مقاله مدل‌سازی روزانه شبکه ترافیک در مواجهه با اطلاعات نادرست مسیریابی: اعتماد درونی و تاب‌آوری در محیط خودروهای خودران متصل.

خودروهای متصل و خودران و خدمات حمل‌ونقل هوشمند به طور فزاینده‌ای از هدایت مسیر دیجیتال به عنوان ورودی عملیاتی برای مدیریت شبکه ترافیک استفاده می‌کنند. هنگامی که این اطلاعات غیرقابل اعتماد یا مخرب می‌شوند، مدل‌های ترافیک روزانه باید نه تنها سازگاری جریان، بلکه تکامل اعتماد کاربران به منبع اطلاعات را نیز نشان دهند. این مقاله یک چارچوب ترکیبی تخصیص ترافیک روزانه و تکامل اعتماد را برای اطلاعات گمراه‌کننده هدایت مسیر توسعه می‌دهد. تراکم درون‌روزه با بارگذاری شبکه Lighthill-Whitham-Richards نشان داده می‌شود، در حالی که انتخاب مسیر روزانه از یادگیری لوجیت عقلانیت محدود با وابستگی به اعتماد به هدایت خارجی پیروی می‌کند. اعتماد به عنوان یک حالت رفتاری اتکای تجمعی در سطح کلاس مدل‌سازی می‌شود که توسط یک مدل شواهد بتا کدگذاری شده و از خطاهای مکرر هدایت به‌روزرسانی می‌شود. تجزیه و تحلیل نظری تعادل‌های پایدار، یک راهنمای پایداری محافظه‌کارانه، یک شاخص انطباق وزن‌دار برای آسیب‌پذیری در سطح جمعیت، و یک قانون بازیابی نامتقارن را که هیسترزیس اعتماد پس از حمله را توضیح می‌دهد، ایجاد می‌کند. آزمایش‌های عددی بر روی شبکه Sioux Falls، با بررسی استحکام Anaheim، نشان می‌دهند که اعتماد درونی یک مکانیسم تاب‌آوری مبتنی بر آستانه ایجاد می‌کند. در زیر آستانه فعال‌سازی اعتماد، حمله از نظر رفتاری پنهان باقی می‌ماند و اعتماد پویا تقریباً هیچ کاهشی ایجاد نمی‌کند. بالاتر از آستانه، فرسایش اعتماد تأثیر حمله با اعتماد ثابت را در Sioux Falls حدود ۹۱ درصد و در Anaheim ۸۵ درصد کاهش می‌دهد. آزمایش‌ها همچنین نشان می‌دهند که نفوذ خودروهای خودران آسیب‌پذیری اعتماد ثابت را افزایش می‌دهد در حالی که کاهش پویا را حفظ می‌کند، و عملکرد ترافیک می‌تواند قبل از اعتماد بهبود یابد و منجر به پنجره آسیب‌پذیری پنهان ۷۷ روزه شود. نتایج، مبنای مدل‌سازی آگاه از اعتماد را برای تجزیه و تحلیل تاب‌آوری در شبکه‌های ترافیکی مجهز به خودروهای خودران فراهم می‌کند.

Connected and autonomous vehicles and smart mobility services increasingly use digital route guidance as an operational input to traffic network management. When this information becomes unreliable or adversarial, day-to-day traffic models must represent not only flow adaptation but also the evolution of user trust in the information source. This paper develops a coupled day-to-day traffic assignment and trust-evolution framework for route-guidance misinformation. Within-day congestion is represented by Lighthill-Whitham-Richards network loading, while day-to-day route choice follows bounded-rationality logit learning with trust-dependent reliance on external guidance. Trust is modeled as an aggregate class-level behavioral reliance state encoded by a Beta evidence model and updated from repeated guidance errors. Theoretical analysis establishes stationary equilibria, a conservative stability guide, a weighted compliance index for population-level vulnerability, and an asymmetric recovery law that explains post-attack trust hysteresis. Numerical experiments on Sioux Falls, with an Anaheim robustness check, show that endogenous trust creates a threshold-based resilience mechanism. Below the trust-activation threshold, the attack remains behaviorally stealthy and dynamic trust provides almost no attenuation. Above the threshold, trust erosion reduces the impact of the fixed-trust attack by about 91 percent in Sioux Falls and 85 percent in Anaheim. The experiments also show that CAV penetration increases fixed-trust vulnerability while preserving dynamic attenuation, and that traffic performance can recover before trust, resulting in a 77-day hidden vulnerability window. The results provide a trust-aware modeling basis for resilience analysis in CAV-enabled traffic networks.