城市軌道交通運(yùn)營突發(fā)事件數(shù)據(jù)可視化分析

錢蕾，周瑋騰，韓寶明

城市軌道交通運(yùn)營突發(fā)事件數(shù)據(jù)可視化分析

錢蕾，周瑋騰，韓寶明

(北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044)

城市軌道交通運(yùn)營突發(fā)事件管理對地鐵安全和高效運(yùn)營具有重要的意義。針對非結(jié)構(gòu)化的地鐵突發(fā)運(yùn)營信息數(shù)據(jù)，通過整合處理并進(jìn)行多粒度、多層次、多角度地分析，從單因素、時(shí)間序列、空間維度和時(shí)空關(guān)聯(lián)幾個(gè)方面研究不同類型突發(fā)運(yùn)營事件與時(shí)間、區(qū)段的關(guān)聯(lián)性，有助于為地鐵突發(fā)運(yùn)營事件的高效分析、安全預(yù)防、輔助決策和預(yù)案制定提供數(shù)據(jù)依據(jù)和技術(shù)支撐，提高地鐵運(yùn)營的系統(tǒng)安全性。

城市軌道交通；突發(fā)運(yùn)營信息；可視化分析；Python爬蟲；非結(jié)構(gòu)化數(shù)據(jù)

近年來，隨著城市軌道交通運(yùn)營里程的不斷增大，網(wǎng)絡(luò)化規(guī)模越來越復(fù)雜，由人、車輛、軌道、信號(hào)、供電等導(dǎo)致的地鐵突發(fā)運(yùn)營事件也不斷增多[1]。城市軌道交通突發(fā)運(yùn)營事件普遍會(huì)造成列車運(yùn)行間隔加大、列車晚點(diǎn)等后果，不僅會(huì)給乘客的出行帶來極大的不便，如果疏于防范和處置，嚴(yán)重時(shí)還會(huì)造成極端的運(yùn)營安全事故，是目前運(yùn)營管理部門所面臨的巨大挑戰(zhàn)?？茖W(xué)合理地對突發(fā)運(yùn)營信息進(jìn)行數(shù)據(jù)分析和挖掘能為突發(fā)事件下的地鐵運(yùn)營安全防范和預(yù)案制定提供決策依據(jù)，具有重要的實(shí)際意義。目前，城市軌道交通突發(fā)運(yùn)營信息數(shù)據(jù)的研究主要集中在數(shù)據(jù)的應(yīng)用層面，如基于突發(fā)事件的城市軌道交通應(yīng)急平臺(tái)搭建和體系建設(shè)[2?3]，而針對數(shù)據(jù)本身的分析和研究較少。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，針對數(shù)據(jù)本身的可視化分析逐漸被應(yīng)用在交通領(lǐng)域?？梢暬鳛橐环N統(tǒng)計(jì)學(xué)工具特別是伴隨大數(shù)據(jù)分析而崛起的技術(shù)分支，用于創(chuàng)建一條快速認(rèn)識(shí)數(shù)據(jù)集的捷徑，正逐步成為一種令人信服的表現(xiàn)與溝通手段[4]。WANG等[5]從北京出租車出行數(shù)據(jù)中提取數(shù)據(jù)并可視化，發(fā)現(xiàn)城市中交通擁堵的路段，同時(shí)推斷出造成交通擁堵的原因。