基于案例推理的城市轨道交通应急预警决策

第21卷第1期2021年2月
交　通　工　程
Vol.21No.1Feb.2021
DOI:10.13986/ki.jote.2021.01.014
基于案例推理的城市轨道交通应急预警决策
卢　弋1,陈　霖2,冯　伟3
(1.上海申通地铁集团有限公司运营管理中心,上海　201100;2.中国国家博物馆,北京　100006;
3.杭州市规划设计研究院,浙江杭州　310012)
摘　要:为提升城市轨道交通应急管理的决策能力和处置效率,提出一种基于案例推理的应急事件预警和决策方法.以上海城市轨道交通重大晚点事件构建案例库,通过相似度计算实现案例检索和相似案例的自动输出,为决策管理者提供影响预判和决策参考.结合上海城市轨道交通应急管理特点,建立应急事件预警决策模型,从案例分析可见,系统输出的决策信息和结果信息能有效指导现场管理,具有应用和推广意义.关键词:城市轨道交通;应急管理;预警;决策;案例推理中图分类号:U 298
文献标志码:A
文章编号:2096⁃3432(2021)01⁃74⁃06
Research on Decision⁃making of Urban Rail Transit Emergency Warning Based on Case Reasoning
LU Yi 1,CHEN Lin 2,FENG Wei 3
(1.Operation and Management Center of Shanghai Shentong Metro Group Co.,LTD.,Shanghai 200070,China;
2.National Museum of China,Beijing 100006,China;
3.Hangzhou Planning &Design Academy;Hangzhou 310012,China)
Abstract :In order to improve the decision⁃making ability and handing efficiency of urban rail transit emergency warnings,a case⁃based reasoning method is proposed for urban rail transit emergency management.Case retrieval and recommendation are realized through similarity calculation,which can help managers to predict influence and make decision.Considering the characteristics of Shanghai urban rail transit emergency management,this paper establishes a decision⁃making model for advance emergency warnings.A case study shows that the model is valid and effective,and it can be applied in urban rail transit emergency management.
Keywords :urban rail transit;emergency management;advance warning;decision making;case⁃based
reasoning
收稿日期:2020⁃10⁃20.
作者简介:卢弋(1989 ),女,工程师,硕士,研究方向为城市轨道交通运营管理,E⁃mail:718185586@.
0　引言
随着我国城市轨道交通的快速发展,轨道交通在城市公共交通中发挥越来越重要的作用.2019年上海轨道交通出行量占公共交通的比例达到65%.而由于轨道交通的系统特性,一旦发生突发事件,将直接威胁公众生命安全和社会正常运行,因此,运营
管理必须高度重视突发事件的应急管理工作[1].对管理者来说,应急管理不仅要做好应急处置,降低事件对运营的影响,也要预判事件影响,及时向社会和乘客发布应急信息,引导乘客有序疏散,减少次生灾害的发生.目前,国内外关于轨道交通应急管理的研究主要集中在延误传播理论和应急处置策略[2⁃6],
对于事件预警和影响预判的研究较少.
　第1期卢　弋,等:基于案例推理的城市轨道交通应急预警决策
案例推理是通过将历史事件建立案例库,利用
人工智能技术对新问题检索出相似案例,从而进行
预测的方法.该方法能模拟决策专家的思考过程,
在应急事件发生当下信息不充分㊁外部影响不确定
和约束条件较多的情况下,快速进行事件分析和影
响预判,自动输出相似案例.目前,该方法已在医疗
诊断㊁决策支持㊁智能化预测等领域进行了探索和应
用[7⁃10],但在城市轨道交通应急预警中的应用研究还较少.
本文提出一种基于案例推理的城市轨道交通应
急事件的预警和决策方法.利用案例推理技术,以2015 2020年5月上海地铁15min以上晚点事件为例,建立城市轨道交通应急事件案例库㊁检索算法和预警决策模型,为轨道交通运营应急管理提供智能化预警和辅助决策支持.
1　构建案例库
1.1　数据来源
根据上海轨道交通对运营晚点事件的分类, 15min以上的晚点事件为重大晚点事件,对运营造成较大影响,若处置不当,极易造成事件影响升级,上升为运营安全事故.因此,本文构建案例库的数据采用2015年以来,上海轨道交通15min以上晚点的事件.
