CN104732286A - 一种城市轨道交通车站安全态势感知方法 - Google Patents

Abstract

本发明提供了对城市轨道交通车站安全态势感知的方法，通过分析车站对乘客出行的安全性造成的影响，提出一套完整而具体地面向轨道交通车站的安全态势感知模型，获得轨道交通车站安全态势获取、理解和预测方法，能准确及时地掌握城市轨道交通车站安全态势，为制定合理有效的决策提供支持；实现对已有知识中获取的经验进行自我推理，增强对乘客的安全防护能力；对城市轨道交通车站的相关安全变量的获取、理解，并预测将来的安全态势，指导车站采取有效措施保障乘客的出行安全。

Description

一种城市轨道交通车站安全态势感知方法

技术领域

本发明属于城市轨道交通安全技术领域，具体涉及一种城市轨道交通车站安全态势感知方法。 

背景技术

轨道交通领域中常用的安全分析与评价方法主要有故障模式和影响分析法、事件树分析法、事故树分析法、安全检查表法、神经网络分析法、风险评价法、模糊综合评价法、TOPSIS评价法和因果分析法等。王志华在分析地铁运营事故发生规律和地铁车站运营事故致因机理的基础上，构建了安全风险评价指标体系，建立了基于物元法的综合评价模型，实现地铁车站运营安全风险的有效评价。李铭辉通过对地铁运营中的危险因素进行分析，建立了地铁运营安全评价指标体系，运用模糊综合评价、安全检查表法对地铁运营安全进行有效的评价；于小舟采用MORT方法构建了北京地铁安全评价系统，并利用层次分析法确定评价系统中各指标的权重，再借助模糊综合评价方法对北京地铁系统中的信号子系统进行MORT安全评价的实际应用。目前我国城市轨道交通运营安全评价存在的问题有：研究不够系统深入，指标欠完善，方法单一，存在着主观性和片面性，并且不能将城市轨道交通安全的现状和将来发展趋势结合起来进行研究。 

 

发明内容

本发明提出一套完整而具体的面向轨道交通车站的安全态势感知方法，建立定量的评价指标，评估车站过去和现在的安全态势，并对将来态势进行准确地预测。 

本发明的目的在于以乘客出行安全为核心，，通过分析车站对乘客出行的安 全性造成的影响，提出一套完整而具体的面向轨道交通车站的安全态势感知方法，获得轨道交通车站安全态势获取、理解和预测方法。通过挖掘车站过去和现在的客流数据、故障数据、客伤数据，建立定量的评价指标，评估车站过去和现在的安全态势，并对将来态势进行准确地预测，具备对车站运营安全状态进行态势感知的能力。 

本发明实施例提供了一种城市轨道交通车站安全态势感知方法，包括： 

获取并存储安全影响的关键因素信息，对所述关键因素信息进行处理分析，确定安全态势感知评价指标体系的备选评价指标集数据； 

创建安全态势评价指标体系的进程，并设置车站安全态势为目标层，设置人的因素、设备因素、环境因素和管理因素为准则层，设置多个安全评价指标作为指标层； 

以预设置的周期为量纲，对原始车站数据进行预处理，剔除不相关、不完整、不一致和无影响的数据，将城市轨道交通车站安全态势感知评价指标进行量化； 

将各评价指标进行标准化处理，获得标准化后的多维联系数决策矩阵； 

根据灰色综合关联度确定多个评价指标的权重向量参数； 

确定车站安全态势的绝对理想解和绝对负理想解参数； 

利用加权相对海明距离计算距离参数； 

计算综合安全态势值参数； 

在所述安全态势评价指标体系的进程中，通过上述计算得出的参数，建立由支持向量机和粒子群优化算法组成的安全态势感知预测模型。 

本发明提供了对城市轨道交通车站安全态势感知的方法，通过分析车站对乘客出行的安全性造成的影响，提出一套完整而具体地面向轨道交通车站的安 全态势感知模型，获得轨道交通车站安全态势获取、理解和预测方法，能准确及时地掌握城市轨道交通车站安全态势，为制定合理有效的决策提供支持；实现对已有知识中获取的经验进行自我推理，增强对乘客的安全防护能力；对城市轨道交通车站的相关安全变量的获取、理解，并预测将来的安全态势，指导车站采取有效措施保障乘客的出行安全。 

