車門夾人夾物對正線運作影響的研究

摘 要：本研究旨在通過六西格瑪管理方法與機器學習方法，識別減少車門夾人夾物對地鐵正線運作的影響。首先，分析了夾人夾物數(shù)量的重要性以及與候車、上下客、關門等因素的關系。其次，研究了提高處理效率的方法，分析了司機初步處理、站務處理以及司機前往現(xiàn)場處理等因素的重要性。再次，根據(jù)數(shù)據(jù)分析結果提出一系列建議和行動計劃，以降低夾人夾物數(shù)量和提高處理效率。最后，探討了夾物發(fā)生的原因和影響因素，提供了一些主觀評估指標，并對相應的占比進行分析。研究結果可為地鐵運營管理提供參考。

關鍵詞：六西格瑪管理方法；機器學習；車門夾人夾物

中圖分類號：U 121 " " " " 文獻標志碼：A

地鐵系統(tǒng)作為城市交通的重要組成部分，乘客的安全和快捷出行一直是重要關注點。然而，夾人夾物事件時常發(fā)生，不僅影響乘客出行體驗，還可能導致運營延誤，出現(xiàn)安全隱患。因此，減少車門夾人夾物事件對地鐵正線運作的影響具有重要意義，相關領域研究數(shù)量眾多。陳悅源研究了地鐵小限界中屏蔽門與車門間隙安全防護。采用多角度分析方法，提出防護措施，保障乘車安全，提高運營效率[1]。陳卓群解決廣州地鐵車門關門障礙物檢測異常，通過原理分析及整改，降低車門故障率[2]。包天剛研究了城市軌道交通全自動運行系統(tǒng)的安全風險，提出風險控制措施，保障列車運行安全[3]。本研究采用六西格瑪管理方法和機器學習技術對夾人夾物事件進行分析，并提出有效的改進措施，以減少事件發(fā)生率和提高事件處理效率。

1 理論框架

1.1 六西格瑪管理方法

六西格瑪管理方法是一種系統(tǒng)性的質量管理方法，其目的是減少變異性、提高效率以及降低成本，并改進組織的整體績效。在研究中可以采用以下步驟。問題定義（Define）：明確定義車門夾人夾物對正線運作的問題，例如事故發(fā)生率、影響列車準時性等方面的指標。測量（Measure）：收集與問題相關的數(shù)據(jù)，包括夾人夾物事故的發(fā)生情況、時間、地點以及天氣等信息。分析（Analyze）：利用統(tǒng)計分析工具，例如統(tǒng)計過程控制圖、回歸分析等，分析數(shù)據(jù)以確定潛在的問題根本原因。改進（Improve）：基于分析結果，制定改進計劃，可能包括修改車門設計、改進夾人夾物檢測系統(tǒng)等。控制（Control）：實施改進計劃并建立監(jiān)控機制，保證問題不再出現(xiàn)。現(xiàn)有研究也討論了地鐵中的防夾設計需求。劉偉銘（2019）分析了地鐵風險空間異物檢測系統(tǒng)需求，為未來無人駕駛地鐵技術提供參考[4]。倪琍（2019）闡述了全自動運行模式下站臺門的適應性需求，強調了增加防夾人裝置和提高系統(tǒng)可靠性的重要性[7]。本文采用六西格瑪管理方法。

1.2 機器學習

1.2.1 圖像識別

在車門夾人夾物檢測中，機器學習方法利用卷積神經(jīng)網(wǎng)絡（CNN）等技術對圖像進行分析，以檢測夾人夾物情況。CNN首先通過卷積層提取圖像的特征。對于輸入圖像x，卷積層通過卷積操作（*）應用卷積核（filter）來生成特征圖（Feature Map），如公式（1）所示。

Feature Map=f（x*filter+b） " " " " " "（1）

式中：*為卷積操作；f（x）為激活函數(shù)（如ReLU）；b為偏置項。卷積核是一個小的矩陣，通過它對圖像的不同部分進行卷積操作，從而捕捉不同的特征，例如邊緣以及紋理等。