根据上海轨道交通15min以上晚点事件的统
计规则,每件事件的统计要素包括事件基础信息㊁事
件决策处置信息㊁事件结果信息.
1.1.1　事件基础信息
描述应急事件发生时的内外部环境和运营状
态,包括事件发生的车站㊁天气㊁时间㊁故障类型㊁车
辆状态.
1)车站信息根据规模属性和换乘属性划分.按照车站的客流规模分为特大型车站㊁大型车站㊁中型车站和小型车站;按照是否能换乘分为普通站和换乘站.车站信息能初步判断应急情况下的疏散难度和对乘客的影响程度.
2)不同的天气情况对运营的影响不同,应急处置的难度和措施也有所区别.
3)时间信息是指应急事件发生的时间,由于不同时段的客流强度不同,一般早高峰(07:00 09:00)㊁晚高峰(17:00 19:00)发生应急事件的影响大于平峰(除早晚高峰外的其他时段).
4)故障类型是指应急事件发生时表现出的故障现象,分为车辆㊁通号和供电专业的关键设备故障㊁工务故障㊁车站机电故障㊁员工因素㊁外部因素.故障类型直接决定了事件的影响程度.如2014
2018年,上海轨道交通由于供电变电站故障造成的5min以上晚点事件为19列次/件,因此通过故障类型可初步判断事件的严重程度.
5)车辆状态是指列车是否需要救援,若列车需要救援,事件对运营的影响将进一步升级.
1.1.2　事件决策处置信息
描述应急事件发生后的处置过程,包括预警发布㊁启动预案和外部联动.其中,预警发布信息包含发布的预警等级(一级~五级)㊁大客流响应等级(一级~三级)㊁启动大客流响应的车站数.启动预案是指启动公交预案.外部联动信息是指启动 四长联动”的车站数. 四长联动”是上海轨道交通通过车站站长㊁属地派出所所长㊁轨道公安警长和属地街镇长协同联动处置应急事件的工作机制,通常在突发大客流时启动.
1.1.3　事件结果信息
描述应急事件的处置结果,包括最大晚点时间㊁晚点列次㊁清客列次和影响人数.
1.2　案例表示
为实现案例的统一㊁高效存储和检索,构建案例库前需定义案例表示模板.目前,主要的案例表示方法有框架表示法㊁语义网络表示法㊁面向对象的表示法㊁XML表示法等[7].其中,框架表示法通过槽构建框架,槽可分为若干侧面,每个侧面由不同数据类型的侧面值表示.由于每个槽可定义不同的数值类型和包含多个侧面,在描述复杂知识时较为全面,且结构化的表示有利于构建案例库.从决策分析角度来看,框架表示法与人类观察与思考问题的过程类似,目前应用较为成熟.因此,本文选用框架表示法构建案例库.
定义案例表示模板为:case(D,S,R),其中, D为应急事件基础信息的数据集;S为决策处置信息的数据集;R为事件结果信息的数据集.见表1. 2　案例检索算法
2.1　相似度计算
案例推理过程通过计算当前案例与案例库中的历史案例的相似度来实现.目前常用的相似度计算方法有最近相邻法㊁归纳推理法㊁知识引导法等[7].根据上海轨道交通应急事件的特点,本文采用最近相邻算法.
最近相邻算法首先计算每个侧面值的局部相似
57
交　通　工　程2021年度,然后根据每个侧面值的权重分配计算出总体相似度.
