Amtrak 构建铁路智能平台，用 Databricks 统一数据骨干

"每一列新列车都是产生数据的资产。连接它们信号的情报平台才是让转型产生复利效应的关键。"——Prathibha Prabakaran，Amtrak企业架构高级总监

Amtrak运营着美国最大的客运铁路网络，拥有21,000英里轨道，连接全国各地的社区。该组织目前正在进行半个世纪以来最大规模的物理转型，引入两支全新车队，同时重建隧道、桥梁和铁路车场，其中一些已存在超过150年。为了匹配这一物理转型的规模，Amtrak正在构建一个数字情报平台，将所有新资产连接到一个统一治理层。团队称之为Rail Intelligence，它运行在Databricks上。

数据孤岛与千载难逢的机遇

Amtrak的数据环境未能跟上转型的速度。车队遥测数据存储在一个系统中。预订平台——一个名为Arrow的40年历史的大型机——存储在另一个系统中。资本项目数据保存在电子表格中。轨道旁检测器读数则完全在其他地方。机械团队在设备故障发生后被动应对。分析师无法将车队健康状况与乘务排班和乘客需求联系起来。

与此同时，新资产正快速上线。NextGen Acela——美国最快的火车，时速186英里——已在东北走廊投入服务，拥有28列车组。83列西门子制造的Airo列车组正在14条走廊上逐步部署。这些现代列车组每列携带超过100个传感器，每次行程产生数千个数据点。如果没有统一的平台，这些数据只会比旧数据孤岛的退役速度更快地创造新的数据孤岛。

一个平台，汇聚所有列车的每一个信号

Amtrak选择Databricks作为其战略数据平台。这并非针对单一用例的点解决方案，而是该组织在经历大规模转型时扩展能力的基石。通过Lakeflow Connect和实时流处理，来自整个企业的信号现在流入一个统一治理的环境：车队物联网、轨道旁检测器、调度系统、地理空间数据源、新的Sqills S3 Passenger预订平台以及运营技术系统。

原始事件落入Delta Lake，通过medallion架构进行清洗和规范化，最终成为受信任的数据产品，由Unity Catalog治理，具备完整血缘、领域访问控制和数据质量契约。在这一基础之上，ML模型运行异常检测、计算机视觉缺陷检测流程和延误概率评分，通过MLflow管理，并通过Model Serving部署。

原则很简单：一个平台，所有列车的所有信号，实时、受治理且可信。

预测性维护、运营就绪和更明智的资本决策

该平台驱动五个情报产品，每个都与特定的运营成果相关联。

车队健康情报实时传输Acela和Airo列车的遥测数据，并对车门故障、轴承温度偏差和动力车异常等问题发出预测性警报。机械团队现在获得预测性信号，而不是事后应对问题。

安全情报自动化乘坐质量监控和事故趋势分析，并通过制冷传感器数据主动识别咖啡车中的食品安全风险。

运营就绪利用基于机器学习的评分，将车队可用性、乘务排班和维护窗口统一为单一的实时运营视图。目标是：每次出发、每天，正确的列车、正确的乘务组、正确的走廊。

预订情报支持从遗留的Arrow系统迁移到云端原生平台Sqills S3 Passenger。预订事件、票价等级和载客率信号通过Lakeflow Connect直接流入湖仓。

资本优先级将轨道旁检测数据、机器学习异常评分和车队遥测数据整合为统一的条件评分，使得Amtrak每年55亿美元的资本项目能够依据实时资产数据而非定期人工评估来决策。

从可观测到复利效应

Amtrak的情报成熟度正在分阶段推进。该平台目前已上线并受治理，机器学习异常检测已在多个车队中运行。下一阶段是完全预测性的，包括延误概率模型、收入预测和资本评分。长期愿景包括通过Genie实现代理式工作流和自然语言查询，让操作人员无需编写代码即可查询数据。

Amtrak还在构建一个Databricks Apps体验层，作为开发者、分析师和高管发现数据产品、查看Unity Catalog中的血缘关系以及通过嵌入式Genie与平台交互的单一入口点。其目的是使数据在整个组织中更易访问、更自助化。

这种方法的复利效应将所有环节联系在一起。每一列新列车投入服务，都会增加改进每个模型的遥测数据。每个完成的资本项目都会增加状态数据。每次乘客预订都会增加需求信号。随着每个资产的连接，平台的价值不断增长，因为了解自己的铁路，才能准时运行。