车门夹人夹物对正线运作影响的研究

摘 要：本研究旨在通过六西格玛管理方法与机器学习方法，识别减少车门夹人夹物对地铁正线运作的影响。首先，分析了夹人夹物数量的重要性以及与候车、上下客、关门等因素的关系。其次，研究了提高处理效率的方法，分析了司机初步处理、站务处理以及司机前往现场处理等因素的重要性。再次，根据数据分析结果提出一系列建议和行动计划，以降低夹人夹物数量和提高处理效率。最后，探讨了夹物发生的原因和影响因素，提供了一些主观评估指标，并对相应的占比进行分析。研究结果可为地铁运营管理提供参考。

关键词：六西格玛管理方法；机器学习；车门夹人夹物

中图分类号：U 121 " " " " 文献标志码：A

地铁系统作为城市交通的重要组成部分，乘客的安全和快捷出行一直是重要关注点。然而，夹人夹物事件时常发生，不仅影响乘客出行体验，还可能导致运营延误，出现安全隐患。因此，减少车门夹人夹物事件对地铁正线运作的影响具有重要意义，相关领域研究数量众多。陈悦源研究了地铁小限界中屏蔽门与车门间隙安全防护。采用多角度分析方法，提出防护措施，保障乘车安全，提高运营效率[1]。陈卓群解决广州地铁车门关门障碍物检测异常，通过原理分析及整改，降低车门故障率[2]。包天刚研究了城市轨道交通全自动运行系统的安全风险，提出风险控制措施，保障列车运行安全[3]。本研究采用六西格玛管理方法和机器学习技术对夹人夹物事件进行分析，并提出有效的改进措施，以减少事件发生率和提高事件处理效率。

1 理论框架

1.1 六西格玛管理方法

六西格玛管理方法是一种系统性的质量管理方法，其目的是减少变异性、提高效率以及降低成本，并改进组织的整体绩效。在研究中可以采用以下步骤。问题定义（Define）：明确定义车门夹人夹物对正线运作的问题，例如事故发生率、影响列车准时性等方面的指标。测量（Measure）：收集与问题相关的数据，包括夹人夹物事故的发生情况、时间、地点以及天气等信息。分析（Analyze）：利用统计分析工具，例如统计过程控制图、回归分析等，分析数据以确定潜在的问题根本原因。改进（Improve）：基于分析结果，制定改进计划，可能包括修改车门设计、改进夹人夹物检测系统等。控制（Control）：实施改进计划并建立监控机制，保证问题不再出现。现有研究也讨论了地铁中的防夹设计需求。刘伟铭（2019）分析了地铁风险空间异物检测系统需求，为未来无人驾驶地铁技术提供参考[4]。倪琍（2019）阐述了全自动运行模式下站台门的适应性需求，强调了增加防夹人装置和提高系统可靠性的重要性[7]。本文采用六西格玛管理方法。

1.2 机器学习

1.2.1 图像识别

在车门夹人夹物检测中，机器学习方法利用卷积神经网络（CNN）等技术对图像进行分析，以检测夹人夹物情况。CNN首先通过卷积层提取图像的特征。对于输入图像x，卷积层通过卷积操作（*）应用卷积核（filter）来生成特征图（Feature Map），如公式（1）所示。

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

式中：*为卷积操作；f（x）为激活函数（如ReLU）；b为偏置项。卷积核是一个小的矩阵，通过它对图像的不同部分进行卷积操作，从而捕捉不同的特征，例如边缘以及纹理等。

