基于EOC模型的地鐵運營延誤事件結構化情景構建方法

盧 弋，宋曉敏，翟昕茹，李瑜芬，莊異凡

（1.上海申通地鐵集團有限公司運營管理中心，上海 201100；2.交通運輸部科學研究院，北京 100029；3.城市公共交通智能化交通運輸行業重點實驗室，北京 100029；4.上海工程技術大學城市軌道交通學院，上海 201620）

0 引言

地鐵運營延誤可能由多種因素綜合所致，包括高架、地下和地面等復雜運行空間環境、人的不安全行為和設備故障的偶發性因素等。不同致因的影響程度及措施方案均有所差異，這就要求運營管理者在事件發生后第一時間判斷事件特性和內在關聯，預測延誤影響程度并做出合理決策。目前上述過程仍以主觀經驗判斷為主，缺乏結構化情景構建方法形成可量化的屬性知識來輔助決策，不利于提升地鐵運營延誤事件應急響應水平。因此，研究地鐵運營延誤事件結構化情景構建方法勢在必行。

統計學模型是事故分析的常用方法，已運用于地鐵施工事故類型分析[1]，揭示了地鐵施工事故的一般發展規律[2]，并建立了相關事故案例庫[3]。在突發事故致因和影響統計方面，學者們分別對人為因素[4]、自然災害因素[5]和延誤時間[6]進行詳盡統計。但統計學模型僅能提供數據支撐，未能實現事故的結構化情景構建。為此，學者們探索運用語義網絡結構、概念樹、案例推理模型、機器學習模型等方法[7-13]，從文本本身的理解對運營事故進行情景構建和知識推演。但由于地鐵運營延誤事件日志存在多樣性、相似性等特點，使得單純從文本語義理解上所構建的情景及知識準確度不夠，需要建立一套符合事件演化邏輯的結構化框架，對事故內容進行分類和組織。朱偉等[14]提出的“災情-情景-對象-環境資源”結構能夠實現情景空間維度的自由拓展并實現半量化；賈楠等[15]將系統要素分為“特性-功能-行為-分析”等結構化形式，建立相似事故機理；其他的衍生架構，如“案例-情景-對象-要素”四層架構[16]、“災情-對象-應急管理”案例拆解框架[17]等，均增加了不同的維度進行結構化拆解，但對于事件本身的描述仍存在遺漏，降低了案例之間的比較和學習效果。近年來有學者針對突發事件中“要素”“對象”“結果”“環境”“管理與響應”“情景”等6個基本概念，提出了一種突發事件分析框架，即“要素-對象-結果”（Element-Object-Consequence,EOC）模 型[18]，表現為突發事件關鍵情景特點在時間和空間上混合發展的變化過程，提高了事件呈現的定性和定量表達能力，具有較大應用潛力。Qian 等[19]進一步將EOC 模型與本體模型結合，以災害本體為基礎，采用多類別結構，開發完整的情景和災難情景，提供了一種構建災難情景的標準框架和程序。黃昕桐等[20]將EOC 模型與分層全息建模、評級與管理模型相結合，結合暴雨災害的特性，提出了對暴雨洪水案例的結構化拆解方法。但EOC模型尚未應用到地鐵運營延誤事件結構化分析中。

綜上，地鐵運營延誤事件致因復雜、決策時效和準確性要求高、響應難度大等特點，使得運用統計學模型或文本語義理解相關模型難以準確描述事件特性和內在關聯，需要一套定性和定量相結合的情景構建方法，來輔助影響預測并進行措施決策。本文結合人-機-環安全體系和運營延誤事件特征，將傳統的EOC 模型優化為“要素（Element）-對象（Object）-結果（Consequence）-管理與響應（Management and Response）”的四維情景構建框架，以列車運行為核心明確框架各部分的定性/定量字段屬性，構建情景屬性關聯分析模型，設計應用于應急輔助決策流程并進行案例驗證，為地鐵運營延誤事件結構化分析提供新思路，提升應急輔助決策的科學性和合理性。

