T-Ridership: 优化公共交通以防止COVID-19传播的在线工具

软件X 22（2023）101350原始软件出版物T-Ridership：用于重新规划公共交通车队以最大限度减少COVID-19传播的网络工具Saba Imania，Majid Vahedb，Shreya Satodiaa，Mohammad Vahedc，a美国加州洛杉矶南加州大学建筑学院b伊朗德黑兰Shahid Beheshti医科大学药物科学研究中心c美国加州洛杉矶南加州大学药学院临床药学系ar t i cl e i nf o文章历史记录：接收13可以2022收到修订版2022年12月12日接受2023年数据集链接：https：//github。com/Imani-Saba/TRidership，http：//t-ridership. Com保留字：COVID-19公共卫生社会距离公共交通规划出行限制基于Web的应用机器学习神经网络a b st ra ct随着新型冠状病毒病（COVID-19）的爆发继续在全球蔓延，我们正采取措施限制对公共卫生的影响。在COVID-19等传染病领域，保持社交距离是避免接触病毒并减少其传播的有效措施之一。乘坐公共交通工具可以有效地促进传染病的传播。因此，公共交通机构针对风险因素采取的应对行动可以有效地在可能影响公共交通工具上的感染传播的众多风险因素中，暴露的可能性是一个主要因素，取决于乘坐公共交通工具的人数，可以通过社交距离设置来减少。考虑到许多人可能不会以社会最佳方式行事，公共交通机构必须执行措施和限制。在这项研究中，我们提出了一种新的基于网络的应用程序，T-Ridership，基于神经网络算法启发的混合优化动态规划，以优化公共交通安全，以应对COVID-19。通过大都会运输管理局（MTA）进行分析的主要步骤有两个：通过输入数据标准化检测高密度站点，然后使用这些结果，T-Ridership工具自动确定最佳站点顺序，以避免过度拥挤的公交车辆。有效地，我们提出的网络工具有助于公共交通安全乘坐的感染风险，减少乘客的密度在公共交通车辆以及行程时间。这些结果可用于扩大和改善公共交通政策，以更好地规划火车和公共汽车的预定时间，以防止大量人员接触，增加社交距离，并减少疾病传播的可能性（可在：http://t-ridership.com和GitHub：https://github.com/Imani-Saba/TRidership）。版权所有©2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v1.0.0用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00096可复制胶囊的永久链接GNU通用公共许可证（GPL）v2.0使用git的代码版本控制系统使用Java Script、ASP.NET、C#、CSS的软件代码语言、工具和服务编译要求、操作环境依赖性https://github.com/Imani-Saba/TRidership/blob/master/README.md如果有开发人员文档/手册http://t-ridership.com/Contact问题支持电子邮件vahed@usc.edu*通讯作者。电子邮件地址：vahed@usc.edu（MohammadVahed）.https://doi.org/10.1016/j.softx.2023.1013501. 介绍COVID-19大流行正在通过影响所有经济、教育和交通而显著改变世界。高度2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxSaba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013502COVID-19在个体之间的传播特性表明需要立即关注。在COVID-19成为正式的大流行病后，所有国家都受到影响，传播渗透到我们生活的各个方面，考虑到未来几十年将再次爆发，我们制定了应对措施[1]。COVID-19病毒可以被视为改善疫情应对的警钟，从这次大流行中吸取的教训可以用来在广泛传播之前控制冠状病毒等疾病。尽管全球正经历COVID-19疫情的不断扩大，公共交通对保障基本服务的可及性和连续性的必要性显而易见。公共交通是城市的主要动脉之一，在大流行病中也使它们变得危险。