AI在城市轨道交通通信信号技术中的应用

20XX/XX/XXAI在城市轨道交通通信信号技术中的应用汇报人:XXXCONTENTS目录01

城市轨道交通通信信号技术概述02

AI技术在通信信号领域的应用基础03

AI在列车运行控制系统中的应用04

AI驱动的信号设备智能运维05

通信系统的AI智能化升级CONTENTS目录06

智能信号控制与交通协同07

安全与可靠性保障技术08

典型应用案例分析09

技术挑战与未来发展趋势城市轨道交通通信信号技术概述01保障列车运行安全的核心屏障通信信号系统通过实时监控列车位置、速度及线路状态，防止列车追尾、冲突等事故，是轨道交通安全生产的“生命线”，直接关系到乘客生命财产安全和路网运营秩序。提升运输效率的关键支撑通过精确的列车定位、自动闭塞和列车运行图管理，通信信号系统能够优化列车运行间隔，提高线路通行能力，例如深圳地铁应用智能调度后，高峰时段客流预测精度达95%，运行图编制效率大幅提升。实现行车指挥自动化的基础为列车自动运行系统（ATO）、计算机联锁（CI）等提供关键信息交互与控制指令传输，是从人工调度向智能化、无人化行车指挥转变的技术基石，支撑城轨系统向更高自动化等级发展。维系路网协同运作的神经中枢承担着列车与控制中心、车站间的语音通信、数据传输和应急信息发布等功能，确保全网设备状态、客流信息、调度指令的实时共享与高效协同，保障轨道交通系统整体稳定运行。通信信号系统的核心功能与重要性传统通信信号技术面临的挑战固定配时难以适应动态交通流传统信号灯配时方案更新周期普遍为30天，无法应对早晚高峰、节假日等动态交通流量变化，导致80%的交叉口存在无效等待。多源数据融合与处理能力不足传统信号控制系统多依赖地感线圈等单一数据源，数据采集维度有限，且缺乏AI算法支持的实时数据分析与预测能力，导致信号配时不合理。区域协同与联动能力薄弱传统绿波带技术仅能实现单一线路协调，无法应对多交叉口联动需求，主干道拥堵易通过交叉口产生"涟漪效应"波及周边路网。特殊交通需求响应滞后传统配时难以实时响应公交优先、紧急车辆通行、行人过街等特殊需求，且交通事故等突发事件下的临时管制仍依赖人工干预，平均响应时间超过5分钟。AI技术赋能通信信号的必要性

传统通信信号系统的运维瓶颈传统通信信号系统依赖人工巡检和定期维修，存在故障发现滞后、维修成本高、对运维人员经验依赖性强等问题，难以适应城轨快速发展需求。

提升信号系统可靠性与安全性的需求通信信号系统是轨道交通的“神经中枢”，AI技术可实现对信号设备状态的实时监测与故障预警，如基于计算机视觉的接触网异常识别，提升系统可靠性与行车安全。

应对复杂运营环境的技术挑战随着城轨线路增多、客流增大，传统信号控制方式难以动态适应复杂多变的运营环境，AI技术能通过多源数据融合与智能算法优化，提升信号系统的自适应能力和效率。

推动城轨智能化转型的核心驱动力根据《城市轨道交通人工智能应用指南（2026）》，AI是城轨从“自动化”向“智能化”、“经验驱动”向“数据驱动”转型的关键，通信信号智能化是重要组成部分。AI技术在通信信号领域的应用基础02AI核心技术体系：机器学习与深度学习

机器学习：数据驱动的预测与分类机器学习通过数据自动学习映射函数，实现分类、回归、异常检测等任务。在城轨中，监督学习可基于历史客流数据预测未来流量，如北京地铁6号线采用DeepFM模型，预测误差<3%；无监督学习可分析乘客出行模式群体；强化学习能优化列车节能驾驶策略，如京雄城际RL-ATO节能12%。

深度学习：深层神经网络的复杂模式识别深度学习是机器学习的子集，利用多层神经网络模拟人脑学习。卷积神经网络（CNN）可用于轨道裂缝像素级分割、站台门夹人检测，如深圳地铁20号线YOLOv8n模型边缘推理30ms，夹人误报率0.01%；循环神经网络（RNN/LSTM）能处理时序数据，用于客流预测、设备振动信号分析，上海地铁1号线Transformer-TS模型客流预测MAPE4.1%。

