《Transportation Research Interdisciplinary Perspectives》：Functional connectivity networks for transportation delay analysis: From theory to software
编辑推荐：
摘要
在建模和理解交通网络中延误传播的努力中，过去十年中日益引起兴趣的一种方法是构建功能网络表示。这些图将感兴趣的元素（如机场或车站）映射为节点，并通过相关性和因果性检验从它们的动态中推导出成对依赖模式。尽管取得了多项显著成果，但该方法仍缺乏一个连贯的框架
摘要
在建模和理解交通网络中延误传播的努力中，过去十年中日益引起兴趣的一种方法是构建功能网络表示。这些图将感兴趣的元素（如机场或车站）映射为节点，并通过相关性和因果性检验从它们的动态中推导出成对依赖模式。尽管取得了多项显著成果，但该方法仍缺乏一个连贯的框架，许多基本步骤相关的决策留给研究人员自行判断。本文介绍了交通系统功能网络背后的理论，详细阐述了主要步骤及相关陷阱。我们进一步介绍了一个Python软件包delaynet，旨在支持研究人员重建和分析此类网络。最后，我们对瑞士铁路系统中的延误传播进行了分析，并讨论了未来的研究方向。
论文解读文章
**研究背景与问题**
交通网络是由大量相互关联的组件构成的复杂系统，其延误现象会通过网络传播，引发级联故障，严重影响运营效率、乘客体验和经济产出。现有研究主要采用三类方法：统计描述与建模、回归/机器学习/深度学习模型，以及微观仿真。然而，这些方法在捕捉高度互联系统中延误传播的复杂动态方面存在局限。近年来，统计物理和复杂网络理论被引入交通系统研究，其中“功能网络”方法在航空延误研究中受到广泛关注。该方法将机场或车站等元素映射为节点，通过相关性和因果性检验从延误时间序列中提取成对依赖关系。尽管已有诸多重要成果，但该方法仍缺乏统一框架：数据预处理、去趋势方法选择、连接性度量选取、网络重建阈值设定等关键步骤均依赖研究者个人判断，且缺少统一软件库，阻碍了验证和可重复性。为此，研究人员旨在梳理功能网络分析的理论基础与 pitfalls，并开发开源Python包delaynet，以提供从数据预处理到网络重建与分析的完整流水线。
**研究内容与结论**
研究人员首先系统阐述了延误功能网络分析的五个基本步骤：数据准备、去趋势方法、连接性分析、网络重建和网络分析。数据准备强调时间序列需规则采样、时间对齐、长度一致，且时间分辨率需匹配分析目标。去趋势方法用于移除数据中掩盖真实关系的趋势和季节性，包括Delta去趋势、二阶差分和Z-Score归一化，并讨论了各自适用场景。连接性分析比较了线性度量（线性相关、秩相关、格兰杰因果）和非线性度量（互信息、传递熵、连续序数模式），指出不同度量对数据长度和非线性关系的敏感性不同，不存在普适最优选择。网络重建通过统计阈值或错误发现率（FDR）控制将p值矩阵转化为二值邻接矩阵，并强调p值不能直接解释为关系强度。网络分析介绍了多种拓扑指标，包括链路密度、全局效率、传递性、互惠性、介数中心性、特征向量中心性及孤立节点分析，并讨论了基于随机零模型的Z-Score归一化方法在跨网络比较中的必要性。基于这些理论，研究人员实现了delaynet包，其模块化架构与上述步骤一一对应，支持合成数据生成、多种去趋势算法、六种连接性度量、网络重建与拓扑分析。案例分析使用瑞士联邦铁路（SBB）2022至2025年实际运行时刻表数据，构建了瑞士长途铁路延误功能网络，并采用滚动窗口分析其时间演化。
**主要研究方法概述**
研究人员使用了以下关键技术方法：合成数据生成（包括延迟因果网络和航空专用模拟器SynthATDelays）用于验证分析流程；多种去趋势方法（Delta、二阶差分、Z-Score）处理非平稳性；连接性度量包括线性相关、秩相关、格兰杰因果、互信息、传递熵和连续序数模式；网络重建采用统计阈值和Benjamini–Hochberg FDR控制；网络分析使用链路密度、全局效率、传递性、互惠性、介数中心性、特征向量中心性和孤立节点数等指标，并引入随机等效网络Z-Score归一化。案例数据来源为瑞士开放交通数据平台（opentransportdata.swiss）的SBB实际时刻表（istdaten），选取2022年1月至2025年8月期间SBB运营的长途列车（IC、IR、EC、ICE、TGV）站点级延误记录。
**研究结果**
*数据特性分析*：对2025年8月苏黎世HB到达延误分布的分析显示，延误分布呈显著重尾和正偏态（偏度4.886，超额峰度39.282）；经每日Z-Score去趋势后，偏度和峰度分别增至5.947和52.106。日内瓦站波动尤为剧烈（偏度约16.5，超额峰度约425），表明极端事件更易发生。
*网络结构特征*：2025年8月重建的有向功能网络链路密度为0.5143；不存在孤立入度或出度节点。传递性和互惠性的Z-Score分别为?1.8201和12.2859，后者表明双向连接数量显著高于随机基线网络。
*节点中心性*：介数中心性由阿尔高/米特兰地区的枢纽站（如布鲁格AG、奥尔滕）主导，沃韦和苏黎世HB也扮演重要桥梁角色；特征向量中心性在伯尔尼和洛桑达到峰值。
*社区结构*：Louvain算法在对称化网络上识别出五个社区，其结构与铁路走廊对应；但苏黎世厄利孔等节点出现在莱芒-弗里堡社区，揭示了直通列车和长距离依赖造成的非本地联系。研究人员提醒，随机模块度最大化算法可能产生不稳定结果，需结合多种算法和运营信息进行完整评估。
*时间演化*：基于28天滑动窗口的分析显示，链路密度和互惠性在每年最后几周出现峰值，而传递性同期下降，这可能源于假日季交通量增加导致延误更紧密关联但结构更松散。全局效率的极端Z-Score值源于高链路密度下随机系综方差极小，应解读为网络结构与零模型明显不兼容。
**讨论与结论**
功能网络分析存在三个主要局限：关系多为相关性而非真正因果性，受混杂因素影响；能揭示关系存在但无法解释深层原因；不能仿真what-if场景以直接指导干预。因此，功能网络应作为微观仿真和统计分析的补充工具。delaynet框架尽管优势明显，仍需注意数据质量要求、计算开销、参数选择依赖领域知识，以及不能作为黑箱使用——需结合外部事件日志（天气、基础设施故障、节假日安排）才能从“何时何地”迈向“为何发生”。尽管涵盖基本步骤，文献中仍有更多分析工具待整合，未来将持续发展该软件包。
**结论**：本研究首次将功能网络分析应用于铁路延误数据（此前多集中于航空），展示了经过去趋势、滞后感知连接性检验和统计剪枝后的网络能揭示可解释的空间结构和时间动态，且该功能结构与物理基础设施拓扑存在显著差异。delaynet为交通延误传播研究提供了统一、开源、可复现的分析工具，未来需通过替代估计器、稳健性检验和运营数据验证进一步完善。
