【图片】你们知道地铁车头是怎么检测的吗_地铁吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：28,754贴子：
你们知道地铁车头是怎么检测的吗收藏
有兴趣看看地铁车头扫描的小伙伴可以点进来哦
行业背景：
地铁以其环保便捷等特点，已经成为大城市人们出行选择的方式之一。地铁及其投入使用以来，每天都在运行；地铁承载的人口数量又很大，所以从安全等角度而言，地铁的检测工作是必要的。地铁的车头体积大、曲面多，传统的三坐标和拍照式扫描仪难以完成检测工作。
一、需求描述地铁公司需要对已投入使用地铁车头外形扫描,得到其外形数据,与数模进行比对,以此来判断其形变量以及是否可以继续使用。二、解决方案1.解决方案由于地铁车头尺寸较大且多由大曲率曲面构成，依靠传统测绘方式难以得到所需的外形数据，所以采用手持式三维激光扫描仪配合全局摄影测量系统一起使用的方案。首先使用全局摄影测量系统，采集提前贴在地铁车头上的标记点数据，将标记点数据导入手持式三维激光扫描软件，使用手持式三维激光扫描仪采集地铁车头的外形数据。得到其外形数据后将其于数模在个Geomagic软件中进行数摸比对，并生成比对报告，得到客户所需的结果数据。
a.扫描地铁车头?
贴标记点用时30分钟?
扫描时间50分钟三、数据的采集与处理
a、现场照片地铁车头及三维扫描图
b、数据处理
c、数摸比对四、小结全局摄影测量系统可以有效降低由于工件较大而产生的较高的偏差积累，配合手持式扫描仪扫描地铁车头，得到的数据可以满足对于精度以及使用方面（用于数摸比对观察各处偏差）的要求。通过Geomagic软件比对生成比对报告，可以直观全面的观察整个工件的形变情况。手持式三维扫描仪成功完成三维扫描，有效帮助地铁公司解决了地铁检测的工作。
二号线吧……这好老的图了
行业背景： 地铁以其环保便捷等特点，已经成为大城市人们出行选择的方式之一。地铁及其投入使用以来，每天都在运行；地铁承载的人口数量又很大，所以从安全等角度而言，地铁的检测工作是必要的。地铁的车头体积大、曲面多，传统的三坐标和拍照式扫描仪难以完成检测工作。
这图是16年10月份以前的。
登录百度帐号登录以解锁更多InfoQ新功能
获取更新并接收通知
给您喜爱的内容点赞
关注您喜爱的编辑与同行
966,690 三月 独立访问用户
语言 & 开发
架构 & 设计
文化 & 方法
您目前处于：
大数据如何协助诊断新加坡环线地铁故障
大数据如何协助诊断新加坡环线地铁故障
2&他的粉丝
日. 估计阅读时间:
，PWA、Web框架、Node等最新最热的大前端话题邀你一起共同探讨。
亲爱的读者：我们最近添加了一些个人消息定制功能，您只需选择感兴趣的技术主题，即可获取重要资讯的。
相关厂商内容
相关赞助商
编者按：大数据正在渗透各行各业，甚至能跟你考试能力测试、患上某种疾病的机率等非常生活化的场景应用都发生紧密的联系。今后大数据在我们的生活中就像是水和电一样，让社会整个信息质量更好、让信息利用效率更高效。
世界著名未来学家托夫勒曾说改变这个世界的力量有三种暴力、知识、金钱，而如今我们的世界正在被第四种力量改变，那就是大数据！大数据不管应用在哪个行业它的核心都是通过技术来获知事情发展的真相，最终利用这个&真相&来更加合理的配置资源。具体来说，要实现大数据的核心价值，还需要前两个重要的步骤，第一步是通过&众包&的形式收集海量数据，第二步是通过大数据的技术途径进行&全量数据挖掘&，最后利用分析结果进行&资源优化配置&。说白了，大数据最终的落地就是资源优化配置。
本文揭示了新加坡政府是如何利用大数据技术来捕获引发地铁被中断的反常列车，我们得以再一次见识大数据技术的神奇力量。
最近几个月，新加坡的地铁环线（MRT Circle Line）遭到了一连串的神秘中断，对数以千计的乘客造成了很大的混乱和痛苦。
同大多数同事一样，我每天早晨搭乘环线地铁到办公室。因此，在11月5日，当我所在的团队有调查原因的机会时，我就毫不犹豫地自告奋勇参加了。
根据新加坡地铁公司（SMRT）和新加坡陆路交通管理局（Land Transport Authority，LTA）的先前调查，我们知道这些事件是由于某种形式的信号干扰造成的，导致了一些列车的信号丢失。信号丢失会触发那些列车中的制动安全功能，并使它们沿着轨道随机停止。
但是这起第一次发生在八月份的事件&&似乎是随机发生的，使调查小组很难找到确切的原因。
我们获得了由SMRT编译的数据集，其中包含以下信息：
每个事件的日期和时间
事件的位置
涉及的列车编号
列车的方向
我们开始清理数据，在Jupyter Notebook中进行工作，这是一个流行的编写和记录Python代码的工具。
像往常一样，第一步是导入一些有用的Python库。
import math
import xlrd
import itertools as it
import numpy as np
import pandas as pd
from datetime import datetime
然后我们从原始数据中提取有用的部分。
dfincidents_0 = pd.read_excel('CCL EVAC E-brake occurrences hourly update_mod.xlsx', sheetname='Aug Sep')
dfincidents_1 = pd.read_excel('CCL EVAC E-brake occurrences hourly update_mod.xlsx', sheetname='Nov')
# Incident data for Nov had different format
dfincidents_1['Time'] = dfincidents_1['Time'].str.strip('hrs').str.strip(' ')
dfincidents_1['Time'] = pd.to_datetime(dfincidents_1['Time'], format='%H%M').dt.time
dfincidents = pd.concat([dfincidents_0, dfincidents_1])
# Reset the index because they were concatenated from two data sources
dfincidents.reset_index(inplace=True, drop=True)
我们将日期和时间列合并为一个标准列，以便更容易地将数据可视化：
def datetime_from_date_and_time(row):
Combines the date column and time column into a single column
d = row['Date']
t = row['Time']
return datetime(
d.year, d.month, d.day,
t.hour, t.minute, t.second
# Add DateTime to the data for easier visualization
dfincidents['DateTime'] = dfincidents.apply(datetime_from_date_and_time, axis=1)
这就产生了如下表格：
截图1：初始处理的输出
最初的可视化没有明确的答案
我们在初步探索性的分析中找不到任何明显的答案，如下图所示：
1.事件发生在一天之中，整天的事件数量反映了高峰和非高峰旅行时间。
1 出现反映高峰和非高峰旅行时间的次数
2.事故发生在环线上的各个地点，西侧发生的事件略多一些。
2 干扰的原因似乎与位置无关
3.只有一辆或两辆列车的话，信号干扰并不会产生影响，但在这条环线上有许多列车。&PV&是&客运车辆&（Passenger Vehicle）的缩写。
3 60辆不同列车受到信号干扰
Marey图表：显示时间、位置和方向
我们的下一步是将多维度纳入探索性分析。
我们的灵感来自Marey图表，这是1983年Edward Tufte出版的经典著作《定量信息的视觉显示》（《》）最近，它被Mike Barry和Brian Card应用在波士顿地铁系统的：
截图2 摘自http://mbtaviz.github.io/
在该图表中，垂直轴表示时间&&按时间顺序从上到下；而水平轴表示沿着列车线路的车站。对角线则表示列车运行。
在我们的Marey图表中开始绘制轴：
4 环线版本的一个空白Marey图表
在正常情况下，在HarbourFront和Dhoby Ghaut之间运行的列车将在类似与此的线路上移动，每次单程行程只需要一个小时以上：
5 环线上列车运行的程式化表示
我们的目的是在这个图表上绘制事件&&是点而不是线。
准备可视化数据
首先，我们将站名从三字母代码转换为数字：
Marina Bay到Promenade之前：0到1.5；
Dhoby Ghaut到HarbourFront：2到29。
如果事故发生在两个站之间，则将其表示为0.5加上两个站号中的较小数。例如，如果事件发生在HarbourFront（29）和Telok Blangah（28）之间，则位置将是&28.5&。这样我们就很容易绘制沿水平轴的点。
stations=(&MRB,BFT,DBG,BBS,EPN,PMN,NCH,SDM,MBT,DKT,PYL,MPS,TSG,BLY,SER,&