1 地鐵運營延誤事件分析現狀

地鐵運營延誤是指在執行列車運行圖過程中受到各種因素影響，造成列車進入區間（車站）或在區間（車站）運行過程中偏離（滯后）計劃運行軌跡的綜合表現形式[21]。其中各種因素影響事件可以統稱為運營延誤事件。地鐵運營延誤事件通常按延誤時長進行分類，包括5 min 以下、5～15 min、15～30 min、30 min 及以上 等4 個 等級[22]。其中，對于15～30 min運營延誤事件，將啟動五級應急預警；30 min 及以上運營延誤事件則屬于一般E 類事故，對地鐵線網運營乃至城市交通將產生負面影響。因此，15 min 及以上運營延誤事件是地鐵調度和安全人員重點關注對象，也是本文研究對象。目前，針對15 min 及以上運營延誤事件統計分析存在以下難點。

1）地鐵運營延誤事件的成因極為復雜，包括設備因素、人為因素、惡劣天氣條件和管理因素等方面。各因素間相互作用和演化邏輯關系的差異會導致事件產生不同的后果及影響。這對運營延誤事件的結構化情景構建和內因分析帶來極大挑戰。

2）現有的地鐵運營延誤事件日志通常不夠簡潔，文字記錄缺乏規范格式要求，導致數據的結構化可操作性不足，難以深入挖掘事件的細節和關鍵屬性。這使得運營延誤事件日志難以形成有價值的經驗知識來科學地輔助應急處置決策。

上述難點使得難以精準把握地鐵運營延誤事件的風險致因和演化過程，同時也限制了對事件關鍵情景特點的深入理解和預防措施的制定。因此有必要針對地鐵運營延誤事件成因特點展開分析，設計一種靈活的結構化情景構建方法，強化對事理關聯的理解。

2 地鐵運營延誤事件成因和后果分析

2.1 地鐵運營延誤事件成因要素分析

結合地鐵運營系統危險源和風險隱患點，總結地鐵運營延誤事件成因分類。從因素歸屬和專業類別來看，事件成因可分為“車輛”“通號”“工務”“供電”“客運”“總調”和“客觀條件”七大類。其中，可將“客運”和“總調”歸為人員因素；“車輛”“通號”“工務”和“供電”歸為設備因素；“客觀條件”歸為環境因素。每類因素在地鐵正常運營中都起重要作用，異常情況可能造成嚴重延誤事件。地鐵運營延誤事件成因要素如圖1所示。

圖1 地鐵運營延誤事件成因要素

2.2 地鐵運營延誤事件對象及延誤結果分析

運營延誤事件的直接對象是地鐵列車，與地鐵列車相關的信息包括列車號、涉及線路、運營年限等。

運營延誤事件的最直接后果就是列車延誤。此外根據應急預案內容，其他后果還包括因處置延誤事件進行的其他運營調整及對乘客造成的影響，如圖2所示。

圖2 地鐵運營延誤事件對象及延誤結果

3 地鐵運營延誤事件結構化情景構建方法

3.1 方法框架

考慮現場輔助決策應用需求，在EOC 模型[16-17]基礎上，增加“管理與響應”，形成“要素”“對象”“結果”“管理與響應”四個維度對運營延誤事件進行結構化拆解，將拆解后的“要素”“對象”和“結果”的屬性之間進行關聯分析后，對新事件進行管理決策，形成地鐵運營延誤事件結構化情景構建方法框架，如圖3所示。

圖3 地鐵運營延誤事件結構化情景構建方法框架

3.2 基于EOC模型的事件屬性結構化拆解

根據對地鐵運營延誤事件成因和后果的分析，E是突發事件發生的誘因，由若干超出臨界值或發生意外的要素構成；O是突發事件的載體，為風險暴露和損傷的對象，地鐵運營延誤事件的對象即為地鐵列車；C表征突發事件的負面影響，用于判定突發事件構成與否以及損害程度，地鐵列車晚點和乘客安全即為被延誤結果。同時結果C可能也會影響要素E的屬性。管理與響應M則為防止突發事件發生、防止事態惡化、減緩負面影響的手段與措施，約束E,O,C的作用效果。以下將分別從這4 個方面對地鐵運營延誤事件進行結構化拆解（如圖4所示），完成事件案例的知識積累。

