抖音数据分析与数据驱动地铁：智慧地铁的安全运营

抖音数据分析与数据驱动地铁的真正价值，不是从短视频评论区“猜”哪座车站出了问题，而是把分散、嘈杂、滞后的公众感知，转化为可以被车站值班员验证、被调度中心处置、被安全部门复盘的弱信号。我的核心判断是：抖音不能替代信号系统、视频监控、客流计数和设备告警，但它可以提前告诉地铁运营者，乘客正在经历什么、哪些异常已经影响体验，以及哪些小问题可能正在向安全风险演变。

一、先讲核心结论：短视频是感知层，不是控制层

1. 地铁安全运营需要两套数据同时存在

传统智慧地铁建设，通常优先接入客流闸机、站台摄像机、扶梯传感器、屏蔽门状态、列车运行图和设备告警。这些数据擅长回答“系统发生了什么”，例如某个站台拥挤度超过阈值、某台扶梯停机、某扇屏蔽门重复报警。

但运营人员还需要回答另一个问题：乘客为什么突然集中抱怨，现场到底有什么让人不安、困惑或不愿配合的因素。这个问题往往不在结构化设备数据里，而是藏在视频、评论、弹幕和用户自发发布的现场描述中。

抖音数据可以补上这一层“公众感知数据”。它能帮助运营方捕捉站内异味、广播听不清、换乘指引不明、雨天地面积水、排队绕行、临时封闭解释不足等体验信号。这类信号未必已经构成事故，却可能影响乘客行为，进而增加拥挤、逆行、争执和滞留概率。

我不建议把短视频热度直接接入自动告警。更稳妥的架构是把数据分成三层：第一层是平台内容形成的发现信号，第二层是车站与设备系统形成的验证证据，第三层是人工值守和调度指令形成的处置动作。只有三层之间建立明确的升级条件，数据才会真正服务安全。

这套分层的价值在于，它把“网上出现了一个视频”与“车站必须采取行动”之间增加了验证环节，同时又避免了传统系统只看设备、不看乘客真实体验的盲区。

2. 真正应该追踪的是“风险变化”，不是“热度排名”

单条视频有十万点赞，不等于车站存在十万次安全风险；一条只有几百播放量的现场视频，也可能提供了非常关键的设备异常线索。热度反映传播效率，安全运营关注的是发生概率、影响范围、持续时间和处置难度，这四个维度不能混成一个数字。

我通常会把一个短视频信号拆成四个问题：它是否能定位到具体车站或区间？是否能被第二个数据源验证？是否会改变乘客行为？如果不处理，风险是否会扩大？只有同时满足其中两到三个条件，才值得进入运营核查队列。

3. 数据驱动的终点是动作闭环，而不是漂亮看板

很多项目上线后会产生一个新的问题：屏幕上有很多关键词、热度曲线和情绪分布，但车站人员不知道下一步做什么。一个有效的系统必须将内容分析结果映射到责任岗位，例如“换乘指引不清”交给客运组织岗位，“反复异味”交给机电或环境岗位，“站台拥挤扩散”交给值班站长和调度中心。

我会把闭环定义为六个字段：发现时间、事件位置、信号来源、验证结果、处置动作、复盘结论。缺少最后两个字段，系统就只能提供舆情观察，不能称为数据驱动的安全运营。

二、背景和真实场景：为什么地铁需要看短视频数据

1. 地铁是高频、强时段、强空间约束的公共系统

地铁运营有一个与普通消费场景完全不同的特点：乘客的选择空间很小。进入站厅后，乘客通常必须沿固定动线完成购票、安检、进闸、候车和换乘。某个环节出现小幅度阻塞，就可能在几分钟内影响后续人流。

例如，换乘通道少了一块清晰的临时指示牌，单个乘客可能只多走两分钟；但在晚高峰，几十名乘客同时停下来确认方向，就会形成横向停滞。横向停滞又会迫使后来乘客绕行，最终表现为站厅局部拥挤。设备系统记录到的是客流密度变化，短视频和评论更早呈现的是“大家不知道往哪里走”。

交通运输部发布的交通运输行业统计资料，以及中国城市轨道交通协会的年度统计报告，都反映出城市轨道交通仍然承担着大规模、高频次的公共出行任务。规模越大，越不能只依赖事后投诉和人工巡检，必须把公众反馈纳入持续感知体系。

