时变需求下综合客运枢纽集群对外交通网络韧性评估方法

杨扬; 陈君婷; 姚恩建; 刘冬梅

doi:10.19818/j.cnki.1671-1637.2026.148

时变需求下综合客运枢纽集群对外交通网络韧性评估方法

doi: 10.19818/j.cnki.1671-1637.2026.148

杨扬^{1, 2,},
陈君婷²,
姚恩建^{1, 2, ,},
刘冬梅³

1.
北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044
2.
北京交通大学交通运输学院，北京 100044
3.
中路高科交通科技集团有限公司，北京 100088

基金项目:

中央高校基本科研业务费专项资金项目 2024JBZY009

国家自然科学基金项目 52432011

详细信息

作者简介:
杨扬(1989-)，男，江西宜春人，副教授，工学博士，E-mail：y_yang@bjtu.edu.cn

通讯作者:
姚恩建(1971-)，男，贵州遵义人，教授，工学博士，E-mail：enjyao@bjtu.edu.cn

中图分类号: U125
计量
- 文章访问数: 20
- HTML全文浏览量: 17
- PDF下载量: 10
- 被引次数: 0
出版历程
- 收稿日期: 2025-07-31
- 录用日期: 2026-01-08
- 修回日期: 2026-01-06
- 刊出日期: 2026-02-28

Resilience evaluation method of external transportation network of integrated transit hub cluster under time-varying demand

YANG Yang^{1, 2
,},
CHEN Jun-ting²,
YAO En-jian^{1, 2
, ,},
LIU Dong-mei³

1.
Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China
2.
School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China
3.
RIOH High Science and Technology Group, Beijing 100088, China

Funds:

Fundamental Research Funds for the Central Universities 2024JBZY009

National Natural Science Foundation of China 52432011

More Information

Corresponding author: YAO En-jian, professor, PhD, E-mail: enjyao@bjtu.edu.cn

Article Text (Baidu Translation)

摘要

摘要: 为科学评估综合枢纽集群的对外交通网络韧性，提出了行程韧性测度指标，涵盖了鲁棒性、冗余性、恢复性3个维度；运用多模式交通网络客流分配方法刻画了不同的节点攻击和恢复策略的影响结果，构建了行程韧性测度方法；以京津冀城市群内综合客运枢纽集群为例，开展实例验证。研究结果表明：京津冀城市群与上海、广州、成都等典型城市群核心城市之间的对外综合交通网络已基本成型，整体表现出较强的抗干扰与恢复能力，在不同扰动场景下单位行程韧性普遍高于0.95；以10月7日(国庆节)单节点恢复时长1 h为例，节点强度恢复策略的网络恢复效果最优，网络韧性达0.990 2，受影响人数仅1 402人次，显著优于其他策略；早间时段因网络负荷大、班次冗余度低，导致韧性下降至0.976 1，低于午间、晚间；大部分情况下，网络韧性随着单节点恢复时长的增加而递减，受影响人数也随之增多；从不同日期来看，韧性受客流分布离散程度和网络冗余度共同影响，按TOPSIS方法排序，国庆韧性最高为0.983 2，周末韧性最低为0.974 6。提出的韧性评估方法可为分析枢纽间铁路、民航和城市交通等多模式交通网络的潜在运输能力，合理配置交通应急处置资源等提供科学依据。
- 交通网络 /
- 综合客运枢纽集群 /
- 韧性评估 /
- 客流需求 /
- 多模式交通流分配 /
- 京津冀城市群
Abstract: To scientifically evaluate the resilience of the external transportation network of the integrated hub cluster, a travel resilience measurement indicator was proposed, covering three dimensions: robustness, redundancy and resilience. The multimodal traffic network passenger flow assignment method was employed to characterize the influence results of different node attack and recovery strategies. The travel resilience measurement method was constructed. Taking the integrated transit hub cluster in the Beijing-Tianjin-Hebei urban agglomeration as an example, an example verification was carried out. Research results show that, the external comprehensive transportation network has been basically formed between the Beijing-Tianjin-Hebei urban agglomeration and the core cities of typical urban agglomerations such as Shanghai, Guangzhou, and Chengdu. The overall anti-interference and recovery capabilities are strong. The unit travel resilience is generally higher than 0.95 under different disturbance scenarios. Taking a single-node recovery time of 1 h in October 7th (National Day) as an example, the network recovery effect of the node strength recovery strategy is the best, with the network resilience of 0.990 2 and only 140 2 people affected, which is significantly superior to other strategies. In the morning peak period, due to the large network load and low redundancy of shifts, the resilience decreases to 0.976 1, lower than that in the afternoon and evening peaks. In most cases, the network resilience reduces with the longer single-node recovery time, while the number of affected people also increases. For different dates, resilience is affected by both the dispersion of passenger flow distribution and network redundancy. According to the TOPSIS method, the highest resilience is 0.983 2 on National Day, while the lowest resilience is 0.974 6 at weekends. The proposed resilience evaluation method can provide a scientific basis for analyzing the potential traffic capacity of multimodal traffic networks such as inter-hub railways, civil aviation and urban transport, and rationally allocating transportation emergency response resources.
- transportation network /
- integrated transit hub cluster /
- resilience evaluation /
- passenger flow demand /
- multimodal traffic flow allocation /
- Beijing-Tianjin-Hebei urban agglomeration