然后通過池化層對特征圖進行下采樣，減少數(shù)據(jù)的維度。常用的池化操作是最大池化（Max Pooling），其數(shù)學公式如公式（2）所示。

Max Pooling（x）=max（region） " " " （2）

Max Pooling 將每個特征圖區(qū)域中的最大值作為輸出，從而減少特征圖的空間尺寸。

最后，通過全連接層將提取的特征映射到輸出類別的概率分布。全連接層采用權重矩陣W和偏置項b，將特征映射到輸出空間，如公式（3）所示。

y=f（Wx+b） " " " " " " " " " " "（3）

式中：y為輸出類別的概率分布；W和b為模型參數(shù)；x為輸入圖像。

1.2.2 目標檢測

目標檢測算法如YOLO（You Only Look Once）通過回歸框的坐標和類別來實現(xiàn)目標檢測。下面介紹YOLO的數(shù)學公式和工作原理。對于每個邊界框（bounding box）來說，YOLO預測以下信息：框的中心坐標（x，y）表示邊界框的中心在圖像中的位置。框的寬度和高度（w，h）表示邊界框的尺寸。目標類別的概率分布P（class）表示圖像中對象屬于不同類別的概率。

YOLO的目標是最小化位置和類別預測的損失函數(shù)，通過優(yōu)化模型參數(shù)以獲得準確的目標檢測結果。損失函數(shù)包括位置誤差和類別誤差，通過反向傳播算法來訓練模型。

通過這些數(shù)學公式和機器學習方法，可以對車門夾人夾物進行高效、準確地檢測。

1.2.3 實時監(jiān)控

機器學習方法的實時監(jiān)控在車門夾人夾物檢測系統(tǒng)中是至關重要的。它利用已訓練的模型實時分析圖像數(shù)據(jù)，并采取相應的行動。

輸入數(shù)據(jù)：實時監(jiān)控系統(tǒng)接收來自監(jiān)視攝像頭的連續(xù)圖像幀作為輸入數(shù)據(jù)。這些圖像幀由像素矩陣表示，通常用符號I表示。

模型預測：訓練好的機器學習模型將每幀圖像作為輸入，并輸出預測結果。夾人夾物檢測通常涉及邊界框（bounding box）的檢測以及與每個邊界框相關的類別和置信度分數(shù)的預測，如公式（4）所示。

Predictions=Model（I） （4）

式中：Predictions包括檢測到的邊界框的坐標（x， y， w， h）、類別標簽（class）和置信度分數(shù)（confidence score）。

閾值處理：為了觸發(fā)警報或采取預防措施，通常需要設置置信度閾值。只有當置信度分數(shù)高于閾值時，才會認為檢測結果是有效的，如公式（5）所示。

ValidPredictions={P∈Predictions|Pconfidencegt;Threshold}

（5）

式中：ValidPredictions包括通過閾值處理后的有效檢測結果。

2 六西格瑪管理

2.1 重要性評估

首先，通過過程的SIPOC分析，對候車、上下客和關門等環(huán)節(jié)進行識別和重要性評估。這是一個關鍵步驟，它有助于確定當改進車站運營時應優(yōu)先考慮哪些環(huán)節(jié)。重要性評估通常基于不同因素的加權和比較，其中，一些因素可能包括安全性、乘客滿意度和運營效率等。

定義一個環(huán)節(jié)的相對重要度RI如公式（6）所示。

（6）

式中：SEV為失效的嚴重程度；OCC為失效的頻率。通過計算每個環(huán)節(jié)的RI值，可以確定其相對重要性。

2.2 夾物事件原因分析

接下來對夾物事件的原因進行分析，包括輸入變量、失效模式和效應等因素。一種常用的方法是使用失效模式和效應分析（FMEA）來識別可能導致夾物事件的關鍵因素。這包括對各環(huán)節(jié)的具體原因進行分析，例如乘客數(shù)量、夾物位置等。整理各站具體被夾物品類型，如圖1所示。

2.3 夾物事件處理效率分析

對夾物事件的處理效率進行分析，包括對不同因素對處理效率的影響進行比較，以識別導致處理效率低的原因。通常可以使用一些數(shù)學公式來量化處理效率的影響因素。

例如，可以定義一個處理效率的相對重要度RIefficiency，如公式（7）所示。

（7）

式中：SEVefficiency為處理效率的失效嚴重程度；OCCefficiency為處理效率失效的頻率。通過計算每個因素的RIefficiency值，可以確定其相對重要性。

3 性能測試

3.1 數(shù)據(jù)集準備

性能測試的第一步是準備測試數(shù)據(jù)集。這個數(shù)據(jù)集應包括多種夾人夾物情況的大量數(shù)據(jù)分析，各種場景、光照條件和夾物類型。數(shù)據(jù)集的多樣性對于測試系統(tǒng)的健壯性和準確性至關重要。

