基于組合賦權
--云模型的城市軌道交通換乘站運營安全評估研究

魯亞東，黃遠春，劉丹陽，潘寒川，張煜睿，李思杰，劉志鋼

（上海工程技術大學 城市軌道交通學院，上海 201620）

0 引言

換乘站是城市軌道交通線網運營的關鍵點，堅持“安全隱患零容忍”理念是我國城市軌道交通發展的前提要求和服務宗旨[1]。換乘站是城市軌道交通線網銜接的必要工具，其內部結構復雜、設備種類繁多、人流密集，是影響城市軌道交通線網運營的關鍵點。

目前針對安全評估的研究普遍分為評估主體和評估方法2 個方面。評估主體方面，張鵬等[2]采用等比例放縮方式考慮地鐵換乘站的火災安全；劉菊美[3]針對車站客運安全構建客運安全分級評估機制；黃體允等[4]通過將南京新街口站部分時段單向通道客流改為雙向通道客流，提高換乘效率、降低人員擁擠程度，改善南京新街口站安全狀況；王瑩等[5]將北京六里橋站導向標志改為多維立體燈箱，提高標志的覆蓋率。將換乘站作為評估主體的研究多從單視角考慮換乘站安全，缺乏整體性。評估方法主要有層次分析法[6]、案例分析法[7]、蝴蝶結模型[8]、BP 神經網絡法[9]、多層次模糊綜合評價法[10]、可拓物元法[11]、三角白化權函數聚類法[12]、最優最劣法(BWM)[13]、云模型[14-15]。此外，城市軌道交通換乘站在運營過程中不斷出現運營安全事件，如2012 年北京西單站換乘設備故障多人受傷事件、2017 年北京東直門站臺墜落1 人死亡事件、2020年廣州官湖站雨水倒灌事件等。因此，在換乘站運營管理中，需要將換乘站運營安全放在首位，迫切需要開展換乘站運營安全評估工作。

研究針對城市軌道交通換乘站運營安全需求和既有研究的不足，提出基于組合賦權-云模型的城市軌道交通換乘站安全評估方法。全面分析換乘站安全影響因素，從人員、設備、環境、管理和建筑5 個方面構建系統化的換乘站運營安全評估指標體系，其中包含5項一級指標和35項二級指標。構建改進BWM 的指標權重計算方法，該方法既兼顧評估專家的經驗知識，又融入指標數據自身信息特征，能夠降低權重計算冗余步驟的出現，避免數據繁雜造成評估專家思維混亂現象的發生，獲得的評估指標權重更準確。構建基于云模型的換乘站運營安全評估流程，該流程能夠將主觀評價的模糊性和猶豫性以評估云量化展現，提高換乘站安全評估工作的魯棒性，為查找換乘站的薄弱點提供參考。

1 換乘站運營安全評估指標體系

《城市軌道交通服務質量評價規范》(交辦運〔2019〕43 號)針對服務保障能力評價構建了30 個定性評價指標。定性指標主觀性強，人為因素影響大，數據波動不穩定。換乘站運營安全評估指標體系需要服務于換乘站運營的整體要求，并盡可能客觀全面地反映換乘站運營安全狀況。通過分析換乘站安全影響因素和實地調研數據，全面分析換乘站安全影響因素，考慮從人員、設備、環境、管理和建筑5 個方面的評估指標為切入點，梳理換乘站運營安全評估候選指標。但是，指標數量較為龐大，不便于開展換乘站安全評估工作，采用專家咨詢法，以認可該指標的專家人數占專家總人數的百分比，即指標認可度作為衡量指標是否選取的條件。

指標認可度超過80%，則將其納入評估指標體系；低于40%，則剔除；處于40%～80%，則重新反饋，直至所有指標確定被納入或剔除。最終，構建的換乘站運營安全評估指標體系包含5 項一級指標和35 項二級指標。換乘站運營安全評估指標體系如圖1所示。

圖1 換乘站運營安全評估指標體系Fig.1 Operation safety assessment index system of transfer station

2 換乘站運營安全評估方法

2.1 問題描述

換乘站是由多個復雜系統組成的有機整體，客流高度集中、設備系統復雜。評估專家常用模糊的自然語言來表示評估結果，使換乘站的安全評估具有較強的模糊性和不確定性。安全評估是需要多次開展并持續改進的工作，具備持續性和動態性特征，能夠為現階段隱患排查治理和安全管理目標的制定提供參考依據。詳實的安全評估方法能夠提高安全評估工作的魯棒性，便于安全管理者的應用。