已证实，COVID-19感染的人际传播发生在密切接触者之间。为了控制随时随地发生的疫情，需要做出大量的基本努力来许多研究机构正在努力提供恢复的物理和公共场所，除了通过接种疫苗和确定最需要的地方和人群来击败病毒。公共交通中传染病的最高风险是在封闭环境中坐着或站着的高度接近[2]，因此，在非药物预防措施中，物理距离的部署在确保公共交通安全方面的作用最为重要[3]。由于在COVID-19等疫情爆发后获得的经验，我们现在应该更加关注并思考不同的方式来定义可靠的交通系统。由于有各种因素是有效的传播感染疾病（如。拥挤的空间，通风不良，缺乏社交距离），考虑公共交通因素将是未来计划和决策的一大进步，以防止疾病成为大流行病。在当前的疫情形势下，越来越多的机构已开始为交通系统制定新政策，以保持其最大效率，并正在采取措施将社交距离纳入交通规划过程。迫切需要找到具体的战略来减少蔓延在公共交通工具上安装病毒，以限制疾病的传播。在这项研究中，我们的目的是探讨在大流行期间乘坐公共交通工具的风险，并提出可以采取的应对措施公共交通工具上的感染风险取决于几个因素，包括乘坐公共交通工具的人数，系统中的空气交换和卫生习惯。在交通运营商的控制下，距离较远的公共交通设施可以最大限度地减少感染传播的风险。本研究回顾了公共交通决策的方法及其绩效，并展示了将社会距离考虑纳入交通规划的框架。通过对历年历年数据的统计分析，确定了当前有效的运输方案。这将使公共交通系统在任何传染病期间为人们安全出行。在我们研究的第一部分，我们的目标是了解如何衡量公交线路密度的性能。通过一个案例研究，使用数据从大都会运输管理局（MTA），将它们转换成一种适合分析的形式，然后创建一个地图所选择的MTA线站，研究评估竞争我们的新方法重新规划公共交通和决策的基础上，以前收集的数据记录使用新的规范化的T-Ridership网络工具分析。在接 下来的部 分中， 提出了 一个决 策支持 网络工具 ，即 T-Ridership，用于分析和可视化数据，评价，以有效地反映密度变化。拟议的框架应有助于决策者将社会距离的考虑纳入交通规划。这种方法的新颖性体现在对作为公交原则和基准的价值观的研究和评估中，这些原则和基准指导公共交通机构在规划优化公共交通以防止传染病的安全性时进行决策，以避免自动应用于公共交通车辆的质量密度本文研究的物理距离政策要求交通运营商减少每辆车的乘客数量，我们提出的网络工具T-Ridership可以用来帮助公共交通运营商更好地规划火车和公共汽车的时间表，通过减少拥挤的公交车辆的接近度和密度来最大限度地减少暴露的可能性除了社会距离的公共交通设置，我们提出的方法大大优化了前，通过减少在特定环境中花费的时间的持续时间。这项研究表明，即使在病毒消退之后，城市处理其交通政策的方式也需要进行深刻的干预，以便在不可预测的未来爆发中发挥非常重要的作用，并促进病毒传播的低风险2. 文献综述几项研究发现COVID-19的传播是通过接触、飞沫、空气传播途径，甚至有研究表明，相当一部分人感染了COVID-19。通过潮式呼吸的呼吸道感染，其主要使用各种形式的公共交通工具转移，这不可避免地使他们与高接近度和高密度的潜在病毒携带者相对密切接触。许多过境机构建立了经常性的卫生设施。然而，有证据表明，病毒的空气传播比其他传播方式具有更大的危险性，这表明在拥挤的交通工具中保持社交距离和相对密度控制可以有效防止病毒通过呼出气传播。这些病原体解释了COVID-19的大规模社区爆发，使公共交通机构有必要采取大流行应对措施，包括物理距离和避免拥挤的交通以预防感染[4每天有数百万人使用不同的公共交通方式，它们经常运载超过其容量的乘客，特别是在高峰时间。这可能导致传染病在公共交通工具使用者之间传播。研究人员发现冬季呼吸道感染与火车使用之间存在关联，强调冬季使用公共交通工具可能会使旅行者暴露于呼吸道病毒[9]。有关估计因公共交通网络的旅行限制而导致COVID-19在日本国内传播的相对风险降低的研究表明，较温和的旅行限制可能会产生类似的影响，而不是可能严重损害经济的封锁，以控制COVID-19的国内传播[10]。与疫情爆发前相比，即使在通过接种疫苗控制COVID-19负担后，出行行为和模式选择偏好也发生了显著变化为了避免公共交通系统在大流行期间甚至在大流行之后崩溃，有必要通过优化基础设施规划保持公共交通运行，并提高防止传染病传播的安全性，以激励公民更喜欢公共交通而不是个人交通。