Disaster recovery planning of transportation networks
| dc.contributor.advisor | Hartmann, Timo | |
| dc.contributor.author | Zamanifar, Milad | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Adey, Bryan T. | |
| dc.contributor.referee | Hartmann, Timo | |
| dc.contributor.referee | Tang, Pingbo | |
| dc.date.accepted | 2022-05-25 | |
| dc.date.accessioned | 2022-12-05T15:21:50Z | |
| dc.date.available | 2022-12-05T15:21:50Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | The way to disaster-resilient transport infrastructures is paved with effective recovery planning. Disaster Recovery Planning of Transportation Networks (DRPTN) is a critical and complex concept that often relies on recommendations of decision models and decision support systems. To develop such decision systems and draft a reliable recovery plan, a well-structured modeled problem with equitable decision attributes is essential. This dissertation aims to address problem structuring and methodological identification of DRPTN decision attributes. To do so, the research begins with a systematic analysis of the DRPTN optimization models, divided into four phases: problem definition, problem formulation, problem-solving, and model validation. For each of these phases, challenges and opportunities are articulated, as well as suggestions to overcome the identified gaps. To address the knowledge gaps in the problem structuring of DRPTN models, I developed a prescriptive decision aid mechanism to assist in harnessing experts' knowledge and recommend decision attributes for DRPTN problems. Afterward, I implemented this framework in a real-world DRPTN problem case study to test its performance, analyze the outcomes, and produce a systematically selected set of DRPTN decision attributes. The findings of the research have been reported in three sections, which are outlined in detail below. The findings of the gap analysis suggest the presence of critical challenges within decision attributes of existing DRPTN models, including insufficient efforts to justify and support the adopted decision factors with theoretical arguments or formal selection processes. Furthermore, the problem-solving phase of DRPTN modeling would benefit from adopting meta-heuristic algorithms when explicit or implicit justifications exist, such as convexity, linearity, or complexity analysis of the mathematical programming. In the problem formulation phase, more effort could integrate traffic management measures and post-event travel demand models into the formulation of network recovery. Addressing the validation phase of DRPTN models, a benchmark system, multi-aspect simulation advances, and a systematically developed level of confidence is needed to support the reliability of the outcomes. The gap analysis results suggest that the method-rich but methodology-poor phenomenon appears as a challenge for disaster recovery models. With respect to the developed attribute-selection methodology, the framework implementation enabled the use of experts' collaborative input in a structured manner and promoted a disciplined decision process. The multi-stage, non-hierarchical architecture of the framework allowed for the critical and thorough evaluation of candidate attributes in a relatively user-friendly manner. The framework could act as a mechanism to harness decision-makers' knowledge and help them to isolate those elements of the decision context which are most relevant to the problem. Therefore, the recommended set is supposed to result from a thorough, systematic process and collaborative decision-making; hence, it offers tenable attributes for both DRPTN practice and research. Finally, the process has led to six attributes for the case study’s road network disaster recovery planning: 1) access level to service-providing nodes, 2) integration of link travel delay and traffic flow, 3) travel time improvement per recovery duration, 4) travel time improvement per unit of resource, 5) centrality measures, and 6) link capacity. Using the recommended set of attributes in a DRPTN model is expected to provide effective and efficient recovery solutions that maximize mobility and accessibility in the network. Analysis of the results suggests that the framework leads to an improved attribute set compared to the attributes selected in an unassisted manner. The sensitivity analysis confirms that the outranked outcomes are relatively robust against the assigned preferences. This argument was also