周繼彪，張水潮，郭 順，趙 京

(1. 寧波工程學(xué)院 建筑與交通工程學(xué)院， 浙江 寧波 315211；2. 同濟(jì)大學(xué) 交通運(yùn)輸工程學(xué)院， 上海 201804；3. 寧波大學(xué) 海運(yùn)學(xué)院，浙江 寧波 315211；4. 交通運(yùn)輸部規(guī)劃研究院 公路所,北京 100028)

城市軌道交通車站(本文指“地鐵站”)是城市軌道交通大客流的匯聚點和集散地[1-3]，承擔(dān)了客流集散、換乘活動和信息傳遞等功能[4-5]。由于其自身結(jié)構(gòu)狹小、空間相對封閉，且車站內(nèi)大客流或超大客流存在短時聚集和驟增效應(yīng)，一旦發(fā)生突發(fā)緊急事件，極有可能發(fā)生群體踩踏事件，造成人員傷亡。如果疏散不當(dāng)，其產(chǎn)生的社會負(fù)面影響將更大，危害范圍更廣。因此對地鐵站行人擁擠狀態(tài)辨識具有重要意義。

擁擠來源于心理學(xué)領(lǐng)域[6]，是一種社會化的普遍現(xiàn)象[7]，是在人群密集的物理空間內(nèi)，個體特征、社會習(xí)慣、空間環(huán)境、心理狀態(tài)等多因素的綜合表征，反映了過量人群聚集和空間受限時的個體主觀感受[8]。傳統(tǒng)的行人擁擠辨識方法有2種，一是立席密度法SSD(Standing Space Density)[9-11]，二是服務(wù)水平法LOS(Level of Service)[1,12-14]。立席密度為扣除坐席面積后車內(nèi)站立乘客數(shù)與立席面積的比值，國際上對車輛立席標(biāo)準(zhǔn)可以概括為2種[10-11]：一是舒適度標(biāo)準(zhǔn)，為3人/m2；二是擁擠度標(biāo)準(zhǔn)，為6人/m2。為兼顧軌道交通運(yùn)營的效率同時考慮乘客的擁擠度和忍耐度，文獻(xiàn)[10-11]已給出國內(nèi)3種不同的立席密度標(biāo)準(zhǔn)：即①GB 50157—2013《地鐵設(shè)計規(guī)范》[15]規(guī)定車輛立席按6人/m2、超員按9人/m2考慮；②GB/T 7928—2003《地鐵車輛通用技術(shù)條件》[16]中，車輛立席按6人/m2、超員按8人/m2考慮；③在某些城市的軌道交通建設(shè)標(biāo)準(zhǔn)，如DB11/995—2013《城市軌道交通工程設(shè)計規(guī)范》[17]中，車輛立席按5人/m2、超員按8人/m2考慮。

LOS最早由Fruin[18]提出，是描述行人交通擁擠狀況的一種質(zhì)量標(biāo)準(zhǔn)，通常由行人流量、速度和密度等參數(shù)來度量城市軌道交通服務(wù)設(shè)施所提供的安全性與舒適性。在行人交通中， LOS是評估行人活動空間的通行能力和舒適性的有效手段[19]，一般將LOS設(shè)定為A到F共6個等級，每個等級均根據(jù)實際調(diào)查標(biāo)定了各評價參數(shù)的取值范圍。例如：美國聯(lián)邦公共交通管理局資助的《Transit Capacity and Quality of Service Manual》[20](以下簡稱“TCQSM”手冊)對通道、樓梯、排隊和等待區(qū)域的服務(wù)水平進(jìn)行了6級劃分，給出了各級服務(wù)水平下服務(wù)設(shè)施的圖例和說明。但文獻(xiàn)[20]中采用的閾值與文獻(xiàn)[21]中所采用的LOS閾值并不統(tǒng)一，文獻(xiàn)[21]中的閾值主要針對人行道和道路拐角標(biāo)定，而TCQSM手冊中主要針對公共交通設(shè)施制定。文獻(xiàn)[22]選取擁擠程度作為城市軌道交通站臺服務(wù)水平的劃分依據(jù)，在問卷調(diào)查中選取實景照片分析，把其服務(wù)水平劃分為5個等級，利用行人密度和個人空間的服務(wù)水平來衡量地鐵站內(nèi)的擁擠程度。以上兩種識別方法在城市軌道交通行人擁擠狀態(tài)識別中發(fā)揮了巨大作用，但由于中西方國情的差異性，其城市軌道交通車站擁擠等級的劃分標(biāo)準(zhǔn)不完全一致，限制了傳統(tǒng)行人擁擠辨識方法的應(yīng)用。