附图说明

图1为城市轨道交通车站安全态势感知概念模型图。 

图2为轨道交通车站安全态势感知评价指标体系图。 

图3为安全态势值的计算过程图。 

图4为某城市轨道交通车站2011年安全态势值图。 

图5为基于PSO/SVM的安全态势预测模型结构图。 

图6为基于PSO/SVM的安全态势预测模型流程图。 

图7为基于PSO/SVM的安全态势预测训练过程适应度曲线图。 

图8为训练所得到的PSO/SVM安全态势预测模型安全态势值输出和实际安全态势值之间的比较图。 

图9为测试所得到的PSO/SVM安全态势预测模型安全态势值输出和实际安全态势值之间的比较图。 

图10为训练所得到的PSO/SVM安全态势预测模型安全态势值输出与实际安全态势值相关性分析曲线图。 

图11为测试所得到的PSO/SVM安全态势预测模型安全态势值输出与实际安全态势值相关性分析曲线图。 

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。 

S101、获取并存储安全影响的关键因素信息，对所述关键因素信息进行处理分析，确定安全态势感知评价指标体系的备选评价指标集数据； 

其中，该指标集数据可以为： 

人的因素备选评价指标集={工作人员，客流，乘客}； 

设备因素备选评价指标集={FAS，AFC，电梯系统，综合监控系统，车门/屏蔽门，环控系统，通过型设施设备（通道、楼梯、电梯、闸机），列车}； 

环境因素备选评价指标集={站内乘候车环境，外部环境}； 

管理因素备选评价指标集={安全管理，规章制度，事故救援，应急疏散能力}。 

S102、创建安全态势评价指标体系的进程，并设置车站安全态势为目标层，设置人的因素、设备因素、环境因素和管理因素为准则层，设置多个安全评价指标作为指标层； 

安全评价指标包括：站台客流拥挤度c1、工作人员管理能力c2、乘客责任事故指数c3、FAS系统报警指数c4、电梯系统安全指数c5、车门/屏蔽门安全指数c6、AFC系统安全指数c7、综合监控系统安全指数c8、列车正点率c9、通过型设施设备负荷度c10、站内综合环境指数c11、安全管理分值c12、车站应急疏散能力c13等13个，其建立的安全态势评价指标体系如图2所示。 

S103、以预设置的周期为量纲，对原始车站数据进行预处理，剔除不相关、不完整、不一致和无影响的数据，将城市轨道交通车站安全态势感知评价指标进行量化； 

站台客流拥挤度Q1与Q2分别指客流高峰时段每秒进站人数与出站人数（单位：人/s），S为站台候车区实际面积（单位：m2）； T1为相邻到达列车时间间隔（单位：s），T2为从站台至站厅最长行走时间（单位：s）；Φ为站台客流密度不均衡系数； 

工作人员管理能力其中di为一个月内第i类工作人员的平均绩效得数，αi为第i类工作人员的管理能力影响车站运营安全的重要度，m为第i类工作人员人数，dj为第i类第j个工作人员的绩效得分； 

乘客责任事故指数SI_Passenger=N，N为一天内，由乘客责任引起的客伤事故次数； 

FAS系统报警指数SI_FAS=M+N，M与N分别为一天内，FAS系统发生的漏报与误报的次数； 

电梯系统安全指数N为统计周期内车站现有的垂直电梯和自动扶梯个数，T为统计周期内第i个垂直电梯或自动扶梯设备故障维修时间，Tplan为统计周期内第i个垂直电梯或自动扶梯设备计划运行时间； 

车门/屏蔽门安全指数 ${\mathrm{SI}}_{\mathrm{train}/\mathrm{screendoor}}=(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{N^i}_{\mathrm{train}/\mathrm{screendoor}}}{{{\mathrm{Alt}}^i}_{\mathrm{train}/\mathrm{screendoor}}}/n)\×100\%$ Nitrain/screendoor与Altitrain/screendoor分别为一天内第i对车门/屏蔽门非正常开关次数与开关总次数，n为车站正常工作的车门/屏蔽门对数； 

