1.一种轨道系统跨域运维关键要素辨识方法，包括如下步骤：

S1.对轨道系统进行全生命周期构成要素的分解；

S2.对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算；

S3.建立数据集；

S4.建立安全域分析模型、性能域分析模型和环境域分析模型，从而获得跨域运维强相关要素；

S5.根据步骤S4得到的跨域运维强相关要素，建立全生命周期运维分析模型，从而得到强相关要素运维关键度；

S6.根据步骤S5得到的强相关要素运维关键度，建立运维关键要素辨识模型，从而得到最终的跨域运维关键要素。

2.根据权利要求1所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S1所述的对轨道系统进行全生命周期构成要素的分解，具体为采用如下步骤进行分解：A.根据轨道系统的构成，将轨道系统分解为如下宏观要素：轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分，并用elei表示，i＝1,2,...,7并依次对应轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分；

B.将步骤A得到的每一个宏观要素，按照所包含的组成部分的性质，再次分解为若干个基本要素，并用elei,j表示，其中i＝1,2,...,7， 为第i个宏观要素所包含的基本要素的数量；

C.将步骤B得到的每一个基本要素，按照轨道系统的发展进程，形成四个阶段要素：设计阶段、建设阶段、建造阶段和运营维护阶段，并用elei,j,k表示，其中i＝1,2,...,7，k＝1,2,3,4并依次对应设计阶段、建设阶段、建造阶段和运营维护阶段。

3.根据权利要求2所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S2所述的对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算，具体为采用如下步骤进行计算：a.采用如下算式计算基本要素的安全域关联度 性能域关联度 和环境域关联度其中 为基本要素elei,j的安全域的平均关联得分且

为基本要素elei,j的性能域的平均关联得分且

为基本要素elei,j的环境域的平均关联得分且 为第p个轨

道系统工作人员对基本要素elei,j安全域的关联程度评分； 为第p个轨道系统工作人员对基本要素elei,j性能域的关联程度评分； 为第p个轨道系统工作人员对基本要素elei,j环境域的关联程度评分；num3为参与评分的轨道系统工作人员的总数；

b.采用如下算式计算阶段要素的安全域关联度 性能域关联度 和环境

域关联度

其中 为阶段要素elei,j,k的安全域的平均关联得

分且 为阶段要素elei,j,k的性能域的平均关联得分且

为阶段要素elei,j,k的环境域的平均关联得分且

为第p个轨道系统工作人员对阶段要素elei,j,k安

全域的关联程度评分； 为第p个轨道系统工作人员对阶段要素elei,j,k性能域的关联程度评分； 为第p个轨道系统工作人员对阶段要素elei,j,k环境域的关联程度评分；

c.采用如下算式量化计算安全域Ca、性能域Cx和环境域Ch：

4.根据权利要求3所述的轨道系统跨域运维关键要素辨识方法，其特征在于所述的轨道系统工作人员具体包括设计人员、决策人员、建设人员和运营人员；所述的关联程度包括强、较强、中等、较弱和弱，并依次对应于关联程度评分5、4、3、2和1。

5.根据权利要求4所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S3所述的建立数据集，具体为采用如下步骤建立数据集：(1)将轨道系统各阶段要素elei,j,k在其对应的第k个阶段内的月平均维修次数作为elei,j,k的量化值，同时将 作为基本要素elei,j的量化值；

(2)将计算得到的elei,j,k、elei,j、Ca、Cx和Ch作为一个数据样本；并依次选择若干条不同的轨道系统线路，构成若干个样本，从而得到数据集。

6.根据权利要求5所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S4所述的建立安全域分析模型、性能域分析模型和环境域分析模型，从而获得跨域运维强相关要素，具体为采用如下步骤建立模型并获得跨域运维强相关要素：

1)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入，将安全域Ca作为BP神经网络的输出，对BP神经网络进行训练，从而得到基于BP神经网络的安全域分析模型；

2)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入，将性能域Cx作为BP神经网络的输出，对BP神经网络进行训练，从而得到基于BP神经网络的性能域分析模型；

3)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入，将环境域Ch作为BP神经网络的输出，对BP神经网络进行训练，从而得到基于BP神经网络的环境域分析模型；

