国外铁路大数据应用现状与趋势分析1

郑金子，薛蕊，吴艳华，李平

（中国铁道科学研究院 铁路大数据研究与应用创新中心，北京 100081）

摘 要：大数据技术是继云计算、物联网之后的信息技术领域又一次颠覆性革命，“用

数据说话、用数据决策、用数据管理、用数据创新”的时代悄然来临。我国铁路

正处于供给侧结构性改革的关键时期，统筹开展铁路数据资源的高效汇集和开发

应用，是铁路产业转型升级的新动力。近年来，世界主要国家积极开展了铁路大

数据应用实践，围绕铁路资产管理、检修管理、运营管理、客户服务等领域，介

绍欧洲、美国、日本的铁路大数据研究与应用现状，并基于当前形势与发展需求，

分析铁路大数据的发展趋势。

关键词：大数据；铁路；国外；应用；趋势

中图分类号：U283.5

Big Data Application Review and Trend Analysis of International Railways

Zheng Jin-zi, Xue Rui, Wu Yan-hua, Li Ping (Railway Big Data Research and Application Innovation Center, China Academy of Railway Sciences, Beijing 100081, China)

Abstract: Big data technology is another subversive revolution in the field of information technology following the cloud computing and the Internet of things. The era of "data speaking, data decision making, data management, and data innovation" has come quietly. Chinese railway is in a critical period of supply-side structural reform, the efficient collection and application of railway data are the new impetus for the transformation and upgrading of the railway industry. Focusing on the application fields of big data such as railway asset management, maintenance management, operation management and customer service, this paper introduces the current situation of research and application of railway big data in Europe, the US and Japan. Based on current situation and development demand, the development trend of railway big data is analyzed.

Key Words: Big Data; Railway; International; Application; Trend

基金项目：中国铁路总公司科技研究开发计划项目（2017X006-B）

通讯作者：郑金子，博士，10114214@bjtu.edu.cn，13466310941

一 引言

随着信息采集、存储、分析技术的日益成熟，大数据已逐渐成为推动行业进步与社会发

展的源动力，成为国家基础性战略资源。计算社区联盟（Computing Community Consortium）

曾发表白皮书《大数据计算：在商务、科学和社会领域创建革命性突破》，并提出“大数据

真正重要的是新用途和新见解，而非数据本身”。

我国铁路转企改革加速稳步推进，铁路正处于关键的转型期。盘活数据资产、深挖数据

价值、发现新知识、提升新能力，有助于推进铁路转型升级、创造新的利润增长点。中国铁

路总公司高度重视数据资源的开发利用，强调铁路应依托既有数据资源优势，统筹开展大数

据专项应用，加强数据分析，提高铁路信息化应用水平。

大数据的概念是铁路行业多年来一直关注的问题，过去十年间，自动化检测技术的普及

使这一概念进一步成为主流，大数据技术在铁路运输领域得到了越来越普遍的应用。国外大

数据在铁路行业的应用实践为我国铁路大数据的发展提供参考，研究围绕铁路资产管理、检

修管理、运营管理等方面，对欧洲、美国和日本的铁路大数据研究与应用现状进行综述。

二 欧洲

数据的收集和分析方式在过去的十年间发生了很大的改变，大数据技术提供了更加复杂

的数据收集、分析和可视化工具，并减少了报告系统中的人工干预。欧洲铁路公司对大数据

在铁路行业的应用潜力做了详细的调查研究，调查结论为大数据技术在铁路安全管理中的应

用潜力是值得研究的，但同时提出，影响大数据发挥作用的最大制约因素是数据的缺乏和可

用性[1-2]