圖4 EOC模型理論和延誤事件結構化方法

3.2.1 要素E的結構化拆解

根據2.2.1的分析，參考安全體系中的人-機-環3 個不安全因素，要素E可分為人員要素E1、設備要素E2和環境要素E33 個方面。其中，人員要素E1主要與人員的身份相關；設備要素E2主要與設備的類別及設備本身名稱相關；環境要素E3是要素發生的背景信息，如氣象條件、地理條件、事件開始時間、站點名稱、影響方向以及發生延誤的時間等，都可以直接且獨立地影響事件的演化。考慮到數據的可獲得性，本文中各類要素的屬性均來自某地鐵2010—2022 年的延誤事件日志和事故分析報告，具體分類見表1，后續可隨著事件案例的增加進行調增。根據E的分類，拆解E類別與對應屬性，建立E特征屬性變量表達式如下：

表1 要素E類別及其屬性

式（1）中：P(Em|Rij)為E類別與屬性值對應集合；m=1,2,3，表示類別序號；i∈Z，表示案例序號；j∈Z，表示屬性序號；Ri1,Ri2,…,Ri14為E類別的屬性值。

3.2.2 對象O的結構化拆解

在地鐵運營延誤事件中，最直接的暴露損害對象是列車本身，因此對象O為列車。將列車號及事件發生時列車最大運營年限、線路及其開通年份等定義為列車屬性，具體分類見表2。

表2 對象O及其屬性

根據O的分類，拆解O類別與對應屬性，并建立O特征屬性變量表達式如下：

式（2）中：P(O|Rij)為O類別與屬性值對應集合，Ri15,Ri16,Ri17,Ri18為O類別的屬性值。

3.2.3 結果C的結構化拆解

結果C是要素E作用于對象O后產生的影響和后果。運營延誤事件的結果可以是直接的，如設備損壞或人員受傷，也可以是間接的，如服務中斷或經濟損失。在地鐵運營延誤事件中，C主要圍繞延誤時間和影響乘客人數來定義，因此將C分為晚點時間C1（包括最大晚點時間以及初始延誤持續時間）、5 min 晚點列次C2、清客列次C3以及乘客影響情況C4，具體分類見表3。

表3 結果C及其屬性

根據C的分類，拆解C類別與對應屬性，并建立C特征屬性變量表達式如下：

式（3）中：P(Cn|Rij)為C類別與屬性值對應集合；Ri19,Ri20,…,Ri23為C類別的屬性值。

式（4）為EOC 模型的邏輯公式，反映要素、對象、結果間作用關系，具體函數形式根據Em和O之間的關系而定，不同的情況下Em對O的影響可能是不同的。

3.2.4 管理與響應M的結構化拆解

管理與響應M是針對突發事件所采取的手段與措施，地鐵運營延誤事件的管理與響應措施包括行車調整、四長聯動（地鐵站所在地鎮長、派出所警長、軌交警長及地鐵站站長聯動）、大客流預警等措施。當要素E作用在對象O上產生結果C后，針對C將實施合理的M方案，同時，E和O的屬性不同也會影響M方案。根據地鐵的運營規范及現場處置方案，將M分為行車調整M1、實施救援M2、發布預警M3、啟動大客流響應M4、啟動公交預案M5、啟動四長聯動M6六大類措施，具體分類見表4。

表4 管理與響應M及其屬性

3.3 事件情景屬性關聯分析

通過對15 min 以上延誤事件進行EOC 模型結構化拆解，建立歷史延誤事件情景案例庫。當發生新的延誤事件時，可通過屬性關聯分析進行輔助決策。計算要素E和對象O的屬性關聯度，找出歷史相似案例。歷史相似案例的結果C的屬性可以輔助運營管理人員預判事件影響范圍和影響程度，管理與響應M的屬性可以輔助運營管理人員采取合適的運營調整措施。

1）數值型屬性關聯度

數值型屬性關聯大小即為數字之間的距離長短，考慮到數值型屬性值的單位與取值范圍不同，因此運用標準化的Hamming 距離計算數值型屬性的關聯度[23]，見式（5）。