AFC系统安全指数n为地铁车站现有的闸机和充值售票机的个数，T与Tplan为一天内第i个闸机或充值售票机设备故障维修时间与计划运行时间； 

综合监控系统安全指数n为ISCS系统与集成的子系统个数之和，Mi为1天内第i个系统设备报警的次数； 

列车正点率Non time为一天内上下行列车准点到站列车次数，N为一天内全部开行列车次数； 

通过型设施设备负荷度其中S_i=Q_i/C_i，λi与Si为一小时内第i个设施设备的权重与负荷度，Qi与Ci为一小时内第i个设施设备实际客流量与通行能力，n为设施设备的个数，包括楼梯、通道、扶梯、闸机等； 

站内综合环境指数 ${\mathrm{SI}}_{\mathrm{HJ}}=\sqrt{I_{\max }\·I_{\mathrm{\γ}}}=\sqrt{\max [\frac{C_1}{S_1},\frac{C_2}{S_2},\frac{C_3}{S_3}]\·\frac{1}{3}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\frac{C_i}{S_i}},$ Imax与Iγ分别为一个季度内最大质量分指数与平均质量分指数，Ci与Si分别为一个季度内第i种因素的测量值与评价标准值，i分别为温度、湿度和CO2； 

安全管理分值Fi为第i个专家对安全管理能力的评价分数，Fmax与Fmin分别为专家对安全管理能力的评价最高分数与最低分数，n为邀请专家的人数； 

车站应急疏散能力 ${\mathrm{SI}}_T=1+\frac{Q_1+Q_2}{0.9[A_1(N-1)+A_{2}B]},$ 1为人员反应时间（单位：min），Q1为客流高峰小时列车乘客数(人)，Q2为客流高峰小时站台上候车乘客和站台上工作人员(人)，A1与A2分别为自动扶梯与人行楼梯通过能力（人/min·m），N为自动扶梯台数，B为人行楼梯总宽度(m)。N-1为计算中应考虑1台自动扶梯损坏不能运行的几率，0.9为通行能力的折减系数。 

S104、将各评价指标进行标准化处理，获得标准化后的多维联系数决策矩阵； 

其中，多维联系数决策矩阵的计算公式为：bi为标准化后的评价指标。 

当ir为效益型指标时： $b_{\mathrm{kr}}=\frac{c_{\mathrm{kr}}-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)}{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)};$

当ir为成本型指标时： $b_{\mathrm{kr}}=\frac{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-c_{\mathrm{kr}}}{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)}.$

S105、根据灰色综合关联度确定多个评价指标的权重向量参数； 

该步骤包括：首先计算各子因素与目标之间的关联系数，再将各关联系数集中为平均值，然后对计算得到的各指标比重进行归一化，得到权重向量W=（w1,w2,…,wn)T。 

设指标数据序列为： 

Y₁={y₁(1),y₁(2),…,y₁(n)} 

Y₂={y₂(1),y₂(2),…,y₂(n)} 

… 

Y_m={y_m(1),y_m(2),…,y_m(n)} 

设数据序列指标集为A，A={A1,A2,…,An}，m为时间序列，n为指标个数。 

对各指标数据序列进行无量纲处理： 

当ir为效益型指标时： $x_i\left(k\right)=\frac{y_i\left(k\right)-\underset{i}{\min }\left(y_i\left(k\right)\right)}{\underset{i}{\max }\left(y_i\left(k\right)\right)-\underset{i}{\min }\left(y_i\left(k\right)\right)}$

当ir为成本型指标时： $x_i\left(k\right)=\frac{\underset{i}{\max }\left(y_i\left(k\right)\right)-y_i\left(k\right)}{\underset{i}{\max }\left(y_i\left(k\right)\right)-\underset{i}{\min }\left(y_i\left(k\right)\right)}$

无量纲处理后的指标数据序列为： 

X₁={x₁(1),x₁(2),…,x₁(n)} 

X₂={x₂(1),x₂(2),…,x₂(n)} 

… 

X_m={x_m(1),x_m(2),…,x_m(n)} 

若Ak为效益型指标，即其值越大越好，则选取最大值作为最优值；若Ak为成本型指标，即其值越小越好，则选取最小值作为最优值。则指标数据行为参考序列为：X₀={x₀(1),x₀(2),…,x₀(n)} 