HTML全文

图 1 研究框架

Figure 1. Framework of study

下载: 全尺寸图片幻灯片

图 2 网络连接示意

Figure 2. Schematic of network connection

下载: 全尺寸图片幻灯片

图 3 京津冀综合客运枢纽集群交通网络

Figure 3. Transportation network of Beijing-Tianjin-Hebei integrated passenger hub cluster

下载: 全尺寸图片幻灯片

图 4 京津冀与典型城市间日双向客流流量

Figure 4. Daily two-way passenger flow between Beijing-Tianjin-Hebei and typical cities

下载: 全尺寸图片幻灯片

图 5 常态下3日分时段客流分布

Figure 5. Distribution of passenger flow in three-day by time period under normal conditions

下载: 全尺寸图片幻灯片

图 6 不同恢复顺序扰动场景的可靠性曲线

Figure 6. Reliability curves of disturbance scenarios with different recovery orders

下载: 全尺寸图片幻灯片

图 7 不同攻击时段扰动场景的单位时间网络韧性

Figure 7. Unit time network resilience of disturbance scenarios in different attack periods

下载: 全尺寸图片幻灯片

图 8 不同单节点恢复时长扰动场景的单位时间网络韧性

Figure 8. Unit time network resilience values of disturbance scenarios with different unit node recovery times

下载: 全尺寸图片幻灯片

图 9 不同攻击日扰动场景的单位时间网络韧性

Figure 9. Unit time network resilience of disturbance scenarios on different attack days

下载: 全尺寸图片幻灯片

表 1 网络连边类型

Table 1. Types of network edges

连边名称	含义	交通方式
接入边	乘客从起点城市CBD出发前往起点城市对外枢纽的连边	出租车、公交、地铁
接出边	乘客从终点城市到达枢纽前往终点城市目的地的连边	出租车、公交、地铁
乘车边	乘客乘坐高铁或者民航的连边	铁路、民航
换乘边	同方式换乘：乘客从该交通方式的一个车次中转至另一车次的连边不同方式换乘：乘客从一种交通方式中转至另一种交通方式的连边	出租车、公交、地铁、铁路

下载: 导出CSV

表 2 连边的属性

Table 2. Attributes of edges

序号	连边属性	序号	连边属性
1	出发日期	9	出发时刻
2	到达日期	10	到达时刻
3	交通方式	11	耗时
4	车次	12	价格
5	出发城市	13	中转次数
6	出发站点	14	客座数
7	到达城市	15	实际空余客座数
8	到达站点

下载: 导出CSV

表 3 城市群核心城市枢纽清单

Table 3. List of core urban hubs in urban agglomerations

城市群	京津冀			长三角	粤港澳大湾区	成渝经济区
城市	北京	天津	石家庄	上海	广州	成都
航空枢纽	首都国际机场、大兴国际机场	滨海国际机场	正定国际机场	虹桥国际机场、浦东国际机场	白云国际机场	双流国际机场、天府国际机场
铁路枢纽	北京站、北京西站、北京南站、北京北站、北京丰台站、北京朝阳站、清河站、亦庄站、礼贤站	天津站、天津西站、天津南站、滨海站、滨海西站、滨海北站、武清站、塘沽站、北辰站、杨柳青站、军粮城北站	石家庄站、高邑站、藁城南站、石家庄东站、正定机场站	上海站、上海南站、上海虹桥站、上海松江站	广州站、广州南站、广州白云站	成都东站、成都西站

下载: 导出CSV

表 4 常态下3日分时段客流数据和人均成本

Table 4. Three-day passenger flow data and per capita cost under normal conditions

出发时间	10月7日(国庆节)		10月16日(工作日)		10月26日(周末)
出发时间	总人数	人均成本/元	总人数	人均成本/元	总人数	人均成本/元
6:15	226	1 422.46	185	875.34	177	916.15
6:45	1 165	1 622.28	782	910.18	717	923.68
7:15	1 609	1 505.73	1 482	982.69	1 522	906.82
7:45	2 009	1 532.95	1 532	971.66	1 421	951.47
8:15	1 967	1 580.09	1 637	1 007.13	1 531	945.76
8:45	1 629	1 637.88	1 048	1 023.03	1 334	977.76
9:15	2 047	1 632.57	1 595	1 008.01	1 720	982.88
9:45	1 321	1 600.24	1 126	1 030.12	1 098	1 073.35
10:15	1 355	1 601.56	1 279	938.24	1 235	934.00
10:45	1 558	1 689.36	1 403	936.35	1 154	965.30
11:15	2 088	1 550.96	1 967	912.34	1 572	939.22
11:45	1 635	1 599.35	1 381	935.01	1 187	931.71
12:15	1 721	1 656.09	1 297	942.38	1 139	954.39
12:45	1 235	1 720.73	1 258	943.95	1 100	969.92
13:15	1 463	1 690.03	994	962.84	1 291	936.22
13:45	1 428	1 729.04	1 257	942.99	1 252	908.91
14:15	1 921	1 580.90	1 575	955.41	1 519	933.28
14:45	1 348	1 619.69	1 094	928.71	1 089	967.98
15:15	2 490	1 732.13	1 299	919.22	1 091	955.33
15:45	1 244	1 674.36	1 236	997.82	1 050	992.26
16:15	1 690	1 574.72	1 456	918.14	1 398	935.40
16:45	1 318	1 541.90	1 354	907.43	1 152	922.03
17:15	2 525	1 845.93	1 480	913.48	985	927.47
17:45	1 092	1 776.92	900	891.79	786	911.43
18:15	1 208	1 611.41	916	895.20	1 026	922.39
18:45	1 076	1 651.87	922	887.39	834	931.84
19:15	1 783	1 503.72	1 498	872.27	1 198	909.14
19:45	1 589	1 738.88	1 502	945.18	1 069	947.27
20:15	1 974	1 995.16	1 413	1 003.56	1 429	1 053.38
20:45	1 183	1 992.22	808	1 004.18	1 125	1 221.87
21:15	1 049	2 062.26	914	1 003.17	1 021	1 121.07
21:45	325	2 572.15	351	1 111.85	474	1 344.25
总计	48 271		38 941		36 696

下载: 导出CSV

表 5 10月7日(国庆节)京津冀枢纽节点标准化指标值和权重评分

Table 5. Beijing-Tianjin-Hebei hub node standardized index values and weight scores on October 7 (National Day)

节点	节点强度	加权介数	香农熵值	权重组合				TOPSIS
节点	节点强度	加权介数	香农熵值	{1/3, 1/3, 1/3}	{0.5, 0.3, 0.2}	{0.2, 0.5, 0.3}	{0.2, 0.3, 0.5}	TOPSIS
石家庄站	0.12	0.72	0.31	0.38	0.34	0.48	0.39	0.65
首都国际机场	0.56	0.12	0.26	0.31	0.36	0.25	0.27	0.51
北京西站	0.17	0.37	0.21	0.25	0.24	0.28	0.25	0.46
天津站	0.06	0.37	0.24	0.22	0.19	0.27	0.24	0.42
滨海国际机场	0.20	0.19	0.30	0.23	0.22	0.23	0.25	0.39
北京南站	0.27	0.18	0.19	0.21	0.23	0.20	0.20	0.37
正定国际机场	0.11	0.27	0.25	0.21	0.18	0.23	0.23	0.37
大兴国际机场	0.29	0.07	0.24	0.20	0.21	0.16	0.20	0.35
天津西站	0.11	0.09	0.28	0.16	0.14	0.15	0.19	0.29
北京丰台站	0.04	0.10	0.24	0.13	0.10	0.13	0.16	0.24
天津南站	0.07	0.02	0.13	0.07	0.07	0.06	0.08	0.14
正定机场站	0.03	0.00	0.00	0.01	0.01	0.01	0.01	0.03
清河站	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.01
北京站	0.00	0.01	0.00	0.00	0.00	0.01	0.00	0.01
亦庄站	0.01	0.00	0.00	0.00	0.00	0.00	0.00	0.00

下载: 导出CSV

表 6 扰动场景模拟

Table 6. Simulation of disturbance scenario

攻击日期	攻击时间	单节点恢复时长/h	恢复顺序(箭头代表恢复节点的先后顺序)
10月7日(国庆节)	8:30	0.5	按节点强度：首都国际机场→滨海国际机场→北京西站→石家庄站→天津站按加权介数：石家庄站→北京西站→天津站→滨海国际机场→首都国际机场按香农熵值：石家庄站→滨海国际机场→首都国际机场→天津站→北京西站按TOPSIS值：石家庄站→首都国际机场→北京西站→天津站→滨海国际机场按随机顺序：天津站→石家庄站→滨海国际机场→北京西站→首都国际机场
		1.0
		1.5
		2.0
		2.5
	12:30	1.0
	16:30	1.0
10月16日(工作日)	8:30	1.0
10月26日(周末)	8:30	1.0

下载: 导出CSV

表 7 不同扰动场景下的网络韧性和受影响人数

Table 7. Network resilience and number of affected people under different disturbance scenarios

攻击日期	攻击时刻	单节点恢复时长/h	恢复顺序	单位时间韧性	受影响人数(比例)
10月7日国庆节	8:30	1.0	按节点强度	0.990 2	1 402(2.9%)
			按加权介数	0.976 1	5 008(10.4%)
			按香农熵值	0.984 9	2 784(5.8%)
			按TOPSIS值	0.983 2	2 523(5.2%)
			按随机顺序	0.980 9	4 585(9.5%)
10月7日国庆节	12:30	1.0	按节点强度	0.992 1	2 171(4.5%)
	16:30	1.0	按节点强度	0.999 1	1 466(3.0%)
	12:30	1.0	按加权介数	0.989 6	6 194(12.8%)
	16:30	1.0	按加权介数	0.993 5	5 776(12.0%)
	12:30	1.0	按香农熵值	0.994 2	4 022(8.3%)
	16:30	1.0	按香农熵值	0.990 7	5 024(10.4%)
	12:30	1.0	按TOPSIS值	0.988 1	3 492(7.2%)
	16:30	1.0	按TOPSIS值	0.994 2	3 523(7.3%)
10月7日国庆节	8:30	0.5	按节点强度	0.992 7	607(1.3%)
		1.5		0.990 8	1 821(3.8%)
		2.0		0.983 3	3 219(6.7%)
		2.5		0.981 3	3 607(7.5%)
10月7日国庆节	8:30	0.5	按加权介数	0.985 1	1 723(3.6%)
		1.5		0.976 5	8 458(17.5%)
		2.0		0.977 9	11 404(23.6%)
		2.5		0.976 2	13 968(28.9%)
10月7日国庆节	8:30	0.5	按香农熵值	0.985 8	1 176(2.4%)
		1.5		0.980 9	4 164(8.6%)
		2.0		0.973 4	6 137(12.7%)
		2.5		0.969 8	9 735(20.2%)
10月7日国庆节	8:30	0.5	按TOPSIS值	0.990 2	1 041(2.2%)
		1.5		0.981 0	4 245(8.8%)
		2.0		0.978 1	5 729(11.9%)
		2.5		0.978 3	7 596(15.7%)
10月16日工作日	8:30	1.0	按节点强度	0.988 7	1 531(3.9%)
10月26日周末	8:30	1.0	按节点强度	0.987 3	1 573(4.3%)
10月16日工作日	8:30	1.0	按加权介数	0.964 2	4 313(11.1%)
10月26日周末	8:30	1.0	按加权介数	0.952 6	6 328(17.2%)
10月16日工作日	8:30	1.0	按香农熵值	0.970 0	2 360(6.1%)
10月26日周末	8:30	1.0	按香农熵值	0.965 8	3 404(9.3%)
10月16日工作日	8:30	1.0	按TOPSIS值	0.977 3	2 372(6.1%)
10月26日周末	8:30	1.0	按TOPSIS值	0.974 6	2 967(8.1%)

下载: 导出CSV

表 8 不同攻击时段的民航和高铁班次及出行人次

Table 8. Number of flights and high-speed rail services and numbers of passengers during different attack periods

攻击时段	民航班次	高铁班次	总计班次	出行人次
8:30~13:30	155	518	673	16 052
12:30~17:30	151	459	610	16 662
16:30~21:30	165	453	618	14 797

下载: 导出CSV

表 9 乘客出行人数的离散程度和路径数量平均值

Table 9. Dispersion degree of number of passengers and average number of routes

攻击日	国庆节	工作日	周末
乘客出行人数方差	246 202	132 758	97 584
路径数量平均值	19.03	18.25	18.19

下载: 导出CSV

参考文献(24)

[1]	姚恩建, 陈峻, 杨扬, 等. 综合客运枢纽集群协同发展与展望[J]. 前瞻科技, 2023, 2(3): 97-105. YAO En-jian, CHEN Jun, YANG Yang, et al. Progress and prospects of coordinated development of integrated passenger transportation hub clusters[J]. Science and Technology Foresight, 2023, 2(3): 97-105.
[2]	WANG H W, PENG Z R, WANG D S, et al. Evaluation and prediction of transportation resilience under extreme weather events: A diffusion graph convolutional approach[J]. Transportation Research Part C: Emerging Technologies, 2020, 115: 102619. doi: 10.1016/j.trc.2020.102619
[3]	MA Z A, YANG X, WU J J, et al. Measuring the resilience of an urban rail transit network: A multi-dimensional evaluation model[J]. Transport Policy, 2022, 129: 38-50. doi: 10.1016/j.tranpol.2022.10.003
[4]	POO M C, YANG Z L, DIMITRIU D, et al. An advanced climate resilience indicator framework for airports: A UK case study[J]. Transportation Research Part D: Transport and Environment, 2021, 101: 103099. doi: 10.1016/j.trd.2021.103099
[5]	BAI X W, MA Z J, ZHOU Y M. Data-driven static and dynamic resilience assessment of the global liner shipping network[J]. Transportation Research Part E: Logistics and Transportation Review, 2023, 170: 103016. doi: 10.1016/j.tre.2023.103016
[6]	WANG N X, WU M, YUEN K F. A novel method to assess urban multimodal transportation system resilience considering passenger demand and infrastructure supply[J]. Reliability Engineering & System Safety, 2023, 238: 109478.
[7]	XU P C, LU Q C, XIE C, et al. Modeling the resilience of interdependent networks: The role of function dependency in metro and bus systems[J]. Transportation Research Part A: Policy and Practice, 2024, 179: 103907. doi: 10.1016/j.tra.2023.103907
[8]	马书红, 武亚俊, 陈西芳. 城市群多模式交通网络结构韧性分析——以关中平原城市群为例[J]. 清华大学学报(自然科学版), 2022, 62(7): 1228-1235. MA Shu-hong, WU Ya-jun, CHEN Xi-fang. Structural resilience of multimodal transportation networks in urban agglomerations: A case study of the Guanzhong Plain urban agglomeration network[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(7): 1228-1235.
[9]	CHEN X F, MA S H, CHEN L, et al. Resilience measurement and analysis of intercity public transportation network[J]. Transportation Research Part D: Transport and Environment, 2024, 131: 104202. doi: 10.1016/j.trd.2024.104202
[10]	ASHJA-ARDALAN S, ALESHEIKH A A, SHARIF M, et al. Resilience of urban road networks to climate change: A spatial-topological approach[J]. Transportation Research Part D: Transport and Environment, 2025, 148: 104948. doi: 10.1016/j.trd.2025.104948