supported by an information entropy analysis. Both analyses suggest that "certainty" was an incentive factor for participating experts while evaluating candidate decision attributes. Throughout this research, I was able to 1) identify knowledge gaps and opportunities in optimized DRPTN decision models through conducting a systematic critical literature review and suggest solutions for detected challenges, 2) formalize the decision process of selecting attributes with a few innovative mathematical formulations and modeling approaches, 3) assist and harness the knowledge of subject-matter experts with a decision aid mechanism customized for this purpose, 4) offer the methodology as a toolkit for further application in both science and practice, and 5) suggest a set of decision attributes of DRPTN for the case study. Finally, besides these main contributions, I also had the chance to observe and report on some new technical improvements, understandings, and knowledge that can be useful for scientists and practitioners in decision analysis, traffic engineering, and disaster management. The dissertation concludes with an emphasis on the art of problem structuring in the DRPTN context. | en |
| dc.description.abstract | Der Weg zu Katastrophenresilienz Verkehrsinfrastrukturen führt über eine effektive Notfall- bzw. Wiederherstellungsplanung (recovery planning). Die Planung der Wiederherstellung von Verkehrsnetzen im Katastrophenfall (Disaster Recovery Planning of Transportation Networks – DR-Planung von Transportnetzen, DRPTN) ist ein kritisches und komplexes Konzept, das sich häufig auf Entscheidungsmodelle und Entscheidungshilfesysteme stützt. Um solche Entscheidungssysteme zu entwickeln und einen zuverlässigen Wiederherstellungsplan zu entwerfen, ist ein gut strukturiertes, modelliertes Problem mit verlässlichen Entscheidungsmerkmalen erforderlich. Ziel dieser Dissertation ist es, die Problemstrukturierung und die methodische Ermittlung von DRPTN-Entscheidungsmerkmalen zu untersuchen. Zu diesem Zweck beginnt die Untersuchung mit einer systematischen Analyse der DRPTN-Optimierungsmodelle, die in vier Phasen unterteilt ist: Problemdefinition, Problemformulierung, Problemlösung und Modellvalidierung. Für jede dieser Phasen werden Herausforderungen und Möglichkeiten sowie Vorschläge zur Überwindung der festgestellten Defizite formuliert. Um die Wissenslücken bei der Problemstrukturierung von DRPTN-Modellen zu schließen, wurde ein präskriptiver Entscheidungshilfemechanismus entwickelt, mit dem das Wissen von Experten genutzt und Entscheidungsattribute für DRPTN-Probleme empfohlen werden können. Im Anschluss daran wurde dieses Framework in einer realen DRPTN-Fallstudie implementiert, um seine Leistungsfähigkeit zu testen, die Ergebnisse zu analysieren und eine systematisch ausgewählte Menge von Entscheidungsattributen für das DRPTN zu erstellen. Die Forschungsergebnisse wurden in drei Abschnitten zusammengefasst, die im Folgenden kurz beschrieben werden. Die Ergebnisse der Analyse der Wissensdefizite deuten darauf hin, dass bei den Entscheidungsattributen bestehender DRPTN-Modelle Probleme bestehen. Dazu gehören unzureichende Bemühungen, die angenommenen Entscheidungsfaktoren mit theoretischen Argumenten oder formalen Auswahlprozessen zu begründen und zu stützen. Darüber hinaus würde die Problemlösungsphase der DRPTN-Modellierung von der Anwendung metaheuristischer Algorithmen profitieren, wenn es explizite oder implizite Begründungen wie Konvexität, Linearität oder Komplexitätsanalyse der mathematischen Programmierung gibt. In der Phase der Problemformulierung könnten mehr Anstrengungen unternommen werden, um Verkehrsmanagementmaßnahmen und Modelle für die Verkehrsnachfrage nach dem Notfall (bzw. der Naturkatastrophe) in die Formulierung der Netzwerkwiederherstellung zu integrieren. Für die Validierungsphase von DRPTN-Modellen sind ein Benchmark-System, Fortschritte bei der multiperspektivischen Simulation und ein systematisch entwickeltes Vertrauensniveau erforderlich, um die Zuverlässigkeit der Ergebnisse zu erhöhen. Die Ergebnisse der Analyse der Wissenslücken deuten darauf hin, dass das methodenreiche, aber methodologisch schwache Phänomen eine Herausforderung für Disaster-Recovery-Modelle darstellt. In Bezug auf die entwickelte Methodik zur Auswahl von Attributen ermöglichte die Implementierung des Frameworks die Nutzung des gemeinschaftlichen Inputs von Experten in einer strukturierten Weise und förderte einen