摘要：随着城市公共交通需求的日益增长，轨道交通与城市公交的协同调度成为提升运输效率和服务质量的关键环节。基于大数据技术，本文旨在探讨多源数据融合与智能调度优化策略，以实现轨道交通与公交系统的高效协同运行。通过构建数据预处理、时空关联挖掘及运力匹配算法，设计动态发车时序与换乘优先级划分机制，提升了公共交通系统的响应能力和资源利用率。研究表明，大数据驱动的协同调度优化能够显著提高公共交通整体运行效率与乘客出行体验，为城市交通管理提供科学支持和决策依据。

关键词：大数据，协同调度，轨道交通，公交调度，运力优化

随着城市化进程的加速，轨道交通与城市公交作为城市公共交通的两大骨干载体，其协同调度水平直接影响城市交通效率与市民出行体验。传统调度模式难以充分应对日益复杂的客流动态与交通环境变化，导致资源配置不均与换乘效率低下。大数据技术的兴起为轨道与公交协同调度提供了新的契机，通过多源数据的实时采集与深度融合，可实现对客流时空分布、运力供需以及交通状态的精细化分析，进而推动调度策略的科学优化。基于大数据的协同调度研究不仅能够提升公共交通系统的整体运行效率，还具有缓解城市交通拥堵、降低能耗排放的重要现实意义，成为推动智慧交通发展的关键方向。

一、大数据环境下协同调度需求分析

大数据环境下，轨道交通与城市公交的协同调度需求呈现出高度复杂性与动态性，深刻影响公共交通系统的整体效率。轨道交通作为骨干运输方式，承担大容量客流的快速输送功能，而城市公交则在轨道交通网络覆盖不足的区域发挥补充作用，两者的运行节奏与运力配置需紧密耦合以实现无缝衔接。基于海量多源数据的实时分析，能够揭示客流的时空分布规律与换乘需求波动，为调度策略的精准调整提供数据支撑。同时，网络拓扑结构与多模式换乘关系的动态演变加剧了调度复杂度，要求调度体系具备高度适应性和灵活性。运力资源的高效协同调配需兼顾乘客出行体验和系统运行成本，强化对时空耦合特征的理解成为优化调度的关键。大数据驱动的需求分析为构建科学合理的协同调度方案奠定基础，提升公共交通系统的服务水平与运行稳定性。

二、多源数据融合与关键技术研究

（一）数据预处理与标准化

轨道交通与城市公交协同调度涉及多源异构数据，涵盖自动售检票系统、车辆定位、乘客流量传感器及天气监测等，数据格式和采集频率存在显 清洗、缺失值填补与异常检测，确保基础数据的准确性与完整性。标准 戳对齐及数据格式转换，实现不同数据源的有效兼容与融合。采用多尺 时响应需求，强化后续分析的时效性与精确性。预处 监控数据质量波动，保障融合数据的可靠性。该过程为后续时空关联分析及运力 ，提升调度决策的科学性和实用性[1]。

（二）时空关联挖掘方法

时空关联挖掘是揭示轨道交通与公交客流交互规律的核心技术。基于融合后的高维时空数据，应用时空聚类算法识别换乘热点与客流集散模式 出不同时间段 流动路径。时序模式挖掘通过序列分析揭示轨道与公交运行间的潜在依赖关系 行图的动态调整。 结合图论与网络分析，构建多模式交通网络的时空拓扑结构，解析节点间换乘 径冗余度，优化换乘服务链条。引入深度学习方法提取复杂非线性时空特征，增强对异常客流事件的感知能力。时空关联挖掘技术不仅提升了对客流流动规律的理解，也为调度策略制定提供了精准的时空约束条件[2]。

（三）运力匹配算法优化

运力匹配算法是实现轨道与公交资源高效协同的关键， 需在保证换乘便捷性的同时降低整体运营成本。基于时空关联分析结果，设计多目标优 率与调度弹性。引入启发式搜索和元启发式算法，如遗传算法与粒 索。算法创新体现在动态权重调整机制，能够根据实时客流波动自动优 整合车辆状态与道路交通信息，支持应急响应和突发事件处理。运力匹配优化的深 提升 度系 响应速度与运行稳定性，促进了资源的精准投放与弹性调整。

