基于敏感度分析的車站應急預案生成算法研究

左 靜，帥 斌

西南交通大學 交通運輸與物流學院，成都 610031

運輸安全處于鐵路運營的首要地位。當緊急事件發(fā)生時，如何進行有效、快速的應急指揮，減少人員和財產(chǎn)損失，確保鐵路運營各項工作順利進行是鐵路管理領域的研究熱點[1]。國內目前應對緊急事件仍沿用文本式應急預案[2]，主要通過指揮人員電話溝通臨時決策緊急事件的處理方案。缺乏科學性和合理性，難以有效地應對樞紐車站的突發(fā)性事件。因此，采用科學的方法對車站應急預案進行決策，是提高應急處置能力、減少人員和財產(chǎn)損失的關鍵所在。

發(fā)達國家已經(jīng)將應急決策納入車站正常運營體系。如：美國、歐盟、日本等都已有運行良好的應急決策預案管理體制，建立了較完善的應急決策支持系統(tǒng)。

近幾年中國鐵路雖然發(fā)展迅速，但在車站應急水平與發(fā)達國家還有很大距離，主要表現(xiàn)在：應急反應相對遲緩；應急裝備較為落后，應急救援能力有限；缺乏統(tǒng)一有效的協(xié)調調度指揮機制等。國內關于車站應急決策的研究還處在起步階段，祝凌曦提出了基于改進DEA綜合評判的鐵路應急預案評價方法[3]；賈利民等提出基于隨機Petri網(wǎng)的鐵路應急預案的建模方法，得到鐵路應急仿真模型[4]。上述文獻針對應急決策系統(tǒng)的搭建、應急模型的構建以及鐵路災害預警等內容進行了一定研究。當突發(fā)事件發(fā)生時，根據(jù)當時的態(tài)勢信息做出快速、準確、有效的救援決策對救援效果起著非常重要的作用。

本文以研究基于敏感度案例推理的車站應急決策模型為出發(fā)點，為突發(fā)事故的快速應急處置提供決策支持。

1 模型建立

案例推理是將以往類似問題的解決方案解決當前的相似問題，使用該方法不僅使得知識獲取更加容易和迅速，而且提高了推理過程的質量和效率[5-6]。車站緊急突發(fā)事件具有隨機性、模糊性和不確定性，在處理時需要鐵路各部門的共同參與。但是在長期的運輸管理過程中，對突發(fā)事件處理過程已積累了豐富的經(jīng)驗，這些特點都符合CBR方法的使用特征[7]。因此采用基于CBR技術來設計并實現(xiàn)車站應急預案管理是可行的。

基于CBR車站應急預案生成模型如圖1所示，該模型主要包括5個主要組成部分：案例表示，案例檢索，案例調整，預案執(zhí)行，案例學習五個部分。

圖1 鐵路車站應急預案生成模型

2 應急預案決策模型設計

2.1 案例表示

案例表示是將專家的知識轉化為計算機系統(tǒng)可以存儲并識別的信息的過程，是案例推理的基礎[8]。各種類型的突發(fā)事件會隨著車站長期運營發(fā)生，鐵路部門通過對突發(fā)事件的處理，使案例和案例決策經(jīng)驗變得非常豐富，但同時大量的案例也增加了案例庫結構的復雜程度。為了案例有效且高效地操作，就必須使案例通過結構化的方式表達以往突發(fā)事件成功的決策經(jīng)驗。

事故案例通常包含：事故描述、解決方案和實施結果三個部分[9-10]。本文在對案例抽象化后，提取案例的特征屬性和層次屬性，最后采用面向對象基于框架的方法表示案例[11]，見圖2所示。

圖2 車站應急預案的框架表示

2.2 案例庫和屬性特征值權重的確定

在案例庫構造時包含的案例越多，得到的知識也更多，但較多的案例知識會影響案例檢索速度。本文使用敏感系數(shù)對案例知識約減達到提高檢索速度的目的。通過調查研究，初步確定案例表示的特征屬性。