然后通过池化层对特征图进行下采样，减少数据的维度。常用的池化操作是最大池化（Max Pooling），其数学公式如公式（2）所示。

Max Pooling（x）=max（region） " " " （2）

Max Pooling 将每个特征图区域中的最大值作为输出，从而减少特征图的空间尺寸。

最后，通过全连接层将提取的特征映射到输出类别的概率分布。全连接层采用权重矩阵W和偏置项b，将特征映射到输出空间，如公式（3）所示。

y=f（Wx+b） " " " " " " " " " " "（3）

式中：y为输出类别的概率分布；W和b为模型参数；x为输入图像。

1.2.2 目标检测

目标检测算法如YOLO（You Only Look Once）通过回归框的坐标和类别来实现目标检测。下面介绍YOLO的数学公式和工作原理。对于每个边界框（bounding box）来说，YOLO预测以下信息：框的中心坐标（x，y）表示边界框的中心在图像中的位置。框的宽度和高度（w，h）表示边界框的尺寸。目标类别的概率分布P（class）表示图像中对象属于不同类别的概率。

YOLO的目标是最小化位置和类别预测的损失函数，通过优化模型参数以获得准确的目标检测结果。损失函数包括位置误差和类别误差，通过反向传播算法来训练模型。

通过这些数学公式和机器学习方法，可以对车门夹人夹物进行高效、准确地检测。

1.2.3 实时监控

机器学习方法的实时监控在车门夹人夹物检测系统中是至关重要的。它利用已训练的模型实时分析图像数据，并采取相应的行动。

输入数据：实时监控系统接收来自监视摄像头的连续图像帧作为输入数据。这些图像帧由像素矩阵表示，通常用符号I表示。

模型预测：训练好的机器学习模型将每帧图像作为输入，并输出预测结果。夹人夹物检测通常涉及边界框（bounding box）的检测以及与每个边界框相关的类别和置信度分数的预测，如公式（4）所示。

Predictions=Model（I） （4）

式中：Predictions包括检测到的边界框的坐标（x， y， w， h）、类别标签（class）和置信度分数（confidence score）。

阈值处理：为了触发警报或采取预防措施，通常需要设置置信度阈值。只有当置信度分数高于阈值时，才会认为检测结果是有效的，如公式（5）所示。

ValidPredictions={P∈Predictions|Pconfidencegt;Threshold}

（5）

式中：ValidPredictions包括通过阈值处理后的有效检测结果。

2 六西格玛管理

2.1 重要性评估

首先，通过过程的SIPOC分析，对候车、上下客和关门等环节进行识别和重要性评估。这是一个关键步骤，它有助于确定当改进车站运营时应优先考虑哪些环节。重要性评估通常基于不同因素的加权和比较，其中，一些因素可能包括安全性、乘客满意度和运营效率等。

定义一个环节的相对重要度RI如公式（6）所示。

（6）

式中：SEV为失效的严重程度；OCC为失效的频率。通过计算每个环节的RI值，可以确定其相对重要性。

2.2 夹物事件原因分析

接下来对夹物事件的原因进行分析，包括输入变量、失效模式和效应等因素。一种常用的方法是使用失效模式和效应分析（FMEA）来识别可能导致夹物事件的关键因素。这包括对各环节的具体原因进行分析，例如乘客数量、夹物位置等。整理各站具体被夹物品类型，如图1所示。

2.3 夹物事件处理效率分析

对夹物事件的处理效率进行分析，包括对不同因素对处理效率的影响进行比较，以识别导致处理效率低的原因。通常可以使用一些数学公式来量化处理效率的影响因素。

例如，可以定义一个处理效率的相对重要度RIefficiency，如公式（7）所示。

（7）

式中：SEVefficiency为处理效率的失效严重程度；OCCefficiency为处理效率失效的频率。通过计算每个因素的RIefficiency值，可以确定其相对重要性。

3 性能测试

3.1 数据集准备

性能测试的第一步是准备测试数据集。这个数据集应包括多种夹人夹物情况的大量数据分析，各种场景、光照条件和夹物类型。数据集的多样性对于测试系统的健壮性和准确性至关重要。