基于具體站臺夾人夾物情況分析，本文使用的站臺監(jiān)控，僅篩選攝錄站臺的部分錄像，對監(jiān)控攝像中有關夾人夾物現(xiàn)象采用標簽進行標注，標簽應包括夾物的位置和類型。其中，真值是由人工標注的，用于后續(xù)與系統(tǒng)的檢測結果進行比較。與此同時，利用設立影像的其他特征補充提高預測性能，這些特征指標見表1。

3.2 測試流程

對測試數(shù)據(jù)進行必要的預處理，例如調整圖像大小、歸一化或增強圖像以提高系統(tǒng)的穩(wěn)健性。加載訓練好的機器學習模型，該模型用于夾物檢測和識別。使用加載的模型對測試數(shù)據(jù)集中的圖像進行檢測和識別。系統(tǒng)會輸出每個夾物的位置和類型。根據(jù)標簽和真值，計算所選性能指標，其形成混淆矩陣，如圖2所示。在樣本數(shù)據(jù)中夾人夾物現(xiàn)象易于觀測，未出現(xiàn)漏報現(xiàn)象，但有一定規(guī)模的錯報現(xiàn)象。

相應ROC曲線如圖3所示。

如圖3所示，如果降低假正率，那么真正率將蒙受顯著損失，反映了高精度夾人夾物識別的困難性。整理不同訓練集大小對準確率的影響（如圖4所示），不同樣本規(guī)模的訓練集對準確率沒有影響。

3.3 結果分析

最后，整理各指標對是否發(fā)生夾人夾物現(xiàn)象的影響，其結果如圖5所示。視頻的具體攝錄時間，包括周幾和幾時幾分攝錄均對夾人夾物現(xiàn)象的發(fā)生概率有顯著影響，提示高峰時期的現(xiàn)象多發(fā)影響預測性能。視頻自身的清晰度也對識別效果有顯著影響，攝像頭角度與方向也有一定影響。因此，應用視頻監(jiān)控自動化處理車門夾人夾物現(xiàn)象還需要針對性地調節(jié)監(jiān)控設備，提高其進行圖像識別的準確性。

4 結論

本研究通過六西格瑪管理方法和機器學習方法，分析了車門夾人夾物數(shù)量與候車、上下客和關門等因素的關系，并研究了提高處理效率的方法。研究結果表明，司機初步處理、站務處理和司機前往現(xiàn)場處理等因素對處理效率有重要影響。根據(jù)數(shù)據(jù)分析結果，建議采取一系列措施，減少夾人夾物數(shù)量，并提高處理效率，例如加強站務和司機培訓、優(yōu)化處理流程和加強現(xiàn)場管理等。此外，研究還探討了夾物發(fā)生的原因，并提供了主觀評估指標和相應的占比分析，為地鐵運營管理提供參考和改進方向。研究結果可幫助地鐵運營管理部門更好地解決車門夾人夾物對正線運作的影響問題，提高運營效率和乘客滿意度。

參考文獻

[1]陳悅源，方衛(wèi)寧，徐鼎.地鐵小限界中屏蔽門與車門間隙安全防護風險分析[J].工業(yè)工程與管理，2022，27（2）：76-83.

[2]陳卓群.廣州地鐵車輛關門障礙物檢測故障及對策[J].機車電傳動，2020（1）：154-157.

[3]包天剛，宗國.城市軌道交通全自動運行系統(tǒng)封閉運行環(huán)境的安全風險研究[J].城市軌道交通研究，2019，22（增刊2）：24-26，30.

[4]劉偉銘，陳綱梅，李海玉，等.地鐵風險空間分析及異物檢測系統(tǒng)技術要求[J].鐵道標準設計，2019，63（10）：168-176.

[5]孫法雄，劉濤.東莞地鐵2號線列車車門自動防夾故障分析及改進[J].機車電傳動，2019（3）：151-153.

[6]蘇建華，薛棟娥，劉傳凱，等.HOG內嵌模板匹配的車門夾人檢測算法[J].北京交通大學學報，2019，43（2）：64-71.

[7]倪琍.全自動運行模式下站臺門系統(tǒng)的適應性分析[J].城市軌道交通研究，2019，22（1）：79-82.

[8]趙洋，盧文富.廣州地鐵L型車車門機構對防夾功能的影響分析[J].城市軌道交通研究，2018，21（4）：100-101，105.

[9]饒美婉.新型地鐵站臺門與車門之間頂置式防夾人自動探測系統(tǒng)的設計[J].城市軌道交通研究，2017，20（5）：143-146.

[10]郭寶東，付志風，高永亮.基于光線傳感器的地鐵“二門”系統(tǒng)的防夾人方案設計[J].城市軌道交通研究，2014，17（2）：143-144.