城市轨道交通应急监控方法、装置、电子设备及存储介质

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种城市轨道交通应急监控方法、装置、电子设备及存储介质。

背景技术

随着轨道交通网络化格局日趋形成，客流量的持续增长以及高峰小时发车间隔的不断缩短，给行车组织和运营管理带来了一系列新的安全问题和挑战。由于轨道交通一般处于地下的密闭空间，在高峰时段，客流强度大、行车间隔短、行车组织调整困难，一旦某个站点或某条线路发生重大突发事件，会迅速波及相邻线路甚至整个城轨网络，这样对整个城市的交通系统会带来严重影响，造成较大的经济损失，严重时甚至会造成乘客伤亡。

目前，现有城市轨道交通应急保障主要还是依赖于人为制定的保障方案，依靠调度人员对突发事件的主观判断进行决策处置。然而，由于应急保障方案主要依靠人为经验制定，缺乏有效监控数据的支持，容易造成调度人员盲调，这不利于城市轨道交通的稳定运营。

因此，如果可以实时对城市轨道交通站点进行精准有效监控，提前获悉轨道交通网络内的薄弱环节，这样就可以便于调度人员有针对性地对薄弱环节进行应急管控，这对保障城市轨道交通的稳定运营有着非常重要的意义。

发明内容

本发明提供一种城市轨道交通应急监控方法、装置、电子设备及存储介质，用以实现实时对城市轨道交通站点进行精准有效监控，提前获悉轨道交通网络内的薄弱环节。

本发明提供一种城市轨道交通应急监控方法，包括：

基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络中最大脆弱率指标对应的目标线路位置；所述目标线路位置包括车站节点或线路区间；

对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素；

将所述目标线路位置对应的所述目标风险因素的监控数据发送到前端进行显示。

根据本发明提供的一种城市轨道交通应急监控方法，在对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素之后，所述方法还包括：

确定所述城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息；

基于所述各车站节点及各线路区间在运营失效前后的客流量信息，计算所述各车站节点及各线路区间的出行客流损失率；

基于所述各车站节点及各线路区间的出行客流损失率，确定所述出行客流损失率超过第一阈值的目标车站节点和/或目标线路区间；

在确定所述城轨网络的总出行客流损失率达到第二阈值的情况下，将所述目标车站节点和/或所述目标线路区间的各个所述目标风险因素的监控数据发送到前端进行显示；所述城轨网络的总出行客流损失率是基于所述各车站节点及各线路区间的出行客流损失率确定的。

根据本发明提供的一种城市轨道交通应急监控方法，所述基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络的最大脆弱率指标对应的目标线路位置，包括：

基于所述城轨网络中所述各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，分别计算所述各车站节点及各线路区间运营失效前后的所述城轨网络的全局效率；

基于所述各车站节点及各线路区间运营失效前后的所述城轨网络的全局效率，确定所述各车站节点及各线路区间对应的脆弱率指标；

基于所述各车站节点及各线路区间对应的脆弱率指标，确定最大脆弱率指标对应的目标线路位置。

根据本发明提供的一种城市轨道交通应急监控方法，确定所述城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息，包括：

对所述各车站节点及各线路区间分别按照预设乘客出行决策行为模型进行仿真推演，得到客流时空分布状态预测信息；

根据所述客流时空分布状态预测信息，统计所述城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息。

根据本发明提供的一种城市轨道交通应急监控方法，对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素，包括：

基于所述目标线路位置的预设最大通过能力以及所述客流风险因素中的各个风险因素，构建故障树模型；

利用赛迈特里斯算法，求解所述故障树模型的最小割集；

根据所述最小割集，确定所述多个目标风险因素。

根据本发明提供的一种城市轨道交通应急监控方法，对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素，包括：

