针对地铁转向架轴承在复杂工况下故障特征隐蔽、原始振动信号易受噪声干扰且传统诊断方法泛化性差、模型复杂度高等问题，提出一种融合欧拉特征提取（eulerian feature extraction, EFE）与浅层卷积神经网络的轴承故障智能诊断方法。该方法通过自适应区间映射实现振动信号的无量纲化与标准化，利用几何相位编码将线性时序信号转化为极坐标相位形式，再通过双重欧拉特征融合构建FirstEuler和SecondEuler两种特征表达，实现时域与相位域特征的深度融合，有效增强微弱故障特征的辨识度。EFE提取的特征可直接作为一维卷积神经网络输入，亦可转换为灰度图输入二维卷积神经网络，分别构建浅层诊断模型以兼顾诊断精度与效率。以凯斯西储大学轴承数据集和加拿大渥太华变速轴承数据集为实验对象，开展单工况、多工况及变转速工况下的故障诊断试验，并与变分模态分解（variational mode decomposition, VMD）、经验模态分解（empirical mode decomposition, EMD）、希尔伯特变换（hilbert transform, HT）等传统特征提取算法进行对比。实验结果表明：EFE在-6 dB强噪声环境下，相比原始信号一维诊断精度提升7.8%以上；单工况二维诊断中精度较原始数据提升约19.5%，对VMD、EMD等算法提取的特征进行二次增强后，诊断精度最高可达100%；多工况与变转速工况下，经EFE二次特征提取后诊断精度平均提升15%，其中VMD结合FirstEuler在变转速全工况组合中实现100%诊断精度。所提方法能有效抑制噪声干扰，突出微弱故障特征，在恒定负载、变负载、变转速等复杂工况下均展现出优异的泛化能力与特征提取性能，且浅层CNN模型降低计算复杂度，为地铁转向架轴承的高效故障诊断提供新的技术方案。

针对列车自主运行与虚拟编组新型运行制式快速发展背景下，传统列车车辆系统与车载信号系统独立设计、车辆侧采用分布式控制架构，导致的列车自动驾驶（automatic train operation, ATO）控车链路冗长、响应延迟大及控制精度低等工程问题，提出一种多系统融合的列车减速度闭环控制方法。首先，搭建集成车辆控制与信号控制功能的一体化软硬件平台，构建多系统融合控制架构；其次，基于该平台对列车自动驾驶控制全过程进行功能重分配，深度融合ATO控车调控、牵引/制动力协同分配、闭环反馈控制等核心环节，重构控制闭环；最后，通过实车试验对所提方法的控制性能进行验证。测试结果表明：相较于传统分布式列车控制系统，融合控制系统在多个工况下控车效果均得到提升，融合控制系统ATO控车模式控制精度提升35%，响应延时缩短25%；纯电制动工况下控制精度提升70%、响应延时缩短20%；电空混合制动工况下控制精度提升30%，响应延时缩短14%。该多系统融合控制架构可有效改善列车制动平稳性，提升停车控制精度，为列车智能化、自主化安全高效运行提供重要的技术支撑。

为实现地铁钢轨波磨状态的准确识别与智能监测，提出一种结合小波包分解（WPD）与一维卷积神经网络（1DCNN）的波磨识别方法。基于现场实测列车轴箱垂向加速度信号，采用4层小波包分解提取16个子带能量特征，并进行能量归一化构建能量向量；设计轻量化1DCNN结构，以能量向量为输入，实现多尺度特征学习。选取无波磨、长波波磨和短波波磨3种典型波磨类型作为分类标签，构建训练集与测试集进行模型训练与验证。结合不同波磨类型在低频与高频子带中的能量分布差异，对特征提取结果进行分析。结果表明：该方法平均识别准确率达97.60%，长波波磨的召回率为100%。与SVM、LSTM和2DCNN等模型相比，1DCNN表现出更高的精度与更强的泛化能力，可在不依赖专用检测设备的条件下实现列车运行过程中的波磨智能识别。结合传统波磨测试的波长域评价体系，分析其与本研究识别结果的一致性，提出在线识别与现场精测互补的工程应用流程。本研究验证了WPD与1DCNN融合方法在地铁钢轨波磨识别中的有效性，为轨道运行状态在线监测和智能维护提供了新思路。

