錢蕾，周瑋騰，韓寶明

城市軌道交通運營突發(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 交通運輸學院，北京 100044)

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

城市軌道交通；突發(fā)運營信息；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營里程的不斷增大，網(wǎng)絡化規(guī)模越來越復雜，由人、車輛、軌道、信號、供電等導致的地鐵突發(fā)運營事件也不斷增多[1]。城市軌道交通突發(fā)運營事件普遍會造成列車運行間隔加大、列車晚點等后果，不僅會給乘客的出行帶來極大的不便，如果疏于防范和處置，嚴重時還會造成極端的運營安全事故，是目前運營管理部門所面臨的巨大挑戰(zhàn)?？茖W合理地對突發(fā)運營信息進行數(shù)據(jù)分析和挖掘能為突發(fā)事件下的地鐵運營安全防范和預案制定提供決策依據(jù)，具有重要的實際意義。目前，城市軌道交通突發(fā)運營信息數(shù)據(jù)的研究主要集中在數(shù)據(jù)的應用層面，如基于突發(fā)事件的城市軌道交通應急平臺搭建和體系建設(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用在交通領(lǐng)域。可視化作為一種統(tǒng)計學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)建一條快速認識數(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，同時推斷出造成交通擁堵的原因。Andrienko等[6?7]從機動車的GPS軌跡中提取事件的時間地點等因素，并在三維時空中對數(shù)據(jù)進行可視化分析，探索機動車的出行規(guī)律。Ferreira等[8]利用紐約市的出租車出行數(shù)據(jù)設(shè)計了可視化檢索和分析工具，同時分析了紐約不同時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、應急輔助決策、乘客出行誘導、客流預測和調(diào)度管理等方面的應用，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、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還比較少，在城市軌道交通突發(fā)運營信息領(lǐng)域尚未得到有效應用。另一方面，由于城市軌道交通突發(fā)運營信息的特殊性，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)外專家學者在面臨同類問題時已經(jīng)開始從社交媒體中獲取信息并進行分析與研究。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)，探索東京地鐵異常現(xiàn)象的原因和影響。PAN等[12]從發(fā)布在社交媒體中的動態(tài)中挖掘代表性術(shù)語來檢測出行異常行為，提出了一個交通異常檢測分析系統(tǒng)，并利用北京3個月的出租車出行數(shù)據(jù)驗證了系統(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，并對事故信息進行分析以挖掘其內(nèi)在規(guī)律，以便事故預防與決策。近年來，國內(nèi)地鐵集團已經(jīng)開始通過社交平臺向外推送實時突發(fā)運營狀況，并提供應急預警服務，讓乘客及時調(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)，該部分數(shù)據(jù)表征了詳實的突發(fā)運營信息，可為本文研究提供數(shù)據(jù)來源。綜上所述，本文以社交平臺推送的突發(fā)運營信息數(shù)據(jù)為研究對象，利用爬蟲技術(shù)進行數(shù)據(jù)的采集，結(jié)合正則表達式進行非結(jié)構(gòu)化數(shù)據(jù)的處理，綜合可視化分析方法實現(xiàn)標準化后的數(shù)據(jù)的多維度分析，為城市軌道交通的運營安全監(jiān)管和風險評估提供有力依據(jù)。

