将机器学习与区间模糊层次分析法（Interval Fuzzy AHP）相结合，用于评估地铁站对城市洪水的抵御能力

《Sustainable Cities and Society》：Integrating Machine Learning and Interval Fuzzy AHP for Assessing Metro Station Resilience to Urban Flooding

本研究针对气候变化与城市化双重压力下极端降雨对城市地铁系统造成的挑战，构建了多源分阶段韧性指标系统，并融合PU学习、区间模糊AHP和K-means聚类开发PU-IFAHP-KMEANS混合评估模型。通过上海地铁案例验证，该模型有效量化了站点韧性水平，揭示了郊区高韧性、市中心低韧性的空间分布规律，关键影响因素包括POI密度、最大小时降雨量和介数中心性，且通过对比实验证明其客观性和适应性优势，为城市地铁韧性提升提供决策支持。

　　

作者：何文、潘月、张硕、叶冠霖、陈金建

单位：上海交通大学土木工程系，上海海洋工程国家重点实验室，上海数字建筑与基础设施维护重点实验室，中国上海东川路800号，200240

摘要

在气候变化和城市化的双重压力下，极端降雨事件的增加对城市地铁系统的运营和管理提出了重大挑战。本研究开发了一个多源、分阶段的韧性指标体系，以描述地铁网络的关键韧性特征。该体系结合了正标签无监督（PU）学习、区间模糊层次分析（IFAHP）和K均值聚类算法，构建了一个新的定量框架PU-IFAHP-KMEANS，旨在全面评估地铁站在极端降雨条件下的韧性。将PU-IFAHP-KMEANS应用于上海地铁网络，从三个维度评估其韧性：灾前洪水风险预测、灾中脆弱性以及灾后恢复能力。通过这三个维度，可以精确量化并通过地理信息系统（GIS）可视化地铁站对洪水灾害的韧性水平。研究得出以下关键发现：(i) 高韧性的地铁站通常位于上海市郊，而低韧性的地铁站多集中在市中心区域；(ii) 关键因素如兴趣点（POI）密度、最大小时降雨量和介数中心性对韧性水平有显著影响。此外，比较实验表明，PU-IFAHP-KMEANS减少了专家输入的主观性和不确定性，并且能够有效适应不同的降雨情景。在实际应用中，PU-IFAHP-KMEANS有助于识别高风险地铁站，并优化针对性的洪水缓解和应急响应策略，从而提高地铁系统在极端气候条件下的韧性。

引言

全球变暖导致的极端天气事件频率和强度的增加，对城市基础设施的韧性构成了严重挑战（He等人，2022；Hu等人，2024）。作为城市交通网络的关键组成部分，地铁系统由于其高密度运营、复杂的设计和地下环境，特别容易受到极端降雨的影响。过去二十年里，地铁网络中的洪水事件日益频繁，对交通基础设施和城市经济造成了严重破坏（Forero-Ortiz等人，2020）。2021年郑州的洪水事件导致约380人死亡（Zheng等人，2022），这凸显了这些风险的严重性。鉴于这些不断升级的风险，对地铁系统进行稳健和系统的韧性评估对于指导主动的应急计划和确保其在极端天气条件下的安全、连续运行至关重要。 基础设施韧性是指系统吸收中断、维持基本功能并迅速恢复到全运行状态的能力（Poulin和Kane，2021）。对于包括地铁系统在内的基础设施而言，韧性对于在极端事件中保持服务连续性和保障公共安全至关重要。已经开发出多种方法论框架来量化韧性，其中多标准决策（MCDM）方法被广泛采用（Wu等人，2024），例如层次分析（AHP）（Zhao等人，2023）、基于理想解相似性的排序偏好技术（TOPSIS）（Xun和Yuan，2020）以及决策试验与评估实验室（DEMATEL）（Zhou等人，2021）。然而，现有的MCDM方法在地铁洪水韧性评估方面存在显著局限性。首先，现有的指标体系（Zhang等人，2018）往往缺乏针对地铁系统的特定运营指标和关键水文因素，并且未能考虑灾灾各阶段的韧性动态差异（例如，灾前风险预警至关重要，而灾后恢复速度同样重要），从而降低了评估的准确性和实用性。其次，依赖专家权重引入了主观性和潜在偏见，专家对指标重要性的判断差异直接削弱了韧性评估的稳健性和可重复性（Albahri等人，2023）。 为了解决这些局限性，必须实施两项改进：建立与灾害时间线相匹配的分阶段指标体系，以捕捉不同灾害阶段的韧性特征；开发一种结合数据驱动技术和专家判断的混合评估模型，以减少主观性的影响。基于此，我们建立了一个多源、分阶段的韧性指标体系，整合多维度和多源数据来评估地铁系统在灾害各个阶段的性能。指标涵盖自然环境、社会人口统计和地铁信息三个领域，分为三个时间类别：灾害前指标（灾前阶段）、脆弱性指标（灾中阶段）和恢复指标（灾后阶段）（Yu等人，2023）。这种分阶段框架能够对地铁韧性进行细致、多维度的评估，揭示关键脆弱性并指导基础设施改进。此外，为了减轻传统MCDM方法固有的主观性，并确保与所建立的分阶段指标体系保持一致，本研究提出了一种混合评估模型，结合了正标签无监督（PU）学习（Sevetlidis等人，2024）、区间模糊层次分析（IFAHP）（Bozanic等人，2023；Ye等人，2024）和K均值聚类（Kim和Kim，2023；Wang等人，2023）。通过将专家判断与数据驱动技术相结合，所提出的方法能够动态调整评分方式，从而提高客观性、减少偏见并增强地铁韧性评估的稳健性。 因此，本研究旨在通过开发一个由分阶段指标体系和PU-IFAHP-KMEANS混合模型组成的综合框架，来解决现有韧性评估框架中的关键局限性，从而提出一种定量和客观的韧性评估方法。三项关键研究问题指导了这项工作：(a) 如何建立多维度、分阶段的地铁韧性评估指标体系；(b) 如何整合数据驱动和专家信息的方法以提高韧性评估的客观性和稳健性；(c) 如何确保韧性评估框架在不同极端降雨情景下的适应性。 PU-IFAHP-KMEANS分阶段体系在评估上海地铁在洪水条件下的韧性方面得到了验证，主要体现在两个方面：首先，它将指标分为灾前、灾中和灾后三个阶段，并应用特定阶段的评分模型来减少主观性并提高评估准确性；其次，通过将传统MCDM方法与机器学习相结合，PU-IFAHP-KMEANS评估模型确保在不同降雨强度下评估结果的一致性和可重复性。其在不同洪水条件下的稳定性凸显了其在面对多样化水文和气候挑战的不同城市环境中的适用性。总体而言，所提出的PU-IFAHP-KMEANS框架为城市管理部门提供了数据驱动的决策支持工具，以制定有针对性的、阶段特定的策略，增强地铁系统对城市洪水的韧性。 本文结构如下：第2节回顾相关文献；第3节介绍所提出的分阶段韧性指标体系和PU-IFAHP-KMEANS混合评估模型；第4节通过上海地铁的案例研究验证该方法的适用性；第5节详细介绍了旨在突出该框架性能优势的比较实验；第6节总结关键发现和未来研究方向。