Andrienko等[6?7]從機(jī)動(dòng)車的GPS軌跡中提取事件的時(shí)間地點(diǎn)等因素，并在三維時(shí)空中對數(shù)據(jù)進(jìn)行可視化分析，探索機(jī)動(dòng)車的出行規(guī)律。Ferreira等[8]利用紐約市的出租車出行數(shù)據(jù)設(shè)計(jì)了可視化檢索和分析工具，同時(shí)分析了紐約不同時(shí)間段的乘客出行模式。在城市軌道交通大數(shù)據(jù)可視化研究方面，李得偉等[9]闡述了軌道交通大數(shù)據(jù)在統(tǒng)計(jì)、應(yīng)急輔助決策、乘客出行誘導(dǎo)、客流預(yù)測和調(diào)度管理等方面的應(yīng)用，并揭示了數(shù)據(jù)可視化是數(shù)據(jù)分析的關(guān)鍵技術(shù)。李偉等[10]從網(wǎng)絡(luò)、線路、斷面、車站等層面對城市軌道交通客流大數(shù)據(jù)可視化，以便對數(shù)據(jù)作進(jìn)一步的分析研究與信息挖掘。但是關(guān)于城市軌道交通可視化分析的文獻(xiàn)還比較少，在城市軌道交通突發(fā)運(yùn)營信息領(lǐng)域尚未得到有效應(yīng)用。另一方面，由于城市軌道交通突發(fā)運(yùn)營信息的特殊性，目前公開程度較少，獲取渠道較為匱乏，數(shù)據(jù)的獲取難度較高。目前國內(nèi)外專家學(xué)者在面臨同類問題時(shí)已經(jīng)開始從社交媒體中獲取信息并進(jìn)行分析與研究。Itoh等[11]從東京地鐵智能卡系統(tǒng)和推特網(wǎng)中提取東京地鐵異常信息的數(shù)據(jù)，探索東京地鐵異?，F(xiàn)象的原因和影響。PAN等[12]從發(fā)布在社交媒體中的動(dòng)態(tài)中挖掘代表性術(shù)語來檢測出行異常行為，提出了一個(gè)交通異常檢測分析系統(tǒng)，并利用北京3個(gè)月的出租車出行數(shù)據(jù)驗(yàn)證了系統(tǒng)的有效性。GU等[13]從推特網(wǎng)中爬取并過濾公路的事故信息，并對事故信息進(jìn)行分析以挖掘其內(nèi)在規(guī)律，以便事故預(yù)防與決策。近年來，國內(nèi)地鐵集團(tuán)已經(jīng)開始通過社交平臺(tái)向外推送實(shí)時(shí)突發(fā)運(yùn)營狀況，并提供應(yīng)急預(yù)警服務(wù)，讓乘客及時(shí)調(diào)整出行路線[14]。作為非結(jié)構(gòu)化的數(shù)據(jù)(如文本，視頻等)，該部分?jǐn)?shù)據(jù)表征了詳實(shí)的突發(fā)運(yùn)營信息，可為本文研究提供數(shù)據(jù)來源。綜上所述，本文以社交平臺(tái)推送的突發(fā)運(yùn)營信息數(shù)據(jù)為研究對象，利用爬蟲技術(shù)進(jìn)行數(shù)據(jù)的采集，結(jié)合正則表達(dá)式進(jìn)行非結(jié)構(gòu)化數(shù)據(jù)的處理，綜合可視化分析方法實(shí)現(xiàn)標(biāo)準(zhǔn)化后的數(shù)據(jù)的多維度分析，為城市軌道交通的運(yùn)營安全監(jiān)管和風(fēng)險(xiǎn)評(píng)估提供有力依據(jù)。