计算关联系数： 

$r_{0i}(x_0\left(k\right),x_i\left(k\right))=\frac{1+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{X}_{0i}\right|+\mathrm{\η}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{X^{\′}}_{0i}\right|}{1+{\mathrm{\λ}}_1\left|\mathrm{\Δ}{X}_{0i}\right|+{\mathrm{\λ}}_2\left|\mathrm{\Δ}{X^{\′}}_{0i}\right|+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{X}_{0i}\right|+\mathrm{\η}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{X^{\′}}_{0i}\right|}$

$=\frac{1+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{x}_{0i}\left(k\right)\right|+\mathrm{\η}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{x^{\′}}_{0i}\left(k\right)\right|}{1+{\mathrm{\λ}}_1\left|\mathrm{\Δ}{x}_{0i}\left(k\right)\right|+{\mathrm{\λ}}_2\left|\mathrm{\Δ}{x^{\′}}_{0i}\left(k\right)\right|+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{x}_{0i}\left(k\right)\right|+\mathrm{\η}\underset{i}{\max }\underset{k}{\max }\left|\mathrm{\Δ}{x^{\′}}_{0i}\left(k\right)\right|}$

其中，|Δx_0i(k)|=|x₀(k)-x_i(k)|，Δx′_0i(k)|=|x₀′(k)-x_i′(k)|，x_i′(k)=x_i(k)-x_i(k-1)。 

关联系数过多造成信息分散，为此要将各关联系数集中为一个值，求平均值是集中这种信息的一种有效方法。故用平均值反映第k个指标在整个指标空间F中所占的比重，归一化得到各指标在系统中所占的权重为 $w_k=u_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{u}_k.$

S106、确定车站安全态势的绝对理想解和绝对负理想解参数； 

确定车站安全态势的绝对理想解和绝对负理想解  ${\mathrm{\μ}}^{-}=b_1^{-}\stackrel{\→}{i_1}+b_2^{-}\stackrel{\→}{i_2}+\·\·\·+b_n^{-}\stackrel{\→}{i_n},$ 式中 $b_r^{+}=\underset{1\≤k\≤m}{\max }\left(b_{\mathrm{kr}}\right),r=\mathrm{1,2},\·\·\·,n,$ $b_r^{-}=\underset{1\≤k\≤m}{\min }\left(b_{\mathrm{kr}}\right),r=\mathrm{1,2},\·\·\·,n,$ m为评价事物或方案集的个数。 

S107、利用加权相对海明距离计算距离参数； 

利用加权相对海明距离计算距离，当前车站安全态势到绝对理想解距离为  $d_k^{+}=\frac{1}{n}\underset{r=1}{\overset{n}{\mathrm{\Σ}}}(w_r\·|b_{\mathrm{kr}}-b_r^{+}\left|\right),$ 绝对负理想解距离为 $d_k^{-}=\frac{1}{n}\underset{r=1}{\overset{n}{\mathrm{\Σ}}}(w_r\·|b_{\mathrm{kr}}-b_r^{-}\left|\right).$

S108、计算综合安全态势值参数； 

计算综合安全态势值将城市轨道交通车站安全态势划分为五级：安全、低风险、中风险、高风险、危险，对应的安全态势值建议区间分别为（0.8,1）、（0.6,0.8）、（0.4,0.6）、（0.2,0.4）、（0,0.2），据此界定城市轨道交通车站安全等级。图4为某城市轨道交通车站一年的安全态势值，有59天处于安全等级，284天处于低风险状态，说明该站运转良好，乘客有一个较为安全的 乘候车环境；有22天车站处于中风险等级，需要加强车站管理，采取防控措施确保乘客出行安全和车站运营安全；其中7天安全态势值分布在0.4-0.5范围内，存在较大的安全风险主要分布在春节前、元旦、五一和十一期间：1月1日0.4926、1月2日0.4905、1月3日0.4573、1月25日0.4769、5月1日0.4078、10月1日0.4604、10月2日0.4770，这段时间出现车站客流量较大、通过型设备负荷过高、乘客违章出行及发生客伤事件等情况，建议车站工作人员应该加强客流疏导、加强设备巡检力度和乘客安全教育工作，降低安全隐患，防止车站安全态势向危险等级发展，保障乘客的出行安全和车站的安全运行。 