目前正態(tài)云模型作為行人擁擠識別的替代方法得到了快速發(fā)展[23-24]，可以有效反映并辨識各服務(wù)設(shè)施的擁擠狀態(tài)。該方法的最大優(yōu)點是揭示了不確定性與模糊性的關(guān)聯(lián)性，實現(xiàn)了定性語言值和定量數(shù)值之間的自然轉(zhuǎn)換，其普遍適用性被文獻(xiàn)[25-26]所證明。鑒于目前國內(nèi)多數(shù)行人擁擠識別方法較多依賴單一指標(biāo)，行人擁擠的表現(xiàn)特征較多，通過單一指標(biāo)難以準(zhǔn)確真實地反映出行人擁擠程度，而行人擁擠狀態(tài)在多指標(biāo)辨識過程中具有一定的不確定性和模糊性。本文通過引入改進(jìn)云模型ICM(Improved Cloud Model)方法中考慮指標(biāo)權(quán)重和行人擁擠等級閾值對辨識結(jié)果的影響，將多個指標(biāo)參數(shù)全部轉(zhuǎn)化為云的概念，消除行人擁擠辨識過程中的不確定性和模糊性，準(zhǔn)確辨識城市軌道交通車站行人擁擠狀態(tài)，以進(jìn)一步降低行人擁擠狀態(tài)辨識的誤差。

1 指標(biāo)權(quán)重與擁擠等級閾值劃分

1.1 指標(biāo)權(quán)重和擁擠等級閾值分析

軌道交通車站內(nèi)的不同服務(wù)設(shè)施在ICM中具有不同的擁擠水平，因此首先要確定通道、樓梯和站臺的擁擠參數(shù)指標(biāo)及權(quán)重分布。指標(biāo)沿用文獻(xiàn)[20]，選取人均占地面積P1(單位為m2/人)、平均步行速度P2(單位為m/min)、單位寬度人流率P3(單位為人/(m·min))、平均人間距P4(單位為m) 4個指標(biāo)作為擁擠參數(shù)指標(biāo)，用來反映各個時段內(nèi)車站內(nèi)不同服務(wù)設(shè)施的擁擠等級狀態(tài)。文獻(xiàn)[20]內(nèi)對于各個設(shè)施的擁擠水平進(jìn)行了6級劃分，將車站內(nèi)的擁擠水平劃分為6個等級。由于文獻(xiàn)[20]是基于美國本土情況制定的，其擁擠等級閾值劃分不一定適用于我國本土情況，且等級劃分較多，在實際使用中效率不高，故需要科學(xué)制定符合我國本土的且使用效率高的擁擠等級閾值。

對于指標(biāo)權(quán)重，采用AHP和熵權(quán)法進(jìn)行確定。而對于擁擠等級閾值劃分，在參照文獻(xiàn)[8,20]的基礎(chǔ)上，同樣采用AHP和熵權(quán)法來確定。在得到的指標(biāo)權(quán)重和擁擠等級閾值劃分結(jié)果后，結(jié)合寧波軌道交通實際數(shù)據(jù)對所得結(jié)果再次進(jìn)行標(biāo)定。

1.2 AHP和熵權(quán)法

指標(biāo)權(quán)重和擁擠等級閾值在確定時采用主觀賦權(quán)法和客觀賦權(quán)法相結(jié)合的思想，充分考慮專家知識經(jīng)驗和數(shù)據(jù)信息，由AHP和熵權(quán)重加權(quán)確定其綜合權(quán)重，目前該方法已在交通領(lǐng)域有廣泛的應(yīng)用[27-29]。