現階段針對安全評估方法的研究整體分為2 個方向，一類是利用機器學習進行訓練；另一類是對比定性定量分析方法，選取最為合適的方法。由于研究的指標數據量有限，無法滿足機器學習訓練需求。BWM 是2015 年Rezaei[16]提出的主觀賦權法，只需2n- 3 次判別，相較于層次分析法的(n2-n)/2次，大幅度減少冗余步驟。直覺模糊二元語義能夠同時表達評估專家的支持、反對和猶豫3 方面的信息特征，能夠使評估語言表達更為準確。使用直覺模糊二元語義改進BWM 法，既兼顧評估專家的經驗知識，又融入指標數據自身信息特征，具有能夠降低權重計算冗余步驟的出現、避免數據繁雜造成評估專家思維混亂現象的發生、獲得的評估指標權重更準確等優勢。此外，云模型能夠對模糊且隨機的定性評價進行量化運算，評估結果精確度高，普適性好。因此，構建直覺模糊二元語義改進BWM的指標權重確定方法和基于云模型的換乘站安全評估流程，以解決換乘站安全評估的模糊性和不確定性問題。

直覺模糊二元語義[17]：設S={S0，S1，…，Sh}為語言術語集合，={(μSi，θSj)；μ，θ∈[0，1]；μ+θ≤1；i＜j≤i+ 1；i，j∈[0，1，…，h]}是S產生的直覺模糊二元語義集合，元素(μSi，θSj)表示某屬性屬于Si的隸屬度為μ，該屬性屬于Sj的隸屬度為θ，評估專家的猶豫程度為(1 -μ-θ)。即-S作為直覺模糊二元語義集考慮了評估專家的猶豫性。

結合區間二元語義概念，將直覺模糊二元語義進行區間化處理。直覺模糊二元語義集合為-S，定義映射f，將直覺模糊集二元語義集合轉換為區間數值，再將區間數值轉化為標準區間二元語義形態。

2.2 改進BWM的指標權重方法

（1）將換乘站安全評估指標體系劃分為一級指標層集合和二級指標層集合。每位評估專家Ea(a=1，2，…，m)分別確定一級指標層和其對應的二級指標層的最優指標和最差指標。

（2）每位評估專家Ea選擇偏好的語言術語集S，采用直覺模糊二元語義的形式，給出最優指標B相對于其他指標n(n= 1，2，…，N)的重要程度，表示為c=[(ur，θ)]，其中，∈S，≤且μ，θ∈[0，1]，μ+θ≤1，由此獲得的最優-其他比較向量表示為=(c，c，…，)；采用同方法給出其他指標n(n= 1，2，…，N)相對于最差指標W的重要程度，表示為=[(α，β)]，其中，∈S，≤且α，β∈[0，1]，α+β≤1， 由此獲得的其他- 最差比較向量表示為Caw=(，，…，)。指標偏好得分如表1所示。

表1 指標偏好得分Tab.1 Index preference score

式中：Z為衡量評估專家群體一致性水平的測度，其區間值越接近零，評估群體的一致性程度越高，對應的指標權重越合理；λa為評估專家權重；εa=[χa，sa]為區間最大絕對偏差；U(Δ-1(c))和U(Δ-1(c))分別為評估專家利用直覺模糊二元語義給出的最優指標B和最差指標W相對于其他指標n的比較向量經過轉換函數轉換后的區間值，求解獲得最優區間指標權重(ω1，ω2，…，ωN)。

式中：(ln，un)=ωn，ln和un分別為ωn的左右區間點。

（6）利用客觀權重賦權法(CRITIC)［18］計算評估指標的客觀權重。

（7）主觀權重向量記為ω1=(ω，ω，…，ω)，客觀權重向量記為ω2=(，，…，)，將ω1，ω2任意線性組合構成綜合權重集。

（8）為了從綜合權重集中找出最滿意的權重ωz，以ω和ω1，ω2的離差最小化為目標確定規劃模型。

將多個綜合權重向量進行交叉組合，依據矩陣微分性質，得到最優一階導數條件。

計算得到(a1，a2)，對(a1，a2)進行歸一化處理后，計算指標綜合權重ωz。

2.3 基于云模型的換乘站運營安全評估

為將定性表述定量化引入云模型，定義：設集合U是變量X的論域范圍，C是集合U上的一個定性表述，樣本x是定性表述C的一次實現，即x對C是存在穩定傾向的隨機數，公式表示如下。x是定性表述C在論域U內的1 個云滴，云滴聚集成的云團是定性表述C的定量化表示，(Ex，En，He)稱為云模型的數字特征。