将所述故障树模型转换为贝叶斯网络模型；所述贝叶斯网络模型的网络子节点是基于所述客流风险因素中的各个风险因素确定的；

采用最大似然估计算法，求取所述贝叶斯网络模型的邻接矩阵，以确定网络子节点的条件概率表；

基于所述条件概率表，确定所述贝叶斯网络模型的各个网络子节点的发生概率；

基于所述各个网络子节点的发生概率，确定所述发生概率超过预设概率阈值的目标网络子节点；

基于所述目标网络子节点和所述最小割集，确定所述多个目标风险因素。

本发明还提供一种城市轨道交通应急监控装置，包括：

处理模块，用于基于城轨网络各车站节点及线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络的最大脆弱率指标对应的目标线路位置；所述目标线路位置包括车站节点或线路区间；

识别模块，用于对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素；

显示模块，用于将所述目标线路位置对应的所述目标风险因素的监控数据发送到前端进行显示。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述城市轨道交通应急监控方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述城市轨道交通应急监控方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述城市轨道交通应急监控方法。

本发明提供的城市轨道交通应急监控方法、装置、电子设备及存储介质，通过构建有向多边的网络拓补结构，考虑包含车站节点与线路区间因素，采集城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，并根据城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，计算城轨网络中最大脆弱率指标对应的目标线路位置，目标线路位置包括车站节点或线路区间，从而智能识别到城轨网络中的薄弱环节，并通过对目标线路位置的客流风险因素进行风险识别，进一步从客流风险因素中确定多个需要重点监控的目标风险因素，将目标线路位置对应的目标风险因素的监控数据发送到前端进行显示，可以实现实时对城市轨道交通站点进行精准有效智能监控，有利于大幅提升城市轨道交通应急响应的能力，保障城市轨道交通的稳定运营。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的城市轨道交通应急监控方法的流程示意图；

图2是本发明提供的车站客流风险致因的故障树模型的结构示意图；

图3是本发明提供的车站客流风险致因的贝叶斯网络模型的结构示意图；

图4是本发明提供的乘客出行决策行为模型的流程示意图；

图5是本发明提供的城市轨道交通应急监控装置的结构示意图；

图6是本发明提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1-图6描述本发明的城市轨道交通应急监控方法、装置、电子设备及存储介质。

图1是本发明提供的城市轨道交通应急监控方法的流程示意图，如图1所示，包括：步骤110、步骤120和步骤130。

步骤110，基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定城轨网络中最大脆弱率指标对应的目标线路位置；目标线路位置包括车站节点或线路区间；

具体地，在本发明的实施例中，与传统城市轨道交通线网拓补结构不同，本实施例构建有向多边的城轨网络拓补结构，考虑包含车站节点与线路区间因素。利用Space L方法，构建当前的城轨网络拓补，将车站抽象为节点，线路区间抽象为两个车站节点之间的边，城轨网络拓扑结构模型的数学描述可以表示为W＝(S,B)，其中，车站为点集合S＝{S

需要说明的是，在本发明的实施例中，边是具有方向属性的，即B

本发明实施例所描述的历史客流信息指的是系统数据采集模块获取的各个车站节点以及各个线路区间的历史客流交通出行量(Origin Destination，OD)数据信息。

本发明实施例所描述的网络拓扑结构信息指的是上述构建的城轨网络拓扑结构的属性信息，如车站节点数量、线路区间数量、行车路径等，其具体可以通过采集的网络拓扑数据以及运行图数据得到。

本发明实施例所描述的脆弱率指标为城轨网络韧性指标中线网吸收能力的一项指标，其可以描述整个城轨网络线网运营能力的强弱。

在本发明的实施例中，线网吸收能力指在干扰(如车站节点发生故障事件而无法运营、线路区间故障无法运营等)下，系统仍保持一定的运输能力，主要体现在维持一定的网络连通性和可达性，因此识别城轨网络线网的薄弱环节主要通过网络韧性评价中吸收能力的相关指标来体现，如最大脆弱率。

进一步地，在本发明的实施例中，通过配置的数据集采集模块，获取历史客流OD数据信息、网络拓补数据以及运行图数据等。通过对历史客流的分析可获得全网客流的OD分布。通过删除城轨网络拓扑结构模型中的某一节点或边，可模拟城轨网络中某一车站或线路区间运营失效的情况，计算破坏前后全网的吸收能力指标，如脆弱率指标，识别线网连通性影响最大的车站节点或线路区间，吸收能力越差说明该车站节点或该线路区间的出行效率越低，即确定城轨网络中最大脆弱率指标对应的目标线路位置，该车站节点或该线路区间是限制线网运营能力的薄弱环节。