(1) 主觀權(quán)重確定

邀請交通運(yùn)輸行業(yè)專家m人，編號為A1，A2，…，Am，運(yùn)用AHP分析法[24]，對車站內(nèi)3種設(shè)施的指標(biāo)權(quán)重和擁擠等級閾值進(jìn)行專家打分，建立判斷矩陣，采用1-9標(biāo)度法對重要程度賦值，步驟為[27]

Step1分別建立通道、樓梯和站臺的判斷矩陣X1、X2、X3。

Step2將判斷矩陣每一列歸一化處理。

( 1 )

Step3將每一列歸一化后的判斷矩陣按行相加。

( 2 )

Step4確定歸一化矩陣

M=[M1M2…Mn]T

令

( 3 )

則特征矩陣為

w′=[w1w2…wm]T

(2) 客觀權(quán)重確定

運(yùn)用熵權(quán)法[27-29]，研究各層次評價指標(biāo)。步驟為:

Step3計算第j項指標(biāo)的信息熵值ej為

( 4 )

式中:pij為第j項指標(biāo)下，第i個評價對象的特征比重。信息熵ej越小，表明指標(biāo)值的變異程度越大，提供的信息量越多，其權(quán)重也越大。

Step4計算各評價指標(biāo)的熵權(quán)wj。

當(dāng)各被評價對象第j項指標(biāo)值全部相等時，ej=emax=1。定義差異系數(shù)dj，使得dj=1-ej。差異系數(shù)dj越大，給予較大的指標(biāo)權(quán)重。車站內(nèi)各指標(biāo)參數(shù)的熵權(quán)為

( 5 )

(3) 綜合權(quán)重確定

基于主觀權(quán)重和客觀權(quán)重的基礎(chǔ)上，得到綜合權(quán)重[24,26]

( 6 )

2 行人擁擠辨識建模

2.1 問題描述

(1) 行人擁擠的不確定性

由于車站內(nèi)每個服務(wù)設(shè)施至少有2項指標(biāo)，采用文獻(xiàn)[20]對設(shè)施內(nèi)行人擁擠狀態(tài)劃分會出現(xiàn)歧義，如通道處，按照文獻(xiàn)[20]中給出的閾值劃分來判斷，當(dāng)行人占據(jù)空間為2.29 m2/人時，擁擠等級為C級；當(dāng)平均步行速度為63.50 m/min時，擁擠等級為E級；當(dāng)單位寬度行人流率為25.63人/(m·min)時，擁擠等級為B級，其擁擠程度的判別結(jié)果不一致，表現(xiàn)出不確定性。

(2) 行人擁擠的模糊性

由于國內(nèi)外對此方面并沒有形成統(tǒng)一標(biāo)準(zhǔn)，各國對擁擠程度的等級界定各不相同，經(jīng)驗方法照搬不一定適用我國軌道交通發(fā)展現(xiàn)狀。雖然文獻(xiàn)[20]給出了不同設(shè)施各自指標(biāo)的等級劃分，但其6級劃分標(biāo)準(zhǔn)基于美國本土情況制定，對我國軌道交通實踐指導(dǎo)方面較弱，對于車站內(nèi)客流達(dá)到什么程度可以定性為擁擠仍然缺乏準(zhǔn)確合理的閾值劃分標(biāo)準(zhǔn)，表現(xiàn)出模糊性。

2.2 改進(jìn)云模型構(gòu)建

(1) 正態(tài)云模型

設(shè)U為定量論域，C是U上的定性概念，若定量值x∈U，x是C的一次隨機(jī)實現(xiàn)，x對C的確定度是有穩(wěn)定傾向的隨機(jī)數(shù)μ(x):U→[0,1]，?x∈U,x→μ(x)，則x在論域U上的分布稱為云，每一個x稱為一個云滴[8，25-26]。云模型有3個參數(shù)來反映云的特征，分別是期望Ex、熵En和超熵He。

