基于大数据平台的线网中心运营指挥系统的运营指标分析技术*

2018-11-16陈莉莉周映江

城市轨道交通研究 2018年11期

胡波李冰陈莉莉周映江

(1.南瑞集团(国网电力科学研究院)有限公司，210003，南京；2.国电南瑞科技股份有限公司，210061，南京；3.南京邮电大学自动化学院，210023，南京//第一作者，高级工程师)

随着各个城市轨道交通线路由单一化逐渐向网络化发展，轨道交通运营中产生并积累了大量的数据。如何有效地处理和分析这些结构化和非结构化数据，挖掘其中有价值的信息，通过海量数据的采集、整理和分析，提高轨道交通的运营水平，提升科学决策能力，日益成为业界关注的重点及研究方向。

目前,地铁线网中心运营指挥系统(TCC)通常采用数据仓储MPP(massively parallel processing)进行数据分析及管理，对于地铁运营海量的数据,其在客流分析、能效管理、运营指标分析等方面尚异常薄弱，没有达到提升运营水平的目的[1-3]。本文提出一种基于大数据平台的运营指标分析的方法，通过研究数据挖掘技术，完成对TCC海量数据的分析。通过合理的数据模型设计搭建大数据平台，进行数据统计和建模，挖掘数据的深层价值，从而提升轨道交通信息服务能力及运营水平，提升效益,降低成本。

1 轨道交通TCC数据

1.1 TCC数据分类

轨道交通运营中每时每刻都产生并积累大量的数据，特别是非结构化数据,更是呈指数级增长。TCC的数据来源包括:各线路的综合监控系统(ISCS，含电力监控与数据采集(PSCADA)、环境与设备监控系统(BAS)、火灾报警系统(FAS)、站台屏蔽门(PSD)、自动售检票(AFC)等专业)，以及信号(SIG)、闭路电视(CCTV)数据;自动售检票清分中心(ACC)的客流数据;主变电所的PSCADA数据;来自能源管理系统的能效数据;视频文档等文件。根据数据的类型，分为结构化数据、非结构化数据和半结构化数据，具体说明如下：

结构化数据：主要包括ISCS(PSCADA、BAS、FAS、PSD、AFC等)、列车自动监控(ATS)、ACC、能源管理系统等。ACC系统提供客流数据和清分清算类数据，各线路ISCS和主变电所提供设备状态类数据，ATS提供行车数据，能源管理系统提供能耗数据。

非结构化数据：主要包括CCTV视频资料、图纸、档案文件、文档，以及系统运行过程中生成的日志、视频、音频、图片文件等，如应急指挥系统执行过程中的归档记录、历史报表等。

半结构化数据：主要指系统中的XML、HTML文档。

1.2 TCC数据特点

对TCC数据进行分析可知，TCC数据结构的复杂性主要表现为：

大规模:数据容量巨大，每年增量在几十TB;

异构性:数据来源于各个系统，数据结构及类型千差万别;

分布性:数据源的多样性及跨地域性造就了数据的分布性;

动态性:每时每刻的实时数据。

2 大数据平台

2.1 大数据介绍

大数据，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。其不用随机分析法(抽样调查)这样的捷径，而采用所有数据进行分析处理[4]。

借助大数据平台，整合SCADA、FAS、BAS、ATC、AFC、ACC等专业数据，实现客流、行车、设备数据的集中统一，形成企业级数据统一视图，实现企业数据标准化，再通过平台强大的数据分析和数据挖掘能力，可帮助地铁企业充分发掘潜在的数据价值，全面提升运营管理能力、科学规划能力、应急辅助决策能力及公众信息服务能力。

2.2 大数据平台建设方案

进行数据分析首先需要选择一种合适的数据平台。本文采用处理效率及性能更佳的基于Hadoop的大数据平台代替数据仓库的MPP进行数据分析及存储。大数据平台的数据处理包括元数据处理、ETL(数据抽取、转换及装载)数据处理、数据挖掘等部分，本文主要涉及的是数据挖掘部分。大数据平台的架构见图1。

3 基于大数据的数据统计和预测

3.1 数据统计和预处理

TCC中的数据除了结构化数据，还包括照片、视频、音频、文档、日志等非结构化数据，并且需要支持数十TB到PB级的数据存储需求。采用分布式架构的大数据平台，将数据仓库部署在不同的服务器上，并将来自各个源的数据规整，以统一格式存储在大数据平台中。

首先要对数据源中的数据进行格式规整处理，再用清理、集成、变换、规约等预处理技术改善数据质量，从而提高数据分析的效率与质量。

3.2 数据挖掘和数据分析

所谓数据挖掘和数据分析，就是以业务为驱动，利用数据分析算法，从海量数据中发掘出其中隐含的模式。

数据分析方法一般包括估计、预测、关联、聚类、分类等。分析的过程就是模型构建的过程。模型构建通常包括模型建立、模型训练、模型验证和模型预测四个步骤。模型的建立是一个反复的过程，需要仔细考察不同的模型以判断优选。常见的数据分析方法见图2。

