作为城市公共交通中重要组成部分,地铁承担着一个城市大量的公交客运量。地铁系统一旦发生异常事件将会给城市交通带来极大影响。及时检测出地铁内的异常事件,并对异常事件给地铁系统造成的影响进行准确判断非常重要。通过AFC系统(Automatic Fare Collection System,AFC)收集到的客流信息为地铁内异常事件的检测分析提供了新的着手点。本文基于AFC数据对地铁内异常事件提出新的检测方法,并对地铁系统在异常事件影响下的韧性表现进行定量的评价分析。本文主要研究内容有以下几点:(1)本文对原始AFC数据进行了清洗以及标准化处理,并设计算法通过原始AFC数据中乘客刷卡记录还原地铁内所有乘客的行程信息。通过对上海市2016年8月AFC数据的处理,共得到11326780名乘客的131929311条地铁行程信息。(2)利用WS-DBSCAN算法(Weighted-Stop Density-Based Scanning Algorithm with Noise,WS-DBSCAN)对每一位乘客历史行程中的OD(Origin and Destination,OD)信息和时间信息进行聚类,分析每位乘客出行空间规律和出行时间规律。根据乘客出行规律将乘客划分成4类:时空规律性出行者、空间规律性出行者、时间规律性出行者及非规律性出行者。上海市2016年8月的地铁出行者中,时空规律性出行者5.98%、时间规律性出行者10.43%、空间规律性出行者13.68%以及非规律性出行者69.91%。(3)根据乘客出行规律计算客流行程状态指标参数,分析异常事件与客流行程状态的关系,并提出一种地铁内异常事件检测方法。研究发现,在正常情况下,进站时间不符合自身出行规律的乘客比例和出站时间不符合自身出行规律的乘客比例大致相同;当发生异常事件时,进站时间不符合自身出行规律的乘客比例与出站时间不符合自身出行规律的乘客比例会出现明显差别。(4)本文提出了一种量化评价异常事件影响下地铁系统韧性表现的方法。将若干个OD组成目标系统,利用马氏距离来表征目标系统实际状态与其期望状态之间的偏差,状态指标采用各OD内乘客平均花费时长。当马氏距离超过设定阈值时,说明系统处于异常状态。马氏距离的值和马氏距离超过阈值的时间分别表示系统受异常事件影响的严重程度和异常事件的持续时间,根据这两个参数对系统的韧性表现进行量化评价。