1 城市軌道交通突發(fā)運(yùn)營事件數(shù)據(jù)收集與處理

社交平臺(tái)上的數(shù)據(jù)種類豐富，量級(jí)龐大，存儲(chǔ)形式多樣，其中推送的突發(fā)運(yùn)營信息數(shù)據(jù)屬于開源的非結(jié)構(gòu)化數(shù)據(jù)，包含文本和圖片等內(nèi)容。為了進(jìn)一步對突發(fā)運(yùn)營信息數(shù)據(jù)進(jìn)行提取，本文運(yùn)用Python網(wǎng)絡(luò)爬蟲技術(shù)，使用“Selenium庫”、正則表達(dá)式、DOM 選擇器、“BeautifulSoap庫”等解析方式爬取社交平臺(tái)實(shí)名認(rèn)證用戶“XX地鐵”突發(fā)運(yùn)營信息的相關(guān)內(nèi)容，并對相關(guān)數(shù)據(jù)進(jìn)行處理，具體流程圖如圖1所示。

數(shù)據(jù)收集的具體流程如圖1中A部分所示，即登錄社交平臺(tái)后找到需要爬取信息的頁面，并對其內(nèi)容進(jìn)行儲(chǔ)存，此時(shí)的數(shù)據(jù)結(jié)構(gòu)為非結(jié)構(gòu)化數(shù)據(jù)。圖1中的B部分給出了數(shù)據(jù)處理的主要流程，每條爬取下來的社交平臺(tái)數(shù)據(jù)作為輸入，對輸入的數(shù)據(jù)進(jìn)行處理，處理后的輸出數(shù)據(jù)即為突發(fā)運(yùn)營信息結(jié)構(gòu)化數(shù)據(jù)。

1.1 數(shù)據(jù)收集

考慮到社交平臺(tái)非結(jié)構(gòu)化數(shù)據(jù)的特征，Python作為一種抽象程度比較高的解釋型、交互式、面向?qū)ο蟮挠?jì)算機(jī)語言，有大量面向網(wǎng)絡(luò)的函數(shù)庫，可以提高數(shù)據(jù)獲取的效率[15]，于是本文選擇了Python中的爬蟲相關(guān)技術(shù)來完成數(shù)據(jù)的獲取。通過“Selenium庫”的“webdriver”驅(qū)動(dòng)打開瀏覽器，給“XX地鐵”社交平臺(tái)主頁發(fā)送模擬登錄請求，在“Headers”中可以看到 Request URL地址，根據(jù)參數(shù)變化的規(guī)律總結(jié)出參數(shù)所代表的意義，從而定義一個(gè)簡單搜索頁面 URL。然后循環(huán)來抓取社交平臺(tái)正文每一頁數(shù)據(jù)，并利用“Beautiful Soup庫”和“XPath庫”解析網(wǎng)頁的HTML，首先找到網(wǎng)頁的主體“body”部分，從“body”中獲取發(fā)布日期及內(nèi)容等有用信息。最后，新建“XXX.txt”文件，并規(guī)定寫入方式和編碼格式，對爬取的數(shù)據(jù)進(jìn)行過濾，如果數(shù)據(jù)中包含“突發(fā)運(yùn)營信息”，就將這條數(shù)據(jù)寫入“XXX.txt”文件中，數(shù)據(jù)格式如圖2所示。

圖1 流程圖

圖2 突發(fā)運(yùn)營信息非結(jié)構(gòu)化數(shù)據(jù)

1.2 數(shù)據(jù)處理

為保證數(shù)據(jù)格式的一致性，利用正則表達(dá)式將社交平臺(tái)內(nèi)容中的一些特殊符號(hào)刪除，如URL和熱點(diǎn)標(biāo)簽等，本文的正則表達(dá)式為re.findall(' href="https.*#突發(fā)運(yùn)營信息#(.*)', text )，其中，“”表示轉(zhuǎn)意符，“.”表示匹配除換行符之外的單個(gè)字符，“*”表示匹配前面子表達(dá)式0次或多次，“( )”表示只輸出( )中的內(nèi)容。然后，利用Python的Jieba中文分詞工具對社交平臺(tái)內(nèi)容進(jìn)行切割的同時(shí)去除停用詞，比如“的”、“是”、“而且”、“但是”、“非?！钡?。分詞后，發(fā)現(xiàn)這些非結(jié)構(gòu)化數(shù)據(jù)包含時(shí)間、線路、突發(fā)運(yùn)營事件類型、起點(diǎn)站、終點(diǎn)站和方向等特征，因此將該詞語作為關(guān)鍵詞進(jìn)行特征結(jié)構(gòu)化處理。由于詞語之間存在相似性，引入相似度函數(shù)，利用歐幾里距離代替詞頻的相似度[11]，公式如下：

其中：相似度，選取ρ值最大的詞語作為標(biāo)準(zhǔn)化后的詞語，處理后的關(guān)鍵詞數(shù)據(jù)格式如圖3所示。

2 XX地鐵突發(fā)運(yùn)營信息數(shù)據(jù)可視化

2.1 XX地鐵突發(fā)運(yùn)營信息單因素可視化

通過python爬蟲得到2012?05?01~2019?05 ?01的XX地鐵突發(fā)運(yùn)營信息全部數(shù)據(jù)共576條，進(jìn)行數(shù)據(jù)清洗后刪除重復(fù)數(shù)據(jù)和無效數(shù)據(jù)，得到有效結(jié)構(gòu)化數(shù)據(jù)547條，對總有效數(shù)據(jù)進(jìn)行Python詞云圖繪制，結(jié)果如圖4所示。