步骤120，对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素；

具体地，本发明实施例所描述的客流风险因素指的是造成线网车站出现大客流风险的影响因素，其主要可以包括两方面因素，客流因素和行车因素，其中，客流因素具体可以包括相邻换乘站、进出站客流、高峰小时客流超限、断面客流超限等因素；行车因素具体可以包括车载设备故障、列车延误、列车通信故障、发车间隔大等因素。

本发明实施例所描述的目标风险因素指的是客流风险因素中主要影响目标线路位置，导致其成为城轨网络薄弱环节的风险因素。

在步骤110中，识别出城轨网络中的薄弱环节，即确定城轨网络中最大脆弱率指标对应的目标线路位置之后，进一步地对目标线路位置对应的车站节点或线路区间的客流风险因素进行风险识别，找出导致目标线路位置成为薄弱环节的目标风险因素。

在本步骤中，主要目的是分析可能造成目标线路位置成为薄弱环节。导致运力不足的因素，可以通过建立模型定量分析薄弱点的运力运量与影响因素之间的关系，从客流风险因素中识别出具有显著影响的风险因素。

在本发明的实施例中，可以通过对造成车站大客流风险的风险因素进行梳理分析，建立风险事件树(故障树)模型，求解模型中的最小割集来分析和识别出目标风险因素。对于城轨网络系统较为复杂时，还可以进一步通过采用贝叶斯网络模型进行求解，来对目标线路位置的客流风险因素进行风险识别，识别出目标风险因素。

步骤130，将目标线路位置对应的目标风险因素的监控数据发送到前端进行显示。

具体地，在本发明的实施例中，通过从目标线路位置的客流风险因素中确定多个目标风险因素之后，可以确定出导致目标线路位置成为薄弱环节的目标风险因素，由此，在本步骤中，进一步对目标风险因素对应的监控数据进行调取，将这些目标风险因素的监控数据发送到前端进行实时显示，实现了实时对城市轨道交通站点进行精准有效智能监控的目的，通过获取目标风险因素的监控数据，可以为应急保障方案的制定提供可靠的数据支持，辅助调度人员制定出更为有效的应急保障方案，大大提升了城轨网络的监控效率。

本发明实施例的城市轨道交通应急监控方法，通过构建有向多边的网络拓补结构，考虑包含车站节点与线路区间因素，采集城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，并根据城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，计算城轨网络中最大脆弱率指标对应的目标线路位置，目标线路位置包括车站节点或线路区间，从而智能识别到城轨网络中的薄弱环节，并通过对目标线路位置的客流风险因素进行风险识别，进一步从客流风险因素中确定多个需要重点监控的目标风险因素，将目标线路位置对应的目标风险因素的监控数据发送到前端进行显示，可以实现实时对城市轨道交通站点进行精准有效智能监控，有利于大幅提升城市轨道交通应急响应的能力，保障城市轨道交通的稳定运营。

基于上述实施例的内容，作为一种可选的实施例，在对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素之后，该方法还包括：

确定城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息；

基于各车站节点及各线路区间在运营失效前后的客流量信息，计算各车站节点及各线路区间的出行客流损失率；

基于各车站节点及各线路区间的出行客流损失率，确定出行客流损失率超过第一阈值的目标车站节点和/或目标线路区间；

在确定城轨网络的总出行客流损失率达到第二阈值的情况下，将目标车站节点和/或目标线路区间的各个目标风险因素的监控数据发送到前端进行显示；城轨网络的总出行客流损失率是基于各车站节点及各线路区间的出行客流损失率确定的。

具体地，本发明实施例所描述的出行客流损失率可以用来评估车站线路运营失效突发事件导致部分乘客出行行为变化进而放弃轨道交通，所造成的客流损失的程度，其具体可以用该突发事件发生前后OD客流量的比值来衡量。