&LRC,BSH,MRM,CDT,BTN,FRR,HLV,BNV,ONH,KRG,HPV,PPJ,LBD,TLB,HBF&).split(',')
def loc_id(station1, station2 = None):
Translates a 3-letter station code to a number,
or a pair of 3-letter station codes to a number.
Single stations are represented as whole numbers.
Locations between stations are represented with a .5.
loc_id('MRB')
# 0 (Marina Bay)
loc_id('MRB', 'BFT')
# 0.5 (Between Marina Bay and Bayfront)
loc_id('DBG')
# 2 (Dhoby Ghaut)
loc_id('HBF')
loc_id('HBF', 'TLB')
# 28.5 (Between Harbourfront and Telok Blangah)
loc_id('HBF', 'DBG')
# throws and error, because these stations are not adjacent
if station2 == None or station2 == 'nan' or (type(station2) is float and math.isnan(station2)):
# Single stations
return stations.index(station1)
else: # Pairs of stations -- take the average to get the 0.5
stn1_index = stations.index(station1)
stn2_index = stations.index(station2)
# Handle the branch at Promenade
if (set(['PMN', 'EPN']) == set([station1, station2])):
return float(stations.index('EPN')) + 0.5
elif set(['PMN', 'BFT']) == set([station1, station2]):
return float(stations.index('BFT')) + 0.5
# Require station pairs to be adjacent stations
assert(math.fabs(stn1_index - stn2_index) == 1)
return float(stn1_index + stn2_index) / 2
然后我们计算位置ID的数字&&
def loc_id_from_stations(row):
# This handles entries with both &Station from& and &Station to&
# and entries with only &Station from&
return loc_id(row['Station from'], str(row['Station to']))
except ValueError:
# Some entries only have &Station to& but no
# &Station from&
return loc_id(row['Station to'])
并添加到数据集：
# Select only some columns that we are interested in
sel_dfincidents = dfincidents[['DateTime', 'PV', 'Bound', 'Station from', 'Station to', 'Event', 'Remarks']]
# Add the location ID into the dataset
sel_dfincidents['LocID'] = sel_dfincidents.apply(loc_id_from_stations, axis=1)
然后我们得到如下表格：
截图3 添加位置ID后的输出表
通过数据处理，我们能够创建所有紧急制动事件的散点图。这里的每个点代表一个事件。我们还是无法发现任何明显的事故模式。
6 信号干扰事件表示为散点图
接下来，我们通过将每个事件表示为指向左侧或右侧的三角形，而不是点，将列车方向添加到图表中：
7 方向由箭头和颜色表示。
它看起来相当随机，但当我们放大到如下的图表，一个模式似乎似乎浮出了水面：
8 上午6点到10点之间的事件
如果你仔细阅读图表，你会注意到，故障似乎按顺序发生。当一趟列车受到干扰时，另一趟在同一方向行驶的列车很快就会受到波及。
信号如何互相干扰？
在这一点上依然不明，一趟列车是罪魁祸首。
我们已经证实的是，似乎有一个随时间和位置相关的模式：事件一个接一个地发生，与上一个事件的方向相反。似乎有一条&破坏的痕迹&，它会不会是导致数据集中那些事件的诱因？
事实上，连接事件的假想线看上去与截图2的Marey图表可疑地类似。干扰的原因会不会是对面轨道的列车？
9 它会是一趟相反方向行驶的列车吗？
我们决定检验这个&反常列车&的假说。
我们已经知道，沿着环线的车站之间的行驶时间在两到四分钟之间。这意味着如果发生4分钟的间隔，我们可以将所有紧急制动事件分组在一起。
def same_cascade(i, j):
Given a pair of incidents (i,j), returns true if:
t &= d * 4 mins
where t is
the time difference between occurrences
and d is the distance (measured by difference in location ID).
Moreover, we consider the track direction, and only consider
incidents that are &moving backwards&.
# If trains are not travelling in the same direction
# they cannot be due to the same &backward moving& interference
# (Note: This was the hypothesis when this code was written.
# It turned out that the rogue train could affect all
# trains in the vicinity, not just in the opposite track)
if i[&Bound&] != j[&Bound&] or \
i[&Bound&] not in ['IT', 'OT']:
return False
# time difference in minutes
time_difference = (i[&DateTime&] - j[&DateTime&]) / np.timedelta64(1, 'm')
location_difference = i[&LocID&] - j[&LocID&]
if location_difference == 0:
return False
ratio = time_difference / location_difference
if i[&Bound&] == 'OT':
return ratio & 0 and ratio & 4
elif i[&Bound&] == 'IT':
return ratio & 0 and ratio & -4
我们发现了满足这个条件的所有事件对：
incidents = sel_dfincidents.to_records()
# (a, b, c, d, ...) --& ((a,b), (a,c), (a,d), ..., (b,c), (b,d), ..., (c,d), ...)
incident_pairs = list(it.combinations(incidents, 2))
related_pairs = [ip for ip in incident_pairs if same_cascade(*ip)]
related_pairs = [(i[0], j[0]) for i,j in related_pairs]
然后，我们使用将所有相关的事件对分组成更大的集合。这使我们可以将可能关联到同一&反常列车&的事件分组。
def pairs_to_clusters(pairs):
A quick-and-dirty disjoint-set data structure. But this works fast enough for 200+ records
Could be better.