圖4 XX地鐵突發(fā)運(yùn)營信息Python詞云圖

圖4中，信號(hào)故障、乘客闖入、5號(hào)線、1號(hào)線和10號(hào)線等詞語字體較大，表示其在數(shù)據(jù)集中出現(xiàn)的頻率較高。將突發(fā)運(yùn)營事件類型和線路頻率繪制成圖5，結(jié)果與圖4所呈現(xiàn)的結(jié)果一致。

在圖4中，宋家莊、惠新西街南口、西直門、立水橋、四惠、大屯路東、建國門和復(fù)興門等站點(diǎn)出現(xiàn)頻率較高，觀察發(fā)現(xiàn)這些站大概率為換乘車站，后文中將具體分析。

2.2 XX地鐵突發(fā)運(yùn)營信息時(shí)間序列可視化

對地鐵突發(fā)運(yùn)營事件的時(shí)間與突發(fā)運(yùn)營事件頻率進(jìn)行關(guān)聯(lián)性可視化分析，分別以年、月、星期、小時(shí)為時(shí)間粒度，研究XX地鐵突發(fā)運(yùn)營事件的頻率變化趨勢，如圖6所示。

由圖6可知，以年為時(shí)間粒度時(shí)，2012年~2015年XX地鐵突發(fā)運(yùn)營事件的頻率呈增加趨勢，其中2015年達(dá)到最高峰，2015年后，XX地鐵突發(fā)運(yùn)營事件的發(fā)生頻率逐年下降。其原因可能在于2015年前是地鐵的大規(guī)模建設(shè)階段，地鐵網(wǎng)絡(luò)的擴(kuò)大和復(fù)雜化造成了地鐵突發(fā)運(yùn)營事件數(shù)量增多；隨著地鐵網(wǎng)絡(luò)結(jié)構(gòu)趨于穩(wěn)定，修建的速度變緩，同時(shí)隨著地鐵運(yùn)營經(jīng)驗(yàn)的增加，突發(fā)運(yùn)營事件逐漸減少；以月份為時(shí)間粒度時(shí)，數(shù)據(jù)可視化呈現(xiàn)出2月，8月和11月是事件發(fā)生的高峰期，4月、5月、9月和10月是低谷期；以星期為時(shí)間粒度時(shí)，XX地鐵突發(fā)運(yùn)營事件在工作日的發(fā)生頻率明顯比周末高，最高峰出現(xiàn)在星期一和星期五；以小時(shí)為時(shí)間粒度時(shí)，在1d 5:00—24:00的運(yùn)營時(shí)間內(nèi)，出現(xiàn)了2個(gè)峰值，即為時(shí)間段6:30—9:00和時(shí)間段17:00—19:30，基本與早、晚運(yùn)營高峰小時(shí)重合。

由此可得，在以星期和小時(shí)為時(shí)間粒度的情況下，XX地鐵突發(fā)運(yùn)營事件的發(fā)生頻率與客流的波動(dòng)性基本一致，將以星期和小時(shí)作為時(shí)間粒度對具體突發(fā)運(yùn)營事件類型進(jìn)行具體分析。

2.2.1 以星期為時(shí)間粒度的XX地鐵突發(fā)運(yùn)營事件類型可視化分析

在星期的時(shí)間粒度下，將突發(fā)運(yùn)營事件類型按照發(fā)生頻率分為常發(fā)性突發(fā)運(yùn)營事件(發(fā)生次數(shù)≥50次)、一般性突發(fā)運(yùn)營事件(10次≤發(fā)生次數(shù)<50次)和偶發(fā)性突發(fā)運(yùn)營事件(發(fā)生次數(shù)<10次)。由圖7可以看出，大多數(shù)常發(fā)性故障和一般性故障對星期時(shí)間粒度敏感性較強(qiáng)，都呈現(xiàn)工作日比周末發(fā)生頻率高的趨勢，信號(hào)故障最為突出；而偶發(fā)性故障由于發(fā)生次數(shù)較少，對星期時(shí)間粒度的依賴性不強(qiáng)。其中，乘客因素屬于人為因素，異物入侵限界、有起火危險(xiǎn)屬于隨機(jī)性因素，它們與時(shí)間的關(guān)聯(lián)性并不大。

