基于模糊聚类的地铁车站安全分类方法＊

鲁娥

（常州工业职业技术学院，江苏常州 213164）

0.引言

随着轨道交通事业的快速发展，地铁车站数量越来越庞大，不同车站位置不同、周围环境不同、动态运营条件不同，因此运营过程中的安全状态水平也不同，针对车站安全状态制定针对性措施可有效维持车站运营服务水平。国内外不少学者针对车站安全展开了研究，主要从影响车站安全的因素出发建立评价体系，张军峰[1]等利用风险控制理论分析了高铁车站风险源和风险管理体系，苗长俊[2]综合车站人员、设备、环境、管理水平4个方面评估了车站安全状态，程学庆等[3]提出了基于恐怖袭击、拥挤踩踏、火灾爆炸、疾病卫生4个风险事件管控的蝴蝶结模型，潘丽莎等[4]从预防事故的角度建立人、设备、环境、管理4个方面2个层次的指标体系对地铁车站安全态势进行了评价，周雯等[5]采用灰色层次分析法针对火灾、拥挤踩踏、电梯故障3种主要突发事件评价车站安全风险等级。这些研究对高铁、地铁车站的安全性影响因素进行了科学分析，评价结果或者是静态性质的，或者是针对突发事件的，而在实际应用层面中，地铁车站的运营安全水平还会受到客流条件和当时环境影响，管理决策层必须针对车站安全动态变化调整管理措施，本文将从地铁车站安全管理角度出发，在以往研究基础上，分析影响车站安全的动态因素并进行科学分类，为地铁车站安全的分类管理提供依据。

一般地铁线路上设置车站在二三十个左右，间距从1km到数10km不等，车站位置不同不仅影响着车站客流量，通常也会影响车站服务设施的配备和空间设置，这些条件最终将导致同一城市或同一条线路上各车站的安全水平并不一致，在制定安全管理政策时，如果忽视车站间安全特性差异，将导致安全管理效益出现差异，只有安全水平与政策相符的车站能够获得预期成效。因此，有必要针对车站安全状态进行分类，针对不同安全类型的车站分别制定改善政策，通过精细化管理提高所有车站的安全水平。

1.构建车站分类指标体系

地铁车站的瞬时安全水平受客流变化、设备故障、大型活动、突发事件影响极大，偶发性强、结果不确定性较高、发生规律预测困难，一般需要针对每种特定情况制定政策，以车站瞬时安全水平分类后分类管理实际意义不大，因此，本文的地铁车站安全动态分类是在较长时间尺度上，将安全状态相似的车站归为一类，针对不同车站安全类型采取不同的管理对策，提高地铁安全管理水平。

1.1 车站静态安全条件

根据安全评价理论和相关安全管理法规来看，影响评价对象安全状态的因素包括静态和动态2大类型，静态因素一般包括评价对象本身的设备、设施、物理属性等，动态因素一般包含评价对象操作和管理相关的人员、管理制度等。不同的研究者，对车站安全水平进行评价时会采用包括人员、设备、环境、管理4个方面的不同指标，苗长俊采用相似方法构建的评价指标体系，其中的评价指标既包含静态指标、也包含了动态指标，但是车站一旦投入运营，动态指标如车站人员水平基本上都由同样的培训体系选拔而来，对于车站长期运营管理来说实际上是固定的，其他“动态”指标放在“日”“周”的时间尺度上，表现也基本稳定，因为无论是工作人员业务水平或安全法制都不可能以“日”“周”甚至“月”的频率不断更新；同样地，车站设备管理水平在设备寿命周期内基本服务水平在时间尺度上也呈现出稳定的服务水平。正因车站在人员、设备、环境、管理方面的稳定性，车站本身投入运营之后，会有一个稳定的安全水平；不同车站因人员、设备、环境和管理不同，将会呈现不同的安全条件，这个安全条件是车站安全水平变化的基础，是地铁车站以安全管理为目的进行动态分类的重要组成。因为从人员、设备、环境、管理4个方面评价得到的地铁车站安全水平其实具有很强的稳定性，在本研究中称为车站静态安全条件，具体指标见表1。

