铁路非常规突发事件应急救援决策方法研究

左 静，帅 斌

(1.西南交通大学 交通运输与物流学院，成都610031；2.兰州交通大学自动化与电气工程学院，兰州730070)

铁路非常规突发事件应急救援决策方法研究

左 静1,2，帅 斌*1

(1.西南交通大学 交通运输与物流学院，成都610031；2.兰州交通大学自动化与电气工程学院，兰州730070)

将贝叶斯网络推理方法应用到铁路突发事件应急决策中，为铁路突发事件应急救援提供一种实用、智能的科学辅助决策方法.在提取、约简案例决策属性的基础上，采用基于云模型的评估方法完成案例决策属性定性划分，降低决策属性划分的偏差性.构建铁路突发事件应急决策贝叶斯网络模型，并提出进行综合决策的具体方法及步骤.通过具体算例说明使用贝叶斯网络进行铁路非常规突发事件综合概率的决策过程.案例分析表明，该方法能够满足铁路应急决策需求，在信息不完备情况下同样具有实用性和有效性.为领域知识不完全，主要依靠经验知识进行铁路突发事件应急决策支持系统的智能化提供了新方法、新思路.

铁路运输；贝叶斯网络；云模型；应急决策；突发事件

1 引 言

铁路运输在我国区域经济发展过程中，发挥着不可替代的重要作用.近几年随着我国铁路运输的快速发展及列车运营速度的不断提高，保障铁路系统运营安全已成为越来越多的专家和学者所关注和研究的课题.铁路突发事件应急救援决策也就成为铁路运输安全管理领域研究的热点之一[1].

目前，国内铁路部门针对铁路突发事件虽然已建立相应的信息系统，但其功能主要用于对应急预案的管理，缺乏决策支持功能.针对铁路应急决策支持系统已有不少研究.李磊等提出基于改进多准则妥协解排序法的铁路应急预案评估研究[2]；罗文婷等提出改进层次分析法在铁路应急预案评价中的应用研究[3]等.这些研究主要集中在应急预案的制定和管理、应急救援指挥系统及应急能力评价等方面.路超等提出建立基于场景驱动的高铁应急预案流程控制方法等[4]，这些研究主要针对系统的构建及应急决策处理流程等方面进行研究.由于铁路突发事件应急决策受到人员、列车、线路和环境等各种因素的影响，具有复杂性.同时，决策信息具有很大的随机性、模糊性和不确定性，以上研究并不能针对应急救援具体事件提供有效的决策方法，而快速准确地做出决策对救援效果起着非常重要的决定作用.本文以铁路应急决策为研究背景，通过借鉴历史案例的救援决策经验，对当前应急决策问题进行推理.为铁路应急救援提供一种实时、实用的科学辅助决策方法.

2 基于贝叶斯网络的铁路应急决策求解方法

贝叶斯网络[5]（Bayesian Network）将概率分析与图论相结合，可用于不确定知识的表达与推理.铁路突发事件态势信息的获取及决策方案的确定都存在不确定性.应急决策的实质是完成基于概率推理的决策.因此，贝叶斯网络可以用于信息不确定复杂的铁路应急决策推理.

贝叶斯网络铁路应急推理决策的基本任务就是在给定相应事件态势信息E发生的条件下，基于网络条件独立[6]，通过事件具有的决策属性C，计算N种决策方案的后验概率.选择后验概率最大者所对应的决策方案作为最优方案，其基本推理公式[5]如式（1）所示.

此外，若已知事件E包含m个决策属性Cm，则其后验概率可由式（2）获得.

式中 P(A=n)表示决策方案选取n的先验概率；Ei表示事件E包含的第i种态势信息.

因此，基于贝叶斯网络的铁路应急决策问题可描述如下：

Step 1确定影响因素，如环境因素、列车因素、线路因素等，根据影响因素确定决策属性C={c1,…,cm}；

Step 2确定属性间的因果关系，得到贝叶斯网络拓扑结构，网络节点为Step1确定的决策属性，决策节点分别对应相应的救援方式；

Step 3通过咨询领域专家、统计分析历史资料法等，确定网络节点的先验概率；

Step 4根据Step2，Step3中相应的信息建立贝叶斯网络；

Step 5把决策节点设置为网络证据节点，把各决策属性节点设置为观察节点，通过对案例库中态势信息的分析与提取，得到各观察节点的条件概率P(Cmi|An)；

Step 6通过云模型对E的态势信息划分区间后，计算决策的后验概率并进行排序，选取概率最大的决策方式作为应急决策基本方案来组织救援.

3 铁路非常规突发事件应急救援决策模型

基于案例态势信息，结合云模型和贝叶斯网络建立铁路突发事件应急决策模型.并通过实例验证该模型的可行性和合理性.

3.1 确定决策属性

选取铁路非常规突发事件中具有代表性的部分案例并提取案例基本态势信息，如表1所示.态势信息的提取是获取决策属性前提.

表1 案例态势信息Table1 Situation information of case

通过实际案例数据得到的决策属性往往是冗余的，复杂的，对决策结果不起必要作用.通过专家意见、使用科学的方法将决策属性约简为最小决策属性.既能保证决策的准确性，同时能降低计算及网络推理的复杂性.目前，对数据进行约简的方法已有很多学者进行了较深入研究[7]，本文不再进行详细说明.本文案例的基本决策属性元素包括事故发生时间、车体损坏程度、线路损坏程度、天气状况、人员伤亡情况、事故类型6类信息.

3.2 决策属性取值范围

根据铁路运营非常规突发事件的信息特点，决策属性划分为以下几种情况：

等级属性，用数值表示决策属性，如应急事故类型；

符号属性，用布尔函数表示，如是否发生火灾等；

定量属性，用所处划分区间表示决策属性.

网络推理需要将定量数据进行定性分析确定所处区间或等级后才能进行推理运算.一般多采用专家决策的方法进行划分，但评价结果易受主观因素影响，与客观结果之间可能会产生较大偏差.处理此类问题，云模型有很好的表达能力.因此，本文选用云模型对定量属性作定性划分.以下说明划分过程，限于篇幅，略去云的含义和产生方法[8,9].

Step 1确定划分等级.本文采用云变换数据驱动法将属性划分为4个等级[9]，即P={1完好，2损坏轻微，3损坏严重，4损坏特别严重}.用离散标度(1 ,0.8,0.4,0)[8]来描述评价等级，获得评价云相应参数，即完好 (1 ,0.121,0.003) ；损坏轻微(0.8,0.121,0.006)；损坏严重(0 .4,0.121,0.006)；损坏特别严重(0 .01,0.121,0.003).

Step 2确定影响定量属性的主要因素.获得相应观察云Cloudk,k=1,2,….

Step 3确定观察云的数字特征.通过多个专家对各部分损坏进行修复过程中造成中断行车时间所产生的经济损失的评价值来衡量其毁坏程度.每个评价值为一个云滴[8].采用一维逆向云发生器确定观察云的数字特征(Ex,En,He) ，获取方法如下.

Step 4通过观察云 Cloudk(Exk,Enk,Hek), k=1,2…,生成综合评价结果云表征参数Cloud(Ex,En,He)[9]，使用正向云发生器完成评价结果云刻画.采用Matlab数值计算及可视化工具获得线路损坏所处定性区间的评价结果，完成划分.

综上，将铁路突发事件相关的6类决策属性信息做如表2所示的划分.

表2 决策属性信息划分Table 2 Division of the decision attributes information

3.3 确定网络结构及节点先验概率

对属性节点之间的依赖关系进行分析后，建立贝叶斯网络，结构如图1所示.其中决策节点A为相应的5种救援方式，决策属性节点C为决策属性信息.

图1 铁路非常规突发事件应急决策贝叶斯网络结构Fig.1 The Bayesian network model of the emergency decision-making for railway emergency

由于事件初始决策方式可以是方案集合A中的任一案例，所以假定应急决策各状态的先验概率相同即P(An)=0.2.对于存在父节点的决策属性节点需要确定其条件概率P(Cmi|An).条件概率由案例库知识统计结合铁路应急管理专家经验进行计算求得，其值分布如表3所示.

3.4 铁路非常规突发事件应急决策推理

当铁路非常规突发事件发生时，通过对事件信息的梳理可以得到一组证据变量，贝叶斯网络推理就是在证据变量赋值的基础上计算各个应急决策节点An的后验概率.推理过程为式（2）计算各决策方案后验概率的过程.归一化后，选择概率值最大的方案作为铁路突发事件应急决策方案.