2. 一个更常见的场景：没有事故，却已经出现风险前兆

假设某换乘站在工作日七点四十五分开始出现多条短视频，内容分别提到“进站排队突然变长”“二号口走不通”“广播听不清”“有人在扶梯口停下来问路”。这些内容看起来互不相关，但它们可能共同指向一个变化：临时施工改变了原有动线，现场引导没有同步调整。

如果运营方只监控设备告警，系统可能显示扶梯正常、闸机正常、列车准点，因而不会触发传统意义上的故障响应。但从乘客行为看，停留、回头、询问和逆向移动已经增加，这正是客流组织风险的早期表现。

在这种场景中，短视频分析的正确作用不是判断“有没有事故”，而是帮助值班人员缩短发现时间，并尽快安排现场确认。确认后，如果确实存在动线问题，最有效的措施往往不是复杂系统改造，而是调整围挡、补充地贴、增加一名引导人员并修改广播。

3. 公众内容的价值来自“细节密度”，而非信息权威性

车站监控能看到乘客在某个位置停留，却未必知道他们为什么停留。用户视频里的口头描述、镜头转向、拍摄角度和评论追问，常常能补充“为什么”。这也是短视频数据的独特价值：它不一定准确，却经常包含传统结构化数据没有的现场细节。

但细节多不等于事实可靠。视频可能是旧内容重新发布，地点可能被误标，评论可能跟风夸大。因此，短视频应当被视为高细节、低确定性的线索。与之相对，设备告警往往是低细节、高确定性的证据。两者结合，才能提高判断质量。

4. 采集边界必须先于分析能力确定

涉及公众内容时，我会先确认四个边界：是否使用公开或获得授权的数据；是否保存不必要的个人信息；是否可以去除人脸、车牌和账号标识；是否有明确的保存期限和访问权限。地铁安全运营不能以侵犯乘客隐私为代价。

分析系统应优先保存事件标签、时间窗口、站点、内容摘要、证据链接和复核状态，而不是默认长期保存完整视频。对于需要进一步调查的材料，也应由授权人员在合规环境中访问，并在事件关闭后按制度删除或脱敏。

三、常见误区：很多所谓数据驱动，实际上只是数据装饰

1. 误区一：播放量高，就代表安全问题严重

播放量受发布时间、账号粉丝量、音乐话题、剪辑质量和推荐机制影响。一个“地铁偶遇明星”的视频可能获得很高曝光，却与运营风险无关；一条拍摄角度普通、只记录站台异味的视频，播放量不高，却可能指向持续存在的设备或环境问题。

判断严重性至少要看四个指标：是否能定位、是否重复发生、是否影响行为、是否存在扩散路径。播放量最多只能作为传播范围参考，不能成为安全等级。

我更关注“重复出现的低热度信号”。如果同一站点在七天内出现五条互不关联的视频，都提到雨天入口积水，即使每条只有几百播放，也比一条百万播放的偶发抱怨更值得安排现场检查。

2. 误区二：负面情绪高，就代表现场一定危险

情绪分析很容易把“气愤”“无语”“害怕”“着急”归为负面，但这些词背后的业务含义并不一样。乘客因为票价调整表达不满，和乘客因为站台拥挤产生恐惧，都可能被归入负面，却需要完全不同的处理路径。

我会把情绪拆成“原因，行为，后果”三段。原因可能是服务解释不足，行为可能是停留、争执、逆向行走或围观，后果则可能是秩序风险、客诉增加或传播扩大。只有情绪与具体行为、具体位置同时出现，情绪才具有运营判断价值。

3. 误区三：提到某个车站，不代表问题发生在那里

短视频标题中的站点名称可能只是换乘目的地、拍摄路线或话题标签。评论里出现大量站名，也可能是网友讨论相似经历，并非同一时间的现场反馈。若系统只按关键词聚类，就会把讨论对象、发生地点和传播地点混在一起。

空间定位至少需要三个证据：画面中的站名或设施特征、发布时间与运营时段是否匹配、第二来源是否指向同一位置。定位不够时，应把事件标记为“待确认”，而不是直接写入车站风险排行榜。

4. 误区四：实时分析越快越好

实时系统并不等于高质量系统。把每一分钟的新内容都推送给值班人员，可能造成告警疲劳；告警过多时，真正重要的异常反而会被淹没。对安全运营来说，有节制的延迟，往往比无筛选的实时更可靠。