disziplinierten Entscheidungsprozess. Die mehrstufige, nicht-hierarchische Architektur des Frameworks ermöglichte die kritische und gründliche Bewertung von möglichen Attributen auf relativ benutzerfreundliche Weise. Das Framework könnte als Mechanismus dienen, um das Wissen der Entscheidungsträger nutzbar zu machen und ihnen zu helfen, diejenigen Elemente des Entscheidungskontexts einzugrenzen, die für das Problem am wichtigsten sind. Aus diesem Grund sollte die empfohlene Menge das Ergebnis eines gründlichen, systematischen Prozesses und einer kollaborativen Entscheidungsfindung sein; dadurch bietet es sowohl für die DRPTN-Praxis als auch für die Forschung brauchbare Kriterien. Die Entscheidungsträger haben sechs Attributen ausgewählt, die in die Notfallplanung für das Teheraner Straßennetz einfließen sollen: (1) Art des Zugangs zu Serviceknotenpunkten; (2) Integration von Reisezeitverzögerung und Verkehrsfluss auf den Straßen; (3) Verbesserung der Reisezeit pro Wiederherstellungsdauer; (4) Verbesserung der Reisezeit pro Ressourceneinheit; (5) Zentralitätsmaße und (6) Kapazität der Verbindungen. Es wird erwartet, dass die Verwendung der empfohlenen Attribute in einem DRPTN-Modell effektive und effiziente Wiederherstellungslösungen bietet, die die Mobilität und Zugänglichkeit im Verkehrsnetz maximieren. Die Analyse der Ergebnisse deutet darauf hin, dass das Framework zu einem verbesserten Attributset im Vergleich zu denjenigen Attributen führt, die ohne Unterstützung ausgewählt wurden. Die Sensitivitätsanalyse bestätigt, dass die übergeordneten Ergebnisse relativ robust gegenüber den zugewiesenen Präferenzen sind. Dieses Argument wurde auch durch eine Analyse der Informationsentropie gestützt. Beide Analysen deuten darauf hin, dass „Gewissheit“ ein Anreizfaktor für die teilnehmenden Experten bei der Bewertung von Entscheidungsattributen war. Im Rahmen dieser Forschungsarbeit konnte ich (1) Wissenslücken und Möglichkeiten in optimierten DRPTN-Entscheidungsmodellen durch eine systematische kritische Literaturanalyse identifizieren und Lösungen für die erkannten Herausforderungen vorschlagen; (2) den Entscheidungsprozess zur Auswahl von Attributen mit einigen innovativen mathematischen Formeln und Modellierungsansätzen formalisieren; (3) das Wissen von Fachexperten mit einem für diesen Zweck angepassten Entscheidungshilfemechanismus nutzbar machen; (4) die Methodik als Toolkit für die weitere Anwendung sowohl in der Wissenschaft als auch in der Praxis anbieten; und (5) eine Menge von Entscheidungsmerkmalen von DRPTN für die Fallstudie vorschlagen. Daneben ergab sich auch die Möglichkeit, einige neue technische Verbesserungen, Erkenntnisse und Wissen zu beobachten und darüber zu berichten, die für Wissenschaftler und Praktiker in den Bereichen Entscheidungsanalyse, Verkehrstechnik und Katastrophenmanagement von Nutzen sein können. Die Dissertation schließt mit einem Hinweis auf die Bedeutung und Kunst der Problemstrukturierung im DRPTN-Kontext. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/17369 | |
| dc.identifier.uri | https://doi.org/10.14279/depositonce-16150 | |
| dc.language.iso | en | en |
| dc.relation.haspart | 10.14279/depositonce-10025.2 | en |
| dc.relation.haspart | 10.14279/depositonce-12782 | en |
| dc.relation.haspart | 10.14279/depositonce-17742 | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | decision attribute | en |
| dc.subject.other | decision analysis | en |
| dc.subject.other | disaster recovery | en |
| dc.subject.other | transportation network | en |
| dc.subject.other | infrastructure | en |
| dc.subject.other | resilience | en |
| dc.subject.other | risk reduction | en |
| dc.subject.other | Katastrophenresilienz | de |
| dc.subject.other | Wiederherstellung | de |
| dc.subject.other | Entscheidungsverfahren | de |
| dc.subject.other | Verkehrsinfrastrukturen | de |
| dc.subject.other | Katastrophenschutz | de |
| dc.subject.other | Katastrophenrisikomanagement | de |
| dc.title | Disaster recovery planning of transportation networks | en |
| dc.title.subtitle | problem structuring and decision attributes | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 6 Planen Bauen Umwelt::Inst. Bauingenieurwesen::FG Systemtechnik baulicher Anlagen | de |
| tub.affiliation.faculty | Fak. 6 Planen Bauen Umwelt | de |
| tub.affiliation.group | FG Systemtechnik baulicher Anlagen | de |
| tub.affiliation.institute | Inst. Bauingenieurwesen | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |