基于敏感度分析的车站应急预案生成算法研究

左 静，帅 斌

西南交通大学 交通运输与物流学院，成都 610031

运输安全处于铁路运营的首要地位。当紧急事件发生时，如何进行有效、快速的应急指挥，减少人员和财产损失，确保铁路运营各项工作顺利进行是铁路管理领域的研究热点[1]。国内目前应对紧急事件仍沿用文本式应急预案[2]，主要通过指挥人员电话沟通临时决策紧急事件的处理方案。缺乏科学性和合理性，难以有效地应对枢纽车站的突发性事件。因此，采用科学的方法对车站应急预案进行决策，是提高应急处置能力、减少人员和财产损失的关键所在。

发达国家已经将应急决策纳入车站正常运营体系。如：美国、欧盟、日本等都已有运行良好的应急决策预案管理体制，建立了较完善的应急决策支持系统。

近几年中国铁路虽然发展迅速，但在车站应急水平与发达国家还有很大距离，主要表现在：应急反应相对迟缓；应急装备较为落后，应急救援能力有限；缺乏统一有效的协调调度指挥机制等。国内关于车站应急决策的研究还处在起步阶段，祝凌曦提出了基于改进DEA综合评判的铁路应急预案评价方法[3]；贾利民等提出基于随机Petri网的铁路应急预案的建模方法，得到铁路应急仿真模型[4]。上述文献针对应急决策系统的搭建、应急模型的构建以及铁路灾害预警等内容进行了一定研究。当突发事件发生时，根据当时的态势信息做出快速、准确、有效的救援决策对救援效果起着非常重要的作用。

本文以研究基于敏感度案例推理的车站应急决策模型为出发点，为突发事故的快速应急处置提供决策支持。

1 模型建立

案例推理是将以往类似问题的解决方案解决当前的相似问题，使用该方法不仅使得知识获取更加容易和迅速，而且提高了推理过程的质量和效率[5-6]。车站紧急突发事件具有随机性、模糊性和不确定性，在处理时需要铁路各部门的共同参与。但是在长期的运输管理过程中，对突发事件处理过程已积累了丰富的经验，这些特点都符合CBR方法的使用特征[7]。因此采用基于CBR技术来设计并实现车站应急预案管理是可行的。

基于CBR车站应急预案生成模型如图1所示，该模型主要包括5个主要组成部分：案例表示，案例检索，案例调整，预案执行，案例学习五个部分。

图1 铁路车站应急预案生成模型

2 应急预案决策模型设计

2.1 案例表示

案例表示是将专家的知识转化为计算机系统可以存储并识别的信息的过程，是案例推理的基础[8]。各种类型的突发事件会随着车站长期运营发生，铁路部门通过对突发事件的处理，使案例和案例决策经验变得非常丰富，但同时大量的案例也增加了案例库结构的复杂程度。为了案例有效且高效地操作，就必须使案例通过结构化的方式表达以往突发事件成功的决策经验。

事故案例通常包含：事故描述、解决方案和实施结果三个部分[9-10]。本文在对案例抽象化后，提取案例的特征属性和层次属性，最后采用面向对象基于框架的方法表示案例[11]，见图2所示。

图2 车站应急预案的框架表示

2.2 案例库和属性特征值权重的确定

在案例库构造时包含的案例越多，得到的知识也更多，但较多的案例知识会影响案例检索速度。本文使用敏感系数对案例知识约减达到提高检索速度的目的。通过调查研究，初步确定案例表示的特征属性。

匹配是案例检索对案例库快速定位的关键，权重选择是否合理会直接影响案例最终决策的可靠性。使用相似度计算作为匹配规则的案例推理并非只由案例特征项间的距离决定，其实很大程度上也和特征项权重有紧密关系。

对权重的研究方法有很多，如专家打分法，层次分析法、主观赋值法、频数统计法等。但这些方法获取的权重是静态不变的，一旦确定便在系统中固化不能改变。静态不变的权重不一定适应不断更新的案例库，可能会造成推理不够准确。因此本文将神经网络和敏感度分析两种方法结合，得到铁路应急决策案例库中特征项权重的确定方法。即将神经网络训练得到的权重通过敏感度分析的方法再分析，达到约减的目的，并产生新的权重。

（1）敏感系数

式中，yi为删除第i个特征项的输出。y0为未删除任何特征项的输出。L为训练样本案例个数。n为案例总个数。

（2）根据敏感系数确定权重

式中，wi为第i个特征项的权重。

通过MATLAB工具箱构建神经网络得到特征值静态权重并对权重进行敏感度计算，得出“列车是否重载”特征项敏感系数为0.036 7，本文中对敏感系数小于0.05的特征项进行约减。网络训练图如图3。

图3 构建网络训练图

网络训练后得到各个属性权重值如表1所示。

表1 案例特征值权重表

2.3 案例相似度计算

基于相似度的案例检索方法是以铁路案例情景表示为基础，检索新事件与案例库中案例表示情景特征相似度为目标，本文采取全局相似度算法的计算过程[12]。

若输入阀值为a∈[0,1]，若待检测的新事件Y与案例库X的案例相似度为sim(Xi,Yi)∈[0,1]。当相似度sim(Xi,Yi)≥a则说明满足相似性，可以参照案例库中相应的案例应急方案。若有多个满足则按大小排序取最大值对应的案例，若检测不到满足条件的案例可以降低阀值检测，若还是检测不到则可以人工制定方案。并通过CRB自学习功能提取此方案特征值属性后存储在案例库中。案例相似度计算定义为：