我通常会按照事件类型设定不同窗口。疑似烟雾、人员跌倒、站台异常聚集等高风险线索，需要分钟级核查；广播听不清、标识不清、环境异味等体验问题，可以按十五分钟或三十分钟聚合；单纯情绪表达则适合纳入日汇总。

5. 误区五：把所有评论都交给人工阅读

纯人工阅读很难长期维持。一场突发事件可能在一小时内产生大量重复评论，运营人员如果逐条阅读，会把时间消耗在相同信息上。完全自动化也不可靠，因为讽刺、方言、隐喻和上下文经常让模型误判。

更合理的做法是机器完成去重、聚类、关键词扩展和初步分类，人工只处理高风险、低置信度和跨来源矛盾的内容。机器的任务是减少阅读量，人的任务是完成责任判断和行动决策。

四、专业判断逻辑：如何把内容信号转成安全决策

1. 先定义问题，再决定采集哪些数据

如果问题是“哪座车站最近被讨论最多”，采集播放量和评论量就够了；如果问题是“哪类异常正在影响高峰客流安全”，就必须接入时间、位置、客流、现场确认和处置记录。不同问题需要不同证据，不能先买一个分析系统，再反过来寻找它能展示什么。

我建议每个项目先写出不超过五个业务问题。例如：哪些站点在高峰期反复出现动线混乱？哪些乘客反馈能被设备数据验证？短视频线索是否比正式投诉更早发现问题？哪些处置动作最能降低重复发生？这些问题决定了后续字段、算法和评价指标。

2. 用“定位，验证，影响，升级”四步判断

定位解决“在哪里”。需要识别线路、车站、出入口、换乘通道、站台或周边道路，至少保留一个可信位置和一个时间窗口。

验证解决“是否真的发生”。可以交叉核对客流曲线、视频监控摘要、设备日志、广播记录、现场人员反馈和乘客服务工单。没有第二证据时，不能把公众描述写成事实。

影响解决“会改变什么”。影响可能是通行速度下降、队列长度增加、乘客停留、非正常绕行、工作人员重复解释或投诉扩散。

升级解决“谁现在行动”。低风险问题进入服务改进队列，中风险问题通知车站值班人员，高风险问题则触发现场确认和调度协同。升级规则必须写清楚，不能依靠某个分析人员的临场判断。

3. 建立事件分级，而不是建立情绪排行榜

4. 把评分模型当作排序工具，不要当作事实机器

可以为内容建立一个简单评分，但分数只能帮助排序，不能替代责任人员的确认。一个实用的示意模型是：风险优先级等于影响分乘以验证置信度，再乘以传播扩散系数；其中任何一项为零，最终优先级都不应过高。

影响分可以考虑人员聚集、行为改变、设备关联和持续时间；验证置信度可以考虑位置明确度、时间一致性和多源交叉；扩散系数则反映内容是否已经引发大量模仿拍摄或外部关注。三个维度分开保存，便于复盘时解释为什么某条内容被升级。

如果一个模型只能告诉管理者“这条内容得分87分”，却不能说明分数来自哪里，它就不适合安全场景。所有高分事件都应能追溯到原始证据、规则命中项和人工修改记录。

5. 让每一次处置都能反过来训练系统

人工确认不是系统的终点，而是后续优化的训练数据。每一次处置都应记录：原始信号是否准确、误判原因是什么、现场发生了什么、哪项措施有效、是否在下一班次或下一周重复发生。

例如，系统把“站厅人很多”识别为拥挤，但现场人员确认只是乘客集中等待集合。这个误判不应简单删除，而应标记为“聚集但非通行阻塞”，让后续模型学会区分排队、候车、围观和真正的通道阻塞。

五、具体案例与数据观察：一个换乘站的情景复盘

1. 案例范围和数据口径

下面这个案例是按照我在运营方案中常用的复盘框架构造的情景模拟，不代表某一条真实线路的官方数据。场景设定为一座三线换乘站，工作日早高峰发生入口施工，短视频内容、车站客流和人工处置记录被放到同一条时间轴上。

模拟周期为十四天，前七天是原始运营状态，后七天实施引导优化。分析对象包括带有明确站点或设施特征的短视频及评论、站厅局部客流、现场引导工时、乘客问询次数和正式投诉量。

2. 先出现的不是拥堵，而是“寻找方向”的动作

第一天到第三天，短视频中出现“出口被围住”“换乘要绕一大圈”“工作人员说法不一样”等描述。此时客流总量只比平时高出约4%，还没有超过车站传统拥挤阈值，因此系统没有发出客流告警。