期望Ex表示云滴中心點，是定性表述的量化點。期望Ex不同的云圖如圖2所示，在換乘站安全評估研究中，Ex代表各指標的評價值，展現當前換乘站的安全狀況，Ex值越大，該換乘站運營安全狀況越好。

圖2 Ex不同的云圖Fig.2 Different cloud diagrams of expecting Ex

熵En是定性表述的不確定性的度量標準，由定性表述的隨機性和模糊程度所決定。熵En不同的云圖如圖3所示，En值越小，代表該結果被接受的程度越高，確定度越大。

圖3 En不同的云圖Fig.3 Different cloud diagrams of entropy En

超熵He代表云層厚度，反映云滴的離散程度。超熵He不同的云圖如圖4 所示，He值越大，云層越厚，離散性越大，評估結果準確度越低。

圖4 He不同的云圖Fig.4 Different cloud diagrams of hyper-entropy He

綜上，(Ex，En，He)能將定性表述的隨機性和模糊性進行集成，可以實現換乘站運營安全評估的定性指標與評估值的映射，進而獲得換乘站運營安全評估結果。

令評估專家的評估語言標度為n，評估語言集合的有效論域為[Xmin，Xmax]，根據有效論域能夠通過模型生成云來表示不同評估語言標度下的語言術語。既有研究利用黃金分割法生成云的數字特征存在局限性[19]，如采用5 個評估語言標度，且其有效論域為[50，100]時，構造的第4朵云的數字特征Ex超出有效論域范圍。

研究將有效論域等分成2個部分，前一朵云與最后一朵云的期望值分別為線段的2 個端點，靠近中間云的線段的0.382 倍對應的值為后一朵云的期望值。安全程度的5 個等級，危險、輕度危險、一般安全、比較安全、非常安全，分別對應語言集V={s-2，s-1，s0，s1，s2}。云數字特征計算方法如表2所示。

表2 云數字特征計算方法Tab.2 Digital feature calculation method for clouds

選取評估語言集合的有效論域為[0，100]，取論域的中心位置作為“一般安全”，即云模型參數Ex0= 50，He0= 0.2，越靠近論域中心，En和He的值就越小，獲得安全評估等級劃分如表3 所示。根據梁力等[20]在云滴的數量對評估結果的干擾性問題的結論，選取N=3 000。

表3 安全評估等級劃分Tab.3 Security assessment levels

由大數定理知，當樣本數量足夠多時，可以利用樣本特征估計整體特征，以此表征指標的云數字特征。在換乘站運營安全評估研究中，對于定量指標，利用數學軟件獲取定量評估指標的云數字特征（Ex，En，He）；對于定性指標，評估專家利用標準云中的5 個評估等級評估獲取定性指標的云數字特征(Ex，En，He)。輸入定量評估指標數據xi，其中i= 1，2，…，n，計算公式如下。

評估專家的評估云由該專家的指標云合成得到。將評估云作為父云，則各指標云為子云，利用特定方法[21]將子云合成為父云。已知換乘站運營安全評估指標i的云數字特征為(Exi，Eni，Hei)，其加權的值即為評估專家權重wi，換乘站運營安全評估指標的數量為n，得出評估專家的評估云數字特征(Ex，En，He)，計算公式如下。

在換乘站安全評估中，將評估專家的評估云類比葉節點，對評估專家的評估云逐層提升達到預先設定的聚集個數，根據聚集范圍內專家人數越大權重越大和聚集范圍內的專家權重相同的原則[22]獲得專家權重。基本思路是預先設定聚集個數K(經驗規則［23］，Kmax為最大聚集個數，M為評估專家總人數)，將距離最近的2個評估云聚集提升，至滿足聚集個數時停止。步驟如下。

（1）所有評估專家的評估云構成集合U，對集合中的評估云隨機排序，順序標記為1 -M。

（2）初始聚集計數器層s= 1，評估云的數量t=M，預先設定聚集個數k，1 ≤k≤M。

（3）搜索集合U中距離最近的2 個評估云，即min (|Exi-Exj|)的2 個評估云。如果同時出現多個min (|Exi-Exj|)的評估云，選擇順序號碼較小的2個。

（4）將鎖定的2 個評估云合并成新的云。如果C1(Ex1，En1，He1)，C2(Ex2，En2，He2)是2 個 相 鄰 的評估云，如果Ex1≤Ex2，則合并生成較高層次的云D1(E，E，H)。計算公式如下。