S109、在所述安全态势评价指标体系的进程中，通过上述计算得出的参数，建立由支持向量机和粒子群优化算法组成的安全态势感知预测模型 

建立由支持向量机(Support Vector Machine，SVM)和粒子群优化算法(Particle Swarm Optimization，PSO)组成的安全态势感知预测模型，利用PSO优化SVM训练参数，得到优化的SVM预测模型，并对将来的安全态势进行预测，如图5和图6所示。 

具体包括：①初始化粒子群，初始化确定支持向量机参数C、σ、ε的上下限，设定种群规模N，惯性权重初值wmax，惯性权重终值wmin，学习因子c1和c2，最大速度Vmax，最大进化代数Tmax或迭代终止阈值。②根据适应度函数 进行适应度评估。③设每个粒子的个体最优解Pbest为粒子的当前位置，计算每个粒子的适应度值，其中适应度值最大的粒子的个体最优解最为当前种群最优解Pgbest；④根据公式和 和更新粒子的位置和速度；⑤用适应度函数评价粒子的适应度，MSE值越小，表示模型的预测精度越高，预测值越接近目标值。；⑥对于每个粒子，将其适应度值和当前个体最优解进行比较，如果比 较好则用适应度值替换个体最优值；⑦对于每个粒子，将适应度值和当前种群最优解进行比较，如果比较好则用其作为当前的全局最优值；⑧满足迭代条件，则将最优解传递给SVM，否则转到第4步继续迭代；⑨用样本数据对SVM进行训练，建立模型，并进行预测。 

将步骤8中得到的某城市轨道交通车站的安全态势值归一化后，取输入矢量的维数为7，构建容量为358组的实验样本集。其中前280组数据作为训练样本集，后78组数据作为测试样本集。采用相关系数R来进一步衡量PSO/SVM安全态势预测模型预测的安全态势值与实际安全态势值的曲线拟合情况及相关性进行线性回归分析： 

$R(y_i,y_i^{*})=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(y_i-\stackrel{\‾}{y_i})(y_i^{*}-\stackrel{\‾}{y_i^{*}})}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y_i})}^2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i^{*}-\stackrel{\‾}{y_i^{*}})}^2}},$

为测试样本的平均值，为模型输出值的平均值，R值越接近1，表示预测精度越高，越接近实际系统。 

本实例所建立的PSO/SVM安全态势预测模型采用RBF核函数，利用均方误差作为适用度函数寻找最佳参数C、σ、ε。设定PSO参数为：种群规模40；惯性权重初值wmax=0.9；惯性权重终值wmin=0.4；学习因子c1=c2=2；最大速度Vmax=5；最大速度与位置限制的比例系数k=0.6；最大进化代数Tmax=200，训练过程适应度曲线如图7。 

算例结果分析如下：PSO/SVM安全态势预测模型训练MSE为2.428×10-3，测试MSE为6.172×10-4。图8和图9给出了训练和测试所得到的PSO/SVM安全态势预测模型安全态势值输出和实际安全态势值之间的比较，可见PSO/SVM安全态势预测模型安全态势值输出与实际值间的符合程度较好，无论是在训练数据还是在测试数据上均能够基本拟合实际安全态势值。图10和图11给出了 训练和测试所得到的PSO/SVM安全态势预测模型安全态势值输出与实际安全态势值进行了相关性分析曲线，训练相关系数R为0.80935，测试相关系数R为0.92264，可见该模型预测安全态势值输出与实际安全态势值的曲线拟合程度较高。 

Claims (10)