本发明实施例所描述的第一阈值为预设的风险预警阈值，其用于判定各车站节点及各线路区间在目标风险因素影响下的出行客流损失率达到预警限值的情况。

本发明实施例所描述的第二阈值为预设的另一风险预警阈值，用于判定整个城轨网络在目标风险因素影响下的总出行客流损失率达到预警限值的情况。

在本发明的实施例中，在对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素之后，还可以进一步地通过平行推演算法，对车站线路失效突发事件评估其影响范围。通过对比分析该突发事件发生前后的抗毁性指标，计算抗毁能力指标，如客流损失率，对抗毁性指标设置风险预警阈值，分析目标风险因素对薄弱环节的运量运力的影响程度，识别影响较大的目标车站节点或目标线路区间，从而进一步地深度识别城轨网络中的薄弱环节。

其中，抗毁性指标是城轨网络韧性指标中的一项指标，其用于评价城轨网络中出现确定性或随机性故障，网络维持或恢复其性能到一个可接受程度的能力。

进一步地，在本发明的实施例中，通过平行推演算法，统计各车站节点及各线路区间在运营失效前后的客流量信息，计算在运营失效前后的客流量信息的比值，得到各车站节点及各线路区间的出行客流损失率。

具体地，在本发明的实施例中，分别统计车站节点或线路区间失效事件发生前后所有出行OD对的客流量，然后计算车站节点或线路区间运营失效造成的出行乘客损失率，其具体的计算公式如下：

式中，

其中，X

进一步地，基于各车站节点及各线路区间的出行客流损失率，确定出行客流损失率超过第一阈值的目标车站节点和/或目标线路区间，通过预警限值，进一步地从各车站节点及各线路区间识别出城轨网络中的薄弱环节，确定影响较大的目标车站节点或目标线路区间。

在本实施例中，基于所述各车站节点及各线路区间的出行客流损失率确定城轨网络的总出行客流损失率。在本实施例中，通过对所有点集合和边集合取平均得到整个城轨网络的总出行客流损失率，其具体的计算公式如下：

其中，P

进一步地，在确定城轨网络的总出行客流损失率达到第二阈值的情况下，说明整个城轨网络的总出行客流损失率达到预警限值，此时，将目标车站节点和/或目标线路区间的各个目标风险因素的监控数据发送到前端进行显示，为应急保障方案的制定提供可靠的数据支持，辅助调度人员制定出更为有效的应急保障方案。

本发明实施例的方法，通过考虑对城轨网络中抗毁性指标的评价，统计分析车站节点或线路区间运营失效造成的出行乘客损失率，从各车站节点及线路区间进一步深入识别网络薄弱环节，可以提升城轨网络薄弱环节识别的效率和精准度，有利于进一步提升网络监控数据的可靠性。

基于上述实施例的内容，作为一种可选的实施例，基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定城轨网络的最大脆弱率指标对应的目标线路位置，包括：

基于城轨网络中各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，分别计算各车站节点及各线路区间运营失效前后的城轨网络的全局效率；

基于各车站节点及各线路区间运营失效前后的城轨网络的全局效率，确定各车站节点及各线路区间对应的脆弱率指标；

基于各车站节点及各线路区间对应的脆弱率指标，确定最大脆弱率指标对应的目标线路位置。

具体地，在本发明的实施例中，通过删除城轨网络中某一节点或边，表征各车站节点及各线路区间失效，可模拟城轨网络遭遇破坏的情况，计算破坏前后全网的全局效率。基于城轨网络中各车站节点及各线路区间的历史客流的OD对信息以及网络拓扑结构信息如车站节点数量、边数量等，计算各车站节点及各线路区间对应的脆弱率指标。

其中，脆弱率指标V

其中，城轨网络的全局效率具体地计算公式如下：

式中，E

进一步，通过上述计算公式可以计算出各车站节点及各线路区间失效对应的脆弱率指标，根据各车站节点及各线路区间对应的脆弱率指标，确定最大脆弱率指标对应的车站节点或线路区间。

