fbpx

Blog Blees

08 Cze 2020

Modelowanie rozprzestrzeniania się wirusów w sieciach przejazdów wspólnych (ride-pooling)

Rafał Kucharski

Rafał Kucharski

Linkedin Twitter

W czasach powszechnego zainteresowania rozprzestrzenianiem się wirusów wywołanym pandemią wirusa COVID-19, zostają wykonywane badania dotyczące wpływu systemów przejazdów wspólnych na rozwój epidemii. W przejazdach typu ride-pooling jeden pojazd realizuje wiele zgłoszeń pasażerów jednocześnie, dzięki czemu opłata za przejazd może być niższa, bo koszty mogą być dzielone przez współpasażerów korzystających z tej samej taksówki (np. UberPOOL). Z jednej strony pasażerowie podróżujący wspólnie jednym pojazdem są bezpośrednio narażeni. Z drugiej jednak naturalne ograniczenia w łączeniu podróży (podobny czas, źródło i cel podróży) dają szanse na powstrzymanie procesu rozprzestrzeniania.

Podczas przeprowadzonych badań zastosowany został model epidemiologiczny do symulacji rozwoju epidemii wśród 3000 pasażerów dzielących podróże w Amsterdamie. Założyliśmy, że początkowo zakażeni pasażerowie zarażają towarzyszy podróży, dopóki nie zostaną zdiagnozowani i poddani kwarantannie. Przyjęliśmy również, że popyt jest niestabilny, co powoduje, że każdego dnia możemy podróżować z kim innym zarażając go, lub będąc zarażanym. Gdy jedni pasażerowie poddają się kwarantannie, ich współpasażerowie szukają nowych towarzyszy, podtrzymując proces rozprzestrzeniania. Nasze symulacje dowodzą, że wirus łatwo infekuje znaczną część populacji (tzw. giant component).

Niemniej jednak, przy odpowiednim wykorzystaniu naturalnych ograniczeń przy łączeniu podróży we wspólny przejazd, proces ten może być skutecznie zatrzymany. W szczególności, gdy wymusimy stabilność popytu (ten sam czas, źródło i cel podróży w ciągu dnia) wówczas wirus może być kontrolowany (kosztem ograniczania mobilności podróżnych). Tłumaczymy to strukturą grafu połączeń między pasażerami (shareability network), której gęsta struktura połączeń może być rozbita, zmniejszając istotnie liczbę hubów i rozbijając giant component na mniejsze kliki.

Najważniejsze wnioski: 

  • Przy niestabilnym popycie w złożonych sieciach przejazdów wspólnych wirusy łatwo i szybko się rozprzestrzeniają, infekując większość pasażerów (R>5)
  • Podróże możemy wykonywać wspólnie tylko z pasażerami o zbliżonym czasie, źródle i celu podróży, fakt ten możemy wykorzystać do ograniczenia procesu epidemiologicznego, kosztem spontaniczności pierwotnego systemu.
  • Przy takim założeniu sieć traci tzw. huby i proces epidemiologiczny szybko wygasa.
  • Na przykładzie Amsterdamu najbardziej efektywny agent zainicjował drzewo zarażeń obejmujące jedynie 41 osób (spośród 3000)
  • Uwaga: Wyniki badania należy interpretować z uwzględnieniem specyficznych, często nierealistycznych, założeń modelu 
Figure 1 Rozkład obserwowanych długości drzew zakażeń i liczby zakażonych pasażerów (rozpoczynając od jednego roznosiciela)
Figure 1. Efektywność zakażeń (przy założeniu 10% zarażonych) dla różnych okresów inkubacji i skali stabilności popytu. 
Figure 3 Procesy epidemiologiczne (SIR) dla różnych początkowych odsetków zakażonych
Figure 4 Efektywność zakażania jako funkcja początkowo zainfekowanych
Figure 6 Struktura połaczeń między pasażerami łączącymi podróże: a) potencjalna b) faktyczna realizacja (przy założeniu stabilności popytu).
Figure 7 Rozkład stopni połączeń wierzchołków w grafie połaczeń między pasażerami łączącymi podróże: a) potencjalny b) faktyczna realizacja (przy założeniu stabilności popytu).

Acknowledgements

This research was supported by the CriticalMaaS project (grant number 804469), which is financed by the European Research Council and the Amsterdam Institute of Advanced Metropolitan Soltions and Transport Institute of TU Delft.

Tagi

🠙