一种基于恶劣天气和晚点条件下列车车次安全性评估方法

摘要

本发明公开了一种基于恶劣天气和晚点条件下列车车次安全性评估方法，包括如下步骤：S1：采集历史时段内待研究车次下的列车信息、行政区域信息以及区域天气信息并基于采集的信息构建铁路路网；S2：计算在所述历史时段内待研究车次在铁路路网中的总晚点影响度；S3：计算在所述历史时段内待研究车次在恶劣天气下的总暴露时长；S4：对S2中的总晚点影响度和S3中的总暴露时长计算出待研究车次的安全性指标；S5：依据步骤S4计算出的待研究车次的安全性指标得到待研究车次的安全性评估结果，待研究车次的安全性指标越高，待研究车次的安全性越高。本发明同时考虑恶劣天气和晚点信息来评估列车车次的安全性，得到了可靠度更高的评估结果。

说明书

技术领域

本发明属于交通技术领域，具体涉及一种基于恶劣天气和晚点条件下列车车次安全性评估方法。

背景技术

我国是一个幅员辽阔，地势多样的国家。我国的铁路事业发展迅猛，长途客运列车是铁路系统里不可缺少的一部分，有着运行时间长，路程长等特点。这样的运行特点或多或少会遇到不同的地理气候条件，铁路系统的运行和安全问题就显得尤为重要。恶劣天气是铁路系统运行和安全问题的主要外界影响因素。由于列车车次的运行路径一般是固定的且一个车次一般是由固定的几辆列车来固定运行，通过研究在一段时间内同一车次下的列车在恶劣天气下的暴露时长，可以为该车次下列车安全运行提供有用的信息以及更好的对该车次下的列车合理分配维修资源。然而我们对于列车如何与动态分布的恶劣天气之间的相互联系的理解仍然有限，有必要精确定位在恶劣天气下具有显著长曝光时间的列车车次。

列车晚点是列车在恶劣天气下运行的主要特征之一，但列车晚点的诱发因素又不仅仅因为外界天气环境，还有诸多其他因素，譬如列车性能、紧急事件等，其往往也与列车的安全性惜惜相关，因此，分析列车车次安全性仅从恶劣天气下列车的暴露时长来衡量是不够的，同时还需要加入晚点信息来建立一个综合判断列车车次运行安全性的指标，通过指标的建立，可对“危险”车次进行重点排查并对未来运行图调整提供参考，更加优化铁路运力配置，极大程度的降低铁路事故的发生概率，从而以具有成本效益的方式改善整个铁路系统的运行和安全。

但是，现在的方法存在如下的问题：

1)对长时恶劣天气暴露车次未精确定位，所得车次结果仅为粗略统计所得，难以验证其准确性且无准确获取列车在恶劣天下的暴露时长。

2)高速列车系统安全性的评价体系过于复杂，且没有基于恶劣天气和晚点对列车进行量化评价的外界指标。

综上所述，目前的评价列车车次安全性的方法仍然存在不足，即覆盖区域过小，同时难以全面、准确的掌握各种长时恶劣天气下的暴露车次及其暴露时长，因此现有评价列车车次安全性的方法的准确度还需要进一步提高。

发明内容

本发明的目的是提供一种基于恶劣天气和晚点条件下列车车次安全性评估方法，其用于评估列车车次安全性，基于考虑到恶劣天气下暴露时长将影响列车的安全性能以及晚点信息同时可以反映列车的安全运行状态，因此将晚点信息和天气信息相结合通过合理的推导与研究得到一个用于评估列车安全性的指标，基于该指标得出列车车次的安全性评估结果，为各个车次下的列车运行和维修提供数据。

一种基于恶劣天气和晚点条件下列车车次安全性评估方法，包括如下步骤：

S1：采集历史时段内待研究车次下的列车信息、行政区域划分信息以及区域天气信息并基于采集的信息构建铁路路网；

其中，列车信息包括列车时刻表信息和列车站点地理信息，所述铁路路网中节点表示站点，节点之间的有向连接边表示运行路段；

S2：基于所述铁路路网计算在所述历史时段内待研究车次在铁路路网中的总晚点影响度；

其中，历史时段内待研究车次运行一趟得到的晚点影响度D_{train_number}的计算公式如下：

式中，和分别为待研究车次的运行路段上前后相邻两个站点B_i、B_j站的晚点时长，站点B_o为待研究车次的出发站，站点B_d为待研究车次的终点站，C_(ij)为相邻两个站点B_i站和B_j站有向连接边的类介数中心性，所述类介数中心性表示有向连接边对应运行路段在铁路路网中的重要性；