但现场观察发现，施工围挡前的平均停留时间由约6秒增加到18秒，问路次数由每小时约42次升至71次。乘客并没有立即形成大规模排队，却开始在通道节点反复停下确认方向。这是一个典型的前置行为信号。

第四天，一条视频将“入口积水”和“排队绕行”剪在同一段内容中，播放量明显高于此前样本。传播本身没有证明现场更危险，却提示运营方需要迅速检查：是否存在两个问题叠加，是否会让乘客在湿滑区域停留，是否需要将引导人员从站厅中央移至围挡入口。

3. 交叉验证后，问题被定位为“动线设计加沟通不足”

运营人员核对监控摘要后确认，施工本身没有导致通道完全中断，但围挡将原有直行路径切成两个方向，临时箭头的高度偏低，且早高峰广播只说明“部分出入口调整”，没有告诉乘客具体绕行路径。

这一步非常关键。单看视频内容，问题可能被误判为“施工造成拥堵”；结合客流和现场观察后，真正的根因是“临时动线可通行，但信息不足导致乘客在节点停留”。两种判断对应的解决方案完全不同，前者可能增加管控，后者应优先优化信息和岗位。

第五天，车站采取三项低成本措施：将箭头标识上移并扩大字体，在围挡前增加一名定向引导人员，广播改成“从左侧通道前往三号线，右侧通道前往一号线”的具体表达。措施没有改变闸机数量，也没有调整列车班次。

4. 处置效果要看行为指标，而不只是投诉量

模拟数据显示，措施实施后的前三天，入口平均停留时间从18秒降至9秒，每小时问路次数从71次降至38次，局部通道密度从2.6人/平方米降至2.0人/平方米。相关短视频仍然存在，但内容重点从“完全不知道怎么走”转向“施工期间需要绕行”，说明体验冲突减弱。

如果只看短视频数量，改进可能并不明显，因为施工仍在继续，乘客仍会拍摄现场。只有把内容变化与行为指标放在一起，才能判断措施是否减少了真正的运营压力。

这也是我反对单一舆情指标的原因。投诉下降可能是因为乘客放弃反馈，播放量上升可能是因为某个账号扩大传播，二者都不能直接代表现场好转。最可靠的判断是多指标同时改善，并且在施工持续期间没有出现新的风险信号。

5. 反事实比较：如果只等传统阈值，会发生什么

在同一模拟场景中，如果运营方只等待全站客流超过阈值，预计要到第六天才会触发关注。那时站厅整体客流并不一定危险，但入口停留和局部密度已经持续多日，工作人员会在早高峰被迫重复解释，乘客也更容易在围挡前形成横向停滞。

短视频数据的贡献不是把风险“预测得很神奇”，而是把运营人员的注意力提前引向一个传统系统还没有定义为故障的问题。它降低的是发现成本和定位成本，而不是替代现场管理。

六、不同情况下的行动建议：从小站试点到多线路运营

1. 小型车站：先做轻量级人工闭环

客流规模较小、信息化基础一般的车站，不需要一开始就建设复杂模型。可以先建立一个每日两次的内容观察表，字段包括站点、时间、事件类型、是否定位、是否复核、处理人和结果。

第一阶段只建议追踪五类高价值信号：异常聚集、动线受阻、设备反复故障、环境安全隐患、解释引发的乘客误解。分类太多会让现场人员无法维护，也不利于比较趋势。

小站的优势是责任链短。值班站长可以直接验证内容、安排岗位并在当天完成记录。只要连续四周形成“发现，确认，行动，复盘”的记录，就能判断是否值得继续投入系统建设。

2. 中大型车站：建立内容信号与运营数据的关联

换乘站和枢纽站应重点建设事件关联能力。系统需要把内容信号按时间窗口与客流、闸机、扶梯、广播、施工和工单数据对齐，而不是简单按照话题名称聚类。

例如，某站在八点至九点出现大量“排队”关键词，系统应继续判断这些内容对应的是安检排队、换乘排队、卫生间排队还是活动集合。不同队列的安全含义和责任岗位不同，不能只显示一个“排队热度”。

建议中大型站点设置两个队列：一个是分钟级处置队列，处理可能改变现场行为的事件；另一个是日级改进队列，处理反复出现但暂不紧急的服务问题。这样既能保护值班人员的注意力，也能避免低风险问题被遗忘。