4)针对数据集中的每一条轨道系统线路，采用如下步骤计算得到每个基本要素elei,j的第m个安全域相关子系数 并依次计算每个基本要素elei,j的安全域相关系数num2为轨道系统线路的总条数：将第m条轨道系统线路的每个基本要素elei,j按照设定的第一调节参数ε1进行降低，同时保持剩余基本要素不变，输入到步骤1)得到的基于BP神经网络的安全域分析模型并得到模型输出C 'a,m，并得到每个基本要素elei ,j的第m个安全域相关子系数Ca,m为第m条轨道系统线路的安全域量化值；

5)针对数据集中的每一条轨道系统线路，采用如下步骤计算得到每个基本要素elei,j的第m个性能域相关子系数 并依次计算每个基本要素elei,j的性能域相关系数num2为轨道系统线路的总条数：将第m条轨道系统线路的每个基本要素elei,j按照设定的第二调节参数ε2进行降低，同时保持剩余基本要素不变，输入到步骤2)得到的基于BP神经网络的性能域分析模型并得到模型输出C'x,m，并得到每个基本要素elei,j的第m个性能域相关子系数Cx,m为第m条轨道系统线路的性能域量化值；

6)针对数据集中的每一条轨道系统线路，采用如下步骤计算得到每个基本要素elei,j的第m个环境域相关子系数 并依次计算每个基本要素elei,j的环境域相关系数num2为轨道系统线路的总条数：将第m条轨道系统线路的每个基本要素elei,j按照设定的第三调节参数ε3进行降低，同时保持剩余基本要素不变，输入到步骤3)得到的基于BP神经网络的环境域分析模型并得到模型输出C'h,m，并得到每个基本要素elei,j的第m个环境域相关子系数Ch,m为第m条轨道系统线路的环境域量化值；

7)选择安全域相关系数最高的若干个安全域相关系数所对应的基本要素、性能域相关系数最高的若干个性能域相关系数所对应的基本要素和环境域相关系数最高的若干个环境域相关系数所对应的基本要素，作为跨域运维强相关要素并记为str-elen；其中n＝1,

2,...,num4，num4为跨域运维强相关要素的总数量，str-elen的量化值为对应的基本要素elei,j的量化值。

7.根据权利要求6所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S5所述的根据步骤S4得到的跨域运维强相关要素，建立全生命周期运维分析模型，从而得到强相关要素运维关键度，具体为采用如下步骤建立模型并得到强相关要素运维关键度：(一)将数据集中各轨道系统线路的跨域运维强相关要素str-elen作为极限学习机的输入，将对应线路的安全域Ca、性能域Cx和环境域Ch之和作为极限学习机的输出，对极限学习机进行训练，从而得到基于极限学习机的全生命周期运维分析模型；

(二)针对数据集中的每一条轨道系统线路，采用如下方式计算得到每个跨域运维强相关要素str-elen的子关键度Keyn,m，从而计算得到每个跨域运维强相关要素str-elen的运维关键度 其中n＝1,2,...,num4，m＝1,2,...,num2：将第m条轨道系统线路的各跨域运维强相关要素str-elen按照设定的第四调节参数ε4进行降低，同时保持剩余的跨域运维强相关要素保持不变，输入到步骤(一)得到的基于极限学习机的全生命周期运维分析模型并得到模型输出为L'，从而计算每个跨域运维强相关要素str-elen的第m个子关键度

8.根据权利要求7所述的轨道系统跨域运维关键要素辨识方法，其特征在于步骤S6所述的根据步骤S5得到的强相关要素运维关键度，建立运维关键要素辨识模型，从而得到最终的跨域运维关键要素，具体为采用如下步骤建立模型并得到最终的跨域运维关键要素：一)将跨域运维强相关要素str-elen的安全域相关系数、性能域相关系数、环境域相关系数作为Elman神经网络的输入，将跨域运维强相关要素str-elen的运维关键度作为Elman神经网络的输出，对Elman神经网络进行训练，从而得到基于Elman神经网络的运维关键要素辨识模型；

二)依次将每个非跨域运维强相关要素的基本要素的安全域相关系数、性能域相关系数、环境域相关系数作为步骤一)得到的基于Elman神经网络的运维关键要素辨识模型的输入，输出对应的基本要素elei,j的运维关键度Keyi,j；

三)选择运维关键度超过关键要素设定值的基本要素作为最终的跨域运维关键要素。

9.根据权利要求8所述的轨道系统跨域运维关键要素辨识方法，其特征在于所述的运维关键要素设定值设定为所有基本要素运维关键度的平均值的P％；P为正实数。