S3：基于所述铁路路网计算在所述历史时段内待研究车次在恶劣天气下的总暴露时长；

以待研究车次每相邻两个站点有向连接边之间各个行政区域为单元计算待研究车次每运行一趟时在恶劣天气下的暴露时长，所述恶劣天气是满足预设气候标准的天气；

S4：对S2中的总晚点影响度和S3中的总暴露时长进行标准化处理得到晚点指数和暴露时长指数，再基于晚点指数和暴露时长指数计算出待研究车次的安全性指标；

其中，标准化处理如下：

式中，为暴露时长指数，∑F_{train_number}表示总暴露时长，为所述历史时段内待研究车次每运行一趟得到的恶劣天气下暴露时长的累加值，为所有车次在历史时段内一趟运行中在恶劣天气下暴露时长最长车次的暴露时长，为暴露时长最长的车次在历史时段内每运行一趟得到的恶劣天气下暴露时长的累加值；

为晚点指数，∑D_{train_number}为总晚点影响度，为所有车次在历史时段内一趟运行中晚点影响度最大车次的晚点影响度，为晚点影响度最大的车次在历史时段内的每运行一趟得到的晚点影响度的累加值；

安全性指标计算公式如下：

α₁+α₂＝1

式中，I_{train_number}为安全性指标，α₁、α₂均为比例系数，其分别表示晚点指数、暴露时长指数的权重；

S5：依据步骤S4计算出的待研究车次的安全性指标得到待研究车次的安全性评估结果；

其中，待研究车次的安全性指标越高，待研究车次的安全性越高。

本发明从恶劣天气以及晚点信息的角度考虑列车车次的安全性，这是基于一方面，恶劣天气容易造成列车各类安全性问题，另一方面列车晚点除了由于天气原因外，还受其他列车安全性因素的影响，因此晚点信息可以用于反映其他因素对列车车次安全性的影响，本发明根据列车车次实际应用情况设定安全性指标来评估列车车次的安全性，其同时考虑恶劣天气和晚点信息可以更加全面、准确地评估列车车次的安全性，得到更加可靠的一个结果，为铁路系统管理者合理有效分配雷车定期维修资源，降低安全事务发生率，减少维修成本提供了数据基础。应当理解，一个车次一般是由固定几辆列车来运营，若车次的安全性较低，那么该车次下的列车的安全性则是需要重点关注的，也视为其下列车的安全性低。

针对晚点条件，本发明根据列车的实际应用设定晚点影响度参数，其加入了晚点时长以及类介数中心性，其中类介数中心性表示有向连接边对应路段在铁路路网中的重要性，因此次晚点影响度可以反映列车晚点对铁路路网系统的影响，系统的变化是更直接对列车安全性造成影响，因此晚点影响度参数也反映了整个系统网络对列车的总体影响，即本发明关于晚点信息是从系统安全性的角度来评估晚点对列车安全性影响，其可以直接、系统性和准确地反映列车的安全性。

针对暴露时长，本发明以相邻两个站点有向连接边之间各个行政区域为单元来计算暴露时长，单元划分更合理和更细致，使得得到的暴露时长结果更加可靠。

进一步优选，相邻两个站点B_i、B_j有向连接边的类介数中心性C_(ij)的定义如下：

其中θ_ij表示在铁路路网的所有车次中经过相邻两个站点B_i、B_j有向连接边的车次数目，θ_od表示在铁路路网中的所有车次的车次数目。

进一步优选，待研究车次每运行一趟时在恶劣天气下的暴露时长的获取过程为：

分别获取每相邻两个站点间运行路段内待研究车次在恶劣天气下的暴露时长、待研究车次在每相邻两个站点间的运行里程以及待研究车次运行一趟的总运行里程；

再根据如下公式计算出待研究车次运行一趟时在恶劣天气下的暴露时长：

i＝1,2,3,…,n

式中，F_{train_number}为待研究车次运行一趟时在恶劣天气下暴露时长，S_{train_number}为待研究车次运行一趟的总运行里程，F_ij表示待研究车次运行一趟时相邻两个站点B_i、B_j的路段内待研究车次在恶劣天气下的暴露时长，S_ij表示待研究车次在相邻两个站点B_i、B_j之间的运行里程，n等于待研究车次所经过的车站个数减1。

