文献阅读：Unplanned Disruption Analysis in Urban Railway Systems Using Smart Card Data

论文题目：基于智能卡数据的城市轨道系统非计划中断分析

0、摘要

       地铁系统中断是一个大问题，因为它会影响安全、服务质量和运营效率。更好地理解意外中断下的系统性能和乘客行为对高效决策、有效的客户沟通和识别潜在改进至关重要。然而，很少有研究探讨干扰对乘客个体行为的影响，大多数研究使用手工收集的调查数据。本研究探讨了使用自动收集数据来全面分析计划外中断影响的潜力。本文提出了一种系统的方法，利用自动票价收集(AFC)数据来评估城市轨道系统的中断对系统性能和个体响应的影响。我们开发了一套性能指标，从列车运营、信息提供(通信)和桥接策略(连接受中断影响的车站的穿梭巴士服务)的角度来评估性能。我们还提出了一种推断方法，以量化个体对中断的响应(例如，旅行与否，更换站点或模式)，这取决于他们与中断的地点和时间有关的旅行特征。所提出的方法是使用数据从繁忙的地铁系统演示。研究结果强调了AFC数据的能力，为分析计划外中断提供了新的见解，这是传统数据收集方法难以提取的。案例研究表明，中断的影响是全网的，对乘客的影响在事件结束后还会持续相当长的一段时间。这种行为凸显了实时信息的重要性和及时传播的必要性。

【关键词】地铁意外中断，AFC数据，系统性能，乘客响应，公交桥接

1、引言

       考虑到大城市快速增长的客流量，当事故发生时，地铁系统变得更加脆弱。中断可能导致正常服务水平下降，对运营和乘客造成重大影响。因此，了解系统如何运行以及乘客如何应对中断是至关重要的，以便制定有效的管理策略来减轻其影响。

       中断可以是有计划的，也可以是计划外的。本文主要研究计划外的中断，如列车信号故障、操作错误和人为事故。计划外破坏的程度和位置可能不同。严重的故障，例如信号故障，可能会导致部分或整个系统关闭。由于意外中断是不可预测的，乘客的反应在很大程度上取决于运营管理策略。在交通中断期间，信息的提供对于帮助乘客计划/调整行程尤为重要。

        一些研究利用分析和仿真模型或事件日志探讨了中断对系统性能的影响。例如，Jenelius等人[2]开发了一个模型来评估计划事故(线路延伸)期间的轨道交通稳健性和冗余性。该模型通过考虑乘客动态出行选择、交通条件等因素对乘客福利进行量化。他们考虑到用户行为、交通和训练能力，评估了各种中断场景。Adnan等人[3]开发了一个多模态仿真工具来评估地铁系统性能。该工具基于采用蒙特卡罗模拟方法的分层离散选择模型，可以评估对中断的影响并测试各种缓解战略。他们从平均乘车时间、停留时间、等待时间、拒绝登机次数和模式共享等角度评估了重大意外事件下地铁系统的性能。Yap等人[4]提出了一种监督学习模型，可以根据华盛顿特区地铁系统中事件的类型、位置和时间来预测中断的数量。Yin等人[5]应用网络科学方法对中国北京地铁网络的脆弱线路、站点和区段进行了评估。

       关于意外中断对乘客反应的影响的研究相当有限。大多数研究集中在有计划的、长期的破坏[6]。此外，大多数计划外干扰研究使用传统的手工数据收集方法，如声明偏好(SP)或显示偏好(RP)调查。例如，Lin et al.[7]设计了一项联合RP和SP调查，研究了加拿大多伦多的乘客在出行前和途中对地铁中断的反应。利用SP和RP数据，Pnevmatikou等人[8]开发了一个嵌套的logit路线选择模型，以研究希腊雅典地铁线路关闭5个月后乘客的反应。研究发现，乘客收入和工作灵活性显著影响观察到的模式转变。Shires等人[9]使用RP和声明意图(SI)数据估计了伦敦和加的夫(威尔士)之间计划中断的需求影响。他们发现，公交搭桥服务只覆盖了地铁需求的三分之一，在交通中断期间，乘客的行为几乎没有变化。Zhu等人[10]对华盛顿特区的安全轨道项目进行了一项小组调查，调查计划中的地铁中断。他们发现，对中断最常见的三种反应不是旅行、改变模式或改变出发时间。Currie和Muir[11]在澳大利亚墨尔本的地铁用户中进行了一项网络调查。调查结果强调了服务中断期间提供资讯的重要性，68%的受访者表示愿意等待/使用穿梭巴士，尽管他们对穿梭巴士的满意度较低。Li和Wang[12]开发了一个疏散模型，利用SP调查分析疏散人员的备选方案。上海地铁的案例研究表明，除了公交桥接服务，其他替代模式(如出租车)有助于减轻中断的影响。

        尽管RP和SP调查被广泛用于了解乘客行为，但Sanko[13]报告称它们有很多局限性。例如，SP的调查可能不可靠。由于调查问题呈现的是假设的情况，受访者的报告可能与他们的实际行为不同。由于缺乏与其他结果的确证和假设偏差[14]，SP调查也可能产生许多不可用的值。此外，调查数据的样本量有限，变量相关性[15]的变化和处理。虽然调查提供了对一般响应和感知的有用见解，但很难对分类响应提取深入见解，特别是在规模、位置和时间上不同的意外中断。

       随着AFC和自动车辆定位(AVL)数据的可用性越来越多，大量研究使用这些数据来评估系统性能，并了解在典型情况下(即没有需求变化或中断)乘客的行为[16 19]。系统动力学和乘客行为的详细信息和见解可以促进有效的决策，以改善交通服务。然而，使用AFC和AVL数据来探讨计划外中断对系统性能和个体响应的影响的研究是有限的。Sun等人[20]开发了一种贝叶斯方法来识别干扰。他们利用AFC的数据，以乘客出行时间和流量为重点，评估了北京铁路网的意外中断(unplanned disruption)的影响。Silva等人[21]提出了一种分析大规模运输系统意外中断的方法。他们以智能卡数据估计事故对客运量的影响。Van der Hurk[22]开发了一个基于智能卡的模型，以预测在不同场景下受中断影响的乘客路线选择。研究显示，营运商可透过提供个别建议，协助乘客减少整体上的不便。

       这些研究表明，数据驱动的方法对理解地铁系统如何从各个方向影响乘客出行非常有益。然而，他们并没有全面分析乘客的流动性、系统性能和其他因素。一些作者只关注乘客延误或数量。另一些则集中在模式选择或需求模式的分析上。为了更深入地了解意外事件对乘客的影响，有必要开发一个系统的方法，从不同的角度利用智能车数据调查事件。本文提出了一种数据驱动的方法，利用AFC和AVL数据，系统地评估计划外中断对系统性能和乘客的影响、城市铁路系统的行为反应。利用地铁系统的数据进行了一个案例研究，以说明该方法的有效性和价值。这种方法是一般性的，可用于已关闭AFC系统(记录入境和