Example input:
(1,2), (2,3), (4,5)
1: {1,2,3}
2: {1,2,3}
3: {1,2,3}
the_clusters = dict()
for i,j in pairs:
if i not in the_clusters:
if j in the_clusters:
the_clusters[j].add(i)
the_clusters[i] = the_clusters[j]
the_clusters[i] = set(list([i, j]))
the_clusters[j] = the_clusters[i]
if j in the_clusters:
if the_clusters[i] is not the_clusters[j]: # union the two sets
for k in the_clusters[j]:
the_clusters[i].add(k)
the_clusters[k] = the_clusters[i]
else: # they are already in the same set
the_clusters[i].add(j)
the_clusters[j] = the_clusters[i]
return the_clusters
然后将我们的算法应用于数据：
clusters = pairs_to_clusters(related_pairs)
# Show each set only once
clusters = [v for k,v in clusters.items() if min(v) == k]
clusters[0:10]
这些是我们确定的一些集群：
{5, 6, 7},
{18, 19, 20},
{21, 22, 24, 26, 27},
{28, 29, 30, 31, 32, 33, 34},
{42, 44, 45},
{51, 52, 53, 56}]
接下来，我们计算了可以通过我们的聚类算法解释的事件的百分比。
# count % of incidents occurring in a cluster
all_clustered_incidents = set()
for i,clust in enumerate(clusters):
all_clustered_incidents |= clust
(len(all_clustered_incidents),
len(incidents),
float(len(all_clustered_incidents)) / len(incidents))
(189, 259, 0.7297)
它表达的意思是：在数据集中的259个紧急制动事件中，189个案例（其中73个）可以通过&反常列车&假说来解释。我们觉得我们真的走对了路。
我们基于聚类结果对事件图进行了着色。具有相同颜色的三角形在同一个集群中。
10 通过我们的算法聚类的事件
有多少反常列车？
如图5所示，在环线上的每个端到端行程需要大约1小时。我们通过事件图和与图5密切匹配的线绘制最佳线。这强烈暗示只有一个&反常列车&。
11 事件集群的时间强烈暗示干扰能够关联到单趟列车
我们还观察到，不明的&反常列车&本身似乎没有遇到任何信号问题，因为它没有出现在我们的散点图。
我们相信我们有一个很好的例子，决定进一步调查。
捕获反常列车
日落之后，我们去了Kim Chuan站以确定&反常列车&。我们不能检查详细的列车日志，因为SMRT需要更多的时间来提取数据。因此，我们决定用传统方式通过查看在事件发生时到达和离开每个车站的列车的视频记录来识别列车。
上午3点，车队出现了头号嫌犯：PV46，一辆自2015年起投入使用的列车。
11月6日（星期日），LTA和SMRT测试，如果PV46是通过运行列车在非高峰时间问题的来源，那我们就对了&&PV46确实导致了附近列车之间的通信丢失，并触发那些列车上的紧急制动器。在PV46未投入使用的那天之前，并没有这样的事件发生。
在11月7日（星期一），我们的团队处理了PV46的历史位置数据，并得出结论，从8月到11月的所有事件中，超过95%可以用我们的假说来解释。其余的事件，可能是由于偶发在正常情况下的信号丢失。
在某些日子，如9月1日，这种模式特别明显。你可以很容易地看到，当PV46投入运行时 ，在其运行期间或者前后，常常发生发生干扰事件。
LTA和SMRT最终于11月11日发布了一份联合新闻稿，与公众分享调查结果。
当我们开始时，我们曾经希望能够找到跨机构调查组可能感兴趣的模式，其中包括LTA、SMRT和DSTA的许多官员。SMRT和LTA提供的整洁的事件日志帮助我们开了一个好头，因为在导入和分析数据之前需要尽可能少的清理。我们还对LTA和DSTA的有效跟踪调查表示满意，因为他们证实了PV46存在硬件问题。
从数据科学的角度来看，我们很幸运，事件发生得如此接近。这使我们能够在如此短的时间内识别问题和罪魁祸首。如果事件更加孤立，则Z字形模式将不那么明显，并且它将让我们耗费更多的时间和数据来解决这个谜。
当然，令人最高兴的是，现在所有人可以坐环线地铁再次充满信心地工作。
注意：本文提到的代码是在日编写的&&我们处理SMRT数据以确定环线地铁事件原因的实际日期。我们承认可能存在不足之处。您可以在下载我们的Jupyter Notebook的副本。
关注Data.gov.sg:
感谢对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作，请邮件至。也欢迎大家通过新浪微博（，），微信（微信号：）关注我们。
Author Contacted
语言 & 开发
350 他的粉丝
架构 & 设计
832 他的粉丝
1 他的粉丝
271 他的粉丝
0 他的粉丝
33 他的粉丝
2 他的粉丝
告诉我们您的想法
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
赞助商链接
InfoQ每周精要
订阅InfoQ每周精要，加入拥有25万多名资深开发者的庞大技术社区。
架构 & 设计
文化 & 方法
InfoQ.com及所有内容，版权所有 ©
C4Media Inc. InfoQ.com 服务器由 提供, 我们最信赖的ISP伙伴。
极客邦控股（北京）有限公司
找回密码....
InfoQ账号使用的E-mail
关注你最喜爱的话题和作者
快速浏览网站内你所感兴趣话题的精选内容。
内容自由定制
选择想要阅读的主题和喜爱的作者定制自己的新闻源。
设置通知机制以获取内容更新对您而言是否重要
注意：如果要修改您的邮箱，我们将会发送确认邮件到您原来的邮箱。
使用现有的公司名称
修改公司名称为：
公司性质：
使用现有的公司性质
修改公司性质为:
使用现有的公司规模
修改公司规模为：
使用现在的国家
使用现在的省份
Subscribe to our newsletter?
Subscribe to our industry email notices?