3.3 客流数据分析

在TCC数据中挑选出客流信息，通过对客流数据进行建模分析，预测短期日常客流、实时客流及预估大客流。从ACC得来的客流数据和起点/终点(OD)数据信息，可通过客流和换乘的统计分析，进行路径规划和能效控制;可以监视客流数据进行客流预测;可分析实时断面客流量和三色图展示，协助进行客流引导。常用的分析方法为时间序列法和回归分析法。

图1 大数据平台架构

图2 常见的数据分析方法

3.3.1 短期日常客流预测输入

客流预测条件导入模块通过指定日期条件(某天或者一段时间范围内)，从统计分析平台加载AFC历史客流数据作为预测参考数据，实现短期客流预测输入功能。其数据流如图3所示。

图3 短期日常客流预测数据流图

客流预测条件导入模块从统计分析平台加载历史客流数据，界面可设置客流影响因素，包括大型活动车站等。

3.3.2 实时客流预测输入

客流预测条件导入模块通过指定日期条件(某天或者一段时间范围内)，从统计分析平台加载AFC实时客流数据作为预测参考数据，实现实时客流预测输入功能。其数据流如图4所示。

图4 实时客流预测数据流图

客流预测条件导入模块从统计分析平台加载AFC实时客流数据，经过实时客流预测数据输入功能对数据清洗/变换，保存为预测用的客流数据；客流预测模型管理模块在正常情况下实时客流预测、中断行车情况下客流预测、大客流情况下客流预测中读取此数据，执行客流预测。

3.3.3 预知大客流预测输入

客流预测条件导入模块通过指定大客流事件的时间、车站，从统计分析平台加载同类型的历史客流数据作为预测参考数据，实现预知大客流预测输入功能。其数据流如图5所示。

图5 预知大客流预测数据流图

客流预测条件导入模块从统计分析平台加载历史客流数据，经过预知大客流预测数据输入功能对数据清洗/变换，保存为预测用的客流数据；客流预测模型管理模块在预知大客流情况下客流预测中读取此数据,执行客流预测。

4 运营指标分析

4.1 运营指标体系

目前轨道交通行业常用的指标体系是国际地铁联盟CoMET指标体系和中国城市轨道交通MOPES指标体系。

CoMET的核心是建立衡量地铁运营效率的关键绩效指数系统，并建立有针对性的基准化分析方法。CoMET指标数据仅在联盟内使用，对外有保密公约，所以不具有公开使用价值。

MOPES是为了加强轨道交通行业内部的密切联系,统一运营绩效评估指标和统计方式,树立绩效参照标杆,建立经验交流平台和组织开展专题攻关等。整个评价体系含基础指标2类8个，绩效指标6类75个。基础指标包括线网指标和车站指标，是基础设施的评价数据。绩效指标包括客流指标、运行指标、服务指标、安全指标、能耗指标和成本指标，是在一定基础设施条件下反映运营效率的主要指标[5]。

4.2 TCC常用运营指标分析

目前,通过大数据平台可采集到以下数据：

(1) 从线路实时采集的数据,包括列车运行信息、电扶梯运营状况、AFC闸机/售票机运营状况、车站站厅站台温/湿度、火灾报警等。

(2) 从线路定时采集的历史数据,包括AFC闸机/售票机历史运营状况等。

目前TCC中的运营指标分析模块，仅能对上述数据进行简单的加工，做一些简单的运营指标统计分析。这些分析主要集中在单一指标，并没有深度挖掘不同数据之间的关系。

表1是TCC中核心统计的运营指标，可以看出，此三种指标目前互相孤立，之间没有联系。其实从能效管理的角度，通过闸机的通过率、电扶梯的使用率等判断出人流量的大小，提前预测站内合适的温湿度，可力保乘客乘车候车的舒适度，也能在一定程度上进行节能。

表1 现系统常用运营统计指标

4.3 进站量分析自适应预测温湿度

温湿度预测将所有的温湿度预测业务按照预测方案组织起来，首先需创建温湿度预测方案。在预测方案中设置预测的目标和具体的时间维度、空间维度条件，选择预测的类型及应用的预测模型，并录入与温湿度预测方案相关的描述性信息，根据不同预测类型和预测模型的需要设置温湿度预测的相关参数，完成预测方案的创建。客流预测流程各步骤如图6所示。

通过大数据平台，选择相关的关联算法，对车站进站量数据及站内温湿度数据进行统计、训练，通过计算机拟合出车站进站量与温湿度之间的曲线，找出他们之间的内在关系。