在政府提出的建议中，多项研究的结果显示，减少人与人之间的近距离接触，Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013503在特定的环境下，是非常有利的预防措施，以鼓励继续使用公共交通[11]。许多研究探讨了人们在COVID-19爆发期间，流行病学家鼓励保持社交距离，减少与人群在封闭场所的时间[3]。公共交通中传染病的最大风险是封闭环境中潜在病毒携带者的接近和密度[2]。就COVID-19大流行而言，可能导致对交通系统作出强有力政策决定的科学上合适的方法是缺乏的。因此，即使在各国解除封锁后，公共交通的限制和乘客安全也应优先考虑，并优化公共交通工具的乘客数量。各地应实行严格的交通管制，以避免车辆堵塞和群众聚集[13]。政府机构和其他负责机构需要有效实施这些限制在不可预测的未来爆发（流行病和大流行病）中可以发挥非常重要的作用，以减缓病毒传播[14]。根据这项研究，有证据表明在密切接触者中发生了人传人。为了控制在任何时间和任何地方发生的疫情，需要采取必要的主要措施来避免传播。应在高危人群和公共场所实施预防或减少传播的程序，特别是公共交通，因为公共交通是我们城市的生命线，应尽可能长时间地继续如果我们有使用公共交通出行，首选是使用最不拥挤的公共汽车或地铁车厢。在某种程度上，像冠状病毒爆发这样的公共卫生危机是一个城市规划问题，因为公共空间会影响我们彼此之间的互动方式，以及像COVID-19这样的疾病如何传播[15]。城市地区在COVID- 19期间使城市地区变得脆弱的品质公共交通是城市的主要动脉之一，也使它们在流行病中变得危险。公共卫生研究表明，公共交通乘客感染传染病的风险取决于多种因素，包括传染病的特征，其传播方式、传播难易程度、社区疾病流行率、接触传染病的可能性、接触病毒的持续时间、公共交通工具中的乘客密度和乘坐水平以及公共交通中实施的公共卫生干预措施[16，17]。 随着病毒的蔓延在传播方面，公共场所的实际密度和设计将继续影响它们战胜这一流行病的效果对于许多社区和人口来说，COVID-19的影响可能是可怕的，但培养和支持工人的努力对于减轻后果至关重要拥挤和高密度的公共交通系统进一步促进了病毒的传播。尽管有严重的缺点，但像这样的密集连接的地方的质量公共交通也可以使社交距离中的生活更加宜居，这使得世界各地的任何公共交通机构都在寻求加强传染性病毒应对计划病毒感染在公共交通车队中发挥着重要作用。通过分析地铁入口记录[18]和纽约市卫生局报告的新病例数量[19]，新报告的病例最终在2021年3月16日左右减少，因为地铁使用正在减少。它扩展了旋转栅门入口和冠状病毒发病率两种趋势之间关系的想法[20]。此外，在最近的其他研究中显示的模拟中，控制公共交通系统中的病毒传播大约20%。显然，这并不意味着减少公共交通能力的反应，而是更愿意使用它来规划更低密度的公共交通，从而降低感染率。此外，在家里或私人车辆中，一个人反复与同一个人互动，有效地降低了感染概率。然而，公共交通是非常不同的：一个坐或站在旁边的人每天。因此，公共交通每天都在增加不同人之间可能的感染途径，特别是当挤在一起时。因为他们会回到各自的家庭、公共交通导致强混合[21]。然而，公共交通非常容易受到COVID-19等疫情的影响，必须继续运行以转移所需的工人，并考虑控制公共交通中的病毒传播是应对疾病的一大步[22]。公共场所的人群大规模聚集是冠状病毒传播的一个重大问题。这导致了公共交通的限制[23]。冠状病毒在美国传播速度的概述表明，在公共交通更常用的城市，如纽约和其他拥挤的大城市，与公共交通使用较少的城市相比，爆发率更高[20]。COVID-19在长期密切接触的人群中大规模传播。有许多指导方针可以遵循，以实践和考虑社交距离选项，以便在需要出差或使用公共交通上下班时安全旅行-例如，当您在公共汽车或火车上选择座位时，6英尺的距离。但是，许多人的个人情况或情况对保持社交距离以防止COVID-19的传播提出了挑战，因此应该有更严格的规则，除了人们的个人情况外，在公共交通等公共场所自动应用社交距离。喜好3. 材料和方法3.1. 混合优化动态规划在本文中，我们设计了一个混合结构的启发神经网络（NN）算法的基础上。我们的想法是出于神经网络结构的设计，使我们的网络结构易于分析公共交通出行。我们提出了一个混合模型，可以导致神经网络结构的优化算法（图1）。①的人。为了使我们的网络结构易于推广到其他数据集，我们的方法将结构设计和权重搜索分开。