式（5）中：ωj為屬性關聯度；i,k∈Z 且i≠k，則Rij,Rkj分別為案例i,k的第j個屬性值；Rj為所有案例的第j個屬性值的集合。

2）類別型屬性關聯度

對于地鐵運營延誤事件中的類別型屬性，賦予從1 開始的分類值，如表5 所示。因此地鐵運營延誤事件中1 個類別型屬性可以表示為1 個向量。向量的維度為類別型屬性數量，每個維度的值為對應屬性的分類值。運用標準化熵求權重，并利用相關系數求得關聯度值。

表5 屬性值數據類型及其分類值

熵的數據標準化處理[24]公式為：

式（6）中：Yij為標準化處理后的屬性值。

接下來計算信息熵：

式（7）中：Ej為第j個類別屬性值的熵值；n為第j個類別屬性值不為空的案例總數；pij為第i個案例的第j個類別屬性值在該類別總屬性值中所占比重，其計算公式為：

根據信息熵計算類別屬性值的權重，如下所示：

式（9）中：Wj為第j個類別屬性值的權重；s為類別總數。

計算類別屬性的加權指標值，如下所示：

結合式（6）～式（10），形成類別屬性關聯度計算公式，如下所示：

3）各屬性關聯度和總關聯度

考慮屬性間重要程度的差異，結合上述數值型和類別型屬性的關聯度計算公式，分別設計要素、對象、結果以及管理與響應的關聯度計算公式，用來對比當前案例和歷史案例間的相似程度。以要素、對象關聯度的加權和作為總關聯度，作為輔助決策判斷依據之一。要素關聯度計算公式如下：

式（12）中：ωE為要素E的關聯度；λj為第j個屬性占該要素的權重，可采用專家打分、監督學習等方法確定；δj為第j個屬性是否納入關聯度計算的標識，0表示不計算，1表示計算；n1為要素屬性數量，如果兩案例在某一要素屬性上存在數據缺失，則該要素屬性不參與計算，要素屬性數量減1。對象關聯度計算公式如下：

式（13）中：ωO為對象O的關聯度；λj為第j個屬性占該對象的權重，可采用專家打分、監督學習等方法確定；n2為對象屬性數量。如果兩案例在某一對象屬性上存在數據缺失，則該對象屬性不參與計算，對象屬性數量減1。結果關聯度計算公式如下：

式（14）中：ωC為結果C的關聯度；λj為第j個屬性占該結果的權重，可采用專家打分、監督學習等方法確定；δj為第j個屬性是否納入關聯度計算的標識，0表示不計算，1表示計算；n3為結果屬性數量。如果兩案例在某一結果屬性上存在數值缺失，則該結果屬性不參與計算，結果屬性數量減一。管理與響應關聯度計算公式如下：

式（15）中：ωM為管理與響應M的關聯度；λj為第j個屬性占該結果的權重，可采用專家打分、監督學習等方法確定；n4為管理與響應屬性數量。如果兩案例在同一“管理與響應”屬性值上存在數據缺失，則該管理與響應屬性不參與計算，管理與響應屬性數量減1。總關聯度計算公式如下：

式（16）中：ω總為總關聯度；γE與γO分別為要素E和對象O所占權重，可采用專家打分、監督學習等方法確定。

3.4 輔助決策應用流程設計

將歷史運營延誤事件按3.2 節的方法進行結構化拆解，形成運營延誤案例庫。利用運營延誤案例庫的數據，結合3.3 節的關聯度公式，對新運營延誤事件的影響結果進行輔助預測，并提出措施建議。具體流程（如圖5所示）如下。

圖5 相關事件結果推理應用流程

步驟1：將新運營延誤事件進行結構化拆解，得到要素E和對象O。

步驟2：計算新運營延誤事件與運營延誤案例庫中各案例的總關聯度，并按從大到小排序。

步驟3：如果總關聯度最大值大于等于0.9（即置信度為90%），則根據所對應的案例（即目標案例）中結果C以及管理與響應M，可得出新事件將造成的影響時間、影響程度等，并提出響應措施建議。如果不超過0.9，則需要根據總關聯度從大到小的順序，依次判斷新事件與當前案例的要素關聯度是否大于等于與新事件相同設備專業所對應的閾值，如果某序號案例滿足前述判斷條件（此時定義為目標案例），則輸出新事件將造成的影響時間、影響程度、響應措施，同時輸出總關聯度作為置信度。如果全部案例都不滿足，則輸出“無相似案例”。