。

（一）德国

在大数据迅速发展的背景下，大数据技术已经在德国铁路的分析与预测、决策支撑及自

动化应用方面取得了一定进展。德铁通过规划建设统一的数据中心平台，实现了对经营状况、

设备故障分析等精确分析功能在内的数据综合应用平台，并开展了 4个方面的数据分析工作，

分别为：设备故障对运输效率影响情况分析、关键设备故障分析及优先级识别、设备状态可

视化展示、检修成本优化分析。德铁统一数据平台主要功能见图 1。

图 1 德铁统一数据平台主要功能

根据德铁的统计，开展如上 4 方面的数据分析工作后，在经营管理方面的提升有：（1）

对机车故障的预测时间提前到 6 h；（2）机车核心部件故障率预测的精准度由之前的 15%提

升到 86%；（3）通过燃油使用量的数据分析，优化个别司机开车习惯。在节约成本方面的提

升有：（1）优化燃油使用，将燃油使用效率提升 1.5%；（2）通过设备故障预测，将机车维

修走向状态修，节约检修人工成本。

德国的 VTG AG与瑞士公司 Nexiot共同研发了基于远程信息处理技术的车辆智能定位装

置 VTG Connector[3]。这个智能定位装置不仅能精确定位货车，还能为货主提供基于大数据

的一系列增值服务，比其他国家的货车追踪技术又有了新的进步。数字化货车的一些基础性

功能包括：追踪货车当前位置；了解来自货车的各种实时信息；较为精确地监视货车状态并

预测到达时间和可能的延误；收到多种类型的即时信息提醒；获得根据货车运用数据自动归

集绘制的若干分析图表。VTG 公司的这些服务功能是模块化的，在基础功能之外，还可通过

另外收费的形式，为用户添加所需的其他个性化功能，包括使用传感器确定货车装填量、精

确测量货车重量等。

（二）瑞士

2010 年，瑞士联邦铁路（SBB）曾推出了“SwissTAMP”项目，其目标是创建一个主动

维护的中心工具。Swiss TAMP 集成了 SBB IT 网络中的 20 多个子系统，收集并存储所有轨

道分析所需要的数据。SwissTAMP的轨迹分析功能可汇集一系列测量和诊断数据以产生综合

的状态属性并计算距离下次维护的剩余时间，维修计划功能可将轨道分析的输出结果与生命

周期成本因素关联起来，并制定最佳的建议措施以及财务估算和可行的替代方案。

瑞士国家重点科研计划（NFP）大数据专项于 2017年正式启动，该专项内容包括大数据

信息技术板块（大数据分析基础性研究、大数据基础设施构架、数据库和计算中心）和大数

据应用板块（对大数据在交通、灾害等领域的应用展开基础性研究）。

（三）瑞典

瑞典铁路运用大量数据进行基础设施管理，这些数据来源于数百个不同的数据源。对于

铁路资产管理，大量的信息需要获取和分析以评估整体状况、维护、资金支出和铁路轨道检

测。需搜集的信息包括轨道可用性、轨道使用时间、轨道状态、历史工作记录、工作详细记

录等。轨道状态的检测主要包括连续的和断点式的自动检测车的检测、日常巡查的人工检测

和服务故障记录[4-5]