表1摇应急事件的案例表示模板
数据集槽侧面侧面描述值的类型
事件基础信息数据集(D)
车站
天气
时间
故障类型
车辆状态
规模属性特大型车站㊁大型车站㊁中型车站㊁小型车站无序枚举型
换乘属性是否是换乘站布尔型
天气情况
晴㊁阴㊁雾㊁小雨㊁中雨㊁大雨㊁暴雨㊁小雪㊁中雪㊁大雪㊁
暴雪㊁冰雹㊁其他
无序枚举型发生时间发生的时间数值型
关键设备故障
车门㊁制动㊁牵引㊁控制㊁车载㊁信号㊁轨旁㊁道岔㊁通
信㊁接触网㊁牵引变㊁变电站㊁电力电缆
无序枚举型工务故障线路无序枚举型
车站机电故障安全门㊁屏蔽门㊁电动栏杆无序枚举型
员工因素司机㊁调度员㊁车站值班员无序枚举型
外部因素乘客㊁异物侵限㊁其他无序枚举型
救援是否救援布尔型
事件决策处置信息数据集(S)预警发布
启动预案
外部联动
预警等级一级㊁二级㊁三级㊁四级㊁五级㊁无有序枚举型
大客流等级一级㊁二级㊁三级㊁无有序枚举型
大客流车站数启动大客流响应的车站数量数值型
公交预案是否启动公交预案布尔型
四长联动启动四长联动的车站数数值型
事件结果信息数据集(R)最大晚点最大晚点分钟数值型晚点列次晚点列次列次数数值型清客列次清客列次列次数数值型影响人数影响人数人数数值型
假设案例库中的某个历史案例为X:X={x1, x2, ,x n},其中,n为侧面总数,x1~x n为第1~第n 个侧面值.定义要检索的当前案例为Y:Y={y1,y2, ,y}.
2.1.1　局部相似度
本文的侧面值的类型有3种:数值型㊁布尔型和枚举型.因此,针对这3种类型分别计算每个侧面的局部相似度,记为Sim(x i,y i).
1)数值型相似度计算
取值为数值型的侧面为发生时间,取值为一个具体的数字.其相似度见式(1):
Sim(x i,y i)=1-x i-y i
max(i)-min(i)(1)式中:i为第i个侧面,且i=1,2, ,n;x i㊁y i表示历史案例X和当前案例Y的第i个侧面的值;max (i)㊁min(i)表示案例库中第i个侧面的最大值与最小值.
2)布尔型相似度计算
取值为布尔型的侧面为换乘属性.其相似度见式(2):
Sim(x i,y i)=1,x i=y i
0,x i≠y
{
i
(2)式中:若相似度值为1,表示当前案例与历史案例的
侧面相同,反之则不同.
3)枚举型相似度计算
取值为枚举型的侧面为规模属性㊁天气情况等,分为有序枚举型和无序枚举型.有序枚举型是指取值集合中的值按顺序排列,如预警等级.其相似度见式(3):
Sim(x i,y i)=1-x i-y i m(3)式中m为等级总数.预警等级相差越小,事件的严重程度相差越小,事件越相似;反之,则越不相似.
无序枚举型是指取值集合中值的排列没有特定顺序,如规模属性.其相似度见式(4):
Sim(x i,y i)=num(x i∩y)
num(x i∪y)(4)式中num(x i∩y)㊁num(x i∪y)表示当前案例与历史
67
　第1期卢　弋,等:基于案例推理的城市轨道交通应急预警决策案例的第i 个侧面的交集和并集的个数.
综上,Sim(x i ,y i )∈[0,1],若相似度值越大,表
示当前案例与历史案例的侧面i 越相似,反之则越不同.
2.1.2　权重分配本文采用层次分析法进行权重赋值.
1)构造判断矩阵.通过对事件基础信息数据集
的侧面两两比较打分,构造判断矩阵,侧面i 和侧面j 的打分规则见表2.
表2　判断矩阵的打分规则表判断依据
分值侧面i 与侧面j 相比一样重要1侧面i 与侧面j 相比稍微重要3侧面i 与侧面j 相比明显重要5侧面i 与侧面j 相比强烈重要7侧面i 与侧面j 相比极端重要9侧面i 与侧面j 相比重要性介于中间
2㊁4㊁6㊁8
打分后,形成判断矩阵A :
A =a 11 a 1j a 1n ︙︙︙a i 1
a ij a in ︙︙
︙a
n 1
a nj
a é
ëêêêêêêêù
û
úúúúúúúnn
(5)
式中a ij 为侧面i 和侧面j 的重要性之比.其中,a nn =1,a ij =1/a ji .
2)进行一致性检验.首先计算判断矩阵的最大
特征值λmax ,那么一致性指标为:CI =(λmax -n )/
(n -1.根据n 的取值和平均随机一致性指标表,得出平均随机一致性指标RI .一致性比例为:CR =CI /RI .若一致性比例CR <0.1,则该判断矩阵是合理的;若CR >0.1,则该判断矩阵误差太大,需重新进行打分.