神经网络已经成为机器学习中一个强大而成功的工具，我们提出的优化训练算法从神经网络的启发，进化神经网络的全连接模型的性能，它只需要一些准备好的函数。Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013504Fig. 1. 方法流程图。该流程图概述了研究中采取的方法步骤，包括数据收集、工具开发、实施和数据分析。它还包括案例研究表明T-Ridership工具在降低公共交通乘客密度方面的有效性。流程图说明了这些步骤之间的信息和数据该研究采用神经网络方法和动态规划来分析公共交通出行流量，并通过使用公共交通来最大限度地减少冠状病毒暴露。神经网络是一种新兴的技术，它解释了新颖性检测在交通和城市规划领域。在所有不同的交通参数建模方法和现有的数据分析研究工具中，神经网络被认为是最成功替代.神经网络是一类非常流行的构造性干扰（CI）模型，已被广泛应用于评估各种运输问题[24在本文应用的标准前馈神经网络建模中，有一组连接将输入层完全在这个过程中，神经元是神经网络组成中的基本共同特征Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013505···图二. 多层感知器混合动态模型。该过程的示意图涉及每个车站被视为一个神经元，并通过其自身的权重（即两个车站之间的乘客数量）连接到下一层。计算后，如果数量超过Max，则使用递归函数返回并重复自身，最终在公交车辆中规划2条允许容量考虑的线路其接收数据并通过加权连接加入下一个传输过程以计算输出[33]。本文中定义的方法受到神经网络的启发来实现编程，并提出了一种使用动态编程的混合系统，该系统通过递归函数来纠正分析中的错误，并使函数能够重复多次，最终输出结果[34]。我们使用监督机器学习模型来验证在测试MTA数据集上评估训练 模型的 过程。 该方法 提供了 训练模 型的泛 化能力。 T-Ridership上的输入数据干净且易于处理，并且可以轻松解释数据特征。因此，不对数据基于MTA中可用的最大数据量，我们考虑了用户在T-Ridership中输入初始数据的一系列限制。因此，我们在这个过程中不会遇到极端值。我们将数据分为训练数据集和测试数据集。将数据集分割为验证集的主要思想是防止我们的模型过度拟合。T-Ridership在一个小数据集上处理因此，我们使用k折交叉验证与独立的测试集。作为输入数据，我们有进入车站的乘客数量，我们需要找到两个车站之间的车辆中有多少乘客。T-Ridership通过k重交叉验证测量车辆内允许的乘客数量。在从第一站到车辆当前站的循环中计算平均值T-Ridership为每个车站（节点）寻找最佳分数，以优化一条线路的两次运行由于这是一个分类问题，我们定义了一个准确度评分算法来优化。由于我们面临着一个分类问题，使用Logistic回归模型。T-Ridership希望根据线路上车站的最大容量（车辆是否必须停在当前车站）发现新的运行或者跳过它）;因此，我们在算法中使用了这种技术。根据Tridership方法来优化一条线，截止点是用户在初始步骤中应该输入的固定值这项研究的动机下进行的了解，建模每日出行的交通流量预测将优化的问题，影响质量密度的公共交通模式。此外，建议的混合神经网络方法和动态递归函数改进了所提出的公共交通规划模型，不同的数据分析表明，更强大的模型相比，其他交通规划系统。该模型是基于乘客的起源，目的地，和人口密度在每个车站校准。这减少了乘客这种方法愿意找到一种解决方案，以减少在高峰时段同一方向不同目的地的乘客数量。神经网络从数据资源中获取处理元素，通过加权连接的传递函数;数据沿着这些连接流动，并且无论在哪里发现超过预期密度的统计数据，通过动态编程的递归函数都可以从一开始就纠正错误，找出人口最多的车站并跳过具有高密度的车站，并将其转移到过度运行，以将公共路线中的乘客分成不同的列车，并重复该过程，最终到达具有最少跳过车站的输出。使用一个算法来实现最佳的行程估计较少的人口交通是本研究的基础如图 2、在神经网络模型中，神经元是代替站点的基本组件，多层感知器结构是一组完全互连的神经元层。从输入层到输出层，一层的每个神经元（N1 n）连接到下一层的图图2是所涉及的过程的示意图。3.2. 实施T-Ridership网络工具这个想法和创建的算法之后是一个实现的网络工具，可以免费在线使用。