。瑞典铁路大数据管理系统主要模块见图 2。

图 2 瑞典铁路大数据管理系统主要模块

（四）英国

英国铁路安全和标准化委员会（Rail Safety and Standards Board，简称 RSSB）在 2012

年提出的《铁路技术战略 2012》（The Rail Technical Strategy，简称 RTS）战略指导下，

提出铁路大数据整体框架。通过采集基础设施、车辆、现场工作人员、乘客、环境等数据，

汇集于数据中心搭建铁路大数据平台，形成铁路数据分析和信息增值服务，达到支持预测、

决策支持、控制、规划和实时信息服务等能力，实现自动列车、实时乘客信息服务、智能资

产维护，提高铁路安全性、改善人力管理的效率。

为提高运输安全性，哈德斯菲尔德大学铁路系统的大数据风险分析（BDRA）项目正在研

究如何有效组合并利用铁路的多源大数据，以便更好地了解英国铁路系统和它们所处的环境

[6]。BDRA 在风险评估的精确性上有很大提升，因为它是对所有风险相关数据进行统计分析，

而不是从有限的抽样数据中评估风险概率，因此减少了对依赖于假设和简化的风险评估模型

的使用。迄今为止，BDRA 已经对信号数据和事故报告进行了分析，分析结果用来评估存在

风险的列车数量。初步的研究结果表明，BDRA 可服务于英国铁路安全和风险管理，但在下

一步的研究中，需要采用新的风险分析技术、语义技术、交互式可视化技术来执行数据分析

和专用的计算机系统[7]。

（五）意大利

意大利铁路公司 Trenitalia 近年来利用大数据开展了机车车辆数字化的预测性维护，

利用动态检修管理系统（Dynamic Management Maintenance System，简称 DMMS）把物联网、

分析技术和内存计算技术结合起来。DMMS 的主要功能包括列车设备状况实施监控、故障发

生短期诊断、维护工作动态规划、部件剩余使用寿命预测等。DMMS 使得整个检修工作全面

数字化，它通过对列车上几百个传感器采集的大量数据进行分析、计算，预测出即将发生故

障的部件，从而采取相应的措施。这种检修方法能够把机车车辆检修成本降低达 8%[8-9]

。

（六）法国

2011 年以来，法国公共数据开放得到了稳步发展，无论从参与公共数据开放的机构数

目、已开放的数据集总量，还是从根据开放数据开发的应用项目来看，法国已成为全球公共

数据开放领域领先的国家之一。法国国家铁路公司（SNCF）以创新的合作伙伴网络为旅客日

常生活提供新服务为宗旨，面向开发者推出了数据开放。

在检修管理应用方面，法国铁路 SNCF最近与美国 IBM公司签订协议，利用该公司的 IBM

Watson 物联网平台、大数据云计算技术以及自己开发的专用工业传感器，对列车以及铁路

基础设施进行远程监控并为预测性维护创造条件。当前，巴黎通勤列车装备有 2 000个传感

器，它们每月可以传输 70 000 个数据点的信息，使得法国铁路公司的技术人员可以同一时

间对 200个列车的状态进行远程监测，以便及时发现潜在的问题，包括诸如空调设备和车门

等故障问题，省去了列车段的人工检查，也能防止服务中断以及更昂贵的维修工作[10-11]

。

三 美国

铁路大数据的应用，包括采集数据、分析数据、智慧决策等过程，其热点问题皆有美国

铁路行业的应用案例[12]

。美国联邦铁路管理局（FRA）很重视铁路大数据的应用，2002年以

来启动了多项涉及大型数据库、图像处理、神经网络、机器学习等项目[13]

（见表 1）。

表 1 FRA 开展的大数据相关项目

序号 项目名称 项目年份

1 基于轨道几何数据的作用力估算 2002

2 动态模拟的神经网络 2007

3 接头夹板检测系统 2009

4 虚拟车辆 2010

5 轨道几何异常自动校订 2010

6 机器视觉学习 2013

7 混凝土轨枕的机器视觉 2014

8 基于风险的调度优先 2014

9 基于天气建模的轨道温度预测 2016

10 被动非接触高速轨道检测 2016

11 基于仿真的断轨脱轨风险分析 2017

12 由数据驱动和缺陷退化建模的轨道养护维修方案优化 2017

13 现有变化检测软件在铁路环境的应用 2017

从智能数据平台、基础设施运维管理、客户服务、风险分析等方面，介绍美国铁路大数

据的研究与应用成果。

（一）混搭型智能数据平台

虽然在大数据的背景下得以获取大量行业相关数据，然而支离破碎、未受保护、无法访

问、质量低下的不良数据只会带来糟糕的业务结果。出于这方面考虑，互联网和数据服务公

司提出了智能数据平台的概念，旨在让数据实现自我组织，保证数据安全可靠，Informatica

在 2014 年发布了新型的智能数据平台。

在通用的智能数据平台基础上，一些公司针对铁路行业的特点开发了定制化的数据平台，

Railinc 公司自 2015 年开始从传统的数据仓库向大数据方向转变，近年来针对于铁路行业

开发的混搭型智能数据平台（见图 3）包括元数据自助管理、ELT层、Wandisco支持的数据

存储和备份等层面。该混搭型智能数据平台在机器学习和数据分析部分，运用 Spark 进行流

数据分析，利用 SAS 进行历史数据分析。利用智能数据平台一方面可以提高铁路行业产值，

如进行预测性维护、ETA预测、设备故障分析的模型优化等；另一方面可以优化铁路运营管

理，如车队管理模拟、系统异常探测、商业决策制定等[14]