1 城市軌道交通突發(fā)運營事件數(shù)據(jù)收集與處理

社交平臺上的數(shù)據(jù)種類豐富，量級龐大，存儲形式多樣，其中推送的突發(fā)運營信息數(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。為了進一步對突發(fā)運營信息數(shù)據(jù)進行提取，本文運用Python網(wǎng)絡爬蟲技術(shù)，使用“Selenium庫”、正則表達式、DOM 選擇器、“BeautifulSoap庫”等解析方式爬取社交平臺實名認證用戶“XX地鐵”突發(fā)運營信息的相關(guān)內(nèi)容，并對相關(guān)數(shù)據(jù)進行處理，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，即登錄社交平臺后找到需要爬取信息的頁面，并對其內(nèi)容進行儲存，此時的數(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數(shù)據(jù)作為輸入，對輸入的數(shù)據(jù)進行處理，處理后的輸出數(shù)據(jù)即為突發(fā)運營信息結(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蟮挠嬎銠C語言，有大量面向網(wǎng)絡的函數(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)動打開瀏覽器，給“XX地鐵”社交平臺主頁發(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，從而定義一個簡單搜索頁面 URL。然后循環(huán)來抓取社交平臺正文每一頁數(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)進行過濾，如果數(shù)據(jù)中包含“突發(fā)運營信息”，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，利用正則表達式將社交平臺內(nèi)容中的一些特殊符號刪除，如URL和熱點標簽等，本文的正則表達式為re.findall(' href="https.*#突發(fā)運營信息#(.*)', text )，其中，“”表示轉(zhuǎn)意符，“.”表示匹配除換行符之外的單個字符，“*”表示匹配前面子表達式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內(nèi)容進行切割的同時去除停用詞，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)包含時間、線路、突發(fā)運營事件類型、起點站、終點站和方向等特征，因此將該詞語作為關(guān)鍵詞進行特征結(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準化后的詞語，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)運營信息數(shù)據(jù)可視化

2.1 XX地鐵突發(fā)運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)運營信息全部數(shù)據(jù)共576條，進行數(shù)據(jù)清洗后刪除重復數(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)進行Python詞云圖繪制，結(jié)果如圖4所示。

圖4 XX地鐵突發(fā)運營信息Python詞云圖

圖4中，信號故障、乘客闖入、5號線、1號線和10號線等詞語字體較大，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、建國門和復興門等站點出現(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)運營信息時間序列可視化

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

由圖6可知，以年為時間粒度時，2012年~2015年XX地鐵突發(fā)運營事件的頻率呈增加趨勢，其中2015年達到最高峰，2015年后，XX地鐵突發(fā)運營事件的發(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)絡的擴大和復雜化造成了地鐵突發(fā)運營事件數(shù)量增多；隨著地鐵網(wǎng)絡結(jié)構(gòu)趨于穩(wěn)定，修建的速度變緩，同時隨著地鐵運營經(jīng)驗的增加，突發(fā)運營事件逐漸減少；以月份為時間粒度時，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；以星期為時間粒度時，XX地鐵突發(fā)運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；以小時為時間粒度時，在1d 5:00—24:00的運營時間內(nèi)，出現(xiàn)了2個峰值，即為時間段6:30—9:00和時間段17:00—19:30，基本與早、晚運營高峰小時重合。

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

2.2.1 以星期為時間粒度的XX地鐵突發(fā)運營事件類型可視化分析

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

圖5 XX地鐵突發(fā)運營事件線路、類型及其頻率

圖6 不同時間粒度XX地鐵突發(fā)運營事件頻率

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

2.2.2 以小時為時間粒度的XX地鐵突發(fā)運營事件類型可視化分析

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

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

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

2.3 XX地鐵突發(fā)運營信息空間維度可視化

采用聚類分析法對XX地鐵突發(fā)運營信息與線路和區(qū)間的關(guān)聯(lián)度進行可視化分析。在本文中，利用SPSS 軟件對發(fā)生突發(fā)運營事件的18條地鐵線路進行系統(tǒng)聚類分析。目前系統(tǒng)聚類的方法包括歐式距離、動態(tài)時間彎曲距離、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)運營時間在線路上發(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個交點，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類線路由于修建時間較晚，設(shè)計、建設(shè)和運營的水平較高，發(fā)生突發(fā)運營事件次數(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號線、地鐵6號線、地鐵10號線和2類里的地鐵1號線、地鐵2號線、地鐵13號線作為重點線路進行研究。