3)计算权重.采用几何平均法计算出权重向
量:w =(w 1,w 2, ,w n ).其中,侧面i 的权重计算见式(6):
w i
(=
∏n
j =1
a )
ij
1n
∑n
i =(1
∏n
j =1
a )
ij
1n
,i ,j =1,2, ,n (6)
2.1.3　总体相似度
根据局部相似度和权重分配,计算出当前案例Y 与历史案例X 的总体相似度:
Sim(X ,Y )=
∑n
i =1
(w i Sim(x i ,y i ))∑n
i =1
w i (7)
式中Sim(X ,Y )∈[0,1],值越大说明当前案例与历史案例的相似度就越大.2.2　案例输出2.2.1　输出参考案例
定义判断阈值为φ,当Sim(X ,Y )<φ时,表示
案例库中未检索出相似案例,需人工制订决策方案及发布相应等级的预警;当Sim(X ,Y )≥φ时,将相似度从高到低的历史案例作为检索结果输出,且输出案例的事件决策处置信息可作为当前案例的决策参考.
2.2.2　影响预判将输出案例按照相似度从高到低排序,假设有
k 个满足条件的输出案例,计算k 个案例的平均最大晚点时间和平均影响人数,从而预判对事件影响.
2.2.3　预警发布
决策管理者根据上海轨道交通应急管理要求,
结合系统计算的平均最大晚点时间和平均影响人数,及时启动相应等级的预警,同时对乘客进行信息
告知.
2.3　案例学习
为了提升案例质量和推理效率,根据学习机制有选择性地存储典型的或处置高效的应急事件到案例库中.
1)若Sim(X ,Y )<φ,说明当前案例首次出现,对于未来发生类似事件具有较高的参考价值,因此将当前案例加入案例库.
2)若Sim(X ,Y )≥φ,说明案例库中存在与当前案例类似的参考案例,那么判断当前案例与参考案例的事件结果信息:
①案例替换.若当前案例与参考案例相比,最
大晚点时间较短㊁晚点列次较少㊁影响人数较少,说明当前案例的处置更为合理高效,将当前案例替换参考案例.
②案例删除.若当前案例较参考案例的最大晚
点时间较长㊁晚点列次较多或影响人数较多,说明当前案例的处置效果不佳,不建议将当前案例加入案例库,应给予删除.
③案例新增.若当前案例较参考案例的最大晚
点时间较长㊁晚点列次较多或影响人数较多,但决策管理者通过事件评估认为该事件较为典型,具有借
7
7
交　通　工　程2021年
鉴和学习意义,可在完善处置策略后将该事件加入案例库.
3　应急事件预警决策模型
3.1　预警决策流程
根据上海轨道交通应急事件特点和案例推理流程,建立预警决策模型,见图1.
3.2　实例分析
本文以上海轨道交通2020年6月9日07:52地铁1号线上海南站至莲花路下行发生的触网失电事件为例进行说明.
3.2.1　案例输入
定义当前案例为C0,输入案例的事件基础信息,见表3.为方便说明,以案例库中最终检索出的两个相似案例为例介绍计算过程.历史案例C1为2016年6月17日08:37地铁7号线美兰湖站至潘广路站上行发生的触网故障,事件决策处置信息数
据集为:S C
1=(五级,三级,3,否,0),事件结果信息数据集为:R C
1=(28,7,6,23467);历史案例C2为2017年2月16日10:13地铁1号线宝安公路站至富锦路站上行发生的接触网故障,事件决策处置信
息数据集为:S C
2=(五级,无,0,否,0),事件结果信息数据集为:R C
2=(22,5,7,1530).
3.2.2　相似度计算
根据式(1)~式(4),分别计算出当前案例与历史案例的各侧面的局部相似度,见表4.