（四）数据质量保障机制

数据质量保障机制通过构建多层次、 多维度的质量评估体系， 确保大数据环境下协同调度决策的可信性。机制设计涵盖数据完整性、准确性 效性指标， 程实时识别数据异常与失真。采用基于规则和机器学习的异常检 警潜在质量风险。引入数据追溯与版本管理机制，确保数据处 闭环，促进数据采集端优化，提升数据源头的可靠性。质量保障机 调度算法提供稳健的数据基础，减少因数据偏差带来的调度失效风险，显著提升公共交通系统的运行安全性和服务质量。

三、协同调度优化策略设计

（一）发车时序协调机制

基于大数据的客流预测与轨道—公交换乘时序分析，构建了滚动时隙优化框架以实现发车时序的动态协调。在该框架内，通过对历史与实时客流数据的深度学习预测，生成未来短时窗口内的客运需求曲线，并结合轨道列车抵达时刻与公交车辆可用状态，采用带有弹性约束的混合整数规划模型，优化公交发车间隔与轨道列车换乘时间窗口的匹配度[3]。为了兼顾运行效率与乘客等待体验，在目标函数中设置了以平均换乘延误与车辆空驶率为双重指标的加权权重，对调度结果进行实时评价并反馈至下一时隙的优化参数。同时，在模型求解层面引入基于粒子群优化的启发式搜索算法，通过多粒子并行搜索显著缩减计算时长，实现调度策略的在线更新。该机制不仅能够充分利用轨道列车固定的运行节奏优势，还可在突发客流波动时，通过滚动更新的手段自动调整公交发车时序，确保衔接效率与资源利用的最优平衡。

（二）站点换乘优先级划分

在轨道与公交协同网络中，站点间换乘流量存在显著差异，为此提出基于站点客流潜力与换乘复杂度综合评价的优先级划分方法。运用基于重心模型的换乘吸引力计算，对每个换乘节点的客流集中度、换乘路径长度、站台拥挤度及换乘扶梯/通道容量等多维度指标进行量化评价，构建了多因素换乘优先级评分体系。通过对该评分体系应用层次分析法进行权重赋值，再结合模糊综合评价技术处理指标间的不确定性与非线性关系，最终将站点划分为高、中、低三档优先级。在调度策略层面，先对高优先级站点配置更紧密的发车时序对接和预留运力，确保高密度换乘流的顺畅流动；对中低优先级站点则在保持基本衔接的前提下，采用动态可调节的松耦合策略[4]。该划分方法能够精细定位瓶颈换乘节点，为区域运力分配与应急调度调整提供重要参考。

（三）区域运力动态分配

区域运力动态分配策略以内生客流需求与外部交通状态双重驱动，针对城市轨道与公交网络划分出的多个功能分区，设计了基于多源数据融合的运力再配置模型。模型以分区内客流需求密度与区间道路通行能力为主要输入，构建了兼顾运力供需平衡与调度灵活性的多目标优化函数，目标在于最小化车辆闲置成本与乘客整体旅行时长。在实际应用中，通过 K-means 聚类算法将全网分为若干客流同质子区，并在每个子区内部部署实时运力监测单元，动态获取公交车队位置及载客率。随后，借助改进的拉格朗日松弛方法对全局运力再配置方案进行分布式求解，并利用迭代加权原则实现区域间资源协调。该策略兼顾了热点区域的高频次补充与冷区的弹性调配，通过实时网络状态采样与运力投放策略的闭环迭代，显著提升了公共交通网络的整体运能利用效率和应对需求波动的弹性。

（四）异常情况下的调度调整

针对交通拥堵、设备故障及突发事件等造成的调度偏离，构建了包含异常监测、应急预案匹配与调度重构三个核心模块的调度调整体系。异态监测模块基于实时路况采集与车辆定位数据，通过异常检测算法（如基于孤立森林的突变检测与时序预测残差分析）及时识别调度中断风险。应急预案匹配模块内置多种预定义的调度恢复方案，涵盖应急线路开行、临时通道启用与运力增援路径选择等，实现对不同类型事故的快速响应。调度重构模块则利用鲁棒优化原理，将被打断的调度计划重新纳入迭代优化流程中，结合剩余可调度车辆与乘客需求，调整发车序列与客运分配，以最小化调整成本与乘客延误[5]。在此基础上，引入仿真验证机制，对调整后的调度方案进行虚拟仿真测试，确保实施方案在动态交通环境下的可行性与有效性。该体系通过将异常处理与常规调度一体化设计，提升了调度系统的抗扰动能力与运行韧性。