本发明实施例的方法，通过同时考虑车站节点以及线路区间的客流量对轨道网络全局效率的影响，根据各车站节点及各线路区间的历史客流信息及网络拓扑结构信息计算网络脆弱率指标，可以提升网络韧性指标中脆弱率指标的准确性。

基于上述实施例的内容，作为一种可选的实施例，对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素，包括：

基于目标线路位置的预设最大通过能力以及客流风险因素中的各个风险因素，构建故障树模型；

利用赛迈特里斯算法，求解故障树模型的最小割集；

根据最小割集，确定多个目标风险因素。

具体地，本发明实施例所描述的预设最大通过能力指的是在一定的行车组织方法的条件下，在单位时间(通常指一昼夜)所能通过或接收的最多列车对数(或列数)，其为车站节点及线路区间在建设时设定好的固定指标。

图2是本发明提供的车站客流风险致因的故障树模型的结构示意图，如图2所示，客流风险因素主要包括客流风险和行车因素。基于各个风险因素，如相邻换乘站、进出站客流、高峰小时客流超限、断面客流超限等，形成客流风险；基于如车载设备故障、列车延误、列车通信故障、发车间隔大等因素，形成行车因素。

具体来说，在本发明的实施例中，在确定城轨网络系统较简单时，可以对造成车站大客流风险的各个风险因素进行梳理分析，建立上述图2所示的风险事件树模型，也称为故障树模型。客流风险与客流波动与人机环管各类因素都有关，但其中，如车站设计极限、车站站型等，在实际运营过程中无法改变这些因素，同时，像列车相撞、侧翻等不可能或极小可能发生的事件也不在本发明实施例的边界范围内，因此建立故障树模型时更关注动态变化的、实际运营中必然或经常发生的风险因素。

在本实施例中，主要针对属于薄弱环节的目标线路位置的客流风险进行分析，选定车站客流风险为故障树模型的顶事件，根据目标线路位置的预设最大通过能力，区分顶事件正常和异常状态。

令T为顶事件，顶事件结构函数为

其中，x

根据事件树的逻辑关系可知顶事件的构造函数

进一步地，利用Semanderes算法求取故障树的最小割集，即利用逻辑代数方法化简得到最少数量的上述乘积项，这些乘积项的集合即为最小割集。每个割集代表造成车站客流风险的一种可能或因素组合，当最小割集中所有底事件都发生时意味着顶事件必然发生。最小割集中包含的因素对顶事件影响较大，根据最小割集，可以确定出多个目标风险因素，应对这些目标风险因素的数据进行重点监控。

本发明实施例的方法，通过采用构建故障树模型的方法，对造成车站大客流风险的各个风险因素进行梳理分析，从中识别出目标风险因素，对于简单城轨网络来说，可以快速有效识别出城轨网络的薄弱环节，有助于提升城轨网络的应急监控效率。

基于上述实施例的内容，作为一种可选的实施例，对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素，包括：

将故障树模型转换为贝叶斯网络模型；贝叶斯网络模型的网络子节点是基于客流风险因素中的各个风险因素确定的；

采用最大似然估计算法，求取贝叶斯网络模型的邻接矩阵，以确定网络子节点的条件概率表；

基于条件概率表，确定贝叶斯网络模型的各个网络子节点的发生概率；

基于各个网络子节点的发生概率，确定发生概率超过预设概率阈值的目标网络子节点；

基于目标网络子节点和最小割集，确定多个目标风险因素。

具体地，在本发明的实施例中，在确定城轨网络系统较为复杂时，传统故障树模型的定量分析方法具有局限性，因此通过将故障树模型转化为贝叶斯网络模型，利用概率推理理论进行网络拓补的综合分析。