城轨领域的技术适配与落地实践城轨AI应用需将通用技术转化为行业落地形态，经历“行业数据再训练→边缘轻量化→智能体闭环→数字孪生仿真”四步。例如，转向架轴承故障声纹识别采用1D-CNN提取声纹，上海地铁18号线提前14天发现剥离故障；隧道裂缝检测通过U-Net识别0.2mm裂缝，青岛地铁15km隧道巡检时间缩短至20分钟。计算机视觉在信号识别中的技术支撑

多模态图像采集与预处理技术采用高清可见光、红外、激光雷达等多类型传感器，构建全域感知网络，实现0.2mm级缺陷识别。通过时空基准算法解决不同来源数据的坐标误差，采用联邦学习技术在保护用户隐私的同时，将数据清洗环节的坐标误差控制在2厘米以内。

深度学习目标检测与分割算法基于YOLOv8n等模型实现边缘轻量化部署，100ms内完成异物检测，断网可独立运行。采用U-Net等网络对隧道裂缝等进行像素级分割，如青岛地铁无人机4K红外融合巡检，15km隧道20分钟飞完，人工巡检里程降低90%。

实时响应与边缘计算架构部署边缘计算节点（如JetsonOrin盒子）处理海量视觉数据，实现毫秒级响应，确保在交通事件发生时能快速生成并执行优化策略，响应时间稳定在200毫秒以内，满足SIL2等安全要求。

异常行为与故障智能研判通过视频分析技术自动识别轨道入侵、接触网异常、站台门夹人等事件，如深圳地铁20号线站台门夹人检测系统，YOLOv8n边缘推理30ms，夹人即触发停发车信号，2025年误报率0.01%。自然语言处理与知识图谱的协同应用01智能客服与语音交互系统基于自然语言处理技术的智能客服系统，如12306数字人客服，整合170亿参数铁路大模型，可多轮对话解决“换乘/晚点/行李”等问题，2025年春运一次解决率达92%，人工话务量降低40%。地铁“小轨”语音问询系统则通过语音识别与自然语言理解，为乘客提供便捷的票务查询、路线规划服务。02故障案例知识图谱与智能问答构建轨道交通领域知识图谱，如广州地铁整合2.3万条规章形成专业图谱，结合BERT排序与生成技术，员工输入“手摇道岔步骤”可直接返回步骤图与视频，检索时间从10分钟缩短至3秒。知识图谱与自然语言处理结合，实现故障案例的快速检索与精准匹配，辅助运维决策。03运维报告自动生成与文档解析自然语言处理技术赋能运维报告自动生成，基于设备运行数据和故障记录，快速生成结构化、规范化的运维文档。同时，通过知识图谱关联设备档案、维修记录等多源信息，实现对复杂技术文档的智能解析与信息提取，提升运维文档管理效率和知识复用能力。04应急处置决策支持与预案生成融合自然语言处理与知识图谱技术，构建应急专家系统。例如杭州地铁19号线输入“接触网覆冰”，系统可自动匹配“限速60km/h+升降弓+列车巡线”预案，生成时间仅8秒，相比人工25分钟的效率提升显著，为应急处突提供快速、精准的决策支持。AI在列车运行控制系统中的应用03基于AI的列车自动驾驶（ATO）优化多传感器融合环境感知

整合激光雷达、摄像头、毫米波雷达等多源数据，构建高精度列车运行环境模型，实现0.2mm级障碍物识别与轨道状态感知，保障自动驾驶安全性。强化学习节能驾驶策略

采用Double-DQN等强化学习算法，优化“牵引-惰行-制动”序列，在准时约束下实现能耗降低。如京雄城际应用RL-ATO技术，节能达12%，年节电约900万度。动态运行图智能适配

结合实时客流数据与历史运行规律，AI模型动态调整自动驾驶参数，匹配智能调度生成的实时运行图，实现列车准点率提升超15%，应对突发客流变化。车地协同决策与冲突消解

基于多智能体强化学习，实现列车群协同运行，动态解析线路冲突并生成最优避让方案，提升复杂工况下的自动驾驶鲁棒性与线路通行效率。动态闭塞与列车追踪的智能算法实现

01多源数据融合的实时列车定位融合车载传感器、轨道电路、5G-R等多源数据，通过AI算法实现列车厘米级定位，如京雄城际采用多传感器融合技术，定位精度达0.5米以内。

02强化学习的动态闭塞间隔优化基于强化学习（如PPO算法）动态调整闭塞分区长度，结合实时车速、制动性能等参数，使列车最小追踪间隔缩短15%，提升线路通行能力。

03图神经网络的复杂路网冲突消解利用图神经网络（GNN）对多线路交叉、换乘站等复杂场景建模，智能解析列车运行冲突，如上海地铁网络调度系统冲突消解效率提升30%。

04数字孪生驱动的追踪仿真与验证构建轨交数字孪生系统，在虚拟环境中仿真验证动态闭塞策略，北京地铁19号线通过该技术使新调度方案试错成本降低90%，上线前验证周期缩短至小时级。多源数据融合驱动的智能编制整合历史客流、天气、大型活动等多源数据，利用深度学习模型（如DeepFM）进行分析，实现运行图编制从“周级”压缩至分钟级，预测误差可控制在3%以内。动态客流响应的实时调整策略基于实时客流监测与短时预测（如Transformer-TS模型，MAPE4.1%），在大客流或突发情况下，自动生成加开列车、缩短发车间隔等调整方案，例如演唱会散场可提前30分钟加密班次。数字孪生仿真的验证与优化利用数字孪生技术构建虚拟线网，对拟定的运行图调整方案进行百万次仿真验证，确保无冲突且准点率超99%后再下发至实际系统，显著降低试错成本。应急场景下的快速恢复机制结合知识图谱与优化算法，在设备故障、线路中断等突发事件下，快速生成新的运行图恢复方案，最小化对全网运营的影响，相比人工决策效率提升显著。运行图智能编制与实时调整技术AI驱动的信号设备智能运维04信号设备状态监测与故障预测模型

多源异构数据实时采集与融合通过部署在信号设备（如转辙机、轨道电路、信号机）上的振动、温度、电流等传感器，结合高清摄像头与5G-R通信，实时采集多模态运行数据，构建毫秒级响应的感知网络。

基于深度学习的故障早期预警运用1D-CNN（一维卷积神经网络）分析转辙机振动声纹，可提前14天识别轴承剥离故障；采用LSTM（长短期记忆网络）对轨道电路电压时序数据建模，故障预测准确率达96%。

知识图谱辅助故障根因定位构建信号设备“一设备一档案”知识图谱，整合设备履历、故障案例、维修规程等1.8亿条关联数据，实现故障自动研判与维修方案生成，如接触网覆冰故障处置方案生成时间从25分钟缩短至8秒。

数字孪生仿真与预测性维护搭建信号系统数字孪生平台，将实时监测数据与虚拟模型结合，模拟不同工况下设备运行状态，实现从“计划修”向“状态修”转型，青岛地铁供电智能体故障处置效率提升超70%。隧道与轨道智能巡检搭载4K红外融合摄像头与U-Net图像识别算法，可实现0.2mm级轨道裂缝、扣件缺失等病害检测。青岛地铁应用案例显示，15km隧道巡检仅需20分钟，人工巡检里程降低90%。接触网与供电设备巡检采用激光雷达与计算机视觉技术，实时识别接触网磨耗、覆冰等异常。南京地铁弓网智能检测系统实现故障自动诊断，结合知识图谱生成维修方案，处置效率提升超70%。车站与站台智能巡检配备高清鱼眼摄像头与YOLOv8n边缘推理算法，30ms内识别站台门夹人、乘客跌倒等异常行为。深圳地铁20号线应用后，2025年安全事件误报率控制在0.01%以下。综合效能提升数据智能巡检机器人使设备故障发现提前14-72小时，如上海地铁18号线轴承故障预警系统2024年避免3起正线热轴事故；综合运维成本降低约18%，设备使用寿命延长20%。智能巡检机器人的应用与效能分析基于知识图谱的故障诊断与维修决策知识图谱构建：设备档案与规章融合整合轨道交通设备履历、故障案例、维修记录、备件信息及规章条文，构建包含实体、关系、规则的结构化知识图谱，如深圳地铁构建车辆“一设备一档案”图谱，含4类节点1.8亿条边，支撑精准故障定位与决策。智能故障诊断：多源数据关联推理利用图神经网络等AI算法，融合传感器数据、历史故障数据与知识图谱，实现故障自动研判与根因分析。青岛地铁供电智能体通过知识图谱推理，设备故障处置效率提升超70%，实现从“被动抢修”到“主动预防”。维修决策支持：方案自动生成与资源调度基于知识图谱和优化算法，智能生成维修计划、匹配所需人员、工具及备件，动态调度资源。杭州地铁应急专家系统输入“接触网覆冰”可自动匹配预案，生成时间仅8秒，较人工25分钟大幅提升效率，保障维修及时性与准确性。通信系统的AI智能化升级055G与AI融合的车地通信优化

