摘 要：本研究旨在通過六西格瑪管理方法與機(jī)器學(xué)習(xí)方法，識別減少車門夾人夾物對地鐵正線運(yùn)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(guān)門等因素的關(guān)系。其次，研究了提高處理效率的方法，分析了司機(jī)初步處理、站務(wù)處理以及司機(jī)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(jié)果提出一系列建議和行動計(jì)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(biāo)，并對相應(yīng)的占比進(jìn)行分析。研究結(jié)果可為地鐵運(yùn)營管理提供參考。

關(guān)鍵詞：六西格瑪管理方法；機(jī)器學(xué)習(xí)；車門夾人夾物

中圖分類號：U 121 " " " " 文獻(xiàn)標(biāo)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(guān)注點(diǎn)。然而，夾人夾物事件時(shí)常發(fā)生，不僅影響乘客出行體驗(yàn)，還可能導(dǎo)致運(yùn)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(yùn)作的影響具有重要意義，相關(guān)領(lǐng)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(hù)。采用多角度分析方法，提出防護(hù)措施，保障乘車安全，提高運(yùn)營效率[1]。陳卓群解決廣州地鐵車門關(guān)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(yùn)行系統(tǒng)的安全風(fēng)險(xiǎn)，提出風(fēng)險(xiǎn)控制措施，保障列車運(yùn)行安全[3]。本研究采用六西格瑪管理方法和機(jī)器學(xué)習(xí)技術(shù)對夾人夾物事件進(jìn)行分析，并提出有效的改進(jìn)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(zhì)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(jìn)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(yùn)作的問題，例如事故發(fā)生率、影響列車準(zhǔn)時(shí)性等方面的指標(biāo)。測量（Measure）：收集與問題相關(guān)的數(shù)據(jù)，包括夾人夾物事故的發(fā)生情況、時(shí)間、地點(diǎn)以及天氣等信息。分析（Analyze）：利用統(tǒng)計(jì)分析工具，例如統(tǒng)計(jì)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(jìn)（Improve）：基于分析結(jié)果，制定改進(jìn)計(jì)劃，可能包括修改車門設(shè)計(jì)、改進(jìn)夾人夾物檢測系統(tǒng)等。控制（Control）：實(shí)施改進(jìn)計(jì)劃并建立監(jiān)控機(jī)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(shè)計(jì)需求。劉偉銘（2019）分析了地鐵風(fēng)險(xiǎn)空間異物檢測系統(tǒng)需求，為未來無人駕駛地鐵技術(shù)提供參考[4]。倪琍（2019）闡述了全自動運(yùn)行模式下站臺門的適應(yīng)性需求，強(qiáng)調(diào)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(jī)器學(xué)習(xí)

1.2.1 圖像識別

在車門夾人夾物檢測中，機(jī)器學(xué)習(xí)方法利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等技術(shù)對圖像進(jìn)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(yīng)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(xiàng)。卷積核是一個小的矩陣，通過它對圖像的不同部分進(jìn)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(jìn)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(xué)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(quán)重矩陣W和偏置項(xiàng)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(biāo)檢測

目標(biāo)檢測算法如YOLO（You Only Look Once）通過回歸框的坐標(biāo)和類別來實(shí)現(xiàn)目標(biāo)檢測。下面介紹YOLO的數(shù)學(xué)公式和工作原理。對于每個邊界框（bounding box）來說，YOLO預(yù)測以下信息：框的中心坐標(biāo)（x，y）表示邊界框的中心在圖像中的位置?？虻膶挾群透叨龋╳，h）表示邊界框的尺寸。目標(biāo)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(biāo)是最小化位置和類別預(yù)測的損失函數(shù)，通過優(yōu)化模型參數(shù)以獲得準(zhǔn)確的目標(biāo)檢測結(jié)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(xùn)練模型。

通過這些數(shù)學(xué)公式和機(jī)器學(xué)習(xí)方法，可以對車門夾人夾物進(jìn)行高效、準(zhǔn)確地檢測。

1.2.3 實(shí)時(shí)監(jiān)控

機(jī)器學(xué)習(xí)方法的實(shí)時(shí)監(jiān)控在車門夾人夾物檢測系統(tǒng)中是至關(guān)重要的。它利用已訓(xùn)練的模型實(shí)時(shí)分析圖像數(shù)據(jù)，并采取相應(yīng)的行動。

輸入數(shù)據(jù)：實(shí)時(shí)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(yù)測：訓(xùn)練好的機(jī)器學(xué)習(xí)模型將每幀圖像作為輸入，并輸出預(yù)測結(jié)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(guān)的類別和置信度分?jǐn)?shù)的預(yù)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(biāo)（x， y， w， h）、類別標(biāo)簽（class）和置信度分?jǐn)?shù)（confidence score）。

