Detection of critical links in spatial-temporal routes based on complex networks

Cover Page

Cite item

Full Text

Abstract

This paper presents an enhanced method for detecting critical edges in spatial-temporal route networks based on complex network analysis. Unlike previous models, the proposed approach accounts not only for the topological characteristics of routes but also for their dynamic variability through a composite weight that includes the average travel speed and its variance. Additional metrics, such as load centrality and robustness of connectivity, are introduced. Critical edges are automatically identified via percolation analysis, without the need for manual threshold adjustment. For criticality prediction, a gradient boosting model is employed, using a set of structural and temporal features. The proposed approach ensures more accurate, reproducible, and adaptive identification of vulnerable segments in route networks and can be applied in real time to support air traffic management.

About the authors

G. A. Gasparyan

Moscow State Technical University of Civil Aviation

Author for correspondence.
Email: grigory.rw@gmail.com
ORCID iD: 0009-0007-3917-6256
postgraduate student Moscow, 125493, Russia

References

  1. Aeronautical Information Publication & Amendments (2020). Available at: https://www.caas.gov.sg/docs/default-source/pdf/aip-singapore-31-dec-20.pdf (accessed 08 February 2021).
  2. Eshmuradov D. E., Saifullaeva N. A. (2020). Issues of optimizing the distribution of airspace sector load. Bulletin of Tashkent State Technical University. (3): 45-52. EDN ZFSEAG.
  3. Chen D., Hu M., Zhang H., Yin J., Han K. (2017). A network-based dynamic air traffic flow model for en route airspace system traffic flow optimization. Transportation Research Part E: Logistics and Transportation Review. 106 (C): 1-19. doi: 10.1016/j.tre.2017.07.009.
  4. Ha T., García A., Lavandier J., Chaimatanan S., Delahaye D. (2022). Air traffic complexity map based on linear dynamical systems. Aerospace. 9 (5): 230. doi: 10.3390/aerospace9050230
  5. Huang X., Hu S., Wang W., Kaparias I., Zhong S., Na X., Bell M.G.H., Lee D.-H. (2023). Identifying critical links in urban transportation networks based on spatio-temporal dependency learning. IEEE Transactions on Intelligent Transportation Systems. 24(6): 6632-6646. doi: 10.1109/TITS.2022.3339507.
  6. Guo Y., You C., Yin C., Zhang R. (2020). UAV Trajectory and Communication Co-design: Flexible Path Discretization and Path Compression. IEEE Journal on Selected Areas in Communications, Special Issue on UAV Communications in 5G and beyond networks. 39(11): 3506-3523. doi: 10.1109/JSAC.2021.3088690.
  7. IATA. European Air Traffic Control Delays Loom Over Summer Air Travel (2018). Available at: https://www.iata.org/pressroom/pr/Pages/2018-07-18-01.aspx (accessed 28 January 2023).
  8. Kalpana R., Sivakumar A., Sundar S. (2023). Analyzing transportation network vulnerability to critical-link attacks through topology changes and traffic volume assessment. Applied Sciences. 13(1): 221. doi: 10.3390/app15084099.
  9. Kong W., Guo Z., Liu Y. (2024). Spatio Temporal Pivotal Graph Neural Networks for Traffic Flow Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence. 38(8): 8627-8635. doi: 10.1609/aaai.v38i8.28707.
  10. Li D., Fu B., Wang Y., Lu G., Berezin Y., Stanley H. E., Havlin S. (2015). Percolation transition in dynamical traffic network with evolving critical bottlenecks. Proceedings of the National Academy of Sciences of the United States of America. 112 (3): 669-672. DOI https://doi.org/10.1073/pnas.1419185112.
  11. Li M. Z., Gopalakrishnan K., Balakrishnan H., Shin S. (2021). Dynamics of disruption and recovery in air transportation networks. CEAS Aeronautical Journal. .13(12): 1-11. doi: 10.1007/s13272-021-00521-x.
  12. Mahabadi Z., Varga L., Dolan T. (2021). Network properties for robust multilayer infrastructure systems: A percolation theory review. IEEE Access. 9: 135755-135773. doi: 10.1109/ACCESS.2021.3116868.
  13. Mazzarisi P., Zaoli S., Lillo F., Delgado L., Gurtner G. (2019). New centrality and causality metrics assessing air traffic network interactions. Journal of Air Transport Management. 85. Article 101801. doi: 10.1016/j.jairtraman.2020.101801.
  14. Nguyen N. N. K., Nechaev V. N., Malygin V. B. (2025). Mathematical model and A Star algorithm for optimizing air traffic control routing in area control center airspace. Crede Experto: Transport, Society, Education, Language. 1: 12-22. doi: 10.51955/2312-1327_2025_1_64 EDN XGLVST
  15. Pechenezhsky V. K., Chuvikovskaya E. K. (2023). Features of airspace planning organization in the Russian Federation: the case of the Moscow airspace. Scientific Bulletin of MSTU CA. 26 (6): 47-57. EDN VJOFJZ.
  16. Ren G. (2021). Robustness Analysis of Air Route Network Based on Topology Potential and Relative Entropy Methods. Journal of Advanced Transportation. 1-11. doi: 10.1155/2021/5527423.
  17. Scala P., Mota M., Wu C.-L., Delahaye D. (2021). An optimization simulation closed loop feedback framework for modeling the airport capacity management problem under uncertainty. Transportation Research Part C: Emerging Technologies. 124. Article 102937. doi: 10.1016/j.trc.2020.102937.
  18. Sherali H. D., Smith J. C., Trani A. A., Sale S. (2000). National airspace sector occupancy and conflict analysis models for evaluating scenarios under the free flight paradigm. Transportation Science. 34 (4): 321-339. doi: 10.1287/trsc.34.4.321.12326.
  19. Sun Y., Wang S., Xu X., Shen L. (2024). Identification of critical links based on the optimal reliable path in stochastic traffic networks. PLoS ONE. 19(1): e0298173. doi: 10.1371/journal.pone.0301272.
  20. Takhtfiroozeh H., Golias M., Mishra S. (2021). Topological-based measures with flow attributes to identify critical links in a transportation network. Transportation Research Record. 2675(11): 46-57. doi: 10.1177/03611981211013039.
  21. Tian X., Liu Z., Chen Z. (2021). Identification of critical links in urban road networks considering cascading failures. Mathematical Problems in Engineering. Article ID 6656837. doi: 10.1155/2021/9994347.
  22. Wang Y., Li M. Z., Gopalakrishnan K., Liu T. (2022). Timescales of delay propagation in airport networks. Transportation Research Part E: Logistics and Transportation Review. 161. Article 102687. doi: 10.1016/j.tre.2022.102687.
  23. Zheng Y., Li C., Wang Y., Qi Y., Li Z. (2019). Multi-objective network structure optimization method based on waypoint layout. Journal of Aeronautics, Beijing University of Aeronautics and Astronautics. 45(1). 1-9. doi: 10.13700/j.bh.1001-5965.2018.0157.
  24. Zhou S., Shi Y., Chen L., Wang T. (2021). Optimal schedule recovery for the aircraft gate assignment with constrained resources. Computers & Industrial Engineering. 156: 107682. doi: 10.1016/j.cie.2021.107682.

Supplementary files

Supplementary Files
Action
1. JATS XML

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».