匹配是案例檢索對案例庫快速定位的關鍵，權重選擇是否合理會直接影響案例最終決策的可靠性。使用相似度計算作為匹配規(guī)則的案例推理并非只由案例特征項間的距離決定，其實很大程度上也和特征項權重有緊密關系。

對權重的研究方法有很多，如專家打分法，層次分析法、主觀賦值法、頻數(shù)統(tǒng)計法等。但這些方法獲取的權重是靜態(tài)不變的，一旦確定便在系統(tǒng)中固化不能改變。靜態(tài)不變的權重不一定適應不斷更新的案例庫，可能會造成推理不夠準確。因此本文將神經(jīng)網(wǎng)絡和敏感度分析兩種方法結合，得到鐵路應急決策案例庫中特征項權重的確定方法。即將神經(jīng)網(wǎng)絡訓練得到的權重通過敏感度分析的方法再分析，達到約減的目的，并產(chǎn)生新的權重。

（1）敏感系數(shù)

式中，yi為刪除第i個特征項的輸出。y0為未刪除任何特征項的輸出。L為訓練樣本案例個數(shù)。n為案例總個數(shù)。

（2）根據(jù)敏感系數(shù)確定權重

式中，wi為第i個特征項的權重。

通過MATLAB工具箱構建神經(jīng)網(wǎng)絡得到特征值靜態(tài)權重并對權重進行敏感度計算，得出“列車是否重載”特征項敏感系數(shù)為0.036 7，本文中對敏感系數(shù)小于0.05的特征項進行約減。網(wǎng)絡訓練圖如圖3。

圖3 構建網(wǎng)絡訓練圖

網(wǎng)絡訓練后得到各個屬性權重值如表1所示。

表1 案例特征值權重表

2.3 案例相似度計算

基于相似度的案例檢索方法是以鐵路案例情景表示為基礎，檢索新事件與案例庫中案例表示情景特征相似度為目標，本文采取全局相似度算法的計算過程[12]。

若輸入閥值為a∈[0,1]，若待檢測的新事件Y與案例庫X的案例相似度為sim(Xi,Yi)∈[0,1]。當相似度sim(Xi,Yi)≥a則說明滿足相似性，可以參照案例庫中相應的案例應急方案。若有多個滿足則按大小排序取最大值對應的案例，若檢測不到滿足條件的案例可以降低閥值檢測，若還是檢測不到則可以人工制定方案。并通過CRB自學習功能提取此方案特征值屬性后存儲在案例庫中。案例相似度計算定義為：

式中sim(Xi,Yi)表示案例X和Y的第i個屬性的相似度；wi表示檢索的特征屬性值；m表示特征屬性的個數(shù)。

根據(jù)鐵路運營事故信息特點，將特征值屬性分為以下三種情況，相似度算法如下所示：

（1）確定數(shù)屬性：用數(shù)值表示的案例屬性，如應急響應等級、車輛損壞數(shù)。確定數(shù)屬性的相似度常用的方法有Euclidean[13]法Hamming[14]等，本文采用Hamming計算。

式中Xi、Yi表示X和Y的第i個特征屬性值；maxi和mini表示案例第i個屬性取值的最大、最小值。

（2）確定符號屬性：屬于簡單枚舉值，如事故發(fā)生地點，是否發(fā)生火災等。它列舉了該屬性可能的所有取值，可根據(jù)取值判斷相似性，計算式為

（3）模糊屬性

由于某些案例的特征屬性可能是模糊區(qū)間屬性或模糊概念屬性。

①當案例特征屬性對應的特征值為模糊區(qū)間時通過公式（6），（7）計算相似度。

②當案例特征屬性對應的特征值為模t糊概念時通過模糊集定義來表示[15]。例如軌道損壞狀態(tài)為{很嚴重，嚴重，較嚴重，損壞小，輕微損壞，無損壞}時，可定義為{0.95，0.80，0.60，0.40，0.20，0.01}，屬性值越大說明該線路損害越嚴重。此時的相似度計算采用數(shù)屬性的相似度計算。