基于AI的动态带宽分配利用AI算法分析列车运行时的实时数据传输需求，动态分配5G网络带宽。例如，在列车高速运行或数据量突发增长时，AI可优先保障关键控制信号的传输带宽，确保通信稳定性。

AI驱动的网络切片管理通过AI技术对5G网络切片进行智能管理，为不同业务类型（如列车控制、乘客服务、视频监控）分配独立切片。如青岛地铁应用该技术，使控制信号传输时延稳定在20ms以内，满足实时性要求。

智能干扰检测与规避AI实时监测车地通信中的电磁干扰，结合历史干扰数据和场景特征，预测干扰发生概率并自动切换通信频率或调整发射功率。某试点线路应用后，通信中断率降低65%。

边缘计算与AI协同的低时延传输在5G边缘节点部署AI推理模型，对车地传输数据进行本地实时处理，减少云端往返时延。如深圳地铁在边缘计算节点部署AI视频分析算法，实现对列车异常行为的毫秒级响应。多模态数据融合异常检测整合网络流量、设备状态、环境参数等多源数据，运用深度学习算法构建异常检测模型，实现对通信网络故障的精准识别与早期预警，如对信号传输时延、丢包率等异常指标的实时监测。基于强化学习的智能自愈策略利用强化学习算法，使通信网络具备自主学习和决策能力，在检测到异常后，能够自动生成并执行最优的自愈方案，如自动切换备用链路、调整网络拓扑结构等，提升网络故障恢复效率。数字孪生驱动的故障模拟与验证构建通信网络数字孪生模型，对潜在的网络异常和自愈策略进行模拟与验证，提前发现可能存在的问题，优化自愈机制，确保在实际故障发生时能够快速、有效地进行处理。通信网络异常检测与自愈机制多模态数据融合的通信质量提升

多源异构数据采集体系构建部署包含5G-R、Wi-Fi6、10GPON等传输层技术，整合高清摄像头、毫米波雷达、激光雷达、声阵列、振动传感器等感知设备，实现0.2mm级缺陷识别与4K视频实时回传，延迟控制在50ms以内。

数据清洗与标准化处理技术采用时空基准算法解决不同来源数据的坐标误差，运用联邦学习技术在保护用户隐私的同时，将数据清洗环节的坐标误差控制在2厘米以内，确保数据质量，为后续分析提供可靠基础。

边缘计算与云端协同处理机制在车站、车辆段等部署边缘计算节点（如JetsonOrin64GB），实现100ms内完成异物检测等实时推理任务；中心GPU集群负责训练千亿级城轨大模型，形成“边缘实时处理-云端深度分析”的协同架构。

多模态大模型融合推理应用构建如青岛地铁“混合专家大模型”，融合视频、传感、文本等多模态数据，统一推理并输出调度、维修、客服等任务包，26个智能体共享同一大脑，2024年实现运营成本节省10亿元。智能信号控制与交通协同06基于AI的区域信号协同控制策略多源异构数据融合感知整合视频识别、地磁传感器、5G-V2X车载终端等多源数据，构建全域感知网络，实时采集车流量、排队长度、车速等信息，如深圳智能信控系统整合互联网导航、视频AI、车检器三大数据来源，实现99.9%的数据可用性。LSTM交通流预测与动态配时基于长短期记忆网络（LSTM）捕捉交通数据时序依赖性，结合气象、公共交通等多源数据，提前25分钟预测拥堵发生，预测精度达85%以上；采用多智能体强化学习算法（如A3C）动态调整信号灯周期与绿信比，信号周期优化效率提高40%，平均延误减少13%-15%。边缘计算与区域协同联动部署边缘计算节点处理海量交通数据，实现毫秒级响应，确保AI算法在交通事件发生时快速生成优化配时方案，响应时间稳定在200毫秒以内；突破传统单一线路协调局限，实现多交叉口联动控制，缓解主干道拥堵“涟漪效应”，如北京五环路自适应信号控制优化实践中，高峰时段通行效率显著提升。客流预测与信号配时动态调整