与我们指定的工具相比，没有类似的网络工具，该工具可以在考虑社交距离的情况下自动正常化公共交通工具的密度，这已成为最近COVID-19爆发的首要任务之一。我们的网络工具可以灵活地应用于任何类型的公共交通，如出租车，公共汽车或火车。Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013506×图三. T-Ridership网络工具：所示的模板是计算结构，并且它被指定为用户友好的。(A)第一种方法：计算一条路线的乘客人数根据每个车站的入口和出口，而不考虑个人乘客的车站数量。(B)第二种方法：计算数量根据每个车站的入口和出口，考虑单个乘客旅行的车站数量，确定路线中乘客的数量3.3. T型车确定公共交通系统中最有可能加剧疾病传播的组成部分对于公共卫生部门和公共交通机构能够考虑流行病或大流行病并控制其传播至关重要在这项工作中，我们提出了一种方法来帮助公交网络使用免费的网络工具来找到公共交通系统的时间表，以避免特别是在高峰时间和拥挤的路线质量密度。T-Ridership网络工具的算法通过计算过境数据的迭代过程。T-Ridership是用C#（Microsoft Visual Studio 2019）实现的，也使用了其他几种语言。T-Ridership是一个免费的网络工具，用于重新编程公共交通车队，以减少COVID-19感染传播的社交距离考虑。在对数据库进行编码时，我们使用了神经网络算法。每个车站被认为是一个神经元，并通过自己的权重连接到下一层，这是两个车站之间的乘客数量。通过考虑具有社交距离应用的每个公共汽车或每个火车车厢的容量，最大数量是固定的，并且系统自动跳过超过固定数量的车站。指定的T-Ridership网络工具使用两种方法工作;第一种方法计算上的乘客人数，一条路线;当我们只知道每个车站的乘客统计数据，而不知道他们的始发站和目的站时。换句换句话说，当唯一可用的数据是进入和离开每个车站的乘客数量在我们的第二种方法中，该方法旨在通过创建一个n n矩阵来了解具有特定起源和目的地的乘客数量，n是一条路线中的车站数量，并且包含由列组成的输入数据，列显示从特定起源在不同车站退出的乘客数量，行显示从不同起源但在特定目的地退出的乘客数量。矩阵的最后一列表示在两个连续车站之间过境的乘客人数。这种方法的意义在于，除了具有其收集输入数据和计算的复杂性之外，它还具有高度的准确性。方法A根据每个车站的入口和出口来确定路线上的乘客数量，而不考虑每个乘客经过的车站数量。相反，方法B根据每个车站的入口和出口计算路线上的通行次数，同时考虑每个乘客走过的车站数量（图2）。 3）。作为指定Web工具的输出，结果以文本和图形说明的形式显示，所有站点都分为不同的运行，并带有停靠站和跳过的站点（图4）。在第一步中，主要目的是找到在公共交通工具内旅行的乘客的真实数量，Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013507==−见图4。 Web工具输出。作为指定Web工具的输出，结果以文本和图形说明的形式显示，其中显示了划分为不同运行的所有站点及其停止和跳过站。这在我们的研究中是必不可少的，因为它会影响病毒的传播。第一步容量计算是基于从可用的旋转栅门开放数据中提取的用户可以在Web工具中输入任何时间限制数据并获得结果。公共交通路线有n个车站。在给定的时间段内，预计在第i个车站上下车的乘客数量是已知的，分别表示为xi和yi在每个车站i，前往下一个车站的乘客总数表示为PiPi=xi，i=1Pi−1+xi−yi，1i≤n（1）<然后假设社交距离策略在任何给定时间允许车辆中的乘客不超过S，并且完成前馈过程：(1) 乘客群前馈参数（n，xi，yi，Pi，S）(2) 对于i 1到n(3) 做(4) 如果（Pi> S）(5) 在第一列列车中系统和集成电路（IC）卡。所有这些柜台都可以应用于许多有入口的公共场所，如地铁和公交车站。地铁客流具有明显的时变特征，峰值容易识别[35]。我们正在使用开放的运输数据工具包[18]，这有助于利用运输数据。通过对IC卡数据的分析，可以了解公交客流的时间分布特征，辅助规划班次频率，提高整个公交系统的运营效率。4.2. 案例研究数据集在本节中，我们介绍了用于我们研究的数据集，以及对从大都会运输管理局（MTA）获得的数据进行统计分析的预处理步骤，MTA是一家负责美国纽约州公共交通的公益公司[35]，它拥有纽约州和整个美国最多的可用和更新数据。