對于要素關聯度閾值，依據設備專業（設備要素下），提取既有案例庫中相同數值所對應的案例數據，計算案例數據間的平均要素關聯度。

步驟4：記錄新事件最終的結果和響應措施，并進行結構化。如果在步驟3 中輸出無相似案例，則將結構化后的新事件所有屬性更新到運營延誤案例庫中。否則，分別計算新事件與目標案例間的結果C關聯度和管理與響應M關聯度，如果都大于等于0.8，則無操作；否則，將結構化后的新事件所有屬性增加到運營延誤案例庫中。

4 實例分析

本文以上海地鐵2010—2022年的延誤事件日志和事故分析報告中7個供電類故障導致的15 min以上延誤事件為例，進行EOC 模型構建和屬性關聯度分析說明。

案例1：2010 年4 月1 日，上海地鐵11 號線于10:38 在馬陸至南翔上行發生觸網失電，造成最大晚點24 min。

案例2：2010 年6 月13 日，上海地鐵3 號線于14:03 在上海南站至漕溪路上行觸網失電，造成最大晚點57 min。

案例3：2017 年3 月20 日，上海地鐵11 號線于8:07 在嘉定西站至嘉定北站下行發生觸網支架異常，供電檢查為定位點支撐螺絲松動滑移，造成最大晚點26 min。

案例4：2021 年10 月24 日，上海地鐵11 號線于8:08 在嘉定北折返線至白銀路下行發生觸網支架脫落，造成最大晚點21 min。

案例5：2021 年11 月12 日，上海地鐵1 號線于10:21 在蓮花路至上海南站上行發生觸網失電，造成最大晚點57 min。

案例6：2019 年7 月21 日，上海地鐵9 號線于9:57 在洞涇至松江大學城下行發生觸網失電，造成最大晚點28 min。

案例7：2015 年3 月30 日，上海地鐵5 號線于11:05 在閔行開發區至華寧下行發生牽引站213開關跳閘，造成最大晚點22 min。

4.1 基于EOC模型的要素拆解

對以上7 個案例進行要素拆解，按照上文所述的EOC模型拆解方法，將案例結構化，如表6～表9 所示。其中：環境要素中的年份、日期、事件開始時間、站點名稱，以及對象中的列車號和線路名稱為事件基本信息，因此不計算其關聯度。

表6 案例設備要素拆解

表7 案例環境要素——與關聯度計算相關要素拆解

表8 案例環境要素——基本信息要素拆解

表9 案例對象拆解

4.2 基于Protégé的結構化拆解可視化

使用Protégé軟件對基于EOC模型構建的情景進行可視化圖譜展示。將案例6 作為實例，見圖6。經分析可知，本事件中未涉及工作人員失誤導致的故障，因此人員要素為無。設備要素為接觸網/軌，故障現象為觸網失電，影響該區段內多列車，事件發生于9號線（9號線至事件發生已建成12 年），造成最大晚點28 min，發布五級預警，啟動公交預案。經過事后分析，發現故障的根本原因為洞涇至松江大學城區段開關短路，可能與線路老化有關。

圖6 Protégé可視化圖譜

4.3 情景屬性關聯程度計算

在選取的7 個案例中，將案例1 與案例2、案例3與案例4、案例1與案例5、案例6與案例7分別進行共性對比，如表10所示。由于是模型應用的可行性示例，在本文屬性關聯度計算中，將屬性內各權重均設置為相同，要素E和對象O所占權重也為相同。