我们发现您在使用ad blocker。
我们理解您使用ad blocker的初衷，但为了保证InfoQ能够继续以免费方式为您服务，我们需要您的支持。InfoQ绝不会在未经您许可的情况下将您的数据提供给第三方。我们仅将其用于向读者发送相关广告内容。请您将InfoQ添加至白名单，感谢您的理解与支持。搭地铁的票从购买起多少个小时内有效？_百度知道
搭地铁的票从购买起多少个小时内有效？
我有更好的答案
各城市的轨道交通（地铁）运营企业的票务规则有所不同，所以各地的车票有效期有所差异，具体规则需查看乘车城市地铁公司的相关规定。一般而言，地铁单程票当天当站有效，可以提前买票，只要在当天当站使用就可以；而进入闸机后一般是120~180分钟内有效（而买了票又没有入闸乘车的，30分钟内可以办理退票），超过120~180分钟视为超时须按最高价罚款的。 以下是北京地铁票有效期的相关规定，以供参考：自日起①刷地铁票进站后，须在4小时内出站，否则须补交超时车费才可出站。②中途换卡、A/B卡出站或同站进出等都将被视为违规进出站，处罚将按单程最高票价10倍补交，即90元。③对确有需要短时间内同站进出的乘客，可以和站务人员沟通协商。 北京于日正式实施公交票改，地铁2元、公交4毛的低票价时代被终结。轨道交通调整：起步6公里（含）每人次3元，6-12公里每人次4元，12-22公里每人次5元，22-32公里每人次6元，32公里以上每20公里加1元（上不封顶）。
采纳率：97%
来自团队：
广州地铁票是当天有效，入闸后限4个小时内出闸 南京地铁车票是有时间限制的，而有效期为2个小时
本回答被提问者采纳
为您推荐：
其他类似问题
地铁的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。城市地铁数据统计指标大全
我的图书馆
城市地铁数据统计指标大全
1.&&& 线网指标1.1&&&&运营线路条数定义：为运营列车设置的固定运营线路总条数。单位：条。计算方法：已对社会开通载客运营、独立命名的线路数量，包括试运营阶段的线路。1.2&&&&线路运营长度定义：运营线路按始发站站中心至终点站站中心沿正线线中心测得的长度。单位：公里。计算方法：按照（CJ/T8-1999）规定方法计算，运营线路长度＝1/2(上行起点至终点里程＋下行起点至终点里程)，含非独立运营和命名的支线，不包括折返线、渡线、联络线、停车线、出入线、安全线的长度。1.3&&&&网络运营长度定义：网络中各线路运营长度之和。单位：公里。计算方法：网络运营长度＝∑线路运营长度1.4&&&& 网络运营长度增长率定义：本期网络运营长度与上期相比的增长比例。单位：%。计算方法：网络运营长度增长率=（本期网络运营长度－上期网络运营长度）/上期网络运营长度×100。2.&&&车站指标2.1&&&&线路车站数定义：运营线路上办理运营业务和为乘客提供服务的建筑设施和场所的数量。单位：座。计算方法：按独立命名线路统计的运营车站个数。2.2&&&&换乘车站总数定义：运营线路交汇处具备从一条线路转乘到其他线路功能的车站数量。单位：座。计算方法：包括付费区换乘车站和非付费区换乘车站。付费区换乘车站指在付费区内利用站台、站厅、通道等方式实现换乘的车站；非付费区换乘车站指同一票务系统站外换乘连续计费和非同一票务系统设有换乘设施的车站。2线或2线以上换乘车站均只计作1座换乘站；共线运营线路，当连续共线车站超过2座时，只计作2座换乘站。2.3&&&&网络车站总数定义：网络中各条运营线路的车站总数。单位：座。计算方法：网络中线路车站数之和，共线段运营车站只计1次。2.4&&&&平均站间距定义：同一线路上两个相邻车站站中心间的平均距离。单位：公里。计算方法：平均站间距=线路运营长度/区间数3.&&& 客流指标3.1&&&& 客运量3.1.1&&&& 线路日均客运量定义：统计期内，线路日运送乘客总量的平均值。单位：万乘次/日。计算方法：线路客运量由本线进且本线出客流、换入至本线客流、由本线换出客流、途经客流四部分组成。包含可采用统计分析或客流抽样调查等方法进行清分的公务票、老人票、纪念票等非付费客流。线路日均客运量＝∑线路日客运量/统计天数。3.1.2&&&& 线路最高日客运量定义：统计期内，线路日客运量中最大的日客运量。单位：万乘次/日。计算方法：线路最高日客运量＝Max{线路日客运量}。3.1.3&&&& 线路客运量增长率定义：本期线路日均客运量与上期线路日均客运量相比的增长比例。单位：%。计算方法：线路客运量增长率＝（本期线路日均客运量－上期线路日均客运量）/上期线路日均客运量×100。3.1.4&&&& 线路高峰小时高断面客流量定义：线路高峰小时单向最大断面客流量。单位：万人次/h。计算方法：指正常运营状态，不包括由于城市大型公共活动或其它突发事件引起的持续影响期小于一周的突发客流情况。在使用自动售检票系统时由系统直接计算得出结果（或采用客流调查方式取得），每条线路取统计期内的最大值。3.1.5&&&& 列车高峰小时最大拥挤度定义：线路高峰小时高断面客流量与相应运力的比值，反映线路高峰小时最大断面的拥挤情况，每条线路取统计期内的最大值。单位：%。计算方法：备注：车厢空余面积定员数按国家设计标准6人/m2计算。3.1.6&&&& 网络日均客运量定义：统计期内，网络日客运总量的平均值。单位：万乘次/日。计算方法：网络日均客运量=统计周期内网络总客运量/统计天数。3.1.7&&&& 网络最高日客运量定义：统计期内，最大的网络日客运量。单位：万乘次/日。计算方法：网络最高日客运量＝Max{网络日客运量}。3.1.8&&&& 网络客运量增长率定义：本期网络日均客运量与上期网络日均客运量相比的增长情况。单位：%。计算方法：网络客运量增长率＝（本期网络日均客运量－上期网络日均客运量）/上期网络日均客运量×100。3.1.9&&&& 网络客运量比重（网络客运量占公共交通客运量比重）定义：网络日均客运量占全市日均公共交通客运总量的比率。单位：%& 计算方法：网络客运量比重＝网络日均客运量/全市日均公共交通客运总量×100。以城市公共交通管理部门发布的数据为准。说明：该指标按年度进行统计。3.1.10&&&&& 网络日均出行量定义：统计期内，平均每日利用轨道交通网络出行的乘客数量。乘客在网络中换乘一次或多次时，均视为一个出行人次。