(2) 正態(tài)云發(fā)生器

若云定義x滿足：x～Norm(Ex,En′)，En′～Norm(En,He2)，且x對C的確定度滿足

( 7 )

x在論域U上的分布稱為正態(tài)云[8，25-26]。本文采用正向正態(tài)云發(fā)生器求解正態(tài)云模型。正向正態(tài)云發(fā)生器的具體實現(xiàn)步驟如下：

Step1生成以熵En為期望值、超熵He2為方差的正態(tài)隨機(jī)數(shù)Eni。

Step4重復(fù)Step1到Step3，直到產(chǎn)生n個云滴為止。

(3) 云的合成

云的合成是將性質(zhì)相同的子云合成更高層的父云。父云C(Ex,En,He)由n個子云Cn(Exn,Enn,Hen)，合成過程為C=C1°C2°…°Cn，“°”為云的合成，且各子云具有權(quán)值ωi，其合成公式為

( 8 )

2.3 行人擁擠辨識方法

(1) 確定云的數(shù)字特征

設(shè)某度量指標(biāo)的等級閾值為X=(x1,x2,x3)，xi為指標(biāo)安全等級的臨界值。越大越優(yōu)型指標(biāo)標(biāo)準(zhǔn)化為

j=1,2,3

( 9 )

越小越優(yōu)型指標(biāo)則為

j=1,2,3

(10)

3.概述開花和結(jié)果的過程（理解）。這個內(nèi)容每年都有考查，除2017年出現(xiàn)了兩個選擇題，分值為3分外，其他年份每年只有一題選擇題，分值1.5分?？键c主要在花、種子、果實的結(jié)構(gòu)，以及花、種子的各個結(jié)構(gòu)將來發(fā)育成的結(jié)果是什么。

行人安全等級Ⅰ用半升正態(tài)云表示，安全等級Ⅳ用半降正態(tài)云表示，云數(shù)字特征為

(11)

行人安全等級Ⅱ和Ⅲ則用全正態(tài)云表示，計算得出云數(shù)字特征為

(12)

(2) 建立模板云

各指標(biāo)4個等級子云合成的父云為模板云，為識別車站內(nèi)行人擁擠狀態(tài)等級提供標(biāo)準(zhǔn)。如將通道設(shè)施3個指標(biāo)的子云分別記為Rj、Sj和Tj，父云Uj由各設(shè)施子云Rj、Sj和Tj合成，即Uj=Rj°Sj°Tj(j=1,2,3,4)。

(3) 建立待識別云，步驟為:

Step1基于車站內(nèi)設(shè)施各指標(biāo)的擁擠等級云數(shù)字特征，結(jié)合正向正態(tài)云發(fā)生器算法建立正向正態(tài)云發(fā)生器CGXj。

Step2將該指標(biāo)實測值x標(biāo)準(zhǔn)化，記為x*。對于越大越優(yōu)型指標(biāo)，當(dāng)x≤min{xj}時，標(biāo)準(zhǔn)化結(jié)果為0，當(dāng)x≥max{xj}時，標(biāo)準(zhǔn)化結(jié)果為1。對于越小越優(yōu)型指標(biāo)，當(dāng)x≤min{xj}時，標(biāo)準(zhǔn)化結(jié)果為1，當(dāng)x≥max{xj}時，標(biāo)準(zhǔn)化結(jié)果為0。

Step3將標(biāo)準(zhǔn)化后的結(jié)果x*輸入到正向正態(tài)云發(fā)生器中，其輸出值μXj(i=1,2,3,4)表示參數(shù)x隸屬于Xj的程度。由于云模型具有模糊性和隨機(jī)性，μXj也表現(xiàn)出一定的隨機(jī)性，得到的結(jié)果并非定值，但其具有一定的穩(wěn)定傾向。μXj歸一化后得到Xj的權(quán)重為

(13)

基于子云的云數(shù)字特征，根據(jù)式( 8 )計算實測數(shù)據(jù)x的云的數(shù)字特征，得到某一參數(shù)的待識別云數(shù)字特征Xx(ExX,EnX,HeX)。

