Li等以盾构倒塌事故为研究对象，分析了建筑工人安全能力的形成机制，基于对隐患的感知和判断，建立了建筑工人安全能力模型[1]。Chen等将贝叶斯网络中的三角模糊数和云理论相结合，建立了盾构地下通道段的风险分析模型，并以实际工程为例进行了风险评估[2]。Yin等基于社会网络分析建立了地铁盾构施工安全风险网络结构，以线路中心性为标准识别关键风险，为风险控制提供决策依据[3]。Liu等以南宁地铁3号线为背景，划分盾构施工剖面，建立盾构施工结构模型，并通过矩阵权重计算识别关键危险因素[4]。基于贝叶斯网络，Chung等建立了盾构隧道掘进机风险分析模型，系统识别盾构筑筑的潜在风险事件，估算事故的对策成本，评估潜在风险事件的风险等级[5]。Nezarat等根据地铁盾构施工的地质风险，采用模糊层次分析法对各种风险因素进行分类，以指导现场盾构施工[6]。Yazdani等提出了一种基于模糊集理论的风险评估模型，用于评估地铁盾构施工过程中的风险事件，并将其与传统风险评估方法进行了比较[7]。周等人利用复杂网络对地铁施工事故进行分析，最终得到了一个有向无力网络，该网络有26个顶点，49条边。通过数据分析，采用免疫策略降低网络效率，指导现场地铁盾构施工安全管理[8]。薛等建立了基于盾构隧道地下通道河的开挖工作面稳定性评价指标体系，采用AHP-熵权法计算权重，建立了基于思想点法的开挖工作面稳定性评价模型[9]。任等在习地铁3号线某区段建立了盾构施工相邻建筑物施工安全风险评价指标体系，采用模糊综合评价方法评价该区域盾构施工安全风险等级[10]。Chen等结合主观和客观方法识别地铁盾构施工的安全风险因素，建立具有解释结构模型的事故致病模型，并与决策实验室分析了这些因素之间的影响关系[11]。Wang等以武汉地铁项目为例，对影响地铁运营隧道安全系统的因素进行了总体分析，建立了分层结构模型。在综合风险评估的基础上，采用模糊综合判断模型、最大隶属度原则、R=P×C[12]确定隧道盾构施工段风险等级。以天津地铁项目为例，潘等建立了基于模糊熵理论。此外，为了定量分析安全风险系统中各因素之间的耦合度，基于物理学中的耦合度理论建立了耦合度计算模型[13]。曹等人研究了一种在盾构隧道施工中建立风险分析标准的方法：使用代表性条件的三维数值建模。然后根据研究结果推荐风险控制措施[14]。黄老师等将TDCM评价方法与一维云模型（ODCM）评价方法和模糊综合评价方法（FCEM）进行了比较，并讨论了TDCM评价方法的优点和适用性[15]。

文本挖掘是从非结构化文本信息中获取有趣或有用的模式的过程。文本挖掘涵盖了多种技术，包括信息提取、信息检索、自然语言处理和数据挖掘。Liu等将文本挖掘技术应用于隧道工程，借助R语言和捷巴分词建立了隧道工程风险评估指标体系，并在此基础上开发了隧道工程风险评估体系[16]。Liu等收集了21世纪以后的地铁施工安全事故，建立了施工安全事故数据库，识别了48个因数和13个事故类型，利用关联规则和复杂网络构建了地铁施工安全事故因果网络，并对节点进行了免疫研究[17].Xu等以安全事故报告为语料库，基于文本挖掘方法，包括因果关系和耦合关系，识别地铁施工安全风险因素和风险关联关系，建立基于解释结构模型和贝叶斯网络的风险评估模型[18]。Ji等利用网络爬虫采集地铁施工安全事故案例，采用文本挖掘方法识别67个风险关键词，通过复杂网络建立地铁施工安全风险网络，识别关键风险节点。然后，基于贝叶斯网络进行风险概率推理，并通过情景分析进行成本控制[19]。Son等对韩国大型EPC项目的招投标文件和合同文件进行了文本挖掘，建立了进度延误估计模型，以评估预测进度风险，从而确定合适的项目工期[20]。Li等利用关联规则寻找地铁工程风险相关性，得到45个地铁工程施工监控组合，并提出风险对策[21]。

Zhang等研究了数据挖掘技术在地铁自动数据采集系统信息处理中的应用，并提出了数据挖掘系统的框架。本文基于地铁数据采集技术，研究了地铁客流和出行信息的分析方法。利用数据挖掘技术和统计分析，从收集的数据中推导出地铁OD矩阵和交通率，详细描述乘客的出行时间分布，对地铁系统的调度和管理具有重要意义[22]。Hsu 等人为台北地铁案例研究示例开发了一种响应式乘客信件系统。在随机抽取具有文本类型的乘客信件后，利用文本信件文件中的文本挖掘技术寻找习惯甚至新的关键字，以提高服务质量，例如客户满意度[23]。Mo等人提出了一种措施，该措施使用数据挖掘技术为地铁系统设备创建结构化数据集，通过分析历史维护记录来监控其日常状态和可能的故障发展趋势，并尝试在任何设备实际发生故障之前应用预测维度[24]。Juan等人从文件中提取了五年的地铁事故记录。通过文本聚类，得到地铁延误的主要影响因素。采用logit回归模型[25]建立了影响因素与地铁延误的关系。Chang 等人通过深度学习和复杂网络理论探索了数据驱动的安全风险评估和响应模型。基于关键安全风险因素，提出相应的风险对策，以验证数据驱动的安全风险管理模型的有效性和适用性[26]。

牟等研究了基于地铁运营日志文本挖掘的地铁运营危险性识别算法，研究结果表明，AFP-tree算法能够显著提高计算效率，通过分析挖掘出共25类有效的关键危险源，研究结果可为地铁运营单元实现“事前”事故预防提供重要依据[27].叶成等提出了一种基于改进BERT模型的分类方法和一种基于知识图谱的结构化检索方法，实现了地铁建设隐患的文本分类和高效数据检索，为集成系统的开发应用提供了支撑。同时，该研究还可以为基于深度学习和知识图谱技术的建筑领域的文本处理、数据检索和管理提供参考[28]。Pan等提出了一种基于文本挖掘和可视化技术的隐患检测自动化分析文本框架，该框架在2016—2018年武汉地铁施工安全隐患检测记录分析中得到了应用和验证。实验结果表明，该框架能够有效挖掘出34类隐患对应的关键点和视觉信息[29]。针对海量非结构化地铁建设隐患文本，Hei等提出利用文本挖掘技术和可视化技术对地铁建设隐患进行分析，将抽象文本数据转化为可视化信息，辅助未来隐患排查并提供数据支撑，可用于地铁企业编制隐患排查年鉴，利用可视化分析结果。在工人安全培训中具有实际应用价值[30]。

Li等采用R语言和文本挖掘方法，利用词云和网络结构图对事故报告和可视化文本挖掘结果进行分词处理、特征项选择、向量空间模型构建和共现规则识别。共发现地铁施工安全事故的23个关键危险因素和31个一般危险因素[<>]。