。

图 3 Railinc 混搭型智能数据平台

（二）基础设施运维管理

美国铁路比较关注运用大数据技术优化基础设施状态管理和养护维修计划，通过对桥梁、

道岔、钢轨磨损、轨道几何等数据的分析和状态预测，有效防范事故发生，从而保障铁路行

车安全。

1.铁路资产管理

2011年美国货运铁路启动了“资产健康战略计划”（Asset Health Strategic Initiative，

简称 AHSI），AHSI 对各个铁路公司分别收集和存储的大量数据进行分析，并由此解决行业内

最关键的铁路设备管理与维护问题。AHSI 建立在以往的关于监控铁路车辆健康情况的 EHMS

计划之上，组件跟踪程序可在全国 140000 英里铁路网范围内轻松地跟踪并监测 6 种类型的

车辆组件。在 AHSI 开发之前，铁路公司主要依靠轨旁设备监测组件的磨损迹象，然而列车

往往在多铁路公司的范围内运行，而监测数据却不共享，铁路公司仅能够掌握车辆在自己轨

道上运行的状况，由此便延缓了对潜在问题的诊断和维护。AHSI正在汇集这些铁路数据库，

允许全国范围内的铁路公司和车辆拥有企业共享信息并制定更好的车辆维修、保养和运行决

策以提高铁路安全性。尽管 AHSI 仍在运用初期，据统计，在 2015年使用大数据来识别运行

状况不佳的车辆已经避免了 1000 多次服务中断[15]

。

Ensco公司开发了基于 GIS 的铁路钢轨状态监测系统，用来进行资产管理、判断钢轨状

态、智能制定维修决策等。该系统输入的数据来源多样，包括轨道检测车（TMV）、轮轨间监

测器（V/TI Monitors）、移动定称（IMWS）、相关文件等。其中，轨道检测车获取的数据输

入虚拟轨道行走器软件（VTW），该软件通过对检测数据的分析，允许使用者标记钢轨缺陷，

并可自动给出缺陷部位的里程和坐标，减轻了工务人员定位钢轨缺陷的工作量。钢轨状态监

测系统（见图 4）有 3个主要模块：第 1个模块是数字化钢轨记录（DTN），该模块主要用于

生成管理报告；第 2个模块是钢轨检查工具（TrackIT），帮助使用者准确地了解钢轨资产的

位置和状况；第 3个模块是维修自动推荐，该模块可使管理人员在办公室内对应该养护维修

的区域一目了然，方便人力物力的调度管理。钢轨状态监测系统同时接入了GIS和SAP系统，

可以共享地理位置信息和派遣工单[16]

。

图 4 钢轨状态监测系统（RTCM）

2.预测性维护

美国 Strukton公司开发了预测性维护和故障诊断系统 POSS，其目标是在早期阶段识别

资产的衰退，帮助分析师将注意力集中在衰退资产上，优化维修间隔，以减少维修成本和故

障，其基于数据的维修管理流程见图 5。

此外，Strukton 运用聚类和 SPC 模型预测道岔的状态，从而确定有必要进行维修的道

岔。目前 25%～35%的道岔故障可以通过耗能数据准确预测出来，下一步 Strukton准备加入

控制数据，将模型的准确率提升到 50%～70%[17]