Step4通過Step1到Step3計算獲得設(shè)施內(nèi)其他各度量指標(biāo)的待識別云數(shù)字特征。

Step5將各設(shè)施的參數(shù)子云合成待識別云。假設(shè)某設(shè)施有兩個度量指標(biāo)，合成公式為U′=Rr°Ss，利用式( 8 )得到待識別云U′的云數(shù)字特征。

(4) 確定待識別云和模板云的相似度

根據(jù)云相似度定義，計算待識別云U′與各模板云Uj之間的相似度，具體過程如下：

Step4計算第j級擁擠等級的隸屬度βij，即

Step5重復(fù)Step1至Step4直至產(chǎn)生符合要求的N個云滴。

Step6計算待識別云U′與各模板云Uj之間的相似度δj為

(14)

Step7相似度δj歸一化后得到待識別云和各等級模板云之間的歸屬于擁擠等級j的隸屬度

(15)

式中：λj為行人的擁擠狀態(tài)。

3 實例驗證

實驗數(shù)據(jù)利用視頻錄制方法，于2017年4月11日在寧波軌道交通鼓樓站采集，通過人工法獲取所需的實驗參數(shù)數(shù)據(jù)。鼓樓站是截止到2017年10月寧波軌道交通唯一的換乘車站，由1號線站臺層、1號線和2號線換乘通道、2號線站臺層、站廳層、出入站通道等設(shè)施組成。據(jù)長期客流數(shù)據(jù)顯示，有3處區(qū)域經(jīng)常性出現(xiàn)擁擠客流，尤其是早晚高峰期間，分別是1、2號線(下稱L1和L2)之間的地下L形換乘通道和L1、L2與換乘通道結(jié)合處的站臺區(qū)域。為了驗證模型的適用性，采集換乘通道和2號線與換乘通道結(jié)合處站臺區(qū)域的客流數(shù)據(jù)進(jìn)行計算，同時選取客流量最高的2號線自南向北第1座扶梯樓梯為研究對象進(jìn)行計算。為了更好地驗證ICM的適用性，本實驗數(shù)據(jù)包含平峰和高峰時期數(shù)據(jù)，平峰數(shù)據(jù)來自9:00—11:00，高峰數(shù)據(jù)來自17:00—19:00。

車站內(nèi)客流變化頻繁、周期較短、客流特征有很強(qiáng)的動態(tài)性，由于視頻拍攝時間跨度較長，以小時為數(shù)據(jù)記錄周期不能準(zhǔn)確地反映客流特征。為了盡可能真實準(zhǔn)確地反映車站內(nèi)各服務(wù)設(shè)施的客流實時動態(tài)特征，在后期人工分析視頻提取數(shù)據(jù)時，以30 s為數(shù)據(jù)記錄周期，共計記錄了480組數(shù)據(jù)，其中選取平峰期間數(shù)據(jù)和高峰期間數(shù)據(jù)各1組為例進(jìn)行計算。

3.1 指標(biāo)權(quán)重確定

(1) 主觀權(quán)重確定

邀請交通運(yùn)輸行業(yè)專家10人，分別編號為A1，A2，…，A10，進(jìn)行主觀權(quán)重打分，根據(jù)打分結(jié)果，分別建立通道、樓梯和站臺的判斷矩陣X1、X2、X3為

根據(jù)式( 1 )～式( 3 )求得主觀權(quán)重，通道設(shè)施處P1、P2、P3的主觀權(quán)重依次為0.47、0.24、0.29，樓梯設(shè)施處P1、P3的主觀權(quán)重依次為0.60、0.40，站臺設(shè)施處P1、P4的主觀權(quán)重依次為0.52、0.48。

(2) 客觀權(quán)重確定

由式( 4 )、式( 5 )得到通道設(shè)施P1、P2、P3的熵權(quán)依次為0.30、0.35、0.35，樓梯設(shè)施P1、P3處的熵權(quán)依次為0.50、0.50，站臺設(shè)施P1、P4處的熵權(quán)依次為0.50、0.50。