进一步优选，待研究车次运行一趟时相邻两个站点B_i、B_j的路段内待研究车次在恶劣天气下的暴露时长F_ij的获取方式如下：

A：基于行政区域信息获取相邻两个站点B_i、B_j间运行路段内的所有行政区域A_k，其中k＝1,2,3,4,…,m,m为行政区域的个数；

B：再按照如下公式计算出在相邻两个站点B_iB_j间运行路段内待研究车次通过各个行政区域A_k的运行里程和时间

当k＝2,3,4,…,(m-1)时，运行里程和时间的计算公式如下：

当k＝1时，i＝o＝1，j＝2运行里程和时间的计算公式如下：

当k＝m时，i＝d+1，j＝d，运行里程和时间的计算公式如下：

式中，表示第k个、k-1个行政区域A_k、A_k-1与相邻两个站点B_i、B_j间运行路段的共同交点，B_iB_j表示相邻两个站点B_i、B_j之间的图网距离。两点间的图网距离为该两点在网络中的欧式距离；表示相邻两个站点B_i、B_j间的平均运行速度；

C：再计算待研究车次经过各个行政区域A_k的初始经过时刻以及离开时刻

其中，当k＝2,3,4,…,m时，满足：

当k＝1时，满足：

式中，表示待研究车次在始发站B_o的实际出发时刻；表示待研究车次在始发站B_o的晚点时间；

D：根据待研究车次经过各个行政区域A_k的初始经过时刻以及离开时刻为各个行政区域A_k匹配时间区间来获取天气信息；

其中，以预设时长将一天划分为若干时间区间，天气信息表示各个行政区域在每个时间区间对应的天气数据；

E：基于待研究车次在相邻两个站点B_i、B_j之间的运行里程以及各个行政区域A_k的运行里程天气信息、时间计算出相邻两个站点B_i、B_j的运行路段内待研究车次在恶劣天气下的暴露时长；

或1

式中，表示行政区域A_k没有经历所述恶劣天气；时，表示在行政区域A_k经历恶劣天气。

进一步优选，相邻两个站点B_i、B_j间的平均运行速度的计算公式如下：

式中，表示待研究车次在第i个站点B_i的理论出发时刻，表示待研究车次在第j个站点B_j的理论到达时刻，和分别表示第i个、第j个站点B_i、B_j的晚点时间。

进一步优选，以1个小时将一天划分为24个时间区间，步骤D中根据待研究车次经过各个行政区域A_k的初始经过时刻以及离开时刻为各个行政区域A_k匹配时间区间的规则如下：

若行政区域A_k匹配该车次运行当天该行政区域(t_a,t_(a+1))时间区间的天气；

若行政区域A_k匹配该车次运行当天该行政区域Z时段对应时间区间的天气，其中，

其中，t_a∈{1,2,3,…,24}，t_a为第a小时。

进一步优选，所述恶劣天气类型包含2类或2类以上时，待研究车次运行一趟时，相邻两个站点B_i、B_j的运行路段内待研究车次在恶劣天气下的暴露时长等于各类恶劣天气下暴露时长之和。

进一步优选，恶劣天气类型为强风、雨、雪和雾霾中的任意一个或任意组合；其中，所述“强风”为天气预报中风力大于或等于7级的风的类型；恶劣天气中“雪”包括天气预报中的“中雪”、“大雪”、“暴雪”类型；恶劣天气类型中“雨”包括天气预报中的“中雨”、“大雨”、“暴雨”类型；恶劣天气中“雾霾”包括天气预报中的“大雾”、“霾”类型。

即恶劣天气中各类型天气的划分标准是以天气预报为依据。

进一步优选，列车时刻表信息包括车次、各站点发车时间、站点名称、在各站点达到时间、各站点间运行里程、各站点晚点时长；所述列车站点地理信息包括站点名称、各站点经度、纬度。

