城市轨道交通安全预警与应急保障技术研究

1.城市轨道交通车站安全预警指标及预警阈值确定

（1）预警指标的确定。

根据影响城市轨道交通车站安全的因素，综合目前相关文献提出的指标体系，确定客流指标、设备指标、人员指标、管理指标和环境指标这5个方面作为预警指标。其中：正向指标为数值越大，车站越安全；负向指标为数值越大，车站越危险。具体指标如下：

① 车站客流承载度X1：车站实际客流量与设计客流量之比，反映车站设备对客流量的承受能力。该数值随着时间的变化而变化，数值越大，车站设备越不适应，为负向指标。

② 车站机电设备风险度X2：车站屏蔽门、扶梯、信息系统、闸机等机电设备的总体可靠性，用统计时间内（月）的各类故障次数乘以对应风险系数表示，单位为次/月。由于不同设备故障造成乘客受伤事故的风险不同，根据专家调研结果，取扶梯故障风险系数为1，屏蔽门故障风险系数为0.8，闸机和乘客信息系统风险系数为0.5，其余设备风险系数取0.2，通过综合集成后得到车站机电设备风险度。该指标为负向指标。

③ 员工综合素质X3：将车站员工的年龄、工龄、职称、工作强度进行综合，该数值可由专家综合上述因素进行打分，确定各站的员工综合素质得分，具体评分方法见文献[11]，该指标为正向指标。

④ 管理综合指标X4：车站安全管理的综合水平，由专家综合各车站应急预案、应急演练表现、应急资源储备情况、违章违规记录等因素打分确定，得到各车站管理综合指标，为正向指标。

⑤ 外部环境指标X5：外部环境指的是车站整体所处的外部社会环境和自然环境。社会环境（如车站所处的地理位置、周边公共交通状况等）对车站安全的影响，主要体现在因对客流的吸引而造成的大客流冲击风险；自然环境对车站安全的影响主要指极端天气的影响，如暴雨、潮湿天气、高温等。各站的社会环境作为基础数据，由专家打分给出；自然环境为动态的，根据具体天气情况对基础数据进行修正，具体修正过程见参考文献[12]。该指标为正向指标。

根据上述指标的定义，通过对某地铁公司的调研，选择其中10个车站作为分析的基础资料，数据见表4-4。

表4-4　某地铁公司10个车站的预警指标数据（同一时间节点）

（2）预警阈值的确定。

综合已有文献中的城市轨道交通安全状态分级、风险评价标准，结合专家意见进行适当修正，将城市轨道交通车站安全预警结果设为5级，分别是无警、轻警、中警、重警、巨警。各级的预警阈值见表4-5，其中：车站客流承载度的确定，以文献[10]对北京市地铁的车站客流承载能力调查仿真结果为依据，选取仿真结果中客流特征波动较大的点作为划分不同安全状态等级的临界值；车站机电设备可靠度的确定，参照文献[2]提出的城市轨道交通设施设备故障预警阈值；员工综合素质、管理综合指标和外部环境指标的预警阈值通过专家对调研样本进行打分后，采用统计方法中的均数原则来划分警限，最终确定的各指标预警阈值见表4-5。

表4-5　城市轨道交通车站安全预警阈值划分

（3）基于信息熵的预警指标权重确定。

对表4-4的数据进行规范化处理后，根据公式（4-8）和（4-9），计算给定数据样本情况下的城市轨道交通车站安全预警指标权重jω，用以衡量各指标对安全影响程度的大小，具体数值见表4-6。

表4-6　城市轨道交通车站安全预警指标权重

2.基本概率分配函数合成及其融合方法

（1）基本概率分配函数的合成。

基本概率分配函数M是D-S证据理论融合的基础，结合表4-5划分的5个预警等级的阈值，可按照如下步骤生成。(www.xing528.com)

① 预警阈值与焦元的对应。为了表示5个预警等级，基本概率分配函数的焦元需要由3个元素构成，设3个元素为A、B、C，则对应于无警、轻警、中警、重警、巨警的基本概率分配函数焦元分别为M（A）、M（AB）、M（B）、M（BC）、M（C），由表4-4的指标数据和表4-5的警限阈值，得出每个车站不同的预警指标所对应的基本概率分配函数焦元，见表4-7。

表4-7　10个车站的预警指标对应的焦元

② 加权合成基本概率分配函数。根据各个指标的贡献程度，分别对其赋予不同的权重后进行加权合成，各个指标的权重由表4-6给出。下面根据表4-8，以车站1为例说明加权合成基本概率分配函数的方法。车站1各个焦元分配到的权重值为：M(A) =0.07+0.04=0.11；M(AB) = 0.61+0.12=0.73；M(B)=0；M(BC)=0；M(C)=0.16。因此，车站1的基本概率分配函数为：M(A)= 0.11；M(AB)= 0.73；M(B)=0；M(BC)=0；M(C)=0.16。类似地，可以得到其他9个车站各指标数据加权合成的基本概率分配函数，见表4-8。

表4-8　车站加权合成后的基本概率分配函数

续表

（2）多证据的融合方法。

城市轨道交通车安全预警涉及5个不同指标，并且每个指标对车站安全的影响程度不尽相同，每个指标都是一个证据，根据D-S证据理论的合成规则对5个证据进行融合，利用公式（4-7）对表4-8中的各车站基本概率分配函数进行融合，结果见表4-9。

表4-9　车站多证据融合后的结果

3.预警结果判定

表4-9中的数据为这5个指标通过证据融合后得到的基础概率分配，数值最大的称为主焦元，是基本概率分配函数的焦元中占有明显优势的焦元，由主焦元决定预警结果。根据前述预警级别与焦元的对应关系，对10个车站的预警判定结果见表4-10。

表4-10　车站基本概率分配函数融合后的结果

4.分析评价

（1）由于没有对同一预警指标和数据进行的其他研究文献，为验证结果的合理性，通过专家评价进行验证：选定10个专家，结合表4-4和表4-5的数据，分别对10个车站进行主观综合评价，评价结果与本书的预警结果一致，验证了本书预警方法的合理性。在实际使用中，由于需要预警的城市轨道交通车站数量众多，且各站预警指标的数值是动态变化的，依赖专家组进行主观预警的方法不现实，本书提出的预警方法可以通过程序自动判定，从而实现车站安全的动态预警。

（2）从上述预警过程可以看出，指标权重对预警结果的影响非常大。传统的指标权重确定方法通过专家主观确定，且为不随样本变化的固定值；但融入信息熵的指标权重确定方法权重完全由数据库确定，能随数据的变化自动调整，当某个指标数据变化较大的时候，能够立刻体现在指标的权重上。

（3）从对多信息融合的过程来看，D-S证据理论克服了神经网络等需要大量训练样本的不足，也不需要对综合预警的级别事先进行阈值划分，信息融合后的预警结果判定通过概率进行判断，适应性强。