3.5 决策模型实例

本节通过三个实例的应急救援决策对模型进行验证.

表3 决策属性节点与决策节点的条件概率Table 3 Conditional probability of decision attribute node and decision node

3.5.1 案例描述

事件1

应急救援时间：2011年2月15日12时30分.

现场情况：旅客列车在隧道口发生火灾，机车脱轨，机后1、2、4、5、6脱轨.线路毁坏45 m，大雨.

人员情况：重伤1人，轻伤9人.

事件2

应急救援时间：1993年7月10日2时55分.

现场情况：旅客列车165次与货物列车2011次追尾，晴.

人员情况：死8人，重伤9人，轻伤39人.

事件3

应急救援时间：2013年11月10日15时27分.现场情况：区间内直线区段脱轨，小破2，列车脱轨3，损坏轨枕78根，晴.

3.5.2 决策推理

(1)决策属性划分.

将事件1获得的信息根据3.2节的方法进行属性划分确定相应区间.其中定量属性划分需要运用云模型进行转化，以线路损坏程度属性划分为例说明具体计算过程.

Step 1根据3.2节中Step1，绘制最终的评价等级云，如图2所示.

Step 2根据3.2节中Step2得到线路损坏因素主要包括钢轨损坏，路基损坏，轨枕损坏三部分，于是得到观察云Cloud1，观察云Cloud2，观察云Cloud3.

Step 3根据3.2节中Step3，Step4获得评价结果云表征参数( ) 0.363,0.046 1,0.005 6绘制综合评价结果云图，如图3所示.得出隶属于线路损坏严重.依照同样方法，得到车体损坏情况的具体划分.

(2)贝叶斯网络推理计算.

事件1的态势信息完备，事件2中未得到车体损坏的态势信息，使得车体损坏情况不能进行相应划分.文中设定车体损坏状态4种取值的概率相等，分别为0.25；通过Matlab BNT工具箱实现应急决策贝叶斯网络构建及推理计算，输入不同突发事件态势信息，可得到不同突发事件信息下各决策的使用概率，对三个事件决策推理的计算结果如表4所示.

图2 线路损坏评价等级云图Fig.2 Cloud of line damage evaluation grade

图3 线路损坏评价结果云图Fig.3 Cloud of line damage evaluation result

表4 不同属性信息下各种决策概率Table 4 Various decision probability of different attribute information

3.5.3 决策结果分析

通过对决策概率数据分析可知，事件1、事件2、事件3分别采用与A3、A4、A1相似的救援方案组织救援，同时在救援过程中可以根据事故现场的实际状况及时调整救援方案，使方案更贴近实际情况；事件2在部分态势信息不明确的情况下，各决策方案被选取的概率推理依然能有效进行，并获得满意的推理结果.

条件概率是刻画贝叶斯网络节点依赖关系的重要因素，它的准确性直接决定着网络推理的可靠性.本文通过对以往案例统计获得条件概率，当网络推理完成后，将该事件的态势信息直接加入网络的案例库中保存.不断丰富、完善的案例库使网络节点的条件概率准确性会显著地提高.因此，随着事件样本的增加，由先验知识得到后验概率的贝叶斯网络推理也会越来越符合实际情况.

4 研究结论

本文以铁路非常规突发事件应急救援指挥为应用背景，依据贝叶斯网络条件独立假设条件，设计了基于贝叶斯网络和云模型的铁路应急救援指挥控制结构模型.使用贝叶斯网络推理降低了问题的复杂度，进而提高了概率估计的准确性，使得决策更为科学、合理.首先，根据铁路突发事件应急案例各类统计信息确定贝叶斯网络各决策属性的先验概率.其次，融合云模型对决策属性进行知识评价，避免了仅凭专家评价造成的主观性、片面性.最后，根据决策变量，决策属性之间的因果关系构造贝叶斯网络拓扑结构对决策变量与决策属性之间的关系进行定性描述.并阐述了网络决策过程及算法.通过算例分析验证了贝叶斯网络计算方法处理铁路非常规突发事件应急救援指挥决策问题的可行性和可操作性.该网络能够完成应急决策推理且在决策属性信息不完备的情况下同样具有较强地辅助智能决策功能.