单位：万人次/日。计算方法：各线进站客流量的总和，包含公务票、老人票、纪念票等非付费客流。3.1.11&&&&& 网络出行量增长率定义：本期网络日均出行量与上期网络日均出行量相比的增长比例。单位：%。计算方法：网络出行量增长率＝（本期网络日均出行量－上期网络日均出行量）/上期网络日均出行量×100。3.1.12&&&&& 网络出行量比重（网络出行量占公共交通出行量比重）定义：网络日均出行量占全市日均公共交通出行总量的比率。单位：%计算方法：网络出行量比重＝网络日均出行量/全市日均公共交通出行总量×100。以城市公共交通管理部门发布的数据为准。说明：该指标按年度进行统计。3.1.13车站最高日客运量定义：统计期内，轨道交通运营车站每日为乘客提供进站、换乘、出站服务的总次数称为车站日客运量。车站最高日客运量指统计期内所有车站日客运量中最大的车站日客运量。单位：万乘次/日。计算方法：车站最高日客运量＝Max{车站日客运量} ＝Max{车站日进站量＋车站日换乘量＋车站日出站量}。说明：该指标反映所有车站客运工作中的日最大量。统计时需列出车站名、最高日客运量及对应的日期。换乘站作为一个车站进行统计，非换乘站的日换乘量以0计。&3.2&&&& 周转量3.2.1&&&& 线路日均客运周转量定义：统计期内，线路日客运周转量的平均值。单位：万乘次公里/日。计算方法：设有自动售检票系统的城市，根据票务系统统计客运周转量；没有自动售检票系统的城市，根据客流抽样调查方法估算平均运距，再计算得到客运周转量。3.2.2&&&& 网络日均客运周转量定义：统计期内，网络每日客运周转量的平均值。单位：万乘次公里/日。计算方法：网络日均客运周转量=统计周期内总客运周转量/统计天数。&3.3&&&& 换乘量3.3.1&&&& 换乘站日均换乘客流量定义：统计期内，某一换乘站各线路间每日换乘客流总和的平均值。单位：万人次/日。计算方法：通过自动售检票系统连续计费的换乘客流可通过票务系统清分模型得到，其它情况可采用客流抽样调查的方法得到。3.3.2&&&& 网络日均换乘客流量定义：统计期内，网络日换乘客流总和的平均值。单位：万人次/日。计算方法：网络日均换乘客流量＝统计周期内网络总换乘客流量/统计天数。说明：一般情况下，网络日均换乘客流量＝网络日均客运量－网络日均出行量3.3.3&&&& 网络换乘系数定义：衡量网络内部连通性的指标，为客运量与出行量的比值。单位：无。计算方法：网络换乘系数＝网络日均客运量/网络日均出行量。&3.4&&&& 运距/乘距3.4.1&&&& 线路平均运距定义：统计期内，在某一线路上乘客一次乘车的平均距离。单位：公里/乘次。计算方法：设有自动售检票系统的城市，线路平均运距=线路日均客运周转量/线路日均客运量；没有自动售检票系统的城市，根据客流抽样调查方法估算平均运距。3.4.2&&&& 网络平均乘距定义：统计期内，网络中乘客平均一次出行全程的总乘车距离。单位：公里/人次。计算方法：网络平均乘距＝网络日均客运周转量/网络日均出行量。说明：一个城市有多家轨道交通运营企业时，乘客一次出行的乘车距离可能分布在多家运营企业所运营的网络中。此时直接套用公式可能有所偏差，需要从整个城市轨道交通运营网络的角度统筹清分。&3.5&&&& 强度/负荷3.5.1&&&& 线路客运强度定义：线路日均客运量与线路运营长度之比，反映线路单位长度上每日的载客量，在一定程度上体现线路的运营效率。单位：万乘次/公里·日。计算方法：线路客运强度＝线路日均客运量/线路运营长度。3.5.2&&&& 线路负荷强度（线路周转强度）定义：线路日均客运周转量与线路运营长度之比，反映线路单位长度上每日承担的客运周转量。单位：万乘次公里/公里·日。计算方法：线路负荷强度＝线路日均客运周转量/线路运营长度。3.5.3&&&& 网络客运强度定义：网络日均客运量与网络运营长度之比，反映全网单位长度上每日的载客量，在一定程度上体现网络的运营效率。单位：万乘次/公里·日。计算方法：网络客运强度＝网络日均客运量/网络运营长度。3.5.4&&&& 网络负荷强度（网络周转强度）定义：网络日均客运周转量与网络运营长度之比，反映全网单位长度上每日承担的客运周转量。单位：万乘次公里/公里·日。计算方法：网络负荷强度＝网络日均客运周转量/网络运营长度。3.5.5&&&& 网络出行强度定义：网络日均出行量与网络运营长度之比，反映全网单位长度上每日的出行量，在一定程度上体现网络的使用效率。单位：万人次/公里·日。计算方法：网络出行强度＝网络日均出行量/网络运营长度。4.&&& 运行指标&4.1&&&& 基础数据4.1.1&&&& 线路配属车辆数定义：统计期末，运营线路所拥有的/承租的用于运营业务的全部车辆数。单位：列（辆）。计算方法：包括上线车、备用车和检修车，并给出车型、列车编组情况及列数。新购入的运营车辆，自交付运营之日起计算配属车辆数；报废的运营车辆，自批准之日起不再计算配属车辆数。4.1.2&&&& 线路上线车辆数定义：统计期内，运营线路平日实际用于上线的最大车辆数。单位：列（辆）。4.1.3&&&& 线路可用车辆数定义：统计期内，运营线路平日可用于上线的最大车辆数，为上线车和备用车之和。单位：列（辆）。4.1.4&&&& 线路每公里配车数定义：统计期末，线路每公里的配属车辆数单位：列/公里。计算方法：线路每公里配车数=线路配属车辆数/线路运营长度。4.1.5&&&& 线路车辆上线率定义：统计期内，运营线路所拥有的/承租的用于运营业务的全部车辆数中，平日实际用于上线的最大车辆数所占的比例。单位：％。计算方法： 线路车辆上线率＝线路上线车辆数/线路配属车辆数×100。4.1.6&&&& 线路车辆可用率定义：统计期内，运营线路所拥有的/承租的用于运营业务的全部车辆数中，平日可用于上线的最大车辆数所占的比例。单位：％。计算方法：线路车辆可用率＝线路可用车辆数/线路配属车辆数×100。4.1.7&&&& 线路高峰小时最小发车间隔定义：统计期内，线路高峰小时前后两列车最小的发车时间间隔。单位：min’s。计算方法：正常运营情况下图定的最小发车间隔。4.1.8&&&& 网络配属车辆数定义：统计期末，运营网络所拥有的/承租的用于运营业务的全部车辆数。单位：列（辆）。计算方法：网络配属车辆数＝∑线路配属车辆数。