　图1　基于案例推理的应急事件预警决策流程图
表3　当前案例与历史案例的事件基础信息表
槽侧面当前案例C0历史案例C1历史案例C2
车站规模属性大型车站大型车站中型车站换乘属性是否否
天气天气情况小雨晴小雨时间时间属性7:528:3710:13
关键设备故障接触网接触网接触网
工务故障无无无故障类型车站机电故障无无无
员工因素无无无
外部因素无无无车辆状态救援无无有87
　第1期卢　弋,等:基于案例推理的城市轨道交通应急预警决策表4　当前案例与历史案例的局部相似度
侧面Sim(C1i,C0i)Sim(C2i,C0i)规模属性10
地理属性00
天气情况01
时间属性0.970.90
关键设备11
工务故障11
车站机电故障11
员工因素11
外部因素11
救援10 根据层次分析法先构造槽的判断矩阵:
A
槽=
11/21/31/51/6
2111/31/5
3111/31/5
53311/2
é
ë
ê
ê
ê
ê
ê
ê
ù
û
ú
ú
ú
ú
ú
ú
65521
槽的判断矩阵一致性比例为:CR
槽=0.018< 0.1,通过一致性检验.因此,得到各槽的权重为: w
槽=(0.07,0.12,0.13,0.41,0.27).同理,计算出每个侧面的权重分配,见表5.侧面的判断矩阵一致
性比例为:CR
侧面=0.019<0.1,满足一致性检验.根据式(7)计算出总体相似度:Sim(C1,C0)= 0.841,Sim(C2,C0)=0.507.选取判断阈值φ为0.5,由计算结果可知:Sim(C1,C0)>Sim(C2, C0)>φ,说明历史案例C1和C2与当前案例为相似案例.
表5　权重分配表
槽/权重侧面/权重槽/权重侧面/权重
车站/0.07
天气/0.12
时间/0.13
车辆状态/0.41规模属性/0.5
换乘属性/0.5
天气情况/1
时间属性/1
救援/1
故障类型/0.27
关键设备/0.35
工务故障/0.13
车站机电/0.06
员工因素/0.33
外部因素/0.13
3.2.3　案例输出
输出C1和C2为参考案例,计算得出平均最大晚点时间为25min,平均影响人数为12499人.因此,预判该事件最大晚点时间为25min,影响人数约1.2万人,根据2020年发布的‘上海轨道交通运营突发事件预警响应㊁应急指挥和运营保驾的管理规定“的要求,需启动 五级预警” 三级大客流响应” 四长联动”,并对外发布事件影响信息.
3.2.4　案例学习
由于Sim(C1,C0)>φ㊁Sim(C2,C0)>φ,说明当前案例与C1和C2相似度较高,需进一步判断事件决策信息与结果信息.
C0实际的决策处置方案为:S C
0=(五级,三级, 4,是,4),与系统输出的决策建议一致.
C0的实际处置结果为:R C
0=(38,5,10,52 526),可见,当前案例的最大晚点时间㊁清客列次和影响人数均显著高于参考案例,仅晚点列次与参考案例相当,说明当前案例较参考案例处置效果不佳.但是由于 四长联动”为上海地铁2017年年底新增的创新举措,历史案例C1和C2中并未体现,因此,建议将当前案例加入案例库.
3.2.5　结果分析与建议
从事件基础信息来看,当前案例与参考案例的不同信息在于:
1)当前案例发生在换乘站,参考案例发生在非换乘站.
2)当前案例发生时为小雨天气,参考案例C1发生在晴天.
3)当前案例发生在早高峰时段,参考案例C2发生在平峰时段.
从决策处置信息来看,当前案例的处置策略较参考案例严格,但事件影响却更大,一方面可能是因为发生在高峰时段㊁换乘车站且天气不佳,由于高峰时段客流强度更大,换乘车站的运营组织更复杂,且恶劣天气也不利于乘客的快速疏散;另一方面,当前案例在处置过程中反复发生跳闸㊁合闸成功㊁跳闸的故障,每次故障间隔几分钟,造成故障已修复的假象,这在一定程度上影响了抢修人员的判断和处置.
(下转第85页)
97
　第1期
段洪琳,等:桥梁运营安全风险源辨识及预警指标体系研究International
Association
for
Bridge
and
Structural
Engineering Colloquium on Ship Collision with Bridges and Off⁃shore Structures,24th Meeting of the IABSE.Denmark:Copenhagenm,1983:111⁃125.
[4]BRYAN A,RADE H,EUGEN parison of hazard
scenarios using probabilistic methods [C]∥Safety,Risk Reliability⁃Trends in engineering.International Association for Bridge and Structural Engineering,31th Meeting of the IABSE.Malta:Valletta,2001:75⁃90.