随着城市轨道交通线网规模持续扩大和运营场景日益多元，客流需求呈现出更复杂的时空特征，对列车运行组织和客流管控等提出更高要求。短时客流预测是城市轨道交通运营管理的重要基础，人工智能方法凭借较强的时空特征提取能力，已成为提升预测性能的重要手段。本文围绕人工智能驱动的城市轨道交通短时客流预测方法展开综述。首先，从预测场景、预测对象、数据基础、预测方法和评价指标5个维度构建任务分析框架；其次，梳理预测模型发展脉络；再次，面向进出站客流、起讫点（origin-destination, OD）客流、断面客流、多类型客流协同预测以及以轨道交通为骨干的多模式交通预测等任务，总结相关研究进展和主要挑战；最后，从大语言模型、可信可解释预测、端到端预测优化一体化框架以及世界模型等方面展望其未来发展方向。研究结果表明：城市轨道交通短时客流预测研究正由单一客流类型、单一精度评价和单一预测任务，逐步转向多源感知、多类型协同与多指标评估融合发展；未来研究将进一步聚焦通用适应性、不确定性感知、可信风险评估、决策导向预测以及世界模型驱动的动态推演，构建面向复杂运营场景的一体化智能预测推演体系，以支撑城市轨道交通精细化运营决策。

针对高密度运营条件下地铁车辆制动系统单点故障易由设备级问题演化为运营级风险的现象，以北京地铁某进口制动系统为对象，提出一种面向工程实施的系统分析与优化方法。以典型运营延误事件为牵引，通过系统分解与功能-结构映射，结合实车故障模拟试验，揭示制动控制阀排风电磁阀卡滞、总风路与停放制动强耦合以及制动系统与列车控制和管理系统（train control and management system, TCMS）信号接口失配等关键风险的传播路径与放大机理。在此基础上，采用失效模式与影响分析（failure mode and effects analysis, FMEA）与故障树分析（fault tree analysis, FTA）相结合的方式对风险进行量化评估，并将评估结果作为系统重构的直接约束条件，从软件逻辑、气路结构与人机交互3个层面提出协同优化方案，包括人机界面（human-machine interface, HMI）可触发的制动系统自检与自复位机制、制动风缸低压前馈诊断逻辑、基于单向阀的停放制动供风路径重构，以及面向运营处置的TCMS故障分级与预警提示优化。多线路实车验证结果表明，与优化前方案相比，实施本文所提方法后，3类典型单点故障识别准确率平均提高34.3%，应急处置时间平均减少3.1 min，清客救援、限速运行、晚点等运营影响显著降低。研究形成的“故障模拟-风险量化-系统重构”方法框架，可为城市轨道交通车辆制动系统及其他关键系统的韧性设计与主动风险管理提供工程化参考。

为梳理虚拟编组技术在轨道交通运输组织领域的研究进展，明确其在列车运行计划优化与运行调整中的应用现状及未来发展方向，对近年来国内外相关文献进行综述。基于运营与服务视角，以2022—2025年发表于Web of Science、Scopus、IEEE Xplore及中国知网等数据库的42篇代表性文献为研究对象，对开行方案编制、时刻表优化、时刻表与车底周转一体化优化，以及列车延误调整、中断持续阶段调整和中断恢复阶段调整等研究进行归纳与比较分析。结果表明：虚拟编组通过缩小列车运行间隔和支持动态重联/解编，能够显著提升线路通过能力与运力配置灵活性；在运行计划优化方面，研究已由单一时刻表优化逐步发展为时刻表、停站方案、交路及车底周转的一体化优化；在运行调整方面，虚拟编组可有效提高中断场景下的运输组织韧性与客流疏解效率。当前研究仍存在一体化程度有限、复杂网络场景考虑有限、多策略协同机制缺乏以及全过程中断调整研究欠缺等问题。未来应重点关注时刻表—停站—交路—车底协同优化、行-调-控一体化建模、多策略协同调整、全过程中断调整以及深度强化学习等智能优化方法在虚拟编组场景下的应用，为虚拟编组技术在轨道交通运输组织中的深入应用与工程实践提供理论参考和方法指导。

针对传统节点-场所模型难以充分刻画轨道交通车站实际客流活力及其出行情景差异的问题，引入活力维度构建节点-场所-活力模型，用于识别城市轨道交通站域类型及其情景差异。以西安市211座轨道交通车站为研究对象，综合轨道交通网络拓扑结构、车站设施供给、接驳交通、建成环境、人口活动、兴趣点（point of interest, POI）功能设施及小时级起讫点（origin-destination, OD）客流等多源数据，构建涵盖节点、场所和活力三维度的评价指标体系，采用组合赋权方法确定指标权重，并利用高斯混合模型识别工作日和国庆长假情景下的站域类型，分析不同情景下站域类型的转换特征。结果表明：西安市轨道交通车站节点、场所和活力得分总体呈现“中心城区高、外围线路低”的空间格局，国庆长假情景下部分车站活力集聚程度明显增强；站域可划分为枢纽综合型、站城协调型、活力响应型、场所承载型和基础培育型5类，其空间分布呈现“中心集聚—外围分异”的圈层特征；工作日与国庆长假情景下站域类型整体保持稳定，211座车站中有192个站域类型不变，占比91.00%，19座车站发生转换，占比9.00%，站域类型转换主要发生在场所承载型与基础培育型之间，并主要分布于二环以外区域。研究结果可为轨道交通站域功能优化、外围车站培育、公共交通导向开发（transit-oriented development, TOD）模式下的差异化建设和精细化运营管理提供科学依据。