进一步优选，所述铁路路网包括铁路系统底层子网、铁路站点位置子网、铁路站点天气信息子网；

其中，铁路系统底层子网表示各个车次的运行路径；所述铁路站点位置子网是基于所述铁路系统底层子网添加行政区域信息和地理信息；所述铁路站点天气信息子网是基于所述铁路站点位置子网添加天气信息。

步骤S1中基于Scrapy的分布式爬虫算法采集信息，其中，将信息采集分解为若干独立任务，每个独立任务在一台节点上运行，实现多任务的并发执行，从而在短时间内获取大量所需数据。

有益效果

本发明从恶劣天气以及晚点信息的角度考虑列车车次的安全性，这是基于一方面，恶劣天气容易造成各车次列车各类安全性问题，另一方面列车晚点除了天气原因外，还受其他列车安全性因素的影响，因此晚点信息可以用于反映其他因素对车次安全性的影响，本发明根据车次实际应用情况设定安全性指标来评估车次的安全性，设定的安全性指标综合衡量了车次在恶劣天气下的暴漏时长情况以及在车次在整条线路晚点的影响情况，可以更加全面、准确地评估车次的安全性，得到更加可靠的一个结果，且安全性指标所需数据易于获取且全部公开，该方法易于操作且较为精确，对列车故障预测及预警、合理分配维修资源、运行图调整等都有重要的意义。

针对晚点条件，本发明根据车次的实际应用设定晚点影响度参数，其加入了晚点时长以及类介数中心性来判断该车次受整个路网的影响，由于造成列车晚点的原因很多，如环境因素、运营管理状况、人为因素、机器故障等，所以通过晚点影响度参数可以间接地反映整个系统网络对列车的安全性总体影响，能弥补单一恶劣天气指标判断列车安全性的不足；通过历史数据的判断，对未来运行图调整也有重大意义。

针对暴露时长，本发明以相邻两个站点有向连接边之间各个行政区域为单元来计算暴露时长，单元划分更合理和更精细，使得得到的暴露时长结果更加可靠。

附图说明

图1为本发明流程示意图；

图2为本发明实施中，四种恶劣天气下高速列车暴露时长空间分布图，图2(a)强风天气下高速列车暴露时长空间分布图，在强风天气类型下暴露时间最长的高速列车为D7740次列车，从大连站出发，经过17站，到达沈阳站；图2(b)下雨天气下高速列车暴露时长空间分布图，雨天类型暴露时间最长的列车为D2241次列车，从成都站出发，经过27站，到达在终点福州站；图2(c)下雪天气下高速列车暴露时长空间分布图，雪天天气类型暴露时间最长的列车为D111次列车，从珲春站出发，经过18站，到达齐齐哈尔站；图2(d)雾霾天气下高速列车暴露时长空间分布图，霾天天气类型暴露时间最长的列车为G1261，从郑州东站出发，经过28站，到达哈尔滨西站。

具体实施方式

下面将结合实施例对本发明做进一步的说明。

如图1所示，一种基于恶劣天气和晚点条件下列车车次安全性评估方法，包括如下步骤：

S1：采集历史时段内待研究车次下的列车信息、行政区域信息以及区域天气信息并基于采集的信息构建铁路路网；

列车信息包括列车时刻表信息和列车站点地理信息，其中，基于Scrapy的分布式爬虫算法，获取相关数据。譬如使用的列车时刻表数据来源于中国铁路客户服务中心网站，其对于全国各车次各站点地名、发车时间、到站时间、各站点间运行里程、各车次各站点的晚点时长均有详细记录，共有7262班车次；列车站点地理信息数据来源于腾讯地图，其包含了列车各个站点的地理信息经纬度坐标；行政区域信息来源于中华人民共和国民政部全国行政区划查询平台；区域天气信息来源于中国气象数据网，譬如其包含有2017年1月1日至2017年3月31日(第一季度)地级及以上行政区域城市的天气情况，共365天、125560条数据，每条数据包含有地点、日期、时刻(每一小时)、温度、天气状况(风、雨、雪、雾霾)等。

本实施例以G字母开头的高速铁路列车和D字母开头的动车组列车做具体实施方式的对象。其他可行的实施例中还包含普通列车，或者各类列车的组合，本发明对此不进行具体的限定。