四、案例分析

案例基于深圳市在轨道交通新线投运与节假日期间的公交—地铁协同调度实践，以揭示大数据驱动下的调度优化策略在真实运营环境中的应用价值。

（一）案例背景

2020 年7 月，深圳地铁6 号线与10 号线相继开通，新增线路长度合计约60 公里，直接影响了地铁与公交网络的耦合关系。为消除新旧网络之间的冗余与换乘断点，深圳市交通运输局基于智能卡刷卡数据、公交GPS定位与地铁进出站流量数据，开展了大规模的公交线路调整。调整范围涵盖11 条新增线路的对接优化、25 条冗余线路的取消以及34 条线路的时序重塑，重点在于利用多源时空数据分析不同线路间的客流迁移趋势和换乘需求波动，通过大数据挖掘形成精确的调整建议。该项工作以3，362 条社区、企业及学校建议为基础，结合历史客流、道路通行能力与站点换乘潜力三大维度评价，重新设计了包括M420、B606、M340 等在内的公交网络节点衔接方式，最大程度提升了地铁与公交的换乘便捷度及整体网络效率。

（二）高峰期运力挖潜实践

在 2024 年春节运输高峰期间，深圳地铁集团面临日均客流超过1100 万人次的极端负荷挑战，实施了为期九天的延时运营策略，将首末班车时间分别前移和后延1 至2.5 小时。此举基于对前几年春运期间智能卡与站点闸机数据的深度时序分析，提取出重要高峰波谷节点与客流累积速率，从而动态确定延时运营窗口并与公交高峰线路同步调整。公交运营企业同步基于同样的数据平台，调整B678 等高频线路的发车间隔，确保与地铁延时运营时段形成无缝对接。运力投放决策中引入了负荷平衡与成本约束双目标评价，采用实时监测与滚动优化的方法，将公交与地铁的新增运力在不同高峰波段之间实现动态切换，从而在保证服务水平的同时有效控制车辆空驶率与运营成本。

（三）特殊事件应急调度

2018 年9 月，超强台风“山竹”侵袭粤港澳大湾区，深圳市发布台风红色预警，并启动“四停”应急响应机制即“停工、停产、停运、停学”。在此背景下，公共交通系统面临突然中断的风险。基于实时气象雷达与道路监测数据，深圳市交通主管部门建立了台风路径与强度预测模型，将预测结果与公交车辆GPS 与地铁沿线风雨监测点数据进行融合，快速识别潜在高风险路段和换乘枢纽，并启动应急流线方案。在此方案中，部分公交线路临时改为环线运营以保障主干道路通行，而地铁则对高架区段暂时停运，对地下区段实行封闭式环境安全运行。与此同时，基于应急需求的客流预测模型，增开应急公交接驳专线，并在主要出入口设置临时换乘信息发布屏，指导乘客合理避险转换交通方式。该应急调度体系通过大数据驱动的预警与快速响应，实现了公共交通在极端气象条件下的安全可控与服务延续，有效降低了台风导致的出行风险和社会运行成本。

五、结论

基于大数据技术的轨道交通与城市公交协同调度优化策略，系统性地解决了多源异构数据融合与实时调度匹配的核心难题，有效提升了公共交通系统的运行效率和服务质量。通过构建完善的数据预处理与标准化体系，结合时空关联挖掘与运力匹配算法优化，实现了调度方案的动态自适应调整，显著增强了对复杂客流变化的响应能力。换乘优先级划分与区域运力动态分配策略的实施，优化了资源配置结构，减少了乘客等待与换乘成本，提升了系统整体协同效能。异常情况下的调度调整机制增强了系统韧性，保障了运营安全和应急响应的高效性。未来研究可聚焦于引入更高精度的实时感知技术与人工智能算法，深化多模式交通一体化协同调度的智能化水平，进一步提升公共交通系统的可持续发展能力与用户体验。

参考文献

[1]李旭. 基于多源数据的城市公共交通网络协同优化研究[D]. 兰州交通大学， 2023.

[2]徐猛，刘涛，钟绍鹏，等. 城市智慧公交研究综述与展望 [J]. 交通运输系统工程与信息91-108.

[3]王文思. 面向不同运营环境的城市公共交通实时调度策略研究[D]. 大连海事大学， 2021.

[4]郑国荣，刘小明，沈晖，等. 数字孪生驱动的城市综合交通枢纽多运输方式调度协同优化框架研究 [J]. 自动化博览， 2020， 37 （12）： 30-35.

[5]朱昊，孙然，赵方. 上海城市智慧交通系统近期发展对策探讨 [J]. 交通与运输， 2020， 33 （S1）： 178-182.