文献综述

作为城市交通基础设施的核心组成部分，地铁系统极易受到洪水的影响，因此评估其韧性对于保障运营稳定性和减轻灾害影响至关重要，这也是研究的重点。现有关于地铁系统对洪水韧性的研究主要采用多标准决策（MCDM）方法来量化韧性并指导灾害响应（Lyu等人，2023；Wu等人，2024；Zhang和Huang，2024；Zheng等人，2022）。例如，Zhang等人（Zhang和……）

方法论

图1展示了用于极端洪水条件下地铁站韧性定量评估的PU-IFAHP-KMEANS框架，包括四个关键组成部分：(i) 构建一个多源、分阶段的韧性指标体系，其中包括灾害指标$H_1$$H_9$、脆弱性指标$V_1$$V_{11}$和恢复指标$R_1$$R_6$。该指标体系整合了来自多个来源和维度的26个韧性指标，为韧性评估奠定了基础。

研究区域

上海（东经120°50′ - 122°10′，北纬30°40′ - 32°00′）是世界上最大、人口最密集的城市，拥有全球最广泛和最繁忙的城市轨道交通系统。截至2024年9月，上海地铁已覆盖20条线路、508个车站和831公里的轨道（http://service.shmetro.com/yxxlt/index.htm）。自2024年以来，上海的日均客流量几乎一直达到或超过1000万人次，峰值达到1339.7万人次

讨论

本节提出了两个比较实验，旨在评估所提出的PU-IFAHP-KMEANS框架的有效性：(i) 减少基于专家的韧性评估中的主观性；(ii) 提高在不同极端降雨情景下韧性评估结果的稳定性。该方法与传统的基于AHP的方法进行了对比，重点关注在不同条件下的稳定性。结果表明……

结论与未来工作

本研究提出了一个数据驱动的框架，通过整合机器学习技术和区间模糊层次分析（IFAHP）来量化地铁站对城市洪水的韧性。为了解决三个关键研究问题，开发了一个多源指标体系（表1），涵盖26个变量，以捕捉灾前灾害、灾中脆弱性和灾后恢复三个阶段的韧性特征。应用了PU学习、IFAHP和K均值聚类算法进行预测

作者贡献声明

何文：撰写初稿、可视化、验证、方法论、数据整理、概念化。潘月：撰写与编辑、方法论、概念化。张硕：数据整理、概念化。叶冠霖：资源获取、方法论、概念化。陈金建：撰写与编辑、监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家重点研发计划（编号：2023YFC3009402）和国家自然科学基金（编号：72201171、42377136）的实质性支持。