表1 地铁车站静态安全条件指标及其获取方法表

1.2 车站客流规律

车站客流量越大、客流组成越复杂、客流变化越剧烈，对车站内部运营安全影响就越大。根据城市特色不同和地铁车站位置差异，地铁车站的客流规律不尽相同，针对不同客流规律合理安排管理人员、管控措施可有效提高客流秩序、运行速度、减少冲突。除偶发大客流，车站客流通常有规律可循，如日客流量、站内客流分布、周客流量分布规律等，影响车站运营安全的因素不仅有客流量大小，也包括客流量带来的车站客流饱和度，还包括站内客流速度水平及不同位置客流运行速度均衡性、客流冲突点数量及冲突点客流运行速度。车站客流规律指标如表2所示。

表2 地铁车站客流规律影响因素及其计算方法表

1.3 车站周边环境

车站周边环境也会对站内安全造成影响，如建筑环境、不良天气。建筑环境是指地铁站周围建筑物功能，如知名景点会为车站的带来复杂的不熟悉路线的团体客流、商业街区通常会有复杂的衔接通道、老旧住宅小区会带来老年客流增长等，由此可见，建筑环境影响车站内运行线路复杂性、客流组成变化，线路或客流组成越复杂、安全性越低。不良天气指的是当天天气状况，如雨、雪天气会使站内地面潮湿，影响运营安全；随着城市扩张，同一线路不通车站可能天气不同，也可能因地质条件不同导致同样天气对车站造成安全影响不同，所以不良天气应以站内影响运营安全的指标来表示，如空气湿度、站内能见度，为了简化计算，以不良天气综合指标表示，如表3所示。

表3 地铁车站客流规律影响因素及其计算方法表

2.车站动态安全模糊聚类模型

聚类是指将具有相似属性的实物归为一类，将原本没有类别标记的样本尽量按照某种规律分为若干子集。传统聚类方法可分为划分方法、层次方法、基于密度方法、基于网格方法和基于模型方法，本质上需要人工对样本进行预分类或给定参数干预。模糊聚类能够根据样本间的亲属性、相似性等客观特征进行聚类分析。地铁车站动态安全性实际上并没有严格的属性区分，所以在探索时先采用模糊聚类法，将地铁车站按照其静态安全条件、客流规律和周边环境等安全规律分为不同类型，通过车站动态安全模糊聚类模型描述车站之间的相似程度完成分类后，针对同类子集进行安全管理。

Ef是车站模糊聚类集合，显示

在地铁车站安全指标体系中，指标值可以通过归一化处理使其数据属于[0,1]区间，使公式1能够用于模糊聚类。原始数据中每个车站的一条数据，每条数据含9个参数，假设车站数量为n，那么对于每一个指标特征来说，有n个数值，可以记为对该指标特征进行归一化处理即可得到其隶属值。首先计算每一个指标特征的均值和方差，然后计算其极差标准化值，具体步骤和计算方法见公式2：

其中是指标xk的原始数据均值，Sk2是指标xk的原始数据方差，是原始数据的标准化值，标准化值的最大值和最小值为得到xik后，可以采用模糊相似关系计算样本集中车站与车站之间的相似关系矩阵其中车站xi和xj的相似程度为rij为：

通过反复合成运算求解模糊矩阵传递闭包使模糊矩阵不再变化，模糊集合上的任何α(0 ≤α≤1)截集都是模糊集合上的普通集合，代表了一种分类，从而完成了地铁车站动态安全的模糊聚类分类模型构建。

3.验证计算

为了检验地铁车站动态安全模糊聚类模型的有效性，构建模拟原始数据集见表4，经过极差标准化处理后数据见表5，车站集的模糊相似关系矩阵见表6，传递包矩阵见表7。

表4 车站动态安全指标数据采集表

表5 极差标准化处理后的原始数据距离表

表6 矩阵元素值表

表6 矩阵元素值表

j i 1 2 3 4 5 6 7 8 9 1 1 0.7 0.5 5 0.5 2 0.5 6 0.6 5 0.6 2 0.4 7 0.2 8 2 0.7 1 0.3 2 0.3 6 0.4 3 0.5 5 0.3 5 0.5 0.4 2 3 0.5 5 0.3 2 1 0.5 8 0.5 8 0.6 4 0.6 6 0.5 9 0.3 8 4 0.5 2 0.3 6 0.5 8 1 0.4 0.5 9 0.6 7 0.6 0.1 6 5 0.5 6 0.4 3 0.5 8 0.4 1 0.5 7 0.4 1 0.4 3 0.4 5 6 0.6 5 0.5 5 0.6 4 0.5 9 0.5 7 1 0.5 8 0.5 9 0.3 4 7 0.6 2 0.3 5 0.6 6 0.6 7 0.4 1 0.5 8 1 0.7 7 0.4 1 8 0.4 7 0.5 0.5 9 0.6 0.4 3 0.5 9 0.7 7 1 0.4 9 9 0.2 8 0.4 2 0.3 8 0.1 6 0.4 5 0.3 4 0.4 1 0.4 9 1

表7 传递闭包矩阵元素值表

表7 传递闭包矩阵元素值表

j i 1 2 3 4 5 6 7 8 9 1 1 1 0.6 4 0.6 4 0.5 8 1 0.6 4 0.6 4 0.4 9 2 1 1 0.6 4 0.6 4 0.5 8 1 0.6 4 0.6 4 0.4 9 3 0.6 4 0.6 4 1 0.6 6 0.5 8 0.6 4 0.6 6 0.6 6 0.4 9 4 0.6 4 0.6 4 0.6 6 1 0.5 8 0.6 4 0.6 7 0.6 7 0.4 9 5 0.5 8 0.5 8 0.5 8 0.5 8 1 0.5 8 0.5 8 0.5 8 0.4 9 6 1 1 0.6 4 0.6 4 0.5 8 1 0.6 4 0.6 4 0.4 9 7 0.6 4 0.6 4 0.6 6 0.6 7 0.5 8 0.6 4 1 0.7 7 0.4 9 8 0.6 4 0.6 4 0.6 6 0.6 7 0.5 8 0.6 4 0.7 7 1 0.4 9 9 0.4 9 0.4 9 0.4 9 0.4 9 0.4 9 0.4 9 0.4 9 0.4 9 1

表8 α=0.64的截集元素值表

从表7数值可以看出，α=1时，车站1、2、6是同一类型。取α=0.64，得到截集元素值见表8，车站1、2、6相同，车站3、4、7、8相同，因此，试验集车站分为3种类型，车长1、2、6聚为一类车站，车站3、4、7、8聚为一类车站，车站9为一类车站，原始数据显示同类车站在评价指标上具有较强的相似性，验证了计算方法的准确性。

4.结论与进一步研究展望

地铁运营安全管理精细化水平不断提高，构建地铁车站动态安全评价体系并采用模糊聚类法进行分类，有助于管理者充分挖掘同类车站的安全特性，从而将车站按照不同安全条件分类进行针对性安全管理，这对于提高地铁系统管理水平发挥着重要基础作用。本文完成了地铁车站动态安全分类模型构建，验证计算表明分类结果可靠，管理者可根据同类车站动态安全性的相似指标做针对性提升，实现不同车站的精细化管理。未来可以从以下几个方面开展进一步研究：一是长期收集积累历史数据，尤其是车站各类安全事件，用于开发车站安全水平预测模型，进一步提高安全管理的实时性和风险预防能力；二是进一步研究各层级的影响因素与车站安全水平之间的量化关系，以定量计算代替定性比较，为进一步可量化管理措施提供依据；三是研究指标获取的科学方法；四是研发智能化数据采集系统，降低各类数据采集难度，开发符合地铁系统管理的数据标准；五是广泛开展实证研究，提高模型和方法的适应性。