。

工具故障模式、影响及危害分析

分析

趋势分析运营支持

控制空间

&报告

持续改进循环

智能算法

提取相关信息实施维修

资产状态

警报 维修通知

优化维修计划

维修报告

数据获取系统

图 4 Strukton 基于数据的维修管理流程

IBM针对二级轨道几何缺陷，采取回归模型结合深度学习的方法，对钢轨磨损进行了预

测，其工作流程见图 6。在数据采集方面，收集了行车、脱轨、轨道几何数据、历史维修数

据，并在时间、空间、资产属性等方面对校准和测量误差进行调整。预测模型采用了回归分

析与深度学习相结合的方法，钢轨退化和磨损的预测指标包括使用时间、电流振幅、行车量、

钢轨等级/速度、其他几何缺陷等。在人工评级方面，通过人工少量标注结合机器学习的方

法，建立脱轨风险模型。在此基础上，通过脱轨概率、不同级别缺陷花费、脱轨花费等信息

建立优化模型，从而决策是否需要对某种钢轨缺陷进行整改维修。最后，对于需要维修的工

作制定长期计划、中期计划和日计划[18]

。

图 5 IBM 钢轨磨损预测性维护流程

3.客户服务

Amtrak 公司利用大数据来提升乘客的互动和体验[19]

，该公司将列车运行图与谷歌地图

相结合，开发实时列车定位地图，通过该网站访客可以访问有关美铁列车的最新信息。此外，

Amtrak 公司通过数据预测进行火车餐车食物配备以实现忠诚度营销。

列车实时定位项目（RTVL）根据现有系统提供的数据可以每 30 s 对旅客列车进行追踪

和定位，正因为此，基于 RTVL 的手机应用 SEPTA 为乘客带来了新的服务体验。乘客在 SEPTA

上可以查看列车时刻表、车辆的位置信息和调度安排，还可以对城市与郊区的换乘信息一目

了然。与此同时，铁路系统也可以借助 SEPTA收集乘客的相关信息。

4.风险分析

在风险分析方面，新泽西州立大学开展了基于仿真的断轨风险分析[13]

。该研究提出了一

个综合的断轨脱轨风险分析和模拟框架，用来了解风险的变化，以应对轨道条件、运营和规

则的变化。研究开发了贝叶斯分析框架，以预测钢轨断裂的概率，使用多元数据分析预测脱

轨的影响，并评估不同风险管理策略的效果。该研究提出的断轨风险分析流程见图 7。

分段里程

钢轨年龄

年交通量

钢轨尺寸

曲率

维修

列车长度&速度

缺陷历史和其他因素

输入

预测钢轨出现缺陷的概率

预测钢轨断裂概率

断裂钢轨脱轨风险

建模

断裂钢轨脱轨风险模拟

输出

图 6 断轨风险分析流程

三 日本

日本是一个高度信息化的国家，自 20世纪 50年代以来就以信息化立国，以运输为代表

的基建行业随着信息化和物联网的发展，大数据技术在铁路行业得到了广泛的应用。如开发

列车货物运输版的 GIS 系统使用户实时掌握货物运输动态，为铁路货运的用户和工作人员提

供有益的分析和判断信息；开发席位种类设定计划系统提高坐席利用率和旅客便利性。

日本 JR 东集团提出“智能维护计划”来推动日本铁路维修方式改革，“智能维修计划”

不是具体的维修养护方法，而是提出了一种新的维修架构。与现有维修方式相比，“智能维

修计划”主要包含 4部分内容[20]

（见图 8）。

实现基于状态的维修

使用通勤列车监测

收集大量检测数据

基于数据分析和预测制

定决策

基于之前结果实行智能

维修

维修后追踪

时间

参数

最佳维修时间

人工智能支持工作

道岔未转换！检查点？

实施检查

知识与经验

规则

检测数据

环境

…...

引入资产管理

成本和服务水平可视化

战略预算规划

成本

历史

未来

状态（风险）

风险 成本

明确风险与成本关系

引入集成数据库

全维修系统分析

新维修方法的建议

独立数据库

链接数据库

说明：M=维修S=信号

C=土木工程 E=电气工程

R=机车车辆

图 7 “智能维修计划”的 4 项主要内容

（一）实现基于状态的维修

在基于状态的维修（CBM）系统中，监测组件会识别设施设备的退化程度和故障迹象来

判定其状态，以保证适时地进行设备维修养护。以电力设备监测系统为例，CBM的工作流程

见图 9。

图 8 CBM 工作流程

图 9中所示的循环，可以每天或动态地实施，该循环可实现数据获取，根据数据分析识

别退化状态，制定包括维修时间、地点、方法的决策，实施维修，评估维修结果。日本铁路

正在研究如何将 CBM 用于铁路车辆以实现更高效的车辆维护， CBM 要监测车辆组件的状态

并分析所得到的数据，在此基础上制定车辆维护计划[21]