3 實例應用分析

緊急事件應急案例庫中部分案例如表1所示，每個案例中都包含有處置該緊急事件的處理方案。

發(fā)生案例1“7.3某局貨物列車脫軌較大事故”造成機后1至9節(jié)車輛顛覆，10，11車輛脫軌。與表1案例庫中的案例進行相似度匹配，表1中C0案例為某局“9.24機車脫軌”事件的具體情況。計算得到的兩事件屬性相似度如表2所示。

表2 案例C1，C0的特征值信息

計算C0與當前案例C1的全局相似度為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。同理的與案例庫表1中其余案例的相似度為sim(C2)=0.492，sim(C3)=0.281，sim(C4)=0.478，sim(C5)=0.569，sim(C6)=0.388 。通過比較各案例整體相似度的大小，得到前事故C0與案例庫中C1相似，所以解決當前緊急事件的辦法可依據(jù)案例庫C1中記錄的解決方案。執(zhí)行過程中，如設備配備、人員需求調配等問題，需根據(jù)當時現(xiàn)場的實際情況，結合專家意見進行適當修改和調整，最終確定處理當前緊急事件的解決方案。

4 結論

本文通過案例推理方法建立車站應急預案決策模型，針對車站緊急事件原因復雜的特點，采用面向對象的框架表示方法對案例知識進行表達，通過引入敏感度計算特征值權重，以相似度算法為基礎實現(xiàn)案例的檢索與匹配。并對該算法進行了驗證。目前，鐵路應急決策案例非常有限，需要不斷更新完善案例庫，為應急決策積累豐富經(jīng)驗。同時應借鑒國外對緊急事件處理的措施方法，使應急決策的管理水平和效率得到不斷提高。

[1]王子洋，張穎，趙忠信，等.鐵路應急預案質量控制技術研究[J].物流技術，2010，23（3）：30-32.

[2]羅文婷.鐵路應急預案綜合評價方法研究[D].北京：北京交通大學，2008．

[3]祝凌曦，肖雪梅，李瑋，等.基于改進DEA法的鐵路應急預案編制績效評價方法研究[J].鐵道學報，2011，33（4）：1-6.

[4]艾厚文，賈利民，秦勇，等.基于隨機Petri網(wǎng)的鐵路應急救援流程化分析[J].鐵路計算機應用，2008，17（7）：9-11.

[5]周平，丁進良，岳恒，等.基于相似粗糙集的案例特征權值確定新方法[J].信息與控制，2006，35（3）：329-334.

[6]張成濤，孫義，張德政.基于XML的案例推理技術及其在生產(chǎn)調度中的應用研究[J].微計算機信息，2006，22（3/2）：256-258.

[7]戴奇波，倪志偉，王超，等.基于動態(tài)數(shù)據(jù)流挖掘的案例推理及其應用[J].計算機工程與應用，2011，47（19）：31-35.

[8]張建華，劉仲英.案例推理和規(guī)則推理結合的緊急預案信息系統(tǒng)[J].同濟大學學報，2002，30（7）：890-895.

[9]成瑞華.XML在案例推理的應用[D].北京：北京科技大學，2007.

[10]李玲娟，湯文宇，王汝傳.基于XML的案例表示和案例庫構造方法[J].計算機應用研究，2007，24（11）：70-73.

[11]楊健，楊曉光，劉曉彬.一種基于k-NN的案例相似度權重調整算法[J].計算機工程與應用，2007，43（23）：8-11.

[12]張振海，王曉明，黨建武，等.基于整體相似度的鐵路應急救援預案推理決策方法研究[J].鐵道學報，2012，34（11）：49-54.

[13]柳玉，賁可榮.基于屬性重要度的案例特征權重確定方法[J].計算機集成制造系統(tǒng)，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]張本生，于永利.CBR系統(tǒng)案例搜索中的混合相似度方法[J].系統(tǒng)工程理論與實踐，2002，22（3）：131-136.