获取到相关信息后构建铁路网络，构建的铁路网络中节点表示站点，节点之间的有向连接边表示运行路段，路段暂时假设以直线运行的方式。本实施例中，铁路路网包括铁路系统底层子网、铁路站点位置子网、铁路站点天气信息子网；

其中，铁路系统底层子网表示各个车次的运行路径，具体是将列车时刻表数据与列车站点地理信息数据中所包含的“站点名称”属性进行规范化处理，并通过python语言将两类数据进行匹配，构建铁路系统底层子网G₀。该网络能够展示铁路系统各站点的到发关系，但无法具体显示所在中国版图上的位置以及所属的行政区域，故需要进一步将网络进行完善。

进而基于所述铁路系统底层子网结合雷车站点地理信息中的经纬度数据、行政区域信息并利用ArcGIS构建铁路站点位置子网G₁；铁路站点位置子网G₁能够有效了解各站点在实际地理信息图中的具体位置，显示铁路系统各站点间的到发关系。

所述铁路站点天气信息子网G₂是基于铁路站点位置子网G₁添加天气信息。

基于该三个子网可以获取到列车运行路径上行政区域划分情况、以及对应天气状态以及各个站点的地理位置信息。

S2：基于所述铁路路网计算在所述历史时段内待研究车次在铁路路网中的总晚点影响度。

历史时段内待研究车次会运行多次的，而总晚点影响度是历史时段内待研究车次每运行一趟得到的晚点影响度的累加和。其中，历史时段内待研究车次运行一趟得到的晚点影响度D_{train_number}的计算公式如下：

式中，j＝i+1，和分别为待研究车次的运行路段上前后相邻两个站点B_i、B_j站的晚点时长，站点B_o为待研究车次的始发站，站点B_d为待研究车次的终点站，C_(ij)为相邻两个站点B_i站和B_j站有向连接边的类介数中心性。相邻两个站点B_i、B_j有向连接边的类介数中心性C_(ij)的定义如下：

其中θ_ij表示在铁路路网的所有车次中经过相邻两个站点B_i、B_j有向连接边的车次数目，θ_od表示在铁路路网中的所有车次的车次数目。从上述定义可知，相邻两个站点B_iB_j有向连接边的类介数中心性C_(ij)反映了该路径在整个G₁网络中作为通路的重要程度。

从上述两个公式可知，获取历史时段内待研究车次的总晚点影响度是以每运行一趟得到的晚点影响度为单元进行累加，而车次每运行一趟得到的晚点影响度又是以运行路段中每相邻两个站点之间的运行路段为单元。

S3：基于所述铁路路网计算在所述历史时段内待研究车次在恶劣天气下的总暴露时长。

本实施例中，恶劣天气是指强风、雨、雪和雾霾，“强风”为风力大于或等于7级的风类型天气，在强风情况下，风速可达到50km/h-60km/h，行人迎风将难以走路。“雨”包括天气预报中的“中雨”、“大雨”、“暴雨”类型天气，该天气会对出行造成影响；“雪”包括天气预报中“中雪”、“大雪”、“暴雪”类型天气，该天气会对出行造成影响；“雾霾”包括天气预报中“大雾”和“霾”天气类型，该天气会使出行的能见度大大降低。

其他可行的实施例中可以是该四类天气的任意一个或任意组合或者加入其他类型天气的组合，本发明对此不进行具体的限定。

同总晚点影响度类似，获取历史时段内车次的总暴露时长是以历史时段内每运行一趟得到的暴露时长为单元进行累加，而车次每运行一趟得到的暴露时长又是以运行路段中每相邻两个站点之间的运行路段为单元计算。

因此，先考虑车次运行一趟时相邻两个站点B_i、B_j的路段内待研究车次在恶劣天气下的暴露时长F_ij的获取方式，其过程包括如下步骤：

A：基于行政区域信息获取相邻两个站点B_i、B_j间运行路段内的所有行政区域A_k，其中k＝1,2,3,4,…,m,m为行政区域的个数。

本实施中行政区域的划分是以地级市为标准。每条路径会通过前后两站点间B_i和B_j的所有地级市，假设通过的地级市为A_k，其中k＝1,2,3,4,…,m,，则表示列车在运行过程中从始发站所在地级市A₁到终点站所在地级市A_m所经过的所有地级市。