(3) 綜合權(quán)重確定

根據(jù)式( 6 )得車站內(nèi)各指標(biāo)參數(shù)的最終權(quán)重，分別為通道設(shè)施P1、P2、P3處的權(quán)重依次為0.43、0.25、0.32，樓梯設(shè)施P1、P3處的權(quán)重依次為0.60、0.40，站臺設(shè)施P1、P4處的權(quán)重依次為0.52、0.48。

3.2 擁擠等級閾值劃分

邀請專家A1，…，A10對各指標(biāo)擁擠等級閾值進(jìn)行打分，采用AHP和熵權(quán)法確定行人擁擠等級閾值。同時結(jié)合寧波地鐵管理部門的反饋意見和寧波市軌道交通鼓樓站3月份的AFC刷卡數(shù)據(jù)，對專家打分的閾值結(jié)果進(jìn)行標(biāo)定，確定各指標(biāo)的行人擁擠等級劃分，結(jié)果見表1。

表1 閾值劃分結(jié)果

3.3 行人擁擠辨識結(jié)果

通過標(biāo)準(zhǔn)化處理各服務(wù)設(shè)施度量指標(biāo)值并進(jìn)行ICM計算，得到車站內(nèi)單服務(wù)設(shè)施的各擁擠等級云數(shù)字特征值，行人擁擠等級的模板云數(shù)字特征見表2。

表2 模板云數(shù)字特征

根據(jù)正向正態(tài)云發(fā)生器算法，生成各服務(wù)設(shè)施各擁擠等級模板云圖，車站內(nèi)各服務(wù)設(shè)施行人擁擠等級模板云圖見圖1。

根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化式( 9 )、式(10)，得到實測數(shù)據(jù)的標(biāo)準(zhǔn)化結(jié)果，站內(nèi)各服務(wù)設(shè)施客流特征實測數(shù)據(jù)標(biāo)準(zhǔn)化結(jié)果見表3。建立待識別云模型時，利用子云的數(shù)字特征及正向正態(tài)云發(fā)生器和云合成式( 8 )，得到設(shè)施內(nèi)各度量指標(biāo)的待識別云的3個數(shù)字特征值，基于模板云的合成待識別云，得到待識別云的數(shù)字特征值見表4。結(jié)合正向正態(tài)云發(fā)生器的具體實現(xiàn)算法，生成模板云和待識別云圖，具體見圖2。合成后待識別云的隸屬度和擁擠等級結(jié)果見表5。

根據(jù)待識別云和模板云的相似度的計算步驟，依據(jù)最大隸屬度原則[27-28]，得到隸屬于各擁擠等級的隸屬度進(jìn)而判斷出該時刻研究區(qū)域內(nèi)的行人擁擠等級，見圖2、表5。

表3 實測數(shù)據(jù)及標(biāo)準(zhǔn)化結(jié)果

注：“NA”表示服務(wù)設(shè)施內(nèi)該時段沒有乘客，從實際效果來看沒有行人是擁擠狀況最優(yōu)的狀態(tài)，所以相應(yīng)指標(biāo)標(biāo)準(zhǔn)化結(jié)果為1.000。

表4 合成后待識別云的數(shù)字特征值

表5 合成后待識別云的隸屬度和擁擠等級

(1) 通道處：平峰期間L1→L2方向的實測值隸屬于4個等級隸屬度，依次分別為[0.838 5,0.161 5,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通；L2→L1方向的實測值隸屬于4個等級的隸屬度，分別為[0.241 8,0.758 2,0.000 0,0.000 0]，更多地傾向于Ⅱ等級，基本暢通。晚高峰期間L1→L2方向的實測值隸屬于4個等級的隸屬度，分別為[0.397 0,0.603 0,0.000 0,0.000 0]，更多地傾向于Ⅱ等級，基本暢通；L2→L1方向的實測值隸屬于4個等級的隸屬度，分別為[0.883 6,0.116 4,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通。