（5）提升1個層級s=s+ 1，集合U中評估云的個數t=t- 1，如果t＞k，重復(3)和(4)。層級提升到s=M-k+ 1時，云個數t=k，算法停止。

（6）得到k個聚集后，記錄數據。nk表示第k個聚集內的評估專家人數。計算第k個聚集內的評估專家權重wi，計算公式如下。

利用加權平均集結算子將評估專家權重與評估云集結，得到綜合云，并借助數學軟件工具將綜合云與標準云繪圖比較，計算綜合云與標準云之間的相似度μ確定換乘站安全評估結果。其中，綜合云的計算公式如下。

式中：Ci為評估專家的評估云。

3 算例分析

以上海地鐵龍陽路換乘站為例，邀請10 名專家基于換乘站運營安全評估指標體系和組合賦權-云模型的換乘站安全評估方法，評估龍陽路站運營安全狀況。相較層次分析法通過138 次比較確定各指標主觀權重，改進的BWM僅需64次比較即可確定各指標主觀權重，可操作性更強，避免了冗余步驟的出現，也避免了數據繁雜造成專家思維混亂的現象的出現，使得專家的一致性程度更高，評估結果更準確。評估專家的評估云數字特征如表4所示。

表4 評估專家的評估云數字特征Tab.4 Digital feature of clouds assessed by expert

設定聚集個數K= 3，滿足Kmax≤M(Kmax為最大聚集個數，M為評估專家總人數)的條件，基于對評估專家的評估云執行偏好聚集算法，根據每個聚集的專家人數，計算所有評估專家權重。評估專家的聚集結果如表5所示。

表5 評估專家的聚集結果Tab.5 Clustering results assessed by expert

通過評估云集結，得出換乘站運營安全評估的綜合云C(60.291，3.529，0.308)。使用數學軟件將評估等級及評估結果繪制為不同形態的云圖，直觀展示換乘站運營安全的評估結果。換乘站運營安全評估的綜合云和標準云圖如圖5所示。

圖5 換乘站運營安全評估的綜合云和標準云圖Fig.5 Comprehensive cloud and standard cloud maps for transfer station operation safety assessment

綜合云的位置在“一般安全”和“比較安全”之間，更靠近“比較安全”，為增加結果說服力進行相似度計算，μ-2= 0，μ-1= 0.003，μ0= 0.473，μ1= 0.541，μ2= 0.004，故μmax=μ1，龍陽路站運營安全評估的目標層結論為“比較安全”狀態。

在既有的地鐵車站運營安全[24-25]研究中幾乎得到了一個統一的結論：在一級指標層中指標的重要度順序是人員因素＞設備因素＞管理因素＞環境因素；而在本算例中通過計算得到的一級指標層各指標權重為{0.232 6，0.309 5，0.126 3，0.201 4，0.130 2}，其重要度順序為設備因素＞人員因素＞管理因素＞環境因素，得到設備因素對換乘站運營安全影響最大的新結論。設備因素中對換乘站運營安全產生影響的主要有站臺門系統、通風照明系統、AFC 系統、扶梯設備等。龍陽路站為5 線換乘站，其設備復雜繁多，新舊不一，同時早晚高峰時段車站客流很大，車站設施設備處于接近滿載或超負荷運行，設備磨損加速，導致站臺門系統、通風照明系統、AFC系統的部分設備在車站運營期間故障頻發，進而影響換乘站運營安全。此外，龍陽路站的扶梯設備維修保養合格率較低，使得扶梯設備發生故障的概率較高，對換乘站運營安全產生影響。

因此，建議從以下方面提高龍陽路換乘站運營安全。①早晚高峰時段應采取限流或臨時關閉個別出入口等措施來控制站內客流量；②優化早晚高峰時段的換乘流線，增加換乘走行時間，并加強站臺的巡視疏導工作，降低站臺人流密度；③增加車站設施設備的保養頻率，做到預防性維修，降低站臺門系統、通風照明系統、AFC系統等設備在運營期間的故障概率；④對已達到使用年限的設備或零部件及時進行更替，禁止使用不合格零配件維修站內設備。

4 結束語

構建的城市軌道交通換乘站運營安全評估方法能夠客觀反映換乘站運營期間的安全狀況，弱化指標權重計算的主觀性，結合專家經驗、融合指標數據信息，量化評估專家語言表述的模糊性和不確定性，使評估結果認可度更高，更能滿足實際應用需求。通過分析評估龍陽路換乘站運營安全，得出設備因素對換乘站運營安全影響最大的新結論，并針對所存在的問題提出一系列解決措施以提高龍陽路換乘站運營安全。后續研究可以從2 個方面推進，一是將換乘站動態實時數據與安全評估融合，構建能夠預測未來運營安全狀況變化軌跡的安全評估體系；二是構建能夠實現多個換乘站之間的安全評估橫向比選體系，以幫助運營管理者進行安全績效考評、安全評比等工作。