1.一种城市轨道交通车站安全态势感知方法，其特征在于，包括：

获取并存储安全影响的关键因素信息，对所述关键因素信息进行处理分析，确定安全态势感知评价指标体系的备选评价指标集数据；

创建安全态势评价指标体系的进程，并设置车站安全态势为目标层，设置人的因素、设备因素、环境因素和管理因素为准则层，设置多个安全评价指标作为指标层；

以预设置的周期为量纲，对原始车站数据进行预处理，剔除不相关、不完整、不一致和无影响的数据，将城市轨道交通车站安全态势感知评价指标进行量化；

将各评价指标进行标准化处理，获得标准化后的多维联系数决策矩阵；

根据灰色综合关联度确定多个评价指标的权重向量参数；

确定车站安全态势的绝对理想解和绝对负理想解参数；

利用加权相对海明距离计算距离参数；

计算综合安全态势值参数；

在所述安全态势评价指标体系的进程中，通过上述计算得出的参数，建立由支持向量机和粒子群优化算法组成的安全态势感知预测模型。

2.根据权利要求1所述的方法，其特征在于，所述多个安全评价指标包括：站台客流拥挤度、工作人员管理能力、乘客责任事故指数、FAS系统报警指数、电梯系统安全指数、车门/屏蔽门安全指数、AFC系统安全指数、综合监控系统安全指数、列车正点率、通过型设施设备负荷度、站内综合环境指数、安全管理分值以及车站应急疏散能力。

3.根据权利要求2所述的方法，其特征在于，所述城市轨道交通车站安全态势感知评价指标进行量化，包括：

根据公式计算站台客流拥挤度，Q1与Q2分别指客流高峰时段每秒进站人数与出站人数，S为站台候车区实际面积；T1为相邻到达列车时间间隔，T2为从站台至站厅最长行走时间；Φ为站台客流密度不均衡系数；

根据公式计算工作人员管理能力，其中di为一个月内第i类工作人员的平均绩效得数，αi为第i类工作人员的管理能力影响车站运营安全的重要度，m为第i类工作人员人数，dj为第i类第j个工作人员的绩效得分；

根据公式SI_Passenger=N计算乘客责任事故指数，N为一天内，由乘客责任引起的客伤事故次数；

根据公式SI_FAS=M+N计算FAS系统报警指数，M与N分别为一天内，FAS系统发生的漏报与误报的次数；

根据公式计算电梯系统安全指数，N为统计周期内车站现有的垂直电梯和自动扶梯个数，T为统计周期内第i个垂直电梯或自动扶梯设备故障维修时间，Tplan为统计周期内第i个垂直电梯或自动扶梯设备计划运行时间；

根据公式 ${\mathrm{SI}}_{\mathrm{train}/\mathrm{screendoor}}=(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{N^i}_{\mathrm{train}/\mathrm{screendoor}}}{{{\mathrm{Alt}}^i}_{\mathrm{train}/\mathrm{screendoor}}}/n)\×100\%$ 计算车门/屏蔽门安全指数，Nitrain/screendoor与Altitrain/screendoor分别为一天内第i对车门/屏蔽门非正常开关次数与开关总次数，n为车站正常工作的车门/屏蔽门对数；

根据公式计算AFC系统安全指数，n为地铁车站现有的闸机和充值售票机的个数，T与Tplan为一天内第i个闸机或充值售票机设备故障维修时间与计划运行时间；

综合监控系统安全指数n为ISCS系统与集成的子系统个数之和，Mi为1天内第i个系统设备报警的次数；

根据公式计算列车正点率，Non time为一天内上下行列车准点到站列车次数，N为一天内全部开行列车次数；

根据公式计算通过型设施设备负荷度，其中S_i=Q_i/C_i，λi与Si为一小时内第i个设施设备的权重与负荷度，Qi与Ci为一小时内第i个设施设备实际客流量与通行能力，n为设施设备的个数，包括楼梯、通道、扶梯、闸机等；

根据公式 ${\mathrm{SI}}_{\mathrm{HJ}}=\sqrt{I_{\max }\·I_{\mathrm{\γ}}}=\sqrt{\max [\frac{C_1}{S_1},\frac{C_2}{S_2},\frac{C_3}{S_3}]\·\frac{1}{3}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\frac{C_i}{S_i}}$ 计算站内综合环境指数，Imax与Iγ分别为一个季度内最大质量分指数与平均质量分指数，Ci与Si分别为一个季度内第i种因素的测量值与评价标准值，i分别为温度、湿度和CO2；

根据公式计算安全管理分值，Fi为第i个专家对安全管理能力的评价分数，Fmax与Fmin分别为专家对安全管理能力的评价最高分数与最低分数，n为邀请专家的人数；

根据公式计算车站应急疏散能力，1为人员反应时间，Q1为客流高峰小时列车乘客数，Q2为客流高峰小时站台上候车乘客和站台上工作人员，A1与A2分别为自动扶梯与人行楼梯通过能力，N为自动扶梯台数，B为人行楼梯总宽度。N-1为计算中应考虑1台自动扶梯损坏不能运行的几率，0.9为通行能力的折减系数。