作为第一步，我们使用Pi+1=Pi- y i- xi //减去乘客人数用于测量和分析交通系统的开放式交通数据工具包将在下一步中使用，即对从下一站进出i站(7) 到达最后一站(8) 返回跳过的站点。使用该算法，运行1设置有其停止点和跳过的站。然后，对于下一次运行，我们使用以下算法：(1) 寻找下一个列车停靠站(2) 给定：从第一列列车m[1. j](3) 直到第一个站或前一个跳过的站(4) 做(5) 找到最大的Pi并跳过它//对于当前列车(6) 调用feed-forward //检查最大容量(7) 返回跳过的站点（参见图第五章）4. 为例4.1. 输入数据集作为输入数据的基础，旅客自动计数可以通过接触式计数器、光学传感器、视觉准备数据和可视化过境数据。这些数据不够清晰，无法直接用于T-Ridership网络工具。首先，我们做了澄清，以用于下一步。在研究了每个车站的繁忙时间和密度后，我们绘制了每个车站然而，有不同的日期和月份我们捕获了布鲁克林纽约市地铁Q线的数据，从位于40.66161纬度和73.96225经度范围内的展望公园站进入旋转栅门，到线路末端的Ocean Pkwy站，从2022年2月19日到2月25日，知道丢失或不完整的数据是数据争论中的常见挑战。图 6叠加了成千上万的乘客每天在布鲁克林市中心的车站之间来回乘坐的车站。4.3. 所选线路站密度结果如图7所示，对Q线从2022年2月19日至2022年2月25日的15个车站进行了单独分析。因此，显然，人口更多的社区，Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013508图五. 算法流程图在我们的算法中，我们考虑了两种查找路由更新的方法。首先，当用户可以访问包括每个乘客的出发地和目的地在内的详细数据时，第二种情况是用户只能访问每个车站的进出站乘客。基于什么样的数据是可用的，我们通过这个算法以获得第一行程，并相对地重新读取数据以进行第二行程。密度更大的车站更拥挤。如图6所示，国王政策制定者可以利用本研究的结果来做出决策，并改变公共交通的排序，以避免过度拥挤的车站和列车。通过T-Ridership网络工具的检测，具有高密度的识别站应该改变其预定的时间表和频率。4.4. T-Ridership的结果利用统计数据和客流量信息来描述线路因此，在那些在传染病传播中起根本作用的途径中存在高分辨率的人类接触。上一节中产生的数据可以在列车在规定时间内传输的测量中执行根据结果，可以确定每个列车应该在其预定时间停止的车站或需要跳过的车站。根据车站的位置坐标，下图显示了我们在纽约地铁布鲁克林附近的线路样本如本节之前所述，我们选择了一个包含15个序列站的2022年2月真实数据的样本，同时评估了它们一周的进出，结果，与其他站点相比，两个站点被认为是最拥挤的，如图所示。7 .第一次会议。然后，我们计算了初始结果的平均值，并将数据标准化，将其输入到T-Ridership网络工具中，该工具在减少过度拥挤车站的乘客数量方面表现最佳。图8示出了T-Ridership网络工具在通过将路线上的乘客分成两个不同的运输时间表来减少乘客数量方面的有效性。5. 结论这项研究旨在调查乘坐公共交通工具与传播传染病风险之间的关联，以及公共交通机构可以和应该采取哪些措施来应对COVID-19等传染病的爆发。 我们搜查了大都会运输管理局Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）1013509图六、 纽约地铁计划与选定的 车站在布鲁克林[36]。叠加了每天有数万名乘客在布鲁克林市中心的车站之间来回乘坐的车站，显示了车站的密度从高到低（红色到蓝色）。（关于此图例中颜色的参考解释，请读者参考本文的网络版本图7.第一次会议。 5月 2日 至5月 8日MTA地铁入口。对2020年5月2日至2020年5月8日的Q线15个车站进行了单独分析。因此，很明显，人口更多的社区and density密度had more crowded拥挤stations车站.(MTA)数据库，以便包括来自交通的真实数据，以显示我们提出的方法在最小化乘坐公共交通的人数/比例方面的效率，特别是在高峰时段，以确保促进物理距离原型并避免乘坐高密度公共交通车辆。如果我们应用社交距离的公共交通设置，它可以在成为全球爆发之前用作任何未来高风险传染病（如COVID-19）传播的预防手段。