閾值處理：為了觸發(fā)警報(bào)或采取預(yù)防措施，通常需要設(shè)置置信度閾值。只有當(dāng)置信度分?jǐn)?shù)高于閾值時(shí)，才會認(rèn)為檢測結(jié)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(jié)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(guān)門等環(huán)節(jié)進(jìn)行識別和重要性評估。這是一個關(guān)鍵步驟，它有助于確定當(dāng)改進(jìn)車站運(yùn)營時(shí)應(yīng)優(yōu)先考慮哪些環(huán)節(jié)。重要性評估通?；诓煌蛩氐募訖?quán)和比較，其中，一些因素可能包括安全性、乘客滿意度和運(yùn)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(yán)重程度；OCC為失效的頻率。通過計(jì)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(jìn)行分析，包括輸入變量、失效模式和效應(yīng)等因素。一種常用的方法是使用失效模式和效應(yīng)分析（FMEA）來識別可能導(dǎo)致夾物事件的關(guān)鍵因素。這包括對各環(huán)節(jié)的具體原因進(jìn)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(jìn)行分析，包括對不同因素對處理效率的影響進(jìn)行比較，以識別導(dǎo)致處理效率低的原因。通常可以使用一些數(shù)學(xué)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(yán)重程度；OCCefficiency為處理效率失效的頻率。通過計(jì)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(zhǔn)備

性能測試的第一步是準(zhǔn)備測試數(shù)據(jù)集。這個數(shù)據(jù)集應(yīng)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(zhǔn)確性至關(guān)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?cái)z像中有關(guān)夾人夾物現(xiàn)象采用標(biāo)簽進(jìn)行標(biāo)注，標(biāo)簽應(yīng)包括夾物的位置和類型。其中，真值是由人工標(biāo)注的，用于后續(xù)與系統(tǒng)的檢測結(jié)果進(jìn)行比較。與此同時(shí)，利用設(shè)立影像的其他特征補(bǔ)充提高預(yù)測性能，這些特征指標(biāo)見表1。

3.2 測試流程

對測試數(shù)據(jù)進(jìn)行必要的預(yù)處理，例如調(diào)整圖像大小、歸一化或增強(qiáng)圖像以提高系統(tǒng)的穩(wěn)健性。加載訓(xùn)練好的機(jī)器學(xué)習(xí)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(jìn)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(biāo)簽和真值，計(jì)算所選性能指標(biāo)，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(bào)現(xiàn)象，但有一定規(guī)模的錯報(bào)現(xiàn)象。

相應(yīng)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(xùn)練集大小對準(zhǔn)確率的影響（如圖4所示），不同樣本規(guī)模的訓(xùn)練集對準(zhǔn)確率沒有影響。

3.3 結(jié)果分析

最后，整理各指標(biāo)對是否發(fā)生夾人夾物現(xiàn)象的影響，其結(jié)果如圖5所示。視頻的具體攝錄時(shí)間，包括周幾和幾時(shí)幾分?jǐn)z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(shí)期的現(xiàn)象多發(fā)影響預(yù)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(yīng)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(diào)節(jié)監(jiān)控設(shè)備，提高其進(jìn)行圖像識別的準(zhǔn)確性。

4 結(jié)論

本研究通過六西格瑪管理方法和機(jī)器學(xué)習(xí)方法，分析了車門夾人夾物數(shù)量與候車、上下客和關(guān)門等因素的關(guān)系，并研究了提高處理效率的方法。研究結(jié)果表明，司機(jī)初步處理、站務(wù)處理和司機(jī)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(jié)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(qiáng)站務(wù)和司機(jī)培訓(xùn)、優(yōu)化處理流程和加強(qiáng)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(biāo)和相應(yīng)的占比分析，為地鐵運(yùn)營管理提供參考和改進(jìn)方向。研究結(jié)果可幫助地鐵運(yùn)營管理部門更好地解決車門夾人夾物對正線運(yùn)作的影響問題，提高運(yùn)營效率和乘客滿意度。

參考文獻(xiàn)

[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(hù)風(fēng)險(xiǎn)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(guān)門障礙物檢測故障及對策[J].機(jī)車電傳動，2020（1）：154-157.

[3]包天剛，宗國.城市軌道交通全自動運(yùn)行系統(tǒng)封閉運(yùn)行環(huán)境的安全風(fēng)險(xiǎn)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(fēng)險(xiǎn)空間分析及異物檢測系統(tǒng)技術(shù)要求[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，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(jìn)[J].機(jī)車電傳動，2019（3）：151-153.

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

[7]倪琍.全自動運(yùn)行模式下站臺門系統(tǒng)的適應(yīng)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(jī)構(gòu)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(shè)計(jì)[J].城市軌道交通研究，2017，20（5）：143-146.

[10]郭寶東，付志風(fēng)，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(shè)計(jì)[J].城市軌道交通研究，2014，17（2）：143-144.