4.根据权利要求1所述的方法，其特征在于，所述获得标准化后的多维联系数决策矩阵，包括：

根据公式计算标准化后的多维联系数决策矩阵，bi为标准化后的评价指标。

当ir为效益型指标时： $b_{\mathrm{kr}}=\frac{c_{\mathrm{kr}}-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)}{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)};$

当ir为成本型指标时： $b_{\mathrm{kr}}=\frac{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-c_{\mathrm{kr}}}{\underset{k}{\max }\left(c_{\mathrm{kr}}\right)-\underset{k}{\min }\left(c_{\mathrm{kr}}\right)}.$

5.根据权利要求1所述的方法，其特征在于，所述根据灰色综合关联度确定多个评价指标的权重向量参数，包括：

计算各子因素与目标之间的关联系数，将各关联系数集中为平均值，对计算得到的各指标比重进行归一化，得到权重向量W=（w1,w2,…,wn)T。

6.根据权利要求1所述的方法，其特征在于，所述确定车站安全态势的绝对理想解和绝对负理想解参数，包括：

确定车站安全态势的绝对理想解和绝对负理想解 ${\mathrm{\μ}}^{-}=b_1^{-}\stackrel{\→}{i_1}+b_2^{-}\stackrel{\→}{i_2}+\·\·\·+b_n^{-}\stackrel{\→}{i_n},$ 式中 $b_r^{+}=\underset{1\≤k\≤m}{\max }\left(b_{\mathrm{kr}}\right),r=\mathrm{1,2},\·\·\·,n,$ $b_r^{-}=\underset{1\≤k\≤m}{\min }\left(b_{\mathrm{kr}}\right),r=\mathrm{1,2},\·\·\·,n,$ m为评价事物或方案集的个数。

7.根据权利要求1所述的方法，其特征在于，所述利用加权相对海明距离计算距离参数，包括：

当前车站安全态势到绝对理想解距离为绝对负理想解距离为 $d_k^{-}=\frac{1}{n}\underset{r=1}{\overset{n}{\mathrm{\Σ}}}(w_r\·|b_{\mathrm{kr}}-b_r^{-}).$

8.根据权利要求1所述的方法，其特征在于，所述计算综合安全态势值参数之后，还包括：

将城市轨道交通车站安全态势划分为五级：安全、低风险、中风险、高风险、危险，对应的安全态势值建议区间分别为（0.8,1）、（0.6,0.8）、（0.4,0.6）、（0.2,0.4）、（0,0.2），据此界定城市轨道交通车站安全等级。

9.根据权利要求1所述的方法，其特征在于，所述建立由支持向量机和粒子群优化算法组成的安全态势感知预测模型之后，还包括：

利用PSO优化SVM训练参数，得到优化的SVM预测模型，并对将来的安全态势进行预测。

10.根据权利要求9所述的方法，其特征在于，所述对将来的安全态势进行预测，包括：

初始化粒子群，初始化确定支持向量机参数C、σ、ε的上下限，设定种群规模N，惯性权重初值wmax，惯性权重终值wmin，学习因子c1和c2，最大速度Vmax，最大进化代数Tmax或迭代终止阈值；

根据适应度函数进行适应度评估；

设每个粒子的个体最优解Pbest为粒子的当前位置，计算每个粒子的适应度值，其中适应度值最大的粒子的个体最优解最为当前种群最优解Pgbest；

根据公式 $x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}$ 和 $V_{\mathrm{id}}^{k+1}=w\·v_{\mathrm{id}}^k+c_1{r}_1(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2{r}_2(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)$ 和更新粒子的位置和速度；

用适应度函数评价粒子的适应度，MSE值越小，表示模型的预测精度越高，预测值越接近目标值；

对于每个粒子，将其适应度值和当前个体最优解进行比较，如果比较好则用适应度值替换个体最优值；

对于每个粒子，将适应度值和当前种群最优解进行比较，如果比较好则用其作为当前的全局最优值；

满足迭代条件，则将最优解传递给SVM，否则转到第4步继续迭代；

用样本数据对SVM进行训练，建立模型，并进行预测。