多源数据融合的精准客流预测基于历史闸机数据、实时视频监控、气象信息及大型活动安排等多源数据，运用LSTM等时序预测模型，实现站点级15分钟至数小时客流精准预测，深圳地铁应用后预测精度达95%，为信号配时调整提供决策依据。

AI驱动的信号配时动态优化利用强化学习算法（如A3C），根据实时客流数据与预测结果，动态调整信号灯周期与绿信比，实现区域内信号灯协同控制，北京五环路应用后高峰时段通行效率提升，车辆平均延误减少13%-15%。

应急场景下的快速响应机制针对突发大客流等情况，AI系统可快速分析运行图调整方案，如演唱会散场时提前30分钟加密班次，误差<3分钟，结合边缘计算实现信号配时毫秒级响应，保障客流快速疏散。特殊场景下的信号优先控制方案应急车辆优先通行信号控制基于V2X技术实现应急车辆与信号系统实时通信，AI算法动态调整绿波带，确保应急响应时间缩短30%以上，如北京五环路试点系统实现紧急车辆优先通行效率提升40%。大客流疏散协同信号优化结合实时客流监测数据与AI预测模型，在大型活动散场等场景下，自动延长车站周边路口绿灯时间，深圳地铁20号线应用后客流疏散效率提升25%，平均等待时间缩短13分钟。故障场景下的信号降级控制当轨道电路或道岔发生故障时，AI系统快速切换至预设降级模式，通过多智能体强化学习重新规划行车路径，上海地铁18号线试点实现故障状态下信号恢复时间从25分钟压缩至8分钟。特殊天气下的信号自适应调整融合气象数据与轨温监测信息，AI算法动态调整信号安全间隔，在暴雨、高温等极端天气下确保行车安全，北京地铁19号线应用后因天气导致的信号故障下降72%。安全与可靠性保障技术07AI模型的鲁棒性与抗干扰设计

复杂电磁环境下的模型稳定性保障针对轨道交通强电磁干扰特点，采用电磁屏蔽与滤波技术，结合模型输入数据的异常值检测与平滑处理算法，确保传感器数据在传输与处理过程中的准确性，保障AI模型决策不受电磁噪声影响。

极端天气与光照条件下的视觉模型优化运用多模态融合感知技术，融合可见光、红外、激光雷达等多源数据，结合对抗训练增强模型对雨、雪、雾、强光、逆光等恶劣天气及光照变化的适应性，如隧道裂缝检测模型在0.2mm级识别精度下，极端环境误报率控制在0.01%以内。

数据噪声与异常值的智能过滤机制设计基于孤立森林、自编码器等算法的异常检测模块，对采集的振动、温度、电流等设备运行数据进行实时清洗，剔除传感器故障、传输错误等导致的噪声数据，保障训练与推理数据质量，提升模型预测准确性。

对抗性攻击的防御策略引入联邦学习与差分隐私技术，在模型训练阶段增强数据安全性；采用对抗训练方法，使模型在面对细微扰动的对抗样本时仍能保持稳定输出，例如针对轨道障碍物识别模型，通过生成对抗样本进行训练，提升其对伪装障碍物的识别能力。人机协同决策与责任边界划分人机协同决策模式构建建立AI辅助决策与人工复核的协同机制，AI负责处理海量数据、提供初步方案，人类专家聚焦复杂场景判断与最终决策。例如在信号故障应急处置中，AI快速生成多套恢复方案，调度员结合经验选择最优策略。动态责任边界划分原则基于任务复杂度与AI可靠性分级界定责任：常规信号调整等标准化任务可由AI自主执行，承担主要责任；涉及行车安全的关键决策由人机共同负责，明确AI建议与人工指令的权责比例。责任追溯与审计体系构建决策过程全记录系统，采用区块链技术存证AI模型输入数据、中间推理过程及人工干预痕迹，确保责任可追溯。如青岛地铁供电智能体已实现故障处置流程的全程留痕与审计。法规标准与伦理规范建设参考《城市轨道交通人工智能应用指南》，制定通信信号领域AI应用伦理准则，明确人机协同中数据隐私保护、算法偏见防控要求，推动建立行业统一的责任认定标准与纠纷解决机制。数据安全与隐私保护技术措施