圖5 XX地鐵突發(fā)運(yùn)營事件線路、類型及其頻率

圖6 不同時(shí)間粒度XX地鐵突發(fā)運(yùn)營事件頻率

(a) 常發(fā)性突發(fā)運(yùn)營事件頻率；(b) 一般性突發(fā)運(yùn)營事件頻率；(c) 偶發(fā)性突發(fā)運(yùn)營事件頻率

2.2.2 以小時(shí)為時(shí)間粒度的XX地鐵突發(fā)運(yùn)營事件類型可視化分析

在小時(shí)的時(shí)間粒度下，大多數(shù)突發(fā)運(yùn)營事件的頻率最大值都在通勤高峰時(shí)間段，這說明地鐵乘客的增加會(huì)加重地鐵線路的負(fù)擔(dān)，從而增大突發(fā)運(yùn)營事件發(fā)生的可能性，如圖8所示。

(a) 常發(fā)性突發(fā)運(yùn)營事件頻率；(b) 一般性突發(fā)運(yùn)營事件頻率；(c) 偶發(fā)性突發(fā)運(yùn)營事件頻率

綜上所述，突發(fā)運(yùn)營事件頻率與突發(fā)運(yùn)營事件發(fā)生時(shí)間有一定關(guān)聯(lián)。在一般情況下，地鐵客流量越大，列車發(fā)車間隔時(shí)間越短，車輛、信號(hào)機(jī)、電扶梯等設(shè)施設(shè)備的使用率也就越頻繁，導(dǎo)致地鐵突發(fā)運(yùn)營事件發(fā)生的機(jī)率增大。

2.3 XX地鐵突發(fā)運(yùn)營信息空間維度可視化

采用聚類分析法對XX地鐵突發(fā)運(yùn)營信息與線路和區(qū)間的關(guān)聯(lián)度進(jìn)行可視化分析。在本文中，利用SPSS 軟件對發(fā)生突發(fā)運(yùn)營事件的18條地鐵線路進(jìn)行系統(tǒng)聚類分析。目前系統(tǒng)聚類的方法包括歐式距離、動(dòng)態(tài)時(shí)間彎曲距離、最長公共子串、概率距離、編輯距離、Pearson系數(shù)等[17]。本文利用Person系數(shù)度量線路之間的相似性以聚類，()和()的Person系數(shù)(i,)可表示為：

其中：和代表XX地鐵線路；L()代表第種類型的突發(fā)運(yùn)營時(shí)間在線路上發(fā)生的次數(shù)。聚類結(jié)果如圖9。

以類間間距11為分隔線，與分類線相交，如圖9所示，有4個(gè)交點(diǎn)，故可將線路分為4類，結(jié)果如表1所示。

圖9 系統(tǒng)聚類譜系圖

表1 聚類結(jié)果

觀察發(fā)現(xiàn)，3類和4類線路由于修建時(shí)間較晚，設(shè)計(jì)、建設(shè)和運(yùn)營的水平較高，發(fā)生突發(fā)運(yùn)營事件次數(shù)較少，故本文不做分析。排除偶然性因素影響，將1類里的地鐵5號(hào)線、地鐵6號(hào)線、地鐵10號(hào)線和2類里的地鐵1號(hào)線、地鐵2號(hào)線、地鐵13號(hào)線作為重點(diǎn)線路進(jìn)行研究。