具体的转化算法步骤如下：

首先，对事件树的每个事件在贝叶斯网络中建立对应节点，其中，顶事件对应网络根节点，位于风险层，底事件对应网络子节点，可以根据客流风险因素中的各个风险因素确定网络子节点。根据各风险因素类型又可以分为直接致因(Direct Factor，DF)层和事件诱因(Impact Factor，IF)层。然后，基于底事件(网络子节点)的发生概率确定父节点的先验概率。进而，根据事件树中的逻辑关系建立网络节点间的链接关系，通过有向弧链接，形成网络拓补结构。最后，根据已知条件和逻辑关系确定网络子节点的条件概率表。

转化后的贝叶斯网络模型的结构示意图如图3所示，DF层包括DF1、DF2和DF3，IF层包括IF1、IF2、…，其中，IF1-IF4为DF1的诱因，IF5-IF8为DF2的诱因，IF9-IF11为DF3的诱因。

需要说明的是，贝叶斯网络模型的参数可以描述风险因素之间的因果关系，因果关系通过网络中的边和条件概率表来表示，为此，定义一个邻接矩阵A来描述贝叶斯网络模型中各节点之间的概率，因此求取矩阵A的参数即为贝叶斯网络模型的参数，从而得到节点间的定量关系。

在实际应用中，有些节点的因果关系不明确或不存在因果(节点条件概率为0)，而贝叶斯网络模型的一大优势就是利用概率推理解决不定性问题。通过采用最大似然估计算法，可以求取贝叶斯网络模型的邻接矩阵A，从而获得节点的条件概率表。利用概率推理知识可以根据已有的条件概率表计算不明确节点的发生概率，因此，可以计算出贝叶斯网络模型的各个网络子节点的发生概率。

进一步地，在本发明的实施例中，基于各个网络子节点的发生概率，对所有网络子节点的发生概率进行排序，确定发生概率超过预设概率阈值的目标网络子节点，从而识别出发生概率较大的节点，将这些网络子节点对应的风险因素与前述最小割集中风险因素取并集，识别出客流风险的显著影响因素，得到多个目标风险因素，为城轨网络运行监控和应急预案的制定提供可靠的数据输入。

本发明实施例的方法，针对较为复杂的城轨网络系统，通过采用构建贝叶斯网络模型的方法，对造成车站大客流风险的各个风险因素进行定量分析，从中识别出目标风险因素，可以快速有效识别出复杂城轨网络的薄弱环节，有助于提升城轨网络的应急监控效率。

基于上述实施例的内容，作为一种可选的实施例，确定城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息，包括：

对各车站节点及各线路区间分别按照预设乘客出行决策行为模型进行仿真推演，得到客流时空分布状态预测信息；

根据客流时空分布状态预测信息，统计城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息。

具体地，在本发明的实施例中，还可以采用仿真推演算法，根据城轨网络中各车站节点及各线路区间的历史客流OD对数据分析线网客流态势。

在本发明实施例中，所采用的平行推演算法模块主要是基于客流分析预测结果和预设的乘客出行决策模型的方案，通过建立轨道交通系统网络运营仿真模型，推演方案的后续影响，进行客流分析预测。客流分析预测主要以各车站节点及各线路区间的历史客流OD对数据、轨道交通实时乘客刷卡明细等数据为基础，结合计划运行图等参数，在充分挖掘历史OD数据规律的基础上，通过平行推演，实现对未来不同时间维度的客流分布和变化的预测。同时，该模块对客流数据进行统一存储管理，可以对客流预测算法及模型参数进行滚动优化，提高客流预测算法的准确率。

图4是本发明提供的乘客出行决策行为模型的流程示意图，如图4所示，该模型的决策机制如下：运营失效事件作为扰动/故障发生后，判断是否影响乘客出行的最优路径，如确定影响乘客出行的最优路径，确定是否存在次优路径，如果不存在，乘客放弃轨道交通，如果存在，判断存在的次优路径增加的时长是否小于可接受阈值，如次优路径增加的时长不小于可接受阈值，乘客放弃轨道交通，如次优路径增加的时长小于可接受阈值，乘客选择次优路径出行，乘客进站；如确定不影响乘客出行的最优路径，则乘客选择最短路径即最优路径，乘客进站。