3. 多线路运营：重点建设跨站点的重复问题识别

当运营范围扩大到多条线路，最有价值的不是比较哪条线的负面内容更多，而是发现相同设施、相同流程或相同施工模板在多个站点重复引发问题。

比如，三个不同车站都出现“临时出口看不懂”的内容，表面上是三个站点的个别问题，实际上可能是同一套临时标识规范不适合高峰人流。跨站点聚类可以推动制度改进，而不是让每个车站分别处理同一种问题。

多线路运营还需要统一事件词典和位置编码。一个车站称“换乘厅”，另一个车站称“联络通道”，如果没有统一编码，系统会把同类问题拆散，导致管理层看不到共性。

4. 突发事件：短视频只能用于态势补充

发生烟雾、人员伤害、列车故障或大规模客流滞留时，首要依据必须是现场确认、设备系统、视频监控和应急指挥流程。短视频内容可以帮助判断公众是否误解、信息是否扩散、哪些出口出现大量询问，但不能成为应急指令的唯一依据。

突发事件期间，系统应切换到“事实优先”模式：先固定时间线和已确认信息，再分析传播内容。对于未经确认的现场描述，不应直接对外发布，也不应让算法自动生成带有确定性结论的公告。

5. 内容治理：把隐私保护写进流程，而不是写在声明里

具体操作上，建议默认脱敏账号名称、头像、人脸和车牌；仅保留完成事件判断所需的最小字段；限制原始内容的访问角色；对导出报表设置水印和有效期；对已经关闭的低风险事件按制度删除原始材料。

对于内部培训和复盘，尽量使用打码后的截图、文字摘要和结构化标签。只有在确认必要且获得授权的情况下，才使用完整视频。安全运营系统越强，越要避免把公众内容变成无边界的监控资料库。

七、不同情况下的取舍：速度、准确、隐私和成本不可能同时最大化

1. 速度与准确率的取舍

分钟级分析可以更早发现线索，但通常会带来更多误报；人工复核可以提高准确率，却会增加响应时间。对高风险事件，应允许先发出“待确认”提醒，但提醒内容必须明确写出证据不足，不能把猜测包装成事实。

对低风险服务问题，则可以接受更长的聚合周期，以换取更好的去重和分类质量。不同事件使用不同阈值，比全系统采用一个统一的实时标准更符合地铁运营实际。

2. 覆盖率与隐私保护的取舍

保存越多原始内容，理论上越容易复盘，但隐私风险、存储成本和访问滥用风险也会增加。我的建议是优先保存结构化事件摘要和最小必要证据，只有进入正式调查的事件才延长原始材料保存期限。

如果一个分析需求必须依赖长期保存所有账号、头像和完整视频，通常说明需求定义还不够清晰。安全问题真正需要的往往是时间、地点、行为和处置结果，而不是某个普通乘客的完整身份信息。

3. 自动化与人工判断的取舍

自动化适合做重复劳动：抓取授权数据、去重、分词、聚类、提取时间地点、生成待核查清单。人工适合做责任判断：是否升级、是否对外说明、是否涉及应急预案、是否需要改变设施或流程。

最危险的做法是让系统自动把情绪标签转换成处罚、限制通行或公开回应。算法识别存在误差，且公众内容上下文复杂，高影响动作必须保留人工审核和申诉机制。

4. 低成本试点与一次性大建设的取舍

一次性建设全套系统，表面上能快速覆盖多个场景，实际上容易出现指标过多、责任不清和现场不使用的问题。更稳妥的路径是先选择一个换乘站、两类问题和一个高峰时段，验证数据是否真的改变了处置。

只有当试点证明三件事，才值得扩大：短视频信号比原有渠道更早发现某类问题；人工复核成本可以接受；处置后有可量化的行为改善。否则，增加更多模型和看板，只会增加管理复杂度。

八、下一步怎么做：用九十天验证价值，而不是先买一套大系统

1. 前三十天：确定问题、词典和责任人

第一步不是选择供应商，而是从历史投诉、现场巡检和车站值班记录中选出两到三个高频问题。建议优先选择能够被现场验证、能够产生行动、又不会直接触发重大应急指令的问题，例如动线混乱、临时施工指引、重复异味和广播理解障碍。