4.1.9&&&& 网络上线车辆数定义：统计期内，运营网络平日实际用于上线的最大车辆数。单位：列（辆）。4.1.10网络可用车辆数定义：统计期内，运营网络平日可用于上线的最大车辆数，为上线车和备用车之和。单位：列（辆）。4.1.11网络每公里配车数定义：网络每公里的配属车辆列数。单位：列/公里。计算方法：网络每公里配车数=网络配属车辆列数/网络运营长度。4.1.12网络车辆上线率定义：统计期内，运营网络所拥有的/承租的用于运营业务的全部车辆数中，平日实际上线投入运营的最大车辆数所占的比例。单位：％。计算方法： 网络车辆上线率＝网络上线车辆数/网络配属车辆数×100。4.1.13网络车辆可用率定义：统计期内，运营网络所拥有的/承租的用于运营业务的全部车辆数中，平日可用于上线的最大车辆数所占的比例。单位：％。计算方法： 网络车辆可用率＝网络可用车辆数/网络配属车辆数×100。4.1.14企业职工数定义：统计期末，运营企业从事运营和维修保障等方面的职工总人数，不包括新线运营储备员工数。单位：人。计算方法：当企业职工数变化较大时，可按照（CJ/T8-1999）5.2.2计算并给出加权平均值。例如：统计周期为d，在统计周期中的第n天有新线开通，企业职工数从A人突然增加至B人，那么在本统计周期内的平均企业职工数为：说明：企业职工数仅指企业内部的职工，不包括委外的员工。4.1.15单位运营长度的企业职工数单位：人/公里。计算方法：单位运营长度的企业职工数＝企业职工数/网络运营长度。4.1.16司机总数定义：统计期末，运营企业全部在册的地铁列车司机总人数，不包括新线储备司机数。单位：人。计算方法：不含轨检车、工程车等专用驾驶司机。当其他车辆驾驶司机兼任地铁列车司机时，计入司机总数。当企业司机人数变化较大时，可参考（CJ/T8-1999）5.2.2计算并给出加权平均值。4.1.17司机配备率定义：平均每列车配属的司机数量。单位：人/列。计算方法：司机配备率＝司机总数/网络配属车辆列数。4.1.18司机生产率定义：每个司机平均每天完成的列车运营里程。单位：列公里/人·日。计算方法：司机生产率＝网络日均运营里程（万列公里）×10000/司机总数。说明：当企业司机人数变化较大时，司机总数采用加权平均值进行计算。4.1.19全员生产率定义：企业在统计期内人均每天生产产品的数量，用客运周转量表示。单位：万人公里/人·日。计算方法：全员生产率＝网络日均客运周转量/企业职工数。说明：当企业人数变化较大时，企业职工数采用加权平均值进行计算。4.1.20储值票使用率定义：企业在统计期内乘客采用储值票的出行量占总出行量中的比率。单位：%。计算方法：储值票使用率＝统计周期内使用储值票的总出行量/网络总出行量×100。&4.2&&&& 速度利用率4.2.1&&&& 旅行速度定义：列车在运营线路正线上从起点站发车到终点站到达计停站时间的运行速度。单位：公里/小时。计算方法：旅行速度=线路运营长度/单程行驶时间×60%。说明：单程行驶时间按分钟计。该指标按年度进行统计。4.2.2&&&& 速度利用率定义：列车旅行速度与列车设计最高运行速度的比值。单位：%。计算方法：速度利用率＝旅行速度/列车设计最高运行速度×100。说明：该指标按年度进行统计。4.2.3&&&&实际最高运行速度定义：统计周期内，列车在区间实际运行时的最高时速。单位：公里/小时。说明：该速度一般低于列车设计最高运行速度。该指标可采用抽样方法按年度进行统计。4.2.4&&&&单程行驶时间定义：列车在运营线路正线上从起点站发车到终点站到达这一个单程的行驶时间，不包含起点站和终点站的停站及折返时间。上下行不相同时可取两者的平均值。单位：分钟。计算方法：单程行驶时间＝∑区间运行时间＋∑中间站停站时间。说明：作为基础数据，用以计算旅行速度。环线时，所有车站均按中间站考虑。该指标按年度进行统计，一般取统计期末高峰时段的计划单程行驶时间。4.2.5&&&&全周转时间定义：列车在运营线路正线上从起点站发车到终点站，经终点站折返后返回，又回至起点站后折返至发车状态的这一全过程所运行的时间。单位：分钟。计算方法：计划全周转时间＝单程行驶时间×2＋始发站折返时间＋终到站折返时间。说明：始发站折返时间指从列车到达始发站的时刻起，经过停站、上下客作业、折返后，至列车从始发站发出时刻结束。终到站折返时间同理。环线的折返时间按始发站的停站时间考虑。该指标按年度进行统计，一般取统计期末高峰时段的计划全周转时间。&4.3&&&& 里程利用率4.3.1&&&& 线路日均运营里程定义：统计期内，平均每日为运营业务在运营线路上载客行驶和空车行驶的全部里程。以列车计算的运营里程称为列车运营里程，单位为列公里。单位：万车公里/日和万列公里/日。计算方法：线路日均运营里程＝∑线路日运营里程/统计天数＝∑（线路载客里程＋线路空驶里程）/统计天数。4.3.2&&&& 线路总行驶里程定义：统计期内，线路运营车辆所行驶的全部里程。单位：万车公里。计算方法：线路总行驶里程＝∑（运营里程＋车场运行里程+正线调试里程＋正线实验里程+救援里程）。4.3.3&&&& 线路里程利用率定义：统计期内，线路运营车辆总行驶里程中运营里程所占的比重。单位：%。计算方法：线路里程利用率＝线路日均运营里程×统计天数/线路总行驶里程×100。4.3.4&&&& 网络日均运营里程单位：万车公里/日和万列公里/日。计算方法：网络日均运营里程=网络总运营里程/统计天数。4.3.5&&&& 网络里程利用率定义：统计期内，网络运营车辆总行驶里程中运营里程所占的比重。单位：%。计算方法：网络里程利用率＝网络总运营里程/网络总行驶里程×100。4.4&&&& 兑现率4.4.1&&&& 线路图定开行列次定义：统计期内，按照线路计划运行图或特定情况下制定的运行图开行的总列次。单位：列次/统计期。计算方法：计划开行列次为列车运行图（包括特殊情况下的临时计划运行图）中客运、回空列车数之和。不包含调试车和计划外的加开列次。4.4.2&&&& 线路实际开行列次定义：统计期内，列车为完成运营生产任务在正线上行驶的次数，分为载客列次和空驶列次两部分，包括计划外的加开列次。单位：列次/统计期。计算方法：列车在运营线路上行使一个单程，不论线路长短，是全程或是区间，均作一列次计算。线路实际开行列次=载客列次+空驶列次。4.4.3&&&& 线路加开列次定义：统计期内，线路根据实际需要不在计划运行图内而增加开行的总列次。