B：再按照如下公式计算出在相邻两个站点B_i、B_j间运行路段内待研究车次通过各个行政区域A_k的运行里程和时间其中，相邻两个地级市与路径的交点为基于G₁网络中两站点B_i、B_j间通过各地级市的长度比例，计算B_i、B_j间列车通过地级市A_k，k＝1,2,3,…,m的运行里程以及经过A_k所需的时间

b1：当k＝2,3,4,…,(m-1)时，运行里程和时间的计算公式如下：

b2：当k＝1时，即列车在终点站所在地级市，i＝o＝1，j＝2,运行里程和时间的计算公式如下：

b3：当k＝m时，即列车在终点站所在地级市时，i＝d-1，j＝d，运行里程和时间的计算公式如下：

式中，B_iB_j表示相邻两个站点B_i、B_j之间的距离；表示相邻两个站点B_i、B_j间的平均运行速度，平均运行速度的计算公式如下：

式中，表示待研究车次在第i个站点B_i的理论出发时刻，表示待研究车次在第j个站点B_j的理论到达时刻，和分别表示第i个、第j个站点B_i、B_j的晚点时间。

C：再计算待研究车次经过各个行政区域A_k的初始经过时刻以及离开时刻

其中，当k＝2,3,4,..,m时，满足：

当k＝1时，满足：

式中，表示待研究车次在始发站点B_o的理论出发时刻；表示待研究车次在始发站点B_o的晚点时间。

D：根据待研究车次经过各个行政区域A_k的初始经过时刻以及离开时刻为各个行政区域A_k匹配时间区间来获取天气信息。其中，基于python语言，将某车次经过各城市的“初始经过时刻”和“最后离开时刻”分别匹配到城市天气数据中所对应的每小时的天气内。

本实施例中，以1小时为单元将一天划分为24个时间区间，t_a∈{1,2,3,…,24，t_a为第a小时。天气信息表示各个行政区域在每个时间区间对应的天气数据，本发明需要筛选出强风、雨、雪和霾四类天气类型。其中所述恶劣天气中“强风”为天气预报中风力大于或等于7级的风类型；恶劣天气中“雪”包括天气预报中的在“中雪”、“大雪”、“暴雪”类型；恶劣天气类型中“雨”包括天气预报中的“中雨”、“大雨”、“暴雨”类型；恶劣天气中“雾霾”包括天气预报中的“大雾”、“霾”类型。若即若“初始经过时刻”和“最后离开时刻”在同一小时区间的天气内，行政区域A_k匹配(t_a,t_(a+1))时间区间的天气；

若即若“初始经过时刻”和“最后离开时刻”不在同一小时区间的天气内，行政区域A_k匹配Z时段对应时间区间的天气，其中，

需要说明的是，通过研究发现，列车在两个站点B_i、B_j之间一个地级市上初始经过时刻和最后离开时刻不在同一小时区间时，也必然会在相邻的两个小时区间内。

E：基于待研究车次在相邻两个站点B_i、B_j之间的运行里程以及各个行政区域A_k的运行里程天气信息、时间计算出相邻两个站点B_i、B_j的运行路段内待研究车次在恶劣天气下的暴露时长。

根据如下公式计算出列车运行一趟时，相邻两个站点B_i、B_j的运行路段内待研究车次在恶劣天气下的暴露时长F_ij：

或1

式中，表示行政区域A_k没有经历所述恶劣天气；时，表示在行政区域A_k经历恶劣天气。譬如本实施例中，四类恶劣天气下的暴露时长分别如下：

表示在B_iB_j两个站点间“风”类型天气条件下的暴露时长。

表示在B_iB_j两个站点间“雨”类型天气条件下的暴露时长。

表示在B_iB_j两个站点间“雪”类型天气条件下的暴露时长。

表示在B_iB_j两个站点间“霾”类型天气条件下的暴露时长。

进而，车次在相邻两个站点B_i、B_j间所有恶劣天气条件下暴露时长F_ij如下：

得到运行一趟时相邻两个站点B_i、B_j的运行路段内待研究车次在恶劣天气下的暴露时长后再获取运行一趟时在恶劣天气下的暴露时长，其计算公式如下：

式中，F_{train_number}为待研究车次运行一趟时在恶劣天气下暴露时长，S_{train_number}为待研究车次运行一趟的总运行里程，F_ij表示待研究车次运行一趟时相邻两个站点B_i、B_j的路段内待研究车次在恶劣天气下的暴露时长，S_ij表示待研究车次在相邻两个站点B_i、B_j之间的运行里程，n等于待研究车次所经过的车站个数减1。

