城市轨道交通大规模中断的精准评估：数据驱动的多层网络级联失效模型创新

城市轨道交通大规模中断的精准评估：数据驱动的多层网络级联失效模型创新

原文链接见文末

一、研究背景与核心挑战

城市轨道交通系统在极端天气、设备故障等大规模中断事件下易引发级联失效，如2023年北京昌平线雪灾导致515人受伤及全网瘫痪。传统评估方法存在根本局限：

• 贝叶斯网络依赖历史数据概率，对罕见事件（如暴雪BLI）推断误差高达21%（表2）；

  

• 经典Motter-Lai模型假设节点/边“完全失效”，忽略拥堵渐进传播特性，系统性地高估影响30%以上（图8）；

  

• 事故分级标准失真：既有方法未考虑客流时空差异，相同延误在早高峰与平峰的影响悬殊。

★

关键：如何融合物理机制与数据校准，构建可量化级联失效时空传播的模型？

二、方法论创新：从数据预处理到联合失效建模

1. 数据特征工程与事故分级

基于北京地铁1208条事故文本数据（如“车门故障致7列车延误”），构建三层特征体系：

• 事件层（自然危害/运营故障/社会事件，附录表1）；
• 事故层（轨道中断/列车故障等21类，附录表2）；
• 后果层：创新提出乘客延误清除时间算法：

  其中  为平均进站量， 涵盖延误列车数、中断列车数等7类指标， 为转换系数。结合疏散能力（2500人/3分钟）建立6级影响标准（表1），解决传统分类忽略客流时空异质性问题。

(a) 90%事故为低影响等级（L1-L3），L6级仅占1.3%；(b) L3+级事故集中早高峰；(c) 线网空间分布热点识别)

2. 多层互依网络架构

将系统抽象为四层耦合网络（图1）：

• 基础设施层（轨道拓扑）→ 供电层（接触网）→ 运营层（列车时刻表）→ 乘客层（刷卡数据）；
• 层间依赖机制：通过跨层边  刻画物理约束（如轨道中断  触发供电中断  → 列车停运 ）；
• 动态性建模：基础设施/供电层静态，运营/乘客层随时间演化。

(下层系统为上层提供运行基础，如供电层故障直接导致运营层瘫痪)

3. 节点-边联合级联失效模型

三大核心改进突破经典模型局限：

• 状态分离机制：节点失效仅移除本站（如火灾关站），通过边重连保障线路贯通（避免Motter-Lai整线停运假设）；
• 拥堵耗散函数：引入  模拟乘客疏散（公式15-16），反映现实拥堵的渐进性；
• 动态流分配：基于Logit模型的随机用户均衡（公式8-9），参数  拟合乘客有限理性路径选择。

失效传播动力学方程：

(流程涵盖初始均衡分配→节点/边失效→流重分配→拥堵耗散→影响输出)

前方注意，广告勿点

广告结束，感谢体谅（wx官方随机投放，小编不知内容）

三、实证验证：北京地铁案例深度解析

1. 数据校准与系统状态分析

• 数据集：2021年全路网事故记录+19线拓扑+时刻表+10^6级/日刷卡数据；
• 拥堵图谱：图5显示早高峰20%区段容量利用率＞80%（如西二旗-上地段），平峰期全网宽松。

(a-c) 早/平/晚高峰容量剩余率热力图；(d-i) 站点/区段容量累积分布)

2. 模型精度与关键发现

• 参数敏感性（图6）：当列车容量  匹配实际6B编组（1440人/列）时，模拟误差<5%；
• 颠覆性规律： 与影响严重度  呈显著负相关（），为扩编运营提供理论支撑；
• 横向对比：
• 贝叶斯网络（图7）对复合事件（BLI+RSF）推断误差达21%；
• Motter-Lai模型因忽略流耗散，系统性高估影响30%+（图8）。

3. 九类中断情景推演

设计极端天气、设备故障等复合场景（表3），关键结论：

• 早高峰事件影响较平峰扩大40%（图10场景1 vs 7）；
• 单一站点关闭影响范围<10%路网（场景3/6/9）；
• 冰雪+客流激增复合事件触发L6级瘫痪（场景2）。

四、理论贡献与工程应用

1. 理论突破

• 首建数据校准的联合失效模型：通过1208条事故数据校准  等参数，解决小样本偏差；
• 揭示容量-影响负相关律：为高客流线路采用8A编组（人）提供量化依据；
• 构建“物理-数据”双驱动框架：支撑从单点故障到系统韧性的评估范式转变。

2. 管理启示

• 高峰冗余策略：早高峰预留15%运力以抵御级联传播；
• 关键节点防护：供电层（接触网）与基础设施层耦合点需优先加固。

3. 未来方向

• 融合图神经网络与物理方程构建混合推断引擎；
• 扩展至空轨联运等多模式网络韧性评估（Ma et al., 2025）。

★

原文链接：https://doi.org/10.1016/j.tre.2025.104314