由圖10分析得出，信號(hào)故障是一類線路的主要突發(fā)運(yùn)營事件類型，主要發(fā)生在宋家莊—燈市口上行區(qū)段、立水橋—張自忠路下行區(qū)段、褡褳坡—草房上行區(qū)段以及角門西—火器營雙向區(qū)段，引起信號(hào)故障的原因有信號(hào)系統(tǒng)失靈、系統(tǒng)硬件因素和人為因素等[18]，在運(yùn)營過程中要從設(shè)備安全保障、安全風(fēng)險(xiǎn)防控和維修設(shè)備配置3個(gè)方面入手，減少信號(hào)故障對地鐵運(yùn)營的沖擊。道岔故障主要發(fā)生在天通苑北站、惠新西街南口站、褡褳坡站、海淀五路居站以及金臺(tái)路站等，由于地鐵線路中的道岔只存在于起點(diǎn)站、終點(diǎn)站和小運(yùn)轉(zhuǎn)車站，在運(yùn)營中需嚴(yán)格檢查這些車站的線路，減少道岔故障的發(fā)生。此外，車輛故障和屏蔽門故障在第1類線路中發(fā)生的頻率較高，另外值得注意的一點(diǎn)是，供電設(shè)備故障在2012~ 2015年地鐵的運(yùn)營過程中一共發(fā)生了5次，但是在地鐵6號(hào)線的金安橋站—楊莊區(qū)段發(fā)生了3次，所以應(yīng)對此區(qū)段進(jìn)行供電設(shè)備檢查。

圖10 1類線路突發(fā)運(yùn)營事件圖

圖11 2類線路突發(fā)運(yùn)營事件圖

圖12 地鐵高峰時(shí)段突發(fā)運(yùn)營事件時(shí)空可視化

與1類線路相比，由乘客因素引起的突發(fā)運(yùn)營事件在2類線路上明顯增多，在運(yùn)營過程中應(yīng)對此類突發(fā)運(yùn)營事件發(fā)生次數(shù)較多的車站進(jìn)行重點(diǎn)防控。在地鐵13號(hào)線上，發(fā)生了3起有起火危險(xiǎn)導(dǎo)致的列車停車，分別在西直門站，大鐘寺站和回龍觀站，這可能與這些車站都是高架站有關(guān)。

2.4 XX地鐵突發(fā)運(yùn)營信息時(shí)空關(guān)聯(lián)可視化

為了進(jìn)一步將突發(fā)運(yùn)營事件類型、時(shí)間、線路區(qū)間3個(gè)因素關(guān)聯(lián)，本文將采用時(shí)空可視化熱圖的形式進(jìn)行可視化分析，如圖12所示。熱圖作為最直接的時(shí)空可視化的工具，已被廣泛運(yùn)用在交通網(wǎng)絡(luò)中，使數(shù)據(jù)可視化的表達(dá)更加真實(shí)、精確，也增強(qiáng)了多維度研究的直觀性。

用不同的顏色表示突發(fā)運(yùn)營事件類型，用線條的粗細(xì)表示同一種突發(fā)運(yùn)營事件在同一區(qū)段發(fā)生的發(fā)生頻率，將突發(fā)運(yùn)營信息體現(xiàn)在地鐵網(wǎng)圖上，可以更直接地看出突發(fā)運(yùn)營事件在整個(gè)地鐵網(wǎng)絡(luò)上的動(dòng)態(tài)分布。將所有數(shù)據(jù)整合，選取早晚高峰各2 h為例，如圖12所示，一方面可看出地鐵突發(fā)運(yùn)營事件在XX市中心比外圍區(qū)域發(fā)生的頻率高，在換乘樞紐周圍發(fā)生的頻率比較高；另一方面，信號(hào)故障、車輛故障以及屏蔽門故障對地鐵運(yùn)行的影響較大，一旦發(fā)生，往往涉及的區(qū)間長度較長，而乘客因素、道岔故障以及車站設(shè)備故障等對整條線路區(qū)間的影響比較小，在突發(fā)運(yùn)營事件發(fā)生后盡快采取相應(yīng)措施可最大化降低事件對地鐵網(wǎng)絡(luò)穩(wěn)定運(yùn)行的沖擊。

該熱圖能夠識(shí)別地鐵網(wǎng)絡(luò)中突發(fā)事件發(fā)生的重點(diǎn)線路、重點(diǎn)車站、突發(fā)事件高發(fā)時(shí)間段、突發(fā)事件高發(fā)類型等，可幫助政府部門和運(yùn)營企業(yè)分析和挖掘地鐵突發(fā)運(yùn)營事件數(shù)據(jù)的內(nèi)在規(guī)律，提前定制應(yīng)急預(yù)案，提高地鐵系統(tǒng)的安全性。

