资回报率$RO{I}_s$​定义为
$$RO{I}_u=\frac{R_u}{a\times c_{a=1}},RO{I}_s=\frac{R_s}{a\times c_{a=1}}$$
图（d）显示$RO{I}_u$和$RO{I}_s$的曲线ROI在临界容差条件下达到最大值。低于（高于）临界容差，网络获得的投资回报递增（递减）。实际上，这种现象类似于商品市场中通常出现的随着投入增加而出现的规模经济和规模不经济阶段。这表明，从经济效益考虑，交通网络可能位于临界容差附近以保持最大的ROI，但可靠性可能不稳定。这一发现表明了防止网络脆弱性和最大化投资回报之间的矛盾。

如果仅考虑部分 OD 需求可能会改变其路由选择，我们还计算了针对级联故障的网络可靠性。我们将级联步骤 $t$ 处的 OD 需求 $q(t)$ 分为两部分：遵循先前旅行者选择的路径的旅行者 $q^{\omega \in W_N(t)}(t)$ 和允许更改路径的旅行者$q^{\omega \in W_F(t)}(t)$。 $W_N(t)$为前一路径中没有路发生过载故障的OD对的集合，$W_F(t)$为前一路径中至少有一条链路发生过载的OD对的集合。基于小世界网络，我们允许 $q^{\omega \in W_N(t)}(t)$ 的路径遵循 OD 对 $W_N(t)$ 中的先前路径，并通过在每个级联步骤中求解 UE 解来重新分配 $q^{\omega \in W_F(t)}(t)$ 的路径。下图（a）和（b）分别显示了这两种重新分配情况下的过载故障传播$F(t)$，给定的容差值$a$为2.2和3.2。结果表明，如果仅重新分配 OD 对$W_F(t)$，则在给定的容差范围内，过载的传播会变得更慢且更弱。我们还对更多公差a值下的级联过程进行了模拟，并比较了下图（c）和（d）中的R-a曲线。结果表明，部分重路由的临界容差$a_c$从4.6变为2.8，这表明不必要的重路由可能会引发更多的级联故障。起到了反作用

网络拓扑

有证据表明，交通系统具有与众不同的拓扑特性。因此作者研究了四种类型的拓扑结构来评估网络可靠性。如下图，与小世界网络类似，（a）和（b）表明，对于四个拓扑网络，用户可靠性 Ru 和系统可靠性 Rs 在确定的临界 ac 处表现出突然的相变。此外，网络结构显着影响容忍度的临界值。

ER网络对可靠性的临界容差最低，这表明需要最小的响应来避免ER随机网络中的级联故障，这一点在其他研究也得到证实。BS 网络比 WS 和 ER 网络更容易受到攻击。这可能是因为负载在随机网络中分布更均匀，流量和容量失配更少。 SL网络作为交通系统的主要形式之一，是最不可靠的，需要非常高的容量容忍度才能变得可靠。对于ER、WS、BS和SL网络，其容量ac的临界容差分别为3.0、4.6、6.5和24.0。这意味着，为了抵抗10%最关键道路的故意攻击下的级联故障，ER网络需要3倍于基本需求的容忍能力，而SL网络需要24倍于基本需求的容忍能力，即从经济角度考虑实际上是不可能的。

为了进一步了解四种网络拓扑之间的差异，基本流量需求的密度分布如图（c）所示。对于ER网络来说，初始时的基本流量需求B分布在一个较窄的范围内，这使得网络对于级联攻击非常对称。因此，正常道路可以更好地替代受攻击的道路，并且在扰动下会产生更少的超载故障。对于方格网络，基本流量要求规模较大，最大值可能比最小值大近105倍。因此，当经过受攻击道路的用户寻求替代路径时，其他正常道路很难承受这种意想不到的巨大额外流量需求，尤其是当容差小于临界容差ac时。基本流量需求的这种极端变化可能是网络脆弱性的根源。

路径选择的影响

在前面的小节中，所有网络拓扑的结果表明，如果容差大于确定的临界 $a_c$，则 $R_u$ 和 $R_s$ 处于高水平。然而，要达到$a_c$，系统可能需要花费基础投资成本的数倍来提高其容忍能力。研究发现，考虑全部社会利益权重（$\lambda =1$）的路线选择会带来更大的可靠性，这可以通过边际成本定价政策或未来的互联车辆网络来实现。我们还研究了如何通过改变旅行者的集体考虑来进一步影响网络可靠性。下图 9测试了当旅行者从完全独立 ($\lambda =0$) 到完全集体 ($\lambda =1$) 行动时 $R_u$ 和 $R_s$ 如何变化。随着社会公益权重λ增加到一定值，用户可靠性Ru可以从低水平（$R_u$ → 0）增加到高水平（$R_u$→ 1），见图a和b。通过增加$\lambda$，$R_s$也可以从低水平变为高水平（图c和d）。这些结果表明，与跟随 UE 相比，将旅行者的路线选择移向 SO 可以提高交通网络的可靠性，从而促进更多的道路处于正常状态，并且更多的用户通过没有过载的路径。这可能是因为，如果用户集体行动时考虑到他们的选择给其他人带来的外部成本，一些用户会愿意选择不吸引人的路径，并且最拥堵道路上的流量会分散到其他畅通的道路上。因此，SO 原则下的流量分配可以与道路通行能力更紧密地匹配，从而减少道路故障，遵循 SO 的路由引导策略可以使大规模交通网络减少网络延迟。