单位：列次/统计期。4.4.4&&&& 列车运行图兑现率定义：运行图计划执行过程中，实际根据计划开行列次（不包括加开列次）与运行图定开行列次之比，用以表示运行图计划执行情况。单位：%计算公式：计算公式：列车运行图兑现率=(线路实际开行列次线路加开列次)/线路图定开行列次×100。4.4.5&&&& 网络平均兑现率单位：%。计算方法：网络平均兑现率=∑(线路实际开行列次-线路加开列次)/∑线路图定开行列次×100。。4.4.6&&&& 线路日均开行列次定义：统计期内，列车为运送乘客在线路上平均每天所行驶的次数。单位：列次/日。计算方法：线路日均开行列次包括线路实际开行列次、救援列车数。4.4.7&&&& 网络日均开行列次单位：列次/日。计算方法：网络日均开行列次=∑线路实际开行列次/统计天数。&4.5&&&& 准点率4.5.1&&&& 线路准点列车次数定义：凡按运行图图定的时间运行，早晚不超过规定时间界限的为准点列车，准点的时间界限指终点到站时间误差小于或等于2min的列车（市域快速轨道交通系统除外），市域快速轨道交通系统准点的时间界限指终点到站时间误差小于或等于3min的列车。单位：列次/统计期。计算方法：加开列次均计为线路准点列次。4.5.2&&&& 线路列车准点率定义：统计期内，线路准点列车次数与线路实际开行列车次数之比，用以表示运营列车按规定时间准点运行的程度。单位：%。计算方法：线路准点率=(线路准点列次数/线路实际开行列次数)×100。4.5.3&&&& 网络平均准点率定义：统计期内，网络中各线路准点列车次数与各线全部开行列车次数之比。单位：%。计算方法：网络平均准点率=(∑线路准点列次数)/(∑线路实际开行列次数)×100。&4.6&&&& 列车服务可靠度4.6.1&&&& 线路延误事件数定义：统计期内，线路列车发生5min及以上延误事件的次数。单位：件/统计期。计算方法：图定计划列次在执行过程中，列车在全程或某个车站的延误时间的绝对值大于等于5min。分5min(含)～15min、15min(含)～30min、30min(含)以上延误事件3类分别计算，因某一原因引起的多个5min（15min、30min）延误，作为1个5min（15min、30min）延误事件统计。说明：若列车在所有车站的延误时间均小于5min，而终到延误时间超过5min，计为1个延误事件；若列车在某个车站的延误时间大于等于5min，而终到延误时间未超过5min，此时需计为1个延误事件；若同一列车在多个车站的延误时间均大于等于5min，此时只计为1个延误事件。30分钟以上的延误事件需要提供解释说明。4.6.2&&&& 线路列车服务可靠度定义：统计期内，线路列车发生5min及以上延误事件之间平均行驶的车公里数。单位：万车公里/件。计算方法：线路列车服务可靠度＝（线路日均运营里程×统计天数）/线路延误事件数。5min(含)～15min线路列车服务可靠度=线路总运营里程/5min(含)～15min延误事件。15min(含)～30min线路列车服务可靠度=线路总运营里程/15min(含)～30min延误事件。30min线路列车服务可靠度=线路总运营里程/30min(含)以上延误事件。4.6.3&&&& 网络延误事件数定义：统计期内，网络中列车发生5min及以上延误事件的次数。单位：件/统计期。计算方法：分5min(含)～15min、15min(含)～30min、30min(含)以上3类分别计算网络延误事件数。网络列车延误事件次数＝∑线路延误事件数。4.6.4&&&&车辆设备引起的网络延误事件数定义：统计期内，网络中由车辆设备引起的5min及以上延误事件的次数。单位：件/统计期。说明：暂按全网5min及以上的延误事件数整体考虑，不具体分三个时间段。下同至4.6.12。4.6.5&&&&信号设备引起的网络延误事件数定义：统计期内，网络中由信号设备引起的5min及以上延误事件的次数。单位：件/统计期。4.6.6&&&&供电设备引起的网络延误事件数定义：统计期内，网络中由供电设备引起的5min及以上延误事件的次数。单位：件/统计期。4.6.7&&&&工务设施设备引起的网络延误事件数定义：统计期内，网络中由工务设施设备（包括轨道、桥梁、隧道等）引起的5min及以上延误事件的次数。单位：件/统计期。4.6.8&&&&屏蔽门引起的网络延误事件数定义：统计期内，网络中屏蔽门设备引起的5min及以上延误事件的次数。单位：件/统计期。4.6.9&&&&其他设备引起的网络延误事件数定义：统计期内，网络中由其他设备引起的5min及以上延误事件的次数。单位：件/统计期。4.6.10员工因素引起的网络延误事件数定义：统计期内，网络中由员工因素引起的5min及以上延误事件的次数。单位：件/统计期。4.6.11乘客因素引起的网络延误事件数定义：统计期内，网络中由乘客因素引起的5min及以上延误事件的次数。单位：件/统计期。4.6.12其他因素引起的网络延误事件数定义：统计期内，网络中由自然灾害等其他因素引起的5min及以上延误事件的次数。单位：件/统计期。4.6.13网络列车服务可靠度定义：统计期内，网络中列车发生5min及以上延误事件之间平均行驶的车公里数。单位：万车公里/件。计算方法：网络列车服务可靠度＝网络总运营里程/ ∑线路延误事件数。分5min(含)～15min、15min(含)～30min、30min(含)以上3类分别计算网络列车服务可靠度。&&4.7&&&& 清客频率4.7.1&&&& 线路清客列次定义：统计期内，线路发生列车清客的列次数。单位：列次/统计期。计算方法：在运行图计划执行过程中，已进行载客的列车因故障、事故而无法继续执行载客业务，需要在车站或区间将乘客由车厢中清出至站台，均统计为清客；后续救援列车因推送故障列车需清客的也计入清客列次；因运营调整，始发站告知乘客变更终点站的列车不计入清客列次。4.7.2&&&& 线路清客频率定义：统计期内，线路发生清客之间的平均运营里程。单位：万车公里/列次。计算方法：线路清客频率＝（线路日均运营里程×统计天数）/线路清客列次。4.7.3&&&& 网络清客列次定义：统计期内，网络发生列车清客的列次数。单位：列次/统计期。计算方法：网络清客列次＝∑线路清客列次。4.7.4&&&& 网络清客频率定义：统计期内，网络发生清客之间的平均运营里程。