。

（二）引入资产管理。

铁路资产管理的概念是将铁路设施设备当作资产，并从全生命周期的角度对资产进行高

效管理。对于桥梁、隧道、土木工程等退化速度慢、维修规模大的设施，识别退化较为困难，

如果智能维修能克服这个困难，工程师可根据退化状态对比多种维修方法，从而提出最优的

维修计划。

（三）人工智能支持工作

人工智能不仅是使用文本、图像等非结构化数据的支持系统，还可以通过大数据分析技

术挖掘出数据背后的新关联。举例说明，当设备故障发生时，有经验的工程师可根据历史经

验、设备状态、环境因素等推断出故障原因，并尽快修复故障。然而，没有经验的工程师却

难以识别故障原因。通过学习大量知识和已有的经验数据，人工智能系统可像经验丰富的工

程师一样快捷、精准地识别故障，并制定优化的维修方案。

（四）集成数据库

若要实现基于状态的维修、引入资产管理、人工智能，首先需要一个能够自由处理数据

的环境。当前，JR 东公司的各个部门具有各种各样的信息系统，这些系统都是为了优化各

自部门工作而开发的，因此各系统的结构相互独立，并且数据无法共享。为了更好地制定决

策，有必要将大量的数据集中管理，即整合各内部系统，并建立一个大的集成平台。通过该

平台，每个一线管理者都可以使用相同的数据，并可高效、精确地制定决策。

四 铁路大数据发展趋势分析

根据各国铁路大数据的发展历程及应用现状，结合当前铁路运输业的发展形势及需求，

分析铁路大数据的发展趋势如下：

（1）集成化。铁路运输业务种类多样、参与部门众多、数据规模庞大，分散于各业务

系统中的数据不便于决策者进行整体把握和宏观分析，难以充分发挥大数据的优势。未来铁

路大数据的发展将趋于集成化，即形成一体化的数据集成平台，各业务数据统一汇集于该集

成平台，形成运输经营活动的完整信息链，实现对数据的集中管理、融合共享、深度挖掘。

（2）标准化。当前，各国铁路优先发展大数据应用的研究与实践，在铁路大数据分级、

分类、标准体系等方面尚缺乏统一规范，这也在一定程度上制约了各部门、各层级间的数据

融合与共享。标准化是铁路大数据发展的迫切需求和必然趋势，构建统一的铁路大数据标准

体系，明确面向铁路数据资产全生命周期的技术标准，是各专业大数据应用不断深化的基本

要求。

（3）智能化。纵观世界各国铁路大数据的应用现状，大数据技术已在客货服务、安全

生产、设备维修、经营管理等领域取得了实质性的成效，然而在社会发展的新形势下，铁路

运输由信息化向智能化转变是大势所趋。运用人工智能等先进技术，提高运输系统自感知、

自诊断、自决策能力，从而达成提升安全水平、提高运营效率、增加经营收益、优化服务质

量的目标，这是铁路大数据发展的新趋势。

五 结语

“用数据说话、用数据决策、用数据管理、用数据创新”的时代已悄然来临，在大数据

时代下，数据成为国家基础性战略资源，是推动行业发展的源动力。我国铁路正处于供给侧

结构性改革的关键时期，应用大数据技术、盘活数据资源、深挖数据价值，已成为新时期铁

路发展的重要途径。

为充分发挥大数据技术在铁路行业的作用，应借鉴国外同行业的经验启示，紧密结合我

国铁路业务需求，统筹开展铁路数据资源的高效汇集与开发应用，最大限度地挖掘数据资源

的潜在价值，最终达成提升安全水平、提高运营效率、增加经营收益、优化服务质量的目标。

参考文献

[1]. ANTONIO D’AGOSTINO，JENNIFER ABLITT. Big data in railways[R]. Valenciennes ：EUROPEAN UNION AGENCY FOR RAILWAYS, 2016. [2]. HPCEF MIRSE，F GARY BAMFORD. The Potential for Using Big Data Analytics to predict safety risks by analysing rail accidents[J]. RAILSYSTEMS，2015(5)：1-3. [3]. 王同军. 中国铁路大数据应用顶层设计研究与实践[J]. 中国铁路，2017(1)：8-16. [4]. ASITHYA THADURI，DIEGO GALAR，UDAY KUMAR. Railway assets：A potential domain for big data analytics[J]. Procedia Computer Science, 2015(53)：457-467. [5]. LIANGWEI ZHANG，RAMIN KARIM. Big data mining in eMaintenance：An Overview[C]. Sweden：The 3rd international workshop and congress on eMaintenance，2014. [6]. FIGUERES ESTEBAN，MIGUEL HUGHES，PETER GULIJK，et al. Big data for risk analysis：The future of safe railways [C]. Spain：Congreso de Ingeniería del Transporte, 2016. [7]. VAN GULIJK，COEN，FIGUERES ESTEBAN，et al. Data risk assessment the 21st century approach to safety science[C]. Johannesburg：International Railway Safety Council, 2015. [8]. DANILO GISMONDI. Trenitalia improves rolling stock maintenance using big data[J/OL]. Global Railway Review, 2016(4) [2017-12-14].https://www.globalrailwayreview.com/article/28433/big-data-trenitalia-rolling-stock-maintenance/. [9]. VINES，CAROLINE J，KOMARLA，et al. Dynamic maintenance management system：