针对城市轨道交通走行轨区段绝缘劣化导致的杂散电流升高，且严重影响系统供电安全及周边地下金属工程安全的问题，开展走行轨区段绝缘劣化时杂散电流动态分布规律及防护方法研究。首先，对城轨线路区段高绝缘防护系统进行方案设计，提出线路高绝缘区段的杂散电流防护方法，设置单向导通装置及高绝缘区段；然后，建立城轨供电系统区段绝缘劣化情况下多列车动态运行仿真模型，并考虑回流系统分区段防护控制特性，进行系统统一链式建模及潮流求解；最后，基于国内实际城市轨道交通线路参数，仿真分析区段绝缘劣化时全线杂散电流及钢轨电位的动态分布，并研究分区段防护对线路杂散电流及钢轨电位的控制效果。研究结果表明，区段绝缘劣化会导致该区段钢轨电位钳位、杂散电流增加；采用分区段防护，隔离区段外的回流电流并在区段内采用高绝缘，能够大大限制区段内杂散电流幅值，同时有效解决区段绝缘劣化导致的钢轨电位钳位问题。相关方法可用于城轨线路关键区段的杂散电流防护。

为检验轨道交通导向的公共交通系统在提升出行公平方面的实际成效并识别潜在问题，基于手机信令数据，以深圳为例，构建整合空间公平与群体公平的就业可达性公平评价框架，提出“先识别空间差异，再归纳人群特征”的分析路径。研究在不同通勤情境下，联合测度绝对与相对就业可达性，依据“低绝对—高相对”双重劣势标准识别交通劣势单元，并采用K-medoids聚类刻画社会经济属性，引入可分解泰尔指数拆解不公平来源。结果表明：深圳就业可达性呈现“机会空间不均等、通勤时间趋同”的特征，轨道交通压缩了通勤时间，但就业机会仍集中于站点核心区及优势区位，交通劣势单元随距轨道站点距离增加而增多。研究识别出多重社会弱势群体、经验型劳动群体、传统型劳动群体及双高通勤错配群体，揭示弱势成因的多元性。泰尔指数分解显示，不公平主要源于群体内部差异，群体间差异则主要由教育与收入驱动。研究结果为轨道交通导向的公共交通系统公平性测度及其可持续运营提供了新的思路。

在城市轨道交通智能化发展背景下，列车自动驾驶需在节能与准点性之间实现有效权衡，而现有调度规章多以自然语言形式表达，难以直接用于控制建模。为此，本文提出一种融合大语言模型（large language model, LLM）与近端策略优化（proximal policy optimization, PPO）的列车自动驾驶控制方法。该方法利用LLM对调度规章与运行经验进行语义解析，并在知识图谱（knowledge graph, KG）约束下自动构建包含状态空间、动作集合、奖励函数与安全约束的马尔可夫决策过程（markov decision process, MDP）模型。在此基础上，引入动作屏蔽机制与奖励权重自适应调节策略，采用PPO算法在仿真环境中训练安全可控的自动驾驶策略。仿真结果表明：与传统规则控制、模型预测控制（model predictive control, MPC）和深度Q网络（deep Q-network, DQN）方法相比，本文方法的平均牵引能耗分别降低约2.5%、1.5%和1.0%，平均晚点时间分别降低约13.7%、19.6%和16.3%，且平均jerk值降至0.59m/s³，验证了LLM语义建模与强化学习相结合在列车自动驾驶控制中的有效性。进一步的半实物仿真结果表明，知识图谱校验能够降低语义解析中的规则遗漏与物理不一致风险，动作屏蔽机制可将限速和安全间隔等硬约束嵌入策略执行过程，奖励权重调节机制能够依据能耗、晚点和舒适度指标动态调整多目标权衡。所提方法形成了“语义建模—策略优化—反馈调节”的闭环，为自然语言调度知识参与列车自动驾驶控制建模提供了可解释的实现思路。