第二步是建立最小事件词典。词典不要只收集名词，还要收集行为表达，例如“堵在门口”“不知道往哪走”“绕了一圈”“扶梯口停住”“闻到焦味”。同一个问题在不同人群、方言和口语中可能有多种说法。

第三步是明确责任人。内容观察由谁负责，现场核查由谁完成，设备问题转给哪个部门，外部回应由谁审批，都应在表格中写清楚。没有责任人的数据，最后只会停留在会议材料里。

2. 三十至六十天：做一个可复盘的单站试点

试点期间不要追求覆盖所有内容，而应固定一个车站、一个高峰时段和一套事件分类。每天记录线索数量、定位成功率、人工复核耗时、误报原因、处置动作和次日是否重复发生。

同时设置对照指标。比如没有使用短视频线索时，传统渠道发现某类问题需要多长时间；使用线索后是否提前；提前发现后是否真正减少了停留、问询、拥堵或投诉。没有对照，就无法判断系统带来的增量价值。

3. 六十至九十天：决定扩展、调整还是停止

九十天结束时，至少要回答五个问题：哪类信号最可靠？哪类信号误报最多？现场人员是否愿意使用？哪些处置动作真正有效？合规和存储成本是否可接受？

如果短视频对服务体验问题很有价值，但对设备故障帮助不大，就应把系统定位为公众感知和服务改进工具，而不是包装成全能安全平台。如果某类信号总是无法定位，优先改进数据字段和人工流程，而不是继续提高模型复杂度。

4. 用四组指标评估项目是否值得继续

• 发现效率：从异常首次出现到运营人员看到线索的时间、从线索进入到完成现场确认的时间。
• 判断质量：定位成功率、现场复核准确率、误报率、重复内容去重率，以及高风险事件漏报情况。
• 运营结果：局部停留时间、问路次数、通道密度、重复投诉量、同类问题再次发生率。
• 治理质量：授权数据占比、敏感信息脱敏率、访问审计完整率、事件关闭率和复盘完成率。

这些指标应该按事件类型分别统计。把所有内容混成一个总准确率，无法说明系统究竟擅长什么，也无法指导下一步投入。

5. 最终交付物应该是一套判断机制

九十天后，最有价值的交付物不是一张热度大屏，而是一套可以被不同班组重复使用的判断机制：什么信号值得看，什么证据需要补，什么情况需要升级，什么动作可以先做，什么结果必须复盘。

如果换一名值班人员，仍然可以按照同样规则得出相近结论，说明系统已经沉淀为运营能力。如果只有原始分析人员才能解释图表和判断风险，说明项目还没有完成知识转移。

九、总结：智慧地铁的关键，不是知道更多，而是更早做对的事

1. 短视频数据的独特位置

抖音数据分析在地铁安全运营中的独特价值，不是它比设备系统更准确，也不是它能替代应急指挥，而是它能提供乘客视角下的高频、细节化和现场化信号。它让运营者看到那些尚未触发设备告警、尚未形成正式投诉、却已经改变乘客行为的问题。

这种价值必须被放在正确的位置：短视频是感知层，是早期发现层，是解释乘客行为的补充层。它不能直接变成事故结论，也不能绕过人工确认成为控制指令。

2. 我最坚持的三个判断

第一，热度不是风险，重复出现并且能够被验证的行为变化才更接近风险。运营者需要从“谁被讨论最多”转向“什么变化正在影响通行和秩序”。

第二，数据分析的价值由处置结果证明，而不是由看板数量证明。如果内容分析没有让现场更早发现问题、让人员更精准投入、让同类问题减少，它就只是信息展示。

第三，智慧地铁不是把所有判断交给算法，而是让算法处理规模，让人保留责任。机器可以整理复杂内容，人必须对事实确认、应急升级、隐私边界和对外表达负责。

3. 现在就可以执行的三步

1. 选一个换乘站，限定一个早高峰时段，只追踪动线、拥挤和设备体验三类信号。
2. 建立“线索，验证，动作，结果”四段记录，不以播放量作为唯一排序依据。
3. 连续运行四周后，用发现时间、复核准确率、现场行为和重复发生率判断是否扩展。

真正成熟的数据驱动地铁，不是让运营人员每天看到更多内容，而是让他们在正确的时间看到正确的信号，并有足够清晰的证据采取合适的动作。只有当公众感知、运营验证和现场处置形成闭环，短视频数据才会从传播数据变成智慧地铁安全运营的一部分。