United States, 6006171[P]. 1999-12-21. [10]. KATIE SADLER. SNCF incorporates internet of things platform to improve customer experience, operations & safety[J/OL]. Global Railway Review, 2017[2017-12-14]. https://www.globalrailwayreview.com/news/32413/sncf-internet-of-things/. [11]. CHI ZHANG. Apply on instance of IBM watson cognitive computing system[D]. Sweden：Royal Institute of Technology, 2017. [12]. LATINKA TODORANOVA. Trends in the development of business intelligence systems[J]. Journal of University of Economics，2013：98-106. [13]. JAY P，BAILLARGEON. Safe transportation powered by big data[C]. Newark：Fourth Annual Conference on Big Data，2017. [14]. CATHY HERB，RAMESH VEERAPPAN. Railinc’s path to an intelligent data platform[C]. Newark：Fourth Annual Conference on Big Data，2017. [15]. ALLAN M，ZAREMBSKI. Some examples of big data in railroad engineering[C]. Washington DC：2014 IEEE International Conference，2014. [16]. RAFAEL MALDONADO, DANIEL GLENNON, JACKIE VAN DERWESTHUIZEN. A practical approach to railroad asset management plans: A roy hill case study[C]. Newark：Fourth Annual Conference on Big Data，2017. [17]. ELLEN LINNENKAMP，ERLAND TEGELBERG. Data collection and predictive

maintenance in health monitoring of switches[C]. Newark: Fourth Annual Conference on Big Data，2017. [18]. JEFF KELLER，DHAIVAT PARIKH，JOHN（MACK） BRISCOE. Rail wear: A new approach[C]. Newark：Fourth Annual Conference on Big Data，2017. [19]. CHRISTOPHER PUCHALSKY，DRASHTI JOSHI，WOLFGANG SCHERR. Development of a regional forecasting model based on Google transit feed[C]. NV：The 13th TRB planning application conference，2011. [20]. MITSUNBU TAKIKAWA. Innovation in railway maintenance utilizing information and communication technology: Smart maintenance initiative [J]. Japan Railway & Transport Review，

2016(67)：22-35. [21]. KENZO FUJITA. Condition based maintenance for Japan’s railways[J]. Global Railway Review，2017，23(4)：15-17. 郑金子（1986-），女，助理研究员，博士，中国铁道科学研究院，铁路大数据研究与应用

创新中心。电话：13466310941 邮箱：10114214@bjtu.edu.cn