表10 案例對比分析

1）設備要素E2關聯度

對于供電類故障的地鐵運營延誤事件的設備名稱和故障名稱屬性進行進一步關聯度計算，其指標分類值如表11所示。關聯度計算結果如表12所示。

表11 供電類故障下的設備要素屬性指標分類值

表12 設備要素對比分析

根據表12可知，供電故障事件中時，設備要素關聯度皆趨近于1，當不同設備發生不同故障時，設備要素關聯度稍有下降。結論與案例實際情況相符。

2）環境要素E3關聯度

對于供電類故障的地鐵運營延誤事件的環境要素屬性進行進一步關聯度計算，其指標分類值如表13所示。關聯度計算結果如表14所示。

表13 供電類故障下的環境要素屬性指標分類值

表14 環境要素對比分析

根據表14可知，在供電事件中的環境相似度較高，大多數在0.9 以上，事件發生的位置、日期、時段等比較類似，是影響總關聯度的一個重要因素。

3）對象O關聯度

大多數的供電故障發生在較老和新建成的線路。新線路可能由于供電設備還未完全磨合，導致設備容易出現故障。而較老線路由于設備老化，可能導致設備狀態不穩定，見表15。

表15 對象對比分析

4）總關聯度

參考表10對供電案例的分析，可知設備、環境、對象三者的權重難以區分。通過對維保供電專業人員調研打分，暫定三者關聯度的權重為1∶1∶1，即要素關聯度=（設備關聯度+環境關聯度）/2，總關聯度=（要素關聯度+對象關聯度）/2。總關聯度對比分析計算結果見表16。

表16 總關聯度對比分析

如表16 所示，案例3 與案例4 的總關聯度達到了0.95 以上，其故障的設備、事故發生年限及發生事故的環境都有相似性，且造成的延誤時間相近。案例6 與案例7 的總關聯度次之，其環境的不同影響了總關聯度的大小，但仍有較強相關性（大于0.9），延誤時間差異較小。雖然案例1與案例2 的設備與環境要素都呈現強相關，但由于其對象關聯程度較小，案例2 線路開通年份較早，存在設備線路老化的現象，因此案例2 比案例1的延誤時間更長，兩個案例的總關聯度較低。與其相似的，案例1與案例5的總關聯度低于0.7，對象屬性關聯程度更弱，延誤時間也較長。由此可見供電故障事件的整體關聯度都較高，發生故障的設備及現象也較為相似，總關聯度閾值（取0.9）滿足實際情況。環境因素、線路開通年份、列車最大運營年限對總關聯度的影響較大。

4.4 推理驗證

選取新供電運營延誤事件做應用演示。新案例信息：6 月17 日，上海地鐵7 號線于8:37 在美蘭湖至潘廣路上行發生觸網失電。根據4.3 節結果，定供電專業要素關聯性閾值為0.962。通過計算新事件與既有案例庫中每個案例的總關聯度，發現與案例1 的總關聯度最高為0.98，超過0.9 可直接作為目標案例。因此參考案例1 的結果和管理與響應數據，推斷本案例延誤時間在24 min 左右，預計發生5 min晚點列次4次及以上，無需啟動救援。新事件實際延誤時間為28 min，5 min晚點列次為7次，與目標案例的結果關聯度為0.938 3，延誤時間誤差在15%以內，不對案例庫進行更新。

5 結束語

本文提出了一種靈活的結構化情景構建框架，基于EOC 模型理論對地鐵運營延誤事件進行多維度、結構化的屬性和特征描述，為理解地鐵運營延誤事件的時空特點和演化邏輯提供了有效的方法。研究發現：在“要素E（人員E1-設備E2-環境E3）-對象O-結果C（晚點時間C1-5 min 晚點事件C2-清客事件C3-乘客影響情況C4）-管理與響應M”維度下，可以結合地鐵運營不同專業特點，對事件的發生原因、過程進行清晰地分類和組織，對事件結果進行合理地推理，強化了事件的定性和定量結構化表達。最后，通過構建運營延誤事件案例的可視譜圖并分析不同案例間屬性關聯度，驗證了結構化情景構建框架在實際應用中的可行性。本研究在權重標定、屬性定義等方面還存在一定的不足，需要深化研究關聯度計算中屬性權重的數值標定問題，以及模型應用的時效性問題。