谢璟捷

（上海申通地铁集团有限公司运营管理中心,上海 201100）

0 引言

地铁运营调度是地铁运维生产的“大脑中枢”。传统地铁运营调度模式以线路为指挥单元，各线路间独立进行多专业综合调度[1]。随着线网规模的不断扩大，网络化运营持续深化，呈现出组织难度更大、协调范围更广、统筹资源更多、安全要求更高等复杂系统特征，急需在全业务环节提升运营调度的作业能级和安全质量。

为此，各大城市地铁纷纷建设NOCC（Network Operation Control Center）或COCC（Comprehensive Operation Coordination Center）[2]，将各线路调度业务和所涉及的各系统在同一物理空间上进行高度集中。但是由于各条线路建设时序不同，所使用的软件与设备厂家及其技术路线也有所差异，只能通过窗口调用的形式与其他系统进行关联[3]，大量数据间关联性和价值大多通过调度员经验主观判断，呈现“人工为主、系统为辅”的低能效作业形式。

新一代智能技术的高速发展，为运营调度智慧化发展提供了技术支撑。围绕智能调度这一主题，有学者提出了基于云平台的线网调度指挥系统架构，其中构建大数据平台，深化数据价值利用成为共识点，但对于符合调度指挥业务需求的数据中台方案研究较少。因此，该文将分析地铁运营调度业务的数据痛点，基于此，构建数据中台的技术架构和功能架构并进行应用实践，为全方位赋能调度智慧化建设提供基础性方案。

1 地铁运营调度业务特征及数据痛点分析

1.1 地铁运营调度业务及智能化需求

运营调度指挥体系分为线网级调度和线路级调度。前者以线网为对象进行统筹管理和协调决策，后者以具体线路为对象实行细化管理和执行落地。主要涉及日常事务、应急管理以及施工管控等三大场景。

（1）日常事务场景：包括行车环境监控、车辆情况监控、车站客流监控、巡道与限速等命令的发布、COCC与服务热线的事务通知、交接班事项确认和各类报表日志的生成与提交等主要业务。目前该场景涉及ATS、视频监控、热线、票务管理、车辆运维等系统，调度员需要从上述系统中分别实时监视车辆运行状态、客流量等数据，并在其他管理系统中填记报表日志等。

（2）应急管理场景：包括事故初貌确认、影响程度判断、应急预案决策、行车客运调整决策、处置过程跟踪、事故专报等主要业务。目前调度员主要依靠通讯平台与其他岗位进行信息沟通，以获得故障和处置过程详情，并运用应急预案、排故手册、应急指挥等系统辅助支持调度决策和执行。

（3）施工管控场景：主要包括施工计划预排、施工登记与销点闭环、施工过程监管等主要业务。目前该场景涉及施工平台、ATS 系统、电力SCADA 以及其他业务管理系统等，主要以数据人工填记+电话沟通+ATS/电力SCADA 监控等多方式组合。

由此可见，运营调度业务具有涉及系统多、专业面广、实时监控项点多、决策响应时效性要求高等特点，未来将向高集成、强联动、智慧化等方向进行数智化转型升级，最终达到“一网感知，可视管控，智慧决策”的目标。

1.2 数据痛点分析

针对上述运营调度业务现状特点和未来需求，从数据层面分析存在的潜在痛点：

（1）数据规模大，结构类型杂：运营调度业务所面对的数据除了ATS、SCADA、票务等专业系统的关系型数据，还有视频、音频、图片等非关系型数据，单日单线数据规模级别至少为TB 级。

（2）采样标准多样，质量参差不齐：所涉及系统有各自的数据采样周期、频次和精度等标准，由于系统用途不同，数据质量参差不齐，如SCADA 等监测类系统存在缺失、错误、重复等问题，而票务系统等偏管理类系统所提供的数据质量较高。

（3）数据孤岛化，整合难度大：关系型数据如客流、列车状态、设备状态等，缺乏统一的时空底座作为融合基准；非关系型数据如预案文本、应急处置记录等，与关系型数据相互隔离，难以形成有效关联，这导致无法形成全局的数据视图。

（4）数据专业性强，分析能力不足：运营调度业务覆盖专业多，相关系统都提供了专业性高的数据，需要有对应专业的知识才能进行有效的分析和解读，为辅助决策提供更大的价值，但是相关分析能力较为缺乏，仍然以主观经验为主。

（5）数据时效性要求高，可视化能力不强：运营调度业务需要实时监控和快速响应，因而对数据的实时性要求较高。同时大规模、高频、多维度的数据展示极易导致信息过载，容易令调度员忽略重要信息，急需提升数据可视化能力。

解决上述运营调度数据痛点的关键在于建立一个高效、智能、安全、集成的数据中台，通过数据治理、数据处理、数据组织、数据挖掘等管理服务，保障大规模多源异构数据的质量、一致性和及时性，并提供强大的数据分析和决策支持能力。