在极端扰动下，路线引导系统可以引导旅行者集体行动，以诱导比允许他们独立行动更可靠的网络来应对级联故障。与改变出行者主观意愿相比，制定边际成本定价政策可以有效提高社会物品权重，可以使路径选择对于个体自身而言是均衡的，对于系统来说也是最优化的。当规划者将收取的费用从零逐渐提高到边际成本价格时，旅行者感知到的社会公益权重相应地从0到1变化。

可恢复的过载故障

在实际城市交通中，如果负载变小，临时拥堵的道路可能会从故障状态中恢复。为了找出 $R_u$ 和 $R_s$ 如何随着可恢复故障 (RF) 与不可恢复故障 (UF) 的变化而变化，我们使用宽松的恢复机制，一旦流量减少到低于其容量，故障道路就可以再次发挥作用。在下图中，考虑到四类大型网络在可恢复和不可恢复情况下的可靠性，ER、WS、BS和SL网络的临界$a_c$值分别降低为2.7、3.6、5.5和13.0 ，对于不可恢复的情况，其远小于 3.0、4.6、6.5 和 24.0。

令人惊讶的是，在可恢复的情况下，当容差$a$高于特定值时，用户可靠性$R_u$变得大于系统可靠性$R_s$，对于ER、WS、BS和SL拓扑，该特定值分别为1.2、1.6、2.0和4.0。对于不可恢复的情况，不会发生这种情况。这些结果表明，在所有类型的网络中，没有过载故障的用户比例可能大于可恢复网络中功能性道路的比例。因此，尽早从故障状态中恢复对于提高网络可靠性非常重要，尤其是对于用户而言。我们的模拟中可恢复和不可恢复的情况可能分别达到不同的可靠性水平。明通过恢复设计可以显着提高流量可靠性，特别是对于SL网络。

结论

当前，特大城市的城市交通规划与管理正处于一个特殊的发展时期。一方面，越来越多的新技术正在帮助扩大交通网络的容量。另一方面，人们涌入大城市，产生快速增长的出行需求。从工程角度来看，可靠性是一个关键概念，用于研究当容量和需求的平衡被打破时的交通系统。我们的研究为评估交通系统可靠性提供了一个战略框架。在我们提出的这个综合框架中，旅行者路线选择行为以及其他网络特征对可靠性的影响一直是主要关注点。我们提出了一个两级级联故障模型，通过对 UE 和 SO 权衡中出行者的路线选择进行建模来研究交通网络的可靠性。总结了以下发现： (i) 在某些扰动下，交通网络在低于其临界容差ac 时可能极其不可靠，而在此临界ac 下实现了最大的可靠性投资回报。 (ii) 在低于临界容差的四种拓扑类型的交通网络中发现了可靠性函数的幂律模式。鉴于其可靠性低，应避免纯晶格结构。 (iii)增加用户的社会公益权重可以有效提高网络可靠性，而出行时间的随机感知误差或风险偏好会降低网络可靠性。 (iv) 过载故障的恢复可以有效减少对交通网络可靠性的负面级联效应，特别是基于路由的用户可靠性。我们的研究为从多个维度提高网络可靠性提供了可支撑的方法。

根据我们的研究结果，可以通过某些宏观或微观政策来提高交通网络的可靠性。为了实现最大的可靠性投资回报，建议将容差保持在其临界值，此时网络可靠性不稳定。为了保持高可靠性水平，应该设计更复杂的行为指导或恢复机制。值得注意的是，这项研究的结果可能只适用于智能交通网络，因为路径选择的均衡很难在短时间内达到。随着智能交通系统（ITS）的快速发展，如联网车辆（CV）和自动驾驶车辆（AV），实时路线选择管理在不久的将来有可能实现。到那时，按照模型建议的方式指导出行者的路线选择将是提高交通网络可靠性的一种适用且有利可图的方法。请注意，本研究的结果是根据设计的体验设置获得的。我们的框架鼓励对未来城市交通网络的具体特征进行研究，以给出更适用的建议。