联邦学习技术应用采用联邦学习技术，使数据在本地处理，只共享加密模型参数，实现“数据可用不可见”。如深-港-穗三地地铁在客流分析中应用，人脸、行程数据不出站，仅上传加密梯度，满足国密合规要求。差分隐私技术保障引入差分隐私技术，在数据发布和模型训练过程中加入噪声，保护个体敏感信息。确保在数据分析和共享时，无法识别具体个人，平衡数据利用与隐私保护。国密算法加密传输采用国密SM9等端到端加密算法，对通信信号系统中的数据传输进行加密保护。确保数据在传输过程中不被窃取、篡改，保障数据的机密性和完整性。区块链存证技术应用利用区块链技术对关键操作日志、数据访问记录等进行存证，实现数据全生命周期可追溯。确保数据的修改和访问都有迹可循，提升数据安全管理的透明度和可信度。典型应用案例分析08国内城市地铁AI信号系统实践单击此处添加正文

深圳地铁智能信号系统：动态调度与安全预警深圳地铁在部分线路部署AI信号系统，通过分析实时客流数据与列车状态，动态调整列车运行图，高峰时段加车响应时间从15分钟缩短至30秒，准点率提升超15%。同时，系统整合多源传感器数据，实现信号设备故障提前预警，2025年故障处置效率提升约70%。北京地铁6号线：AI辅助运行图智能重排北京地铁6号线应用基于DeepFM模型的AI信号调度系统，融合3年历史客流、天气、大型活动等1.2亿条数据，客流预测误差<3%。在突发大客流情况下，系统可快速生成最优运行图调整方案，运行图编制从“周级”压缩至分钟级，有效提升线路运营弹性。南京地铁弓网智能检测：计算机视觉保障供电安全南京地铁采用基于计算机视觉的AI弓网智能检测系统，通过车载高清摄像头与红外融合技术，实时识别接触网异常状态，如磨耗、覆冰等。系统可精准定位0.2mm级缺陷，检测效率较人工提升90%，2024年成功避免多起因接触网故障导致的运营中断事件。青岛地铁混合专家大模型：多模态信号协同决策青岛地铁部署千亿级参数混合专家大模型，整合视频监控、设备噪声、规章文本等多模态数据，为信号系统提供调度、维修、应急等决策支持。该系统实现26个智能体共享统一大脑，2024年通过信号系统智能优化，节省运营成本约10亿元，故障自动诊断准确率达96%。设备故障处置效率显著提升青岛地铁供电智能体实现故障自动诊断、方案输出，故障处置效率提升超70%，大幅缩短了故障影响时间。运维成本有效降低通过从“计划修”转向“状态修”“预测修”，减少了不必要的维护作业，某试点项目设备运维成本降低约18%，同时延长设备使用寿命20%。人工巡检工作量大幅减少南京地铁弓网智能检测系统利用计算机视觉实时识别接触网异常，青岛地铁隧道裂缝检测无人机15km隧道20分钟飞完，人工巡检里程降低90%。维修工单处理时效提升基于知识图谱的维修工单自动生成与派发，结合设备“一设备一档案”数据，深圳地铁预测性维修准确率达96%，工单处理从“天级”缩至“分钟级”。智能运维平台的应用成效评估车地协同通信的创新应用案例

基于5G-V2X的列车运行状态实时回传京雄城际铁路利用5G-V2X技术，实现列车运行状态数据（如速度、位置、设备工况）实时回传至控制中心，传输延迟控制在50毫秒以内，为智能调度和故障预警提供数据支撑。

智能应急响应与协同处置系统杭州地铁19号线部署车地协同应急系统，当发生接触网覆冰等突发事件时，列车可通过车地通信自动向控制中心发送故障信息，系统8秒内生成包含限速、升降弓等指令的应急方案，较人工决策效率提升95%。

边缘计算与云端协同的信号动态优化深圳地铁20号线在车地通信中引入边缘计算节点，结合云端大模型分析实时客流与列车位置数