式中sim(Xi,Yi)表示案例X和Y的第i个属性的相似度；wi表示检索的特征属性值；m表示特征属性的个数。

根据铁路运营事故信息特点，将特征值属性分为以下三种情况，相似度算法如下所示：

（1）确定数属性：用数值表示的案例属性，如应急响应等级、车辆损坏数。确定数属性的相似度常用的方法有Euclidean[13]法Hamming[14]等，本文采用Hamming计算。

式中Xi、Yi表示X和Y的第i个特征属性值；maxi和mini表示案例第i个属性取值的最大、最小值。

（2）确定符号属性：属于简单枚举值，如事故发生地点，是否发生火灾等。它列举了该属性可能的所有取值，可根据取值判断相似性，计算式为

（3）模糊属性

由于某些案例的特征属性可能是模糊区间属性或模糊概念属性。

①当案例特征属性对应的特征值为模糊区间时通过公式（6），（7）计算相似度。

②当案例特征属性对应的特征值为模t糊概念时通过模糊集定义来表示[15]。例如轨道损坏状态为{很严重，严重，较严重，损坏小，轻微损坏，无损坏}时，可定义为{0.95，0.80，0.60，0.40，0.20，0.01}，属性值越大说明该线路损害越严重。此时的相似度计算采用数属性的相似度计算。

3 实例应用分析

紧急事件应急案例库中部分案例如表1所示，每个案例中都包含有处置该紧急事件的处理方案。

发生案例1“7.3某局货物列车脱轨较大事故”造成机后1至9节车辆颠覆，10，11车辆脱轨。与表1案例库中的案例进行相似度匹配，表1中C0案例为某局“9.24机车脱轨”事件的具体情况。计算得到的两事件属性相似度如表2所示。

表2 案例C1，C0的特征值信息

计算C0与当前案例C1的全局相似度为sim(C1)=1×0.05+0.08×1+0.85×0.085+0.308×0.05+0.134×0.03+1×0.08+0.09×0.467+1×0.04+1×0.04+0×0.02+0.6×0.14+0.417×0.09+0.67×0.135+0×0.07=0.857 9。同理的与案例库表1中其余案例的相似度为sim(C2)=0.492，sim(C3)=0.281，sim(C4)=0.478，sim(C5)=0.569，sim(C6)=0.388 。通过比较各案例整体相似度的大小，得到前事故C0与案例库中C1相似，所以解决当前紧急事件的办法可依据案例库C1中记录的解决方案。执行过程中，如设备配备、人员需求调配等问题，需根据当时现场的实际情况，结合专家意见进行适当修改和调整，最终确定处理当前紧急事件的解决方案。

4 结论

本文通过案例推理方法建立车站应急预案决策模型，针对车站紧急事件原因复杂的特点，采用面向对象的框架表示方法对案例知识进行表达，通过引入敏感度计算特征值权重，以相似度算法为基础实现案例的检索与匹配。并对该算法进行了验证。目前，铁路应急决策案例非常有限，需要不断更新完善案例库，为应急决策积累丰富经验。同时应借鉴国外对紧急事件处理的措施方法，使应急决策的管理水平和效率得到不断提高。

[1]王子洋，张颖，赵忠信，等.铁路应急预案质量控制技术研究[J].物流技术，2010，23（3）：30-32.

[2]罗文婷.铁路应急预案综合评价方法研究[D].北京：北京交通大学，2008．

[3]祝凌曦，肖雪梅，李玮，等.基于改进DEA法的铁路应急预案编制绩效评价方法研究[J].铁道学报，2011，33（4）：1-6.

[4]艾厚文，贾利民，秦勇，等.基于随机Petri网的铁路应急救援流程化分析[J].铁路计算机应用，2008，17（7）：9-11.

[5]周平，丁进良，岳恒，等.基于相似粗糙集的案例特征权值确定新方法[J].信息与控制，2006，35（3）：329-334.

[6]张成涛，孙义，张德政.基于XML的案例推理技术及其在生产调度中的应用研究[J].微计算机信息，2006，22（3/2）：256-258.

[7]戴奇波，倪志伟，王超，等.基于动态数据流挖掘的案例推理及其应用[J].计算机工程与应用，2011，47（19）：31-35.

[8]张建华，刘仲英.案例推理和规则推理结合的紧急预案信息系统[J].同济大学学报，2002，30（7）：890-895.

[9]成瑞华.XML在案例推理的应用[D].北京：北京科技大学，2007.

[10]李玲娟，汤文宇，王汝传.基于XML的案例表示和案例库构造方法[J].计算机应用研究，2007，24（11）：70-73.

[11]杨健，杨晓光，刘晓彬.一种基于k-NN的案例相似度权重调整算法[J].计算机工程与应用，2007，43（23）：8-11.

[12]张振海，王晓明，党建武，等.基于整体相似度的铁路应急救援预案推理决策方法研究[J].铁道学报，2012，34（11）：49-54.

[13]柳玉，贲可荣.基于属性重要度的案例特征权重确定方法[J].计算机集成制造系统，2012，18（6）：1230-1235.

[14]Li Y，Simon C K，Sankar K.Combining feature reduction and case selection in building CBR classifiers[J].IEEE Transactions on Knowledge and Data Engineering，2006，18（3）：415-429.

[15]张本生，于永利.CBR系统案例搜索中的混合相似度方法[J].系统工程理论与实践，2002，22（3）：131-136.