本实施例中，四类恶劣天气表示如下：

表示某车次“风”类型天气的暴露时长；

表示某车次“雨”类型天气的暴露时长；

表示某车次“雪”类型天气的暴露时长；

表示某车次“霾”类型天气的暴露时长。

本发明通过上述方法计算得到列车的暴露时长，其通过定位各个地级市，匹配经过每个地级市时所对应的具体的恶劣天气状况，能够较为精细准确的计算出列车在各个恶劣天气下的暴露时长。通过对某车次恶劣天气暴露时长的准确计算，能够精确定位到恶劣天气下长时间暴露时长的车次，为列车运行安全提供决策基础。

S4：对S2中的总晚点影响度和S3中的总暴露时长进行标准化处理得到晚点指数和暴露时长指数，再基于晚点指数和暴露时长指数计算出待研究车次的安全性指标；

其中，利用log函数转换法进行标准化处理，如下：

式中，为暴露时长指数，表示总暴露时长，为所述历史时段内待研究车次每运行一趟得到的恶劣天气下暴露时长的累加值，为所有车次在历史时段内一趟运行中在恶劣天气下暴露时长最长车次的暴露时长，为暴露时长最长的车次在历史时段内每运行一趟得到的恶劣天气下暴露时长的累加值；

为晚点指数，∑D_{train_number}为总晚点影响度，为所有车次在历史时段内一趟运行中晚点影响度最大车次的晚点影响度，为晚点影响度最大的车次在历史时段内的每运行一趟得到的晚点影响度的累加值；

安全性指标计算公式如下：

α₁+α₂＝1

式中，I_{train_number}为安全性指标，α₁、α₂均为比例系数，其分别表示晚点指数、暴露时长指数的权重。优选α₁＝0.4，α₂＝0.6。

S5：以及步骤S4计算出的待研究车次的安全性指标得到待研究车次的安全性评估结果；

其中，待研究车次的安全性指标越高，待研究车次的安全性越高。通过本发明所述方法可以得到待研究车次的安全性评估结果，同理基于此方法可以得到所有车次的安全性评估结果，进而从中得出安全性排名情况，为列车后续维修等操作提供数据。

从图2看出在2017年第一季度中四种恶劣天气下高速列车暴露时长空间分布图，在强风天气下暴露时间最长的列车为D7740次列车，从大连站出发，经过17站，到达沈阳站；雨天暴露时间最长的列车为D2241次列车，从成都站出发，经过27站，到达在终点福州站；雪天暴露时间最长的列车为D111次列车，从珲春站出发，经过18站，到达齐齐哈尔站；雾霾天气暴露时间最长的列车为G1261，从郑州东站出发，经过28站，到达哈尔滨西站。

综合所有恶劣天气，计算得2017年第一季度恶劣天气下各车次的暴露时长(如表1所示恶劣天气下暴露时长最长的Top10车次)以及各车次累计晚点时间(如表2所示晚点时间最长的Top10车次)，并通过计算得出各个车次的恶劣天气晚点安全性评价指数(如表3所示恶劣天气下晚点安全性评价指数最低的Top10车次；表4所示恶劣天气下晚点安全性评价指数最高的Top10车次)。

表1

表2

表3

表4

综上所述，本发明提供的所述方法可以准确地对列车安全性进行评估，满足人民群众对旅客列车运行逐渐增大的需求，建立了综合衡量恶劣天气和晚点条件下安全性的评价指标。除了常规情况下对铁路系统中所有车次进行正常检修排查故障以外，可通过指标针对性的对部分车次进行精细化重点检修，并作为未来运行图调整的一个依据，以减少晚点对整个铁路网中其他车次的影响。该方法基于现有的公开的数据，不仅数据获取便利，且操作简单易懂，覆盖全面，计算复杂度低，在铁路系统安全性评价中，具有导向性的意义。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。