当COVID-19颠覆全球旅行时，各国政府发布了关于物理距离和使用口罩的指令，以遏制疾病的社区传播。鉴于公共交通已被确定为传播的高风险环境，有必要确定用户和运营商在此期间遵守公共交通运营准则的情况，以衡量其风险水平。关于使用在车内佩戴口罩的规定得到遵守;但是，需要更严格地执行车内保持距离的政策。实际距离政策要求交通运营商减少每辆车的乘客人数。本文利用神经网络的启发，设计一个优化的混合动态规划，可以捕获序列分析任务。使用来自美国纽约公共交通网络的真实数据集对所提出的方法的有效性进行了评估。我们还调查了这些信息对交通系统的社会距离准确性的影响。从使用地铁和公交数据的T-Ridership网络工具获得的结果显示，所有数据集的预测性能都有显着提高Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）10135010图8.第八条。 T-Ridership网络工具应用前后的乘客密度比较。它显示了T-Ridership网络工具减少路线上乘客数量并将其分为两个不同时间表的效率所有的调查都是为了加强和巩固这些结果。特别注意减少人与人之间的接触。我们的模拟系统和T- Ridership网络工具，特别是对封锁后阶段的影响，旨在通过防止过度拥挤，减少乘客在公共汽车和火车等室内场所的接触，从而减少冠状病毒爆发的传播。因此，为了更好地优化公共交通布局，该方法可以扩展到整个公共交通网络，决策者可以使用该结果因此，我们建议政府尽快研究，以作出决定，改变公共交通的配位，避免车站和列车过于挤迫。通过T-Ridership网络工具的检测，具有高密度的识别站应该改变其时间表的预定时间和频率（补充图10）。S2）的情况下。本研究的主要局限性在于，由于运输专用资金有限，公共交通系统增加车辆的能力有限虽然在高密度路线上增加更多车辆基于此，本文研究的主要思路是不增加任何车辆，而是改变线路中列车的班次和编组。在这种方法中，唯一的问题是，在跳过的车站中的一些有限的乘客的等待时间增加;然而，其他乘客将等待更少的火车，并且也花费更少的时间在车辆内。尽管一些车站的等待时间增加， 在疫情爆发时仍然有益于避免完全关闭公共交通。如果我们能解决资金问题，我们打算最多增加一辆车，以优化增加的等候时间。当这个想法产生收益时，决策者就有动力将网络工具应用到系统中并从中获益。CRediT作者贡献声明萨巴·伊玛尼：分析数据，撰写原始Majid Vahed：参与设计和协调研究。Shreya Satodia：参与设计和协调研究。MohammadVahed：发起并实施了软件。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性代 码 可 在 GitHub 上 找 到 ： https ： //github 。 com/Imani-Saba/TRidership和Web工具：http：//t-ridership。com。致谢我们要感谢Satoshi Okada教授（日本千叶大学）进行了富有成果的讨论。所有作者均阅读并批准了最终手稿。附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.softx.2023.101350上找到。引用[1]雷斯尼克湾科学家警告说，我们可能需要与社会距离生活，一年或更长时间，来自vox网站。2020年。[2]Edelson PJ，Phypers M. 结核病在公共交通工具上的传播已发表的研究和接触者追踪建议。Travel MedInfect Dis2011;9（1）：27-31.[3][10]杨文，李文，李文.社论JTH 16-冠状病毒病COVID-19及其对交通和健康的影响。J Transp Health2020;16：100853.[4]WölfelR，Corman VM，Guggemos W，Seilmaier M，Zange S，MüllerMA，杨伟杰，王晓刚. 2019年新冠肺炎住院患者的病毒学评估。Nature2020;581（7809）：465-9.[5]关文君，倪志英，胡英，梁文宏，欧春清，何继新，刘丽，山宏，雷春林，Hui DS ，Du B. 2019 年中 国冠 状病 毒病 的临 床特 征。 新英格 兰医 学杂 志2020;382（18）：1708-20。