(2) 樓梯處：平峰期間樓梯上行方向的實測值隸屬于4個等級的隸屬度，分別為[0.906 5,0.093 5,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通；樓梯下行方向的實測值隸屬于4個等級的隸屬度，分別為[0.906 5,0.093 5,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通。高峰期間樓梯上行方向的實測值隸屬于4個等級隸屬度，分別為[0.000 0,0.000 1,0.675 0,0.342 9]，更多地傾向于Ⅲ等級，輕度擁擠；樓梯下行方向的實測值隸屬于4個等級的隸屬度，分別為[0.884 3,0.115 7,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通。

(3) 站臺處：平峰期間站臺的實測值隸屬于4個等級的隸屬度，分別為[0.611 4,0.388 6,0.000 0,0.000 0]，更多地傾向于I等級，完全暢通。高峰期間站臺實測值隸屬于4個等級隸屬度，分別為[0.000 0,0.000 0,0.359 4,0.640 6]，更多地傾向于Ⅳ等級，重度擁擠。

同時為了體現(xiàn)改進(jìn)云模型辨識的精度，特選取傳統(tǒng)云模型[8]、立席密度法[11]和服務(wù)水平法[22]辨識結(jié)果與改進(jìn)云模型進(jìn)行對比，對比結(jié)果見表6。

由表6可知，在通道、樓梯、站臺的10組研究樣本中，平峰時期有3組樣本4種辨識方法得到了相同的辨識結(jié)果，高峰時期的研究樣本雖然4種方法的辨識結(jié)果沒有達(dá)到一致，但改進(jìn)云模型辨識方法的辨識結(jié)果至少和一種方法的辨識結(jié)果相同，表明改進(jìn)云模型辨識辨識結(jié)果較為可靠。與傳統(tǒng)云模型辨識方法相比，改進(jìn)云模型產(chǎn)生不同結(jié)果的原因主要是：改進(jìn)云模型的權(quán)重確定受專家主觀影響程度較大；4種辨識方法的分級不同，不同等級所反映的實際感知狀況有差異。

表6 不同辨識方法結(jié)果對比

根據(jù)地鐵站的實際運(yùn)營情況，改進(jìn)云模型辨識比較客觀地反映實際運(yùn)營特征，精度滿足要求。

4 結(jié)束語

基于我國城市軌道交通車站實際情況，采用AHP和熵權(quán)法重新界定了軌道交通車站內(nèi)服務(wù)設(shè)施指標(biāo)權(quán)重和行人擁擠狀態(tài)等級閾值，既考慮了專家的決策意見又兼顧了軌道交通車站內(nèi)實際客流數(shù)據(jù)，綜合反映了各項客流特征指標(biāo)參數(shù)對描述車站內(nèi)各服務(wù)設(shè)施客流擁擠狀態(tài)的有效程度，根據(jù)行人擁擠狀態(tài)的不同影響程度劃分出行人擁擠等級，為指標(biāo)參數(shù)的標(biāo)定和改進(jìn)云模型計算提供了依據(jù)，具有較強(qiáng)的實用性和參考性。

本文提出了行人擁擠狀態(tài)辨識方法。該辨識方法采用改進(jìn)云模型理論構(gòu)建軌道交通車站服務(wù)設(shè)施行人擁擠狀態(tài)辨識模型，消除了行人擁擠狀態(tài)辨識中的多指標(biāo)參數(shù)和多等級劃分所帶來的模糊性和不確定性，能夠比較準(zhǔn)確地識別出車站內(nèi)各服務(wù)設(shè)施的行人擁擠等級，及時疏散異常擁擠客流，為軌道交通管理部門監(jiān)管車站內(nèi)行人擁擠狀態(tài)提供了有效的技術(shù)支持，化被動調(diào)控為主動預(yù)警，降低了車站內(nèi)因為突發(fā)事件而發(fā)生擁擠踩踏事故風(fēng)險的概率，防范于未然。

后續(xù)研究工作主要是如何通過監(jiān)控視頻自動獲取行人交通特征值。通過視頻自動獲取采集數(shù)據(jù)，獲得地鐵站內(nèi)實時擁擠狀況，將大大提高辨識模型的實用性。另外，在行人擁擠辨識的基礎(chǔ)上，如何有效的對地鐵車站內(nèi)辨識結(jié)果進(jìn)行預(yù)警，也有待進(jìn)一步研究。