2 调度数据中台总体架构设计

结合上述数据痛点，参考现有主流数据中台架构，构建适用于地铁运营调度数据中台的技术和功能架构。

2.1 调度数据中台技术架构

针对调度数据规模大、结构类型杂、时效性要求高等特点，设计采用当前先进的“湖仓一体、流批一体”的架构，并使用微服务框架进行模块化管理，如图1 所示。

图1 数据中台技术架构图

具体来说：

（1）数据湖：能够支持不同类型、海量原始数据的集中化存储，包括结构化、半结构化和非结构化数据，同时具有较强的包容性和灵活性。

（2）数据仓库：是数据中台的核心，用于存储各类场景主题的标准化数据和相关分析指标，支持高性能的查询和分析。考虑运营调度数据特点，计划采用多种数据仓库技术组合。

（3）流数据处理：用于实时采集、处理和分析数据，以保证实时监测类数据的及时性和准确性。

（4）批数据处理：用于对已存储的数据进行批量处理和分析，支持复杂的、结构化、海量数据分析和挖掘。同样采用流数据处理中所述的计算引擎技术，实现流批一体。

（5）调度服务：用来管理、调度和执行各种任务和作业的服务，使得软硬件、带宽等资源利用率最大化，任务处理更有序。

（6）微服务框架：将上述技术进行模块化管理和部署，计划采用Spring Cloud、Nacos、Gateway、Nginx 构成完整的、高效的微服务架构。

2.2 调度数据中台功能架构

为响应调度业务特征和智能化需求，设计数据中台的功能架构，如图2 所示。

图2 数据中台功能架构图

（1）数据接入管理：负责管理运营调度业务所涉及的所有系统以及其他表单数据接入，同时支持数据质量检查和数据校验，确保接入的数据准确可靠。

（2）数据治理管理：用于规范数据管理的流程和标准，能够对异常数据的判断规则进行管理，确保数据的一致性、完整性、准确性、安全性和合规性要求。

（3）数据处理管理：负责对接入的数据按数据治理规范进行处理和转换，涉及数据清洗、数据融合、数据转换、数据计算等算法。各类数据经过处理后能够根据类型、来源、主题等属性被准确地存储到湖仓一体的数据库中。

（4）数据组织管理：以湖仓一体的数据库为核心，对处理后数据进行分类组织和存储，以便能高效地被查询和访问。

（5）数据挖掘管理：用于支持数据分析和挖掘，其核心是模型管理和指标管理。它可以提供数据分析工具、数据可视化工具、数据挖掘算法等，供业务专家自主探索形成高阶数据价值。

（6）通用数据服务：提供对外的数据访问接口和服务。

在上述功能架构下，数据中台将多源数据经过处理、组织、挖掘，形成适用于日常事务、应急管理、施工管控等场景需求的可视化功能和分析指标，最终形成一网感知、可视管控、智能辅助的地铁“最强大脑”[4]。

3 应用实践

数据中台在地铁运营调度应用实践中，充当数据“枢纽”和智能化核心的重要角色。该文以重点车站客流监视为案例，介绍数据中台在地铁运营调度日常监视事务中的应用过程，具体包括：

（1）基础状态监视：数据中台通过汇聚基础行车数据，如线路里程、车站、线路等信息，方便调度人员实时了解线网重要基础信息。

（2）客流状态监视和告警：数据中台汇聚实时客流数据，包括客流量、客流进站排名等重要信息的展示。调度人员实时了解车站客流情况，掌握大客流车站的数量和客流量达到警戒值的车站并开展行车调整，并及时将拥挤告警信息通知值班岗位人员。

（3）设施设备状态监视：数据中台整合设施设备状态数据，展示各设施设备的实时状况。调度人员了解对应车站设备的运行状态，及时发现故障并加以处理。

（4）客流管控指标计算和辅助决策：数据中台利用数据智能分析，实时计算进出站客流量、拥挤度等指标，帮助调度人员准确评估车站运行状况，辅助制定合理的客流管控措施，应对客流高峰和突发情况。

（5）视频监控调取：数据中台通过通用数据服务，具备实时调取车站视频监控画面的能力，帮助调度人员迅速了解车站实际情况，准确判断现场管理进程。

（6）分类统计客流情况：数据中台通过数据组织管理，根据行政区域和运营公司对客流情况进行分类统计，帮助调度人员了解跨地区客流状况，便于大范围统筹协调。

4 结语

地铁运营调度面临数字化赋能升级的迫切需求，现有的以“人工为主、系统为辅”的作业形式，存在数据联动差、海量数据价值难以挖掘等不足，急需建设运营调度数据中台。该文分析运营调度业务中日常事务、应急管理以及施工管控等场景的现状和智能化需求，提出了5 个数据痛点。针对前述需求和痛点，提出“湖仓一体、流批一体”+微服务框架的技术架构，构建响应一网感知、可视管控、智能辅助的地铁“最强大脑”的功能架构。最后以重点车站客流监视为例，讨论数据中台在智慧调度系统建设中的实践情况。

尽管针对该文所提出的数据中台已有功能示例应用，为后续的智慧调度建设积累了实践经验，但在中台架构优化、业务场景功能细化、数据处理算法、高阶指标深化等方面，仍需要加强。下一步将持续推进新技术、新架构在细分场景中的落地应用。