单位：万车公里/列次。计算方法：网络清客频率＝网络总运营里程/网络清客列次。5.&&& 服务指标&5.1&&&& 乘客服务5.1.1&&&& 乘客满意度（指数）变化率定义：本期乘客满意度（指数）与上期乘客满意度（指数）相比的变化情况。单位：%计算方法：乘客满意度（指数）变化率＝（本期乘客满意度（指数）－上期乘客满意度（指数））/上期乘客满意度（指数）×100。说明：乘客满意度应通过抽样调查和统计分析获得，服务组织或监督机构可委托第三方进行满意度测评。该指标按年度进行统计。5.1.2&&&& 百万乘客有效投诉率定义：统计期内，有效乘客投诉次数与网络客运总量之比。单位：次/百万乘次。计算方法：百万乘客有效投诉率=有效乘客投诉次数/网络总客运量。说明：有效乘客投诉是指运营单位接到并确认属实的乘客投诉。5.1.3&&&& 有效乘客投诉回复率定义：统计期内，已经回复的有效乘客投诉次数与有效乘客投诉次数之比。有效乘客投诉应在接到投诉之日起，7个工作日内回复，超过7个工作日按未回复处理。单位：%计算方法：有效乘客投诉回复率 =已经回复的有效乘客投诉次数/有效乘客投诉次数×100。&5.2&&&& 服务设施设备可靠度5.2.1&&&& 售票机可靠度定义：在统计期内，售票机实际服务时间与应服务时间之比，实际服务时间包括正常的加票和加币时间。单位：%计算方法：售票机可靠度=售票机时间服务时间/售票机应服务时间×100。5.2.2&&&& 储值卡充值机可靠度定义：在统计期内，储值卡充值机实际服务时间与应服务时间之比，实际服务时间包括正常的加票和加币时间。单位：%计算方法：储值卡充值机可靠度=储值卡充值机实际服务时间/储值卡充值应服务时间×100。5.2.3&&&& 进出站闸机可靠度定义：在统计期内，进出站闸机实际服务时间与应服务时间之比。单位：%计算方法：进出站闸机可靠度=进出站闸机实际服务时间/进出站闸机应服务时间×100。5.2.4&&&& 自动扶梯可靠度定义：在统计期内，自动扶梯实际服务时间与应服务时间之比。单位：%计算方法：自动扶梯可靠度=自动扶梯实际服务时间/自动扶梯应服务时间×100。5.2.5&&&& 垂直电梯可靠度定义：在统计期内，垂直电梯实际服务时间与应服务时间之比。单位：%计算方法：垂直电梯可靠度=垂直电梯实际服务时间/垂直电梯应服务时间×100。5.2.6&&&& 车站乘客信息系统可靠度定义：在统计期内，车站乘客信息系统实际服务时间与应服务时间之比。单位：%计算方法：车站乘客信息系统可靠度=车站乘客信息系统实际服务时间/车站乘客信息系统应服务时间×100。5.2.7&&&& 列车乘客信息系统可靠度定义：在统计期内，列车乘客信息系统实际服务时间与应服务时间之比。单位：%计算方法：列车乘客信息系统可靠度=列车乘客信息系统实际服务时间/列车乘客信息系统应服务时间×100。6.&&& 安全指标&6.1&&&&运营事故次数定义：统计期内，网络发生运营事故的事件数。单位：件/统计期。计算方法：根据《地铁运营安全评价标准》（GB/T），对运营事故分别统计特别重大、重大、大、险性、一般5类运营事故。注：对于每件事故需要提供解释说明。6.2&&&& 运营事故频率定义：统计期内，网络发生运营事故之间的平均运营里程。单位：万车公里/件。计算方法：运营事故频率＝网络总运营里程/运营事故次数。7.&&& 能耗指标7.1&&&&线路牵引总能耗定义：统计期内，线路运营车辆行驶所消耗的总电能。单位：万度/统计期。计算方法：不仅包括纯牵引耗电（使车辆开动的电机的耗电），还包括车上辅助设备的耗电，如车载设备耗电、车厢照明耗电、对客室的广播系统耗电、车载乘客信息系统耗电等。7.2&&&& 线路每车公里牵引能耗定义：统计期内，线路运营车辆每行驶单位里程所平均消耗的电能。单位：度/车公里。计算方法：线路每车公里牵引能耗＝线路牵引总能耗/线路总运营里程。7.3&&&& 网络牵引总能耗定义：统计期内，网络运营车辆行驶所消耗的总电能。单位：万度/统计期。计算方法：网络牵引总能耗＝∑线路牵引总能耗7.4&&&& 网络每车公里牵引能耗定义：统计期内，网络运营车辆每行驶单位里程所平均消耗的电能。单位：度/车公里。计算方法：网络每车公里牵引能耗＝网络牵引总能耗/网络总运营里程。7.5&&&&网络每人次牵引能耗定义：统计期内，网络运营车辆每运送一个乘客所平均消耗的电能。单位：度/人次。计算方法：网络每人次牵引能耗＝网络牵引总能耗/网络总出行量。7.6&&&&网络每人公里牵引能耗定义：统计期内，网络运营车辆每完成一个客运周转量所平均消耗的电能。单位：度/人公里。计算方法：网络每人公里牵引能耗＝网络牵引总能耗/网络总客运周转量。7.7&&&&网络动力照明能耗定义：统计期内，网络平均每站每天的动力照明能耗，需剔除商业用电等非营运性质的能耗。单位：度/站·日。8.&&& 成本指标&8.1&&&& 运营总成本定义：统计期内，运营企业为完成运营服务所发生的按国家规定应列入成本开支范围的总费用。单位：万元/统计期。计算方法：成本计算不含设施设备折旧和还本付息。说明：该指标按年度进行统计。8.2&&&&运营票务收入定义：统计期内，运营企业运营所得的票务收入总和。单位：万元/统计期。8.3&&&& 运营成本比单位：无。计算方法：运营成本比＝运营票务收入/运营总成本。说明：该指标按年度进行统计。8.4&&&&车公里成本单位：元/车公里。计算方法：车公里成本＝运营总成本/网络总运营里程。说明：该指标按年度进行统计。8.5&&&&人公里成本单位：元/人公里。计算方法：人公里成本＝运营总成本/网络总客运周转量。说明：该指标按年度进行统计。8.6&&&&每人次成本定义：统计期内，运营企业平均花费在每个乘客上的运营成本。单位：元/人次。计算方法：每人次成本＝运营总成本/网络总出行量。说明：该指标按年度进行统计。8.7&&&&每人次票务收入定义：统计期内，运营企业平均从每个乘客上获得的票务收入。单位：元/人次。计算方法：每人次票务收入＝运营票务收入/网络总出行量。8.8&&&&每人公里票务收入定义：统计期内，运营企业平均从每个客运周转量上获得的票务收入。单位：元/人公里。计算方法：每人公里票务收入＝运营票务收入/网络总客运周转量。资料原自&MOPES指标体系
TA的最新馆藏
喜欢该文的人也喜欢}