[6]LeungNH，Chu DK，Shiu EY，Chan KH，McDevitt JJ，Hau BJ，Yen HL，LiY，叶DK，裴智智JS，濑户WH.呼吸道病毒在呼出气中的脱落和口罩的功效。Nat Med 2020;26（5）：676[7]萧毅，梁浩辉，柯灵。围绕空气传播与飞沫传播的争议呼吸道病毒的传播：对预防感染的意义。Curr Opin Infect Dis2019;32（4）：372-9.[8]布鲁伊巴湖湍流气云和呼吸道病原体排放：对减少COVID-19传播的潜在影响。Jama2020;323（18）：1837-8。[9]TrokoJoy，Myles Puja，Gibson Jack，Hashim Ahmed，Enstone Joanne，KingdonSusan ， PackhamChristopher ， AminShahid ， HaywardAndrew，Van-Tam Jonathan Nguyen。公共交通是急性呼吸道感染的危险因素吗？BMC Infect Dis2011;11（1）：1-6.[10]Murano Yayoi，Ueno Ryo，Shi Shoi，Kawashima Takayuki，TanoueYuta，Tanaka Shiori，Nomura Shuhei，et al.使用公共交通网络方法的国内旅行限制对COVID-19感染传播的影响。Sci Rep 2021;11（1）：1-9.[11]BasbasSocrates，Campisi Tiziana，Georgiadis Georgios，Al-Rashid Muham-这是泰索里埃·乔瓦尼2019冠状病毒病与西西里公共交通需求趋势：分析外部因素和政府建议。《欧洲交通运输法》，2021年;83（9）。Saba Imani，Majid Vahed，Shreya Satodia等软件X 22（2023）10135011[12]Abdullah Muhammad ， Ali Nazam ， Dias Charitha ， Campisi Tiziana ，Javid Muhammad Ashraf. 探索旅行者在COVID-19大流行期间使用公共交通工具的意图，同时遵守预防措施。应用科学2021;11（8）：3630.[13]达姆·保拉米，曼达尔·桑吉布，蒙达尔·里蒂克，萨达特·阿卜杜勒，乔杜里·苏-瓦什里·罗伊，曼达尔·阿米特·库马尔。COVID-19：对交通和心理健康的影响。J Transp Health2020;19：100969.[14]Pham QV，Nguyen DC，Huynh-The T，Hwang WJ，Pathirana PN.人工智能（AI）和大数据用于冠状病毒（COVID-19）大流行：对最新技术的调查。IEEEAccess2020;8：130820.[15]冠状病毒是否改变了我们对公共空间的看法？| the takeaway. （n.d.），WNYC Studios网站：2020年。[16] Taylor Brian D，丁浩.在大流行期间确保交通安全：有哪些风险以及可以采取哪些应对措施？2021年[17] 蒂拉奇尼·亚历杭德罗《猫》2019冠状病毒病与公共交通：当前评估、前景和研究需求。 J Publ Transp 2020;22（1）：1.[18]Mta.info|转门数据。（n.d.），从web.mta.info网站。2020年。[19]纽约州卫生部。来自health.ny.gov网站：2020https://health.ny.gov/。[20]哈 里 斯 ·杰 弗 里 ·E.地 铁 在 纽 约 市 播 下 了 大 规 模 冠 状 病 毒 疫 情 的 种 子 。 号w27021。国家经济研究局;2020年。[21][1] Müller SA，Balmer M，Neumann A，Nagel K. 2019冠状病毒病的流动痕迹和传播。2020年，MedRxiv.[22]黄逸为了限制公共交通工具上的冠状病毒风险，我们采取了以下措施可以从海外的努力中学习。2 0 2 0 年，[23] 2019冠状病毒病如何在公共场所传播以及如何保护自己。（n.d.），healthline网站2020年，https://www.healthline.com/health-news/public-places-and-the-coronavirus-what-to-know。[24]Vlahogia