基于案例推理的城市轨道交通应急预警决策

卢 弋,陈 霖,冯 伟

(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)

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.

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、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、决策支持、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15 min以上晚点事件为例，建立城市轨道交通应急事件案例库、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，15 min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15 min以上晚点的事件.

根据上海轨道交通15 min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、事件决策处置信息、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、天气、时间、故障类型、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、大型车站、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)、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、通号和供电专业的关键设备故障、工务故障、车站机电故障、员工因素、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5 min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、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)、大客流响应等级(一级～三级)、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、属地派出所所长、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、晚点列次、清客列次和影响人数.

1.2 案例表示

为实现案例的统一、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、语义网络表示法、面向对象的表示法、XML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、归纳推理法、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 应急事件的案例表示模板

假设案例库中的某个历史案例为X：X={x1,x2,…,xn}，其中，n为侧面总数，x1～xn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、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(xi,yi).

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)：

(1)

式中：i为第i个侧面，且i=1,2,…,n；xi、yi表示历史案例X和当前案例Y的第i个侧面的值；max (i)、min (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)：

(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、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)：

(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)：

(4)

式中num(xi∩y)、num(xi∪y)表示当前案例与历史案例的第i个侧面的交集和并集的个数.

综上，Sim(xi,yi)∈[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

打分后，形成判断矩阵A：

(5)

式中aij为侧面i和侧面j的重要性之比.其中，ann=1，aij=1/aji.

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=(w1,w2,…,wn).其中，侧面i的权重计算见式(6)：

(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：

(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、晚点列次较少、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、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、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：SC1=(五级，三级，3，否，0)，事件结果信息数据集为：RC1=(28,7,6,23 467)；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：SC2=(五级，无，0，否，0)，事件结果信息数据集为：RC2=(22,5,7,1 530).

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

表4 当前案例与历史案例的局部相似度

根据层次分析法先构造槽的判断矩阵：

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

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25 min，平均影响人数为12 499人.因此，预判该事件最大晚点时间为25 min，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、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)>φ、Sim(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：SC0=(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：RC0=(38,5,10,52 526)，可见，当前案例的最大晚点时间、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、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、合闸成功、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.

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 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、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、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、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.