[5]LEI Z B,CHEN Z,LEI M X.Research on new method of
collision warning of bridge[J].International Conference on
Transportation Information and Safety,2013,35(2):201⁃208.
[6]GUO Z L,LUO Y.Construction of early warning system
for integrated engineering risk based on life cycle [C]∥
International Conference on Risk Analysis and Crisis Response,4th Meeting of the ICRACR.China:Beijing,
2013,98⁃99.
[7]王诗青.公路桥梁风险评估关键技术研究[D].天津:天津大学,2010.
[8]韩成博.斜拉桥施工过程智能安全预警系统研究[D].湘潭:湖南科技大学,2014.[9]王小飞.大跨径公路斜拉桥施工安全风险预警系统研究[D].重庆:重庆交通大学,2014.[10]邹敏威.大型连续梁桥施工期风险预警系统研究[D].南京:南京林业大学,2015.[11]刘文涛.桥梁施工安全风险评估与应用研究[D].西安:长安大学,2015.
[12]彭雪.黄土沟壑地形桥梁下部结构运营期间风险演变规律与管理方法[D].西安:长安大学,2015.[13]宋建.城市桥梁运营期风险评估与对策研究[D].天津:天津大学,2012.
[14]李伊婧.我国道路交通事故影响因素分析及严重程度预测研究[D].长春:吉林大学,2020.[15]张艳.高速公路交通安全设施工程建设中的质量控制
[J].交通世界,2012,1(1):
148⁃149.(上接第79页)
可见,受制于统计手段和统计规则,目前采集的事件基础信息仍不全面.同时,案例库的案例为近5年的重大晚点事件,案例资源有限.因此需要重视案例的后评估和学习,尤其是当应急管理要求发生变化后,要将事件加入案例库中,从而提升案例库的质量和系统的学习能力.
4摇结论
针对城市轨道交通应急事件的特点和处置要求,本文设计了基于案例推理的应急事件预警决策流程,对案例库的搭建㊁案例检索算法和案例学习机制进行了研究.通过对案例的描述和相似度分析,将事件发生时的零碎信息进行系统整合,检索出案例库中最相似的历史案例,从而获得决策处置的参考信息,这对于城市轨道交通应急事件管理来说,能有效提升智能化预警和辅助决策能力.此外,通过事后的事件评估和案例学习,可进一步完善案例库,从而不断学习㊁优化系统.
随着城市轨道交通运营管理智慧化水平的提升,将实现各专业系统运行状态的在线监测.当发生应急事件时,系统自动采集的信息量将远远大于目前的统计方式,因此,需要构建更全面㊁更完善的案例库和更高效的城市轨道交通应急事件预警决策模型.
参考文献:
[1]宋键,杨耀.城市轨道交通应急体系研究[J].城市轨道交通研究,2009,12(9):7⁃9.
[2]徐瑞华,江志彬,邵伟中,等.城市轨道交通列车运行
延误及其传播特点的仿真研究[J].铁道学报,2006(2):7⁃10.
[3]李伟,徐瑞华.突发事件下地铁网络乘客出行行为仿真模型[J].华东交通大学学报,2015,32(2):46⁃53.[4]徐瑞华,叶剑鸣,潘寒川.列车运行延误条件下城市轨
道交通网络换乘站大客流预警方法[J].中国铁道科学,2014,35(5):127⁃133.
[5]滕靖,徐瑞华.城市轨道交通突发事件下公交应急联动策略[J].铁道学报,2010,32(5):13⁃17.
[6]江志彬,苗秋云.城轨交通列车运行延误影响及其减缓措施[J].现代城市轨道交通,2009(5):59⁃62,5.[7]袁晓芳.基于情景分析与CBR 的非常规突发事件应急决策关键技术研究[D].西安:西安科技大学,2011.[8]陆莹,李启明,高原.基于案例推理的地铁运营安全事
故案例库构建[J].东南大学学报(自然科学版),
2015,45(5):990⁃995.[9]ISABELLE B.Case⁃based reasoning in the health sciences [J].Artificial Intelligence in Medicine,2006,36(2):
121⁃125.
[10]陈德华.基于案例推理的突发案件辅助决策系统研究
[D].上海:上海交通大学,2007.
5
8。