[11]	张欣, 毛婧. 基于多层网络的中欧集装箱海铁联运系统韧性评估[J/OL]. 交通运输工程学报, 2026, https://doi.org/10.19818/j.cnki.1671-1637.2026.072. ZHANG Xin, MAO Jing. Multilayer network-based resilience evaluation for China-Europe sea-rail intermodal container transport systems[J/OL]. Journal of Traffic and Transportation Engineering, 2026, https://doi.org/10.19818/j.cnki.1671-1637.2026.072.
[12]	XU Z Z, CHOPRA S S. Network-based assessment of metro infrastructure with a spatial-temporal resilience cycle framework[J]. Reliability Engineering & System Safety, 2022, 223: 108434.
[13]	GAOW, HU X W, WANG N H. Resilience analysis in road traffic systems to rainfall events: Road environment perspective[J]. Transportation Research Part D: Transport and Environment, 2024, 126: 104000. doi: 10.1016/j.trd.2023.104000
[14]	ZHOU L, CHEN Z H. Measuring the performance of airport resilience to severe weather events[J]. Transportation Research Part D: Transport and Environment, 2020, 83: 102362. doi: 10.1016/j.trd.2020.102362
[15]	唐少虎, 朱伟, 程光, 等. 暴雨内涝下城市道路交通系统安全韧性评估[J]. 中国安全科学学报, 2022, 32(7): 143-150. TANG Shao-hu, ZHU Wei, CHENG Guang, et al. Safety resilience assessment of urban road traffic system under rainstorm waterlogging[J]. China Safety Science Journal, 2022, 32(7): 143-150.
[16]	QIN Y F, GUO J K, LIANG M X, et al. Resilience characteristics of port nodes from the perspective of shipping network: Empirical evidence from China[J]. Ocean & Coastal Management, 2023, 237: 106531.
[17]	KNOESTER M J, BEŠINOVIĆN, AFGHARI A P, et al. A data-driven approach for quantifying the resilience of railway networks[J]. Transportation Research Part A: Policy and Practice, 2024, 179: 103913. doi: 10.1016/j.tra.2023.103913
[18]	AGHABABAEI M T, COSTELLO S B, RANJITKAR P. Measures to evaluate post-disaster trip resilience on road networks[J]. Journal of Transport Geography, 2021, 95(C): 103154.
[19]	马敏, 胡大伟, 舒兰, 等. 城市轨道交通网络韧性评估及恢复策略[J]. 吉林大学学报(工学版), 2023, 53(2): 396-404. MA Min, HU Da-wei, SHU Lan, et al. Resilience assessment and recovery strategy on urban rail transit network[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(2): 396-404.
[20]	LUAN X J, EIKENBROEK O A L, CORMAN F, et al. Passenger social rerouting strategies in capacitated public transport systems[J]. Transportation Research Part E: Logistics and Transportation Review, 2024, 188: 103598. doi: 10.1016/j.tre.2024.103598
[21]	BRUNEAU M, CHANG S E, EGUCHI R T, et al. A framework to quantitatively assess and enhance the seismic resilience of communities[J]. Earthquake Spectra, 2003, 19(4): 733-752. doi: 10.1193/1.1623497
[22]	LU Q C. Modeling network resilience of rail transit under operational incidents[J]. Transportation Research Part A: Policy and Practice, 2018, 117: 227-237. doi: 10.1016/j.tra.2018.08.015
[23]	牛小亮. 基于时变交通需求的城市交通系统震后应急期功能损失评价[D]. 哈尔滨: 哈尔滨工业大学, 2022. NIU Xiao-liang. Functional loss evaluation of urban transportation system in the post-earthquake emergency period based on time-varying traffic demand[D]. Harbin: Harbin Institute of Technology, 2022.
[24]	王亮. 跨城市交通网络可恢复性测度方法与演化规律研究[D]. 哈尔滨: 哈尔滨工业大学, 2019. WANG Liang. Measuring method and evolution law of cross-city transportation network resilience[D]. Harbin: Harbin Institute of Technology, 2019.