由圖10分析得出，信號故障是一類線路的主要突發(fā)運營事件類型，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，引起信號故障的原因有信號系統(tǒng)失靈、系統(tǒng)硬件因素和人為因素等[18]，在運營過程中要從設(shè)備安全保障、安全風險防控和維修設(shè)備配置3個方面入手，減少信號故障對地鐵運營的沖擊。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路站等，由于地鐵線路中的道岔只存在于起點站、終點站和小運轉(zhuǎn)車站，在運營中需嚴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是，供電設(shè)備故障在2012~ 2015年地鐵的運營過程中一共發(fā)生了5次，但是在地鐵6號線的金安橋站—楊莊區(qū)段發(fā)生了3次，所以應對此區(qū)段進行供電設(shè)備檢查。

圖10 1類線路突發(fā)運營事件圖

圖11 2類線路突發(fā)運營事件圖

圖12 地鐵高峰時段突發(fā)運營事件時空可視化

與1類線路相比，由乘客因素引起的突發(fā)運營事件在2類線路上明顯增多，在運營過程中應對此類突發(fā)運營事件發(fā)生次數(shù)較多的車站進行重點防控。在地鐵13號線上，發(fā)生了3起有起火危險導致的列車停車，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)運營信息時空關(guān)聯(lián)可視化

為了進一步將突發(fā)運營事件類型、時間、線路區(qū)間3個因素關(guān)聯(lián)，本文將采用時空可視化熱圖的形式進行可視化分析，如圖12所示。熱圖作為最直接的時空可視化的工具，已被廣泛運用在交通網(wǎng)絡中，使數(shù)據(jù)可視化的表達更加真實、精確，也增強了多維度研究的直觀性。

用不同的顏色表示突發(fā)運營事件類型，用線條的粗細表示同一種突發(fā)運營事件在同一區(qū)段發(fā)生的發(fā)生頻率，將突發(fā)運營信息體現(xiàn)在地鐵網(wǎng)圖上，可以更直接地看出突發(fā)運營事件在整個地鐵網(wǎng)絡上的動態(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，信號故障、車輛故障以及屏蔽門故障對地鐵運行的影響較大，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)運營事件發(fā)生后盡快采取相應措施可最大化降低事件對地鐵網(wǎng)絡穩(wěn)定運行的沖擊。

該熱圖能夠識別地鐵網(wǎng)絡中突發(fā)事件發(fā)生的重點線路、重點車站、突發(fā)事件高發(fā)時間段、突發(fā)事件高發(fā)類型等，可幫助政府部門和運營企業(yè)分析和挖掘地鐵突發(fā)運營事件數(shù)據(jù)的內(nèi)在規(guī)律，提前定制應急預案，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)運營事件的發(fā)生頻率與客流的波動性基本一致，一般情況下，地鐵客流量越大，列車發(fā)車間隔時間越短，車輛、信號機、電扶梯等設(shè)施設(shè)備的使用率也就越頻繁，導致地鐵突發(fā)運營事件發(fā)生的機率增大。

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

4) 地鐵突發(fā)運營事件在XX市中心及換乘樞紐比外圍區(qū)域發(fā)生的頻率高；信號故障、車輛故障以及屏蔽門故障對地鐵運行的影響較大，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. 地鐵運營事故分析及其對策研究[J].中國安全科學學報, 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)絡應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)絡化運營輔助決策與應急平臺[J]. 中國鐵道科學, 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[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)時代下基于Python的網(wǎng)絡信息爬取技術(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的微博用戶自殺傾向預測與分析[J/OL]. 哈爾濱工程大學學報: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. 基于多時間粒度的地鐵出行規(guī)律相似性度量[J]. 鐵道學報, 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)于地鐵信號設(shè)備維護的思考[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

科技部重點研發(fā)計劃資助項目(2018YFB1201402)；北京交通大學基本科研業(yè)務費資助項目(2019JBM039)；交控科技設(shè)計創(chuàng)新和學科發(fā)展基金資助項目(9907006511)

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

(編輯 蔣學東)