在乘客进站之后，进入站台，在站台等车，在车内运行，在车站下车后，判断下车站点是否为乘客出行的终点站，如是，乘客出站，如不是，乘客选择换乘线路，重复判断乘客的下车站是否为终点站，直至乘客出站。

具体来说，整个仿真推演过程中，首先输入事件信息，包括运营失效的车站与线路区间的位置、运营失效事件及事件类型、持续时间等。然后对乘客出行决策行为进行建模，突发事件将会导致网络结构的变化，一部分乘客被迫改变最佳出行路径，通过换乘的方式以尽快到达目的地，造成出行时间的增加；还有一部分乘客由于出行时间增加过长或无次优路径会选择放弃采用轨道交通出行，造成客流的损失。最后，针对各车站节点及各线路区间，根据事件类型、乘客出行决策行为模型进行客流车流的仿真推演，可推演出运营失效事件对乘客出行造成的影响，例如换乘、换交通方式，从而得到客流时空分布状态预测信息。

进一步地，在本发明的实施例中，根据客流时空分布状态预测信息以及历史客流信息，可以统计城轨网络中各车站节点及各线路区间在运营失效前后的客流量信息。

本发明实施例的方法，通过采用仿真推演算法，评估处于薄弱环节的车站节点或线路区间发生扰动/故障事件造成的影响范围，预测客流时空分布状态预测信息，以有效统计出各车站节点及各线路区间在运营失效前后的客流量信息，为后续城轨网络中抗毁性指标的计算提供可靠的数据支持。

下面对本发明提供的城市轨道交通应急监控装置进行描述，下文描述的城市轨道交通应急监控装置与上文描述的城市轨道交通应急监控方法可相互对应参照。

图5是本发明提供的城市轨道交通应急监控装置的结构示意图，如图5所示，包括：

处理模块510，用于基于城轨网络各车站节点及线路区间的历史客流信息及网络拓扑结构信息，确定城轨网络的最大脆弱率指标对应的目标线路位置；目标线路位置包括车站节点或线路区间；

识别模块520，用于对目标线路位置的客流风险因素进行风险识别，从客流风险因素中确定多个目标风险因素；

显示模块530，用于将目标线路位置对应的目标风险因素的监控数据发送到前端进行显示。

本实施例所述的城市轨道交通应急监控装置可以用于执行上述城市轨道交通应急监控方法实施例，其原理和技术效果类似，此处不再赘述。

本发明实施例的城市轨道交通应急监控装置，通过构建有向多边的网络拓补结构，考虑包含车站节点与线路区间因素，采集城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，并根据城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，计算城轨网络中最大脆弱率指标对应的目标线路位置，目标线路位置包括车站节点或线路区间，从而智能识别到城轨网络中的薄弱环节，并通过对目标线路位置的客流风险因素进行风险识别，进一步从客流风险因素中确定多个需要重点监控的目标风险因素，将目标线路位置对应的目标风险因素的监控数据发送到前端进行显示，可以实现实时对城市轨道交通站点进行精准有效智能监控，有利于大幅提升城市轨道交通应急响应的能力，保障城市轨道交通的稳定运营。

图6是本发明提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述各方法所提供的城市轨道交通应急监控方法，该方法包括：基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络中最大脆弱率指标对应的目标线路位置；所述目标线路位置包括车站节点或线路区间；对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素；将所述目标线路位置对应的所述目标风险因素的监控数据发送到前端进行显示。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的城市轨道交通应急监控方法，该方法包括：基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络中最大脆弱率指标对应的目标线路位置；所述目标线路位置包括车站节点或线路区间；对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素；将所述目标线路位置对应的所述目标风险因素的监控数据发送到前端进行显示。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的城市轨道交通应急监控方法，该方法包括：基于城轨网络各车站节点及各线路区间的历史客流信息及网络拓扑结构信息，确定所述城轨网络中最大脆弱率指标对应的目标线路位置；所述目标线路位置包括车站节点或线路区间；对所述目标线路位置的客流风险因素进行风险识别，从所述客流风险因素中确定多个目标风险因素；将所述目标线路位置对应的所述目标风险因素的监控数据发送到前端进行显示。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。