基于具体站台夹人夹物情况分析，本文使用的站台监控，仅筛选摄录站台的部分录像，对监控摄像中有关夹人夹物现象采用标签进行标注，标签应包括夹物的位置和类型。其中，真值是由人工标注的，用于后续与系统的检测结果进行比较。与此同时，利用设立影像的其他特征补充提高预测性能，这些特征指标见表1。

3.2 测试流程

对测试数据进行必要的预处理，例如调整图像大小、归一化或增强图像以提高系统的稳健性。加载训练好的机器学习模型，该模型用于夹物检测和识别。使用加载的模型对测试数据集中的图像进行检测和识别。系统会输出每个夹物的位置和类型。根据标签和真值，计算所选性能指标，其形成混淆矩阵，如图2所示。在样本数据中夹人夹物现象易于观测，未出现漏报现象，但有一定规模的错报现象。

相应ROC曲线如图3所示。

如图3所示，如果降低假正率，那么真正率将蒙受显著损失，反映了高精度夹人夹物识别的困难性。整理不同训练集大小对准确率的影响（如图4所示），不同样本规模的训练集对准确率没有影响。

3.3 结果分析

最后，整理各指标对是否发生夹人夹物现象的影响，其结果如图5所示。视频的具体摄录时间，包括周几和几时几分摄录均对夹人夹物现象的发生概率有显著影响，提示高峰时期的现象多发影响预测性能。视频自身的清晰度也对识别效果有显著影响，摄像头角度与方向也有一定影响。因此，应用视频监控自动化处理车门夹人夹物现象还需要针对性地调节监控设备，提高其进行图像识别的准确性。

4 结论

本研究通过六西格玛管理方法和机器学习方法，分析了车门夹人夹物数量与候车、上下客和关门等因素的关系，并研究了提高处理效率的方法。研究结果表明，司机初步处理、站务处理和司机前往现场处理等因素对处理效率有重要影响。根据数据分析结果，建议采取一系列措施，减少夹人夹物数量，并提高处理效率，例如加强站务和司机培训、优化处理流程和加强现场管理等。此外，研究还探讨了夹物发生的原因，并提供了主观评估指标和相应的占比分析，为地铁运营管理提供参考和改进方向。研究结果可帮助地铁运营管理部门更好地解决车门夹人夹物对正线运作的影响问题，提高运营效率和乘客满意度。

参考文献

[1]陈悦源，方卫宁，徐鼎.地铁小限界中屏蔽门与车门间隙安全防护风险分析[J].工业工程与管理，2022，27（2）：76-83.

[2]陈卓群.广州地铁车辆关门障碍物检测故障及对策[J].机车电传动，2020（1）：154-157.

[3]包天刚，宗国.城市轨道交通全自动运行系统封闭运行环境的安全风险研究[J].城市轨道交通研究，2019，22（增刊2）：24-26，30.

[4]刘伟铭，陈纲梅，李海玉，等.地铁风险空间分析及异物检测系统技术要求[J].铁道标准设计，2019，63（10）：168-176.

[5]孙法雄，刘涛.东莞地铁2号线列车车门自动防夹故障分析及改进[J].机车电传动，2019（3）：151-153.

[6]苏建华，薛栋娥，刘传凯，等.HOG内嵌模板匹配的车门夹人检测算法[J].北京交通大学学报，2019，43（2）：64-71.

[7]倪琍.全自动运行模式下站台门系统的适应性分析[J].城市轨道交通研究，2019，22（1）：79-82.

[8]赵洋，卢文富.广州地铁L型车车门机构对防夹功能的影响分析[J].城市轨道交通研究，2018，21（4）：100-101，105.

[9]饶美婉.新型地铁站台门与车门之间顶置式防夹人自动探测系统的设计[J].城市轨道交通研究，2017，20（5）：143-146.

[10]郭宝东，付志风，高永亮.基于光线传感器的地铁“二门”系统的防夹人方案设计[J].城市轨道交通研究，2014，17（2）：143-144.