3 結(jié)論

1) 從2012~2019?05?01，XX地鐵累計(jì)出現(xiàn)各類原生故障547次，且在2015年后，XX地鐵各類原生故障呈減少趨勢。

2) XX地鐵突發(fā)運(yùn)營事件的發(fā)生頻率與客流的波動(dòng)性基本一致，一般情況下，地鐵客流量越大，列車發(fā)車間隔時(shí)間越短，車輛、信號(hào)機(jī)、電扶梯等設(shè)施設(shè)備的使用率也就越頻繁，導(dǎo)致地鐵突發(fā)運(yùn)營事件發(fā)生的機(jī)率增大。

3) 信號(hào)故障是XX地鐵的主要突發(fā)運(yùn)營事件類型，其次是車輛故障及屏蔽門故障；1號(hào)線，2號(hào)線和13號(hào)線等2類線路發(fā)生由乘客因素導(dǎo)致的突發(fā)運(yùn)營事件的頻率比1類線路大。

4) 地鐵突發(fā)運(yùn)營事件在XX市中心及換乘樞紐比外圍區(qū)域發(fā)生的頻率高；信號(hào)故障、車輛故障以及屏蔽門故障對地鐵運(yùn)行的影響較大，而乘客因素、道岔故障以及車站設(shè)備故障等對整條線路區(qū)間的影響較小。

[1] 李為為, 唐禎敏. 地鐵運(yùn)營事故分析及其對策研究[J].中國安全科學(xué)學(xué)報(bào), 2004(6): 108?111, 3. LI Weiwei, TANG Zhenmin. Subway operation accident analysis and countermeasure research[J]. China Safety Science Journal, 2004(6): 108?111, 3.

[2] 徐瑞華, 滕靖. 城市軌道交通網(wǎng)絡(luò)應(yīng)急指揮輔助決策支持系統(tǒng)的相關(guān)問題研究[J]. 城市公用事業(yè), 2010, 24(3): 1?4. XU Ruihua, TENG Jing. Research on the emergency command and decision support system of urban rail transit network[J]. City Utilities Journal, 2010, 24(3): 1?4.

[3] 張銘, 王富章, 李平. 城市軌道交通網(wǎng)絡(luò)化運(yùn)營輔助決策與應(yīng)急平臺(tái)[J]. 中國鐵道科學(xué), 2012, 33(1): 113?120. ZHANG Ming, WANG Fuzhang, LI Ping. Network operation auxiliary decision-making and emergency platform for urban rail transit[J]. China Railway Science, 2012, 33(1): 113?120

[4] Bostock M, Ogievetsky V, Heer J D. Data-driven documents[J]. IEEE Transactions on Visualization & Computer Graphics, 2011, 17(12): 2301?2309.

[5] WANG Z, LU M, YUAN X, et al. Visual traffic jam analysis based on trajectory data[J]. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2159?2168.

[6] Andrienko G, Andrienko N, Hurter C, et al. From movement tracks through events to places: Extracting and characterizing significant places from mobility data[C]// Visual Analytics Science & Technology. IEEE, 2011.

[7] Andrienko G, Andrienko N, Bak P, et al. Visual analytics of movement[M]. Springer Berlin Heidelberg, 2013.

[8] Ferreira N, Poco J, Vo H T, et al. Visual exploration of big spatio-temporal urban data: A study of New York city taxi trips[J]. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2149?2158.

[9] 李得偉, 張?zhí)煊? 周瑋騰, 等. 軌道交通大數(shù)據(jù)運(yùn)用現(xiàn)狀及發(fā)展趨勢研究[J]. 都市快軌交通, 2016, 29(6): 1?7. LI Dewei, ZHANG Tianyu, ZHOU Weiteng, et al. Research on the application status and development trend of rail transit big data[J]. Urban Rapid Rail Transit, 2016, 29(6): 1?7.

[10] 李偉, 周峰, 朱煒, 等. 軌道交通網(wǎng)絡(luò)客流大數(shù)據(jù)可視化研究[J]. 中國鐵路, 2015(2): 94?98. LI Wei, ZHOU Feng, ZHU Wei, et al. Research on visualization of big data of passenger flow in rail transit network[J]. China Railway, 2015(2): 94?98.