[1] 张振海,王晓明,张雁鹏,等.基于分层Agent的铁路应急救援决策方法研究[J].交通运输系统工程与信息,2013,13(2):141-146.[ZHANG Z H,WANG X M, ZHANG Y P,et al.Decision-making method of railway emergency rescue based on hierarchicalagent[J]. Journal of Transportation Systems Engineering and Information Technology,2013,13(2):141-146.]

[2] 李磊,王富章.基于改进多准则妥协解排序(VIKOR)法的铁路应急预案评估研究[J].中国安全科学学报, 2012，22(8):29-35.[LI L,WANG F Z.Research on evaluation of railway emergency plan based on improved VIKOR method[J].China Safety Science Journal,2012，22(8):29-35.]

[3] 罗文婷,王艳辉,贾利民,等.改进层次分析法在铁路应急预案评价中的应用研究[J].铁道学报,2008, 30(6):24-28.[LUO W T,WANG Y H,JIA L M,et al. Application of improved AHP in evaluation of railway emergency plans[J].Journal of the China Railway Society,2008,30(6):24-28.]

[4] 路超,周磊山.基于场景驱动的高铁应急预案流程控制方法[J].交通运输系统工程与信息,2012,12(8): 161-166.[LU C，ZHOU L S.Scenario-driven approach of high speed railway emergency plan process control[J]. Journal of Transportation Systems Engineering and Information Technology,2012,12(8):161-166.]

[5] Stuart Russell,Peter Norvig.人工智能:一种现代方法(第二版)[M].北京:人民邮电出版社,2004.[Stuart Russell,Peter Norvig.Artificial intelligence:A modern approach(second edition)[M].Beijing:Posts and Telecom Press,2004.]

[6] Shachter R D.Bayes-ball:The rational pastime(for determining irrelevance and requisite in formation in belief networks and influence diagrams) [C]∕∕Uncertainty in Artificial Intelligence:Proceedings of the Fourteenth Conference,Madison,Wisconsin.Morgan Kaufmann,1998,480-487.

[7] 何满辉,逯林,刘拴宏.基于模糊粗糙集与支持向量机的区域物流量预测[J].交通运输系统工程与信息, 2012,12(3):129-135.[HE M H,LU L,LIU S H. Forecasting regional logistics amount based on fuzzyrough set and SVM[J].Journal of Transportation Systems Engineering and Information Technology,2012,12(3): 129-135.]

[8] 种鹏云,帅斌.恐怖袭击下危险品运输网络节点风险评估方法[J].中国安全科学学报,2012,22(8):104-109.[CHONG P Y,SHUAI B.Evaluating of coming hazardous materials transportation network node risk[J]. China Safety Science Journal,2012,22(8):104-109.]

[9] 孟晖,王树良,李德毅.基于云变换的概念提取及概念层次构建方法[J].吉林大学学报(工学版),2010,40 (3):782-787.[MENG H,WANG S L,LI D Y.Concept extraction and concept hierarchy construction based on cloud transformation[J].JournalofJilin University (Engineering and Technology Edition),2010,40(3): 782-787.]

Decision-making Method for Unconventional Railway Emergency Rescue

ZUO Jing1,2,SHUAI Bin1
(1.College of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,China；2.School ofAutomation&Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

The inferential method of Bayesian network is applied to the railway emergency decisionmaking to provide a practical,intelligent and scientific decision-making method for the railway emergency rescue.On the basis of the extraction and reduction of decision attributes,the assessment method based on cloud model is used to qualitatively divide the decision attributes of the case,which reduces the deviation of the division.The Bayesian network model of the emergency decision-making for railway emergency is established,and a specific measure of comprehensive decision-making is proposed.The example shows the decision-making process of comprehensive probability of unconventional railway emergency.The analysis of the case shows the measure can meet the need of railway emergency decision-making,which is practical, precise and valid even when the information is incomplete.The proposed measure can provide new ideas to intelligentize railway emergency decision-making support system while the knowledge of field is incomplete and the experience is dominating.

railway transportation;Bayesian network;cloud model;emergency decision-making; emergency

2014-05-15

2014-08-07录用日期：2014-09-15

国家自然科学基金（71173177）；国家铁路局资助项目（KF2013-020）；甘肃省高等学校科研项目（2014B-044）.

左静（1983-），女，陕西汉中人，博士生.*通讯作者：shuaibin@home.swjtu.edu.cn

1009-6744（2014）06-0120-06

U298.6

A