[11] Itoh M, Yokoyama D, Toyoda M, et al. Visual fusion of mega-city big data: An application to traffic and tweets data analysis of Metro passengers[C]// IEEE International Conference on Big Data, 2014.

[12] PAN B, ZHENG Y, Wilkie D, et al. Crowd sensing of traffic anomalies based on human mobility and social media[C]// Proceedings of the 21st ACM Sigspatial International Conference on Advances in Geographic Information Systems. ACM, 2013.

[13] GU Y, QIAN Z, CHEN F. From twitter to detector: Real-time traffic incident detection using social media data[J]. Transportation Research Part C: Emerging Technologies, 2016, 67: 321?342.

[14] 北京地鐵. 北京地鐵公司推出微博便民服務(wù)[EB/OL]. https://www.bjsubway.com/news/qyxw/yyzd/2014?03?21/1584.html, 2014?03?21. Beijing Subway. Beijing metro has launched a microblog service for convenience[EB/OL]. https://www.bjsubway. com/news/qyxw/yyzd/2014?03?21/1584.html, 2014–03– 21.

[15] 劉順程, 岳思穎. 大數(shù)據(jù)時(shí)代下基于Python的網(wǎng)絡(luò)信息爬取技術(shù)[J]. 電子技術(shù)與軟件工程, 2017(21):160. LIU Shuncheng, YUE Siying. Python based network information crawling technology in the era of big data[J]. Electronic Technology & Software Engineering, 2017(21): 160.

[16] 莊婷婷, 李冬梅, 檀穩(wěn), 等. 基于分層支持向量機(jī)的微博用戶自殺傾向預(yù)測與分析[J/OL]. 哈爾濱工程大學(xué)學(xué)報(bào):1?6[2019?07?06].http://kns.cnki.net/kcms/detail/ 23.1390.U.20190424.1038.020.html. ZHUANG Tingting, LI Dongmei, TAN Wen, et al. An hierarchical SVM model for predicting and analyzing suicidal tendency in Chinese Microblogs[J/OL]. Journal of Harbin Engineering University:1?6[2019?07?06]. http://kns.cnki.net/kcms/detail/23.1390.U.20190424.1038. 020.html.

[17] 張晚笛, 陳峰, 王子甲, 等. 基于多時(shí)間粒度的地鐵出行規(guī)律相似性度量[J]. 鐵道學(xué)報(bào), 2018, 40(4): 9?17. ZHANG Wandi, CHEN Feng, WANG Zijia, et al. Similarity measurement of merto travel rules based on multi-time granularities[J]. Journal of the China Railway Society, 2018, 40(4): 9?17.

[18] 魯勇. 關(guān)于地鐵信號(hào)設(shè)備維護(hù)的思考[J]. 城市建設(shè)理論研究, 2017(30): 194. LU Yong. Thinking about the maintenance of subway signal equipment[J]. Urban Construction Theory Research, 2017(30): 194.

Visual exploration of emergency operation events in urban rail transit

QIAN Lei, ZHOU Weiteng, HAN Baoming

(School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China)

The management of emergency operation-events in urban rail transit is of great significance to the safe and efficient operation of subway. This paper explores unstructured data of emergency operation-information of subway through multi-granularities, multi-levels and multi-angles analysis, and studies the correlation between different types, time and segments of emergency operation-events from the aspects of single factor, time series, spatial dimension and space-time correlation, which will help to provide data basis and technical support for efficient analysis, security prevention, decision-making and planning, as well as improving system security of subway operations.

urban rail transit; emergency operation information; visual analysis; Python crawler; unstructured data

U231

A

1672 ? 7029(2020)04 ? 1025 ? 11

10.19713/j.cnki.43?1423/u.T20190763

2019?08?31

科技部重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2018YFB1201402)；北京交通大學(xué)基本科研業(yè)務(wù)費(fèi)資助項(xiàng)目(2019JBM039)；交控科技設(shè)計(jì)創(chuàng)新和學(xué)科發(fā)展基金資助項(xiàng)目(9907006511)

周瑋騰(1988?)，男，湖南郴州人，講師，博士，從事軌道交通運(yùn)輸組織研究；E?mail：zwt_bjtu@126.com

(編輯 蔣學(xué)東)