滑坡區(qū)域鐵路選線CBR決策系統(tǒng)的構(gòu)建

劉思陽

（中鐵二院工程集團有限責任公司，四川成都，610031）

引言

CBR是由認知科學衍生而來。1982年，由耶魯大學Roger shank首次提出了CBR理論的理論框架，之后其學生以此為基礎開發(fā)出了CTRUS的CBR系統(tǒng)[5][6]。CBR模擬人腦的思維來處理問題，即類比推理。在問題求解的過程中，隨著案例的增加系統(tǒng)的知識和經(jīng)驗逐漸增加，即增量式學習。并且解決問題時根據(jù)經(jīng)驗可以抓住重點，避免重蹈覆轍[1]。相較于專家系統(tǒng)，CBR還能規(guī)避知識獲取的困難，因其知識便是存儲在案例庫中的案例。諸多優(yōu)勢使得CBR具有很大的研究價值和應用潛力。

鐵路工程在歷史中積累了大量的案例，將這些案例資料結(jié)構(gòu)化地組織起來以供未來使用，既可以提高決策者的決策效率也避免了資源浪費，結(jié)合CBR（Case-based reasoning）技術(shù)，可以合理地將諸如線路方案比選等工程案例組織起來，通過其4R循環(huán)：Retrieve、Reuse、Revise、Retrain的技術(shù)路線[4]，應用到新的方案決策當中。筆者嘗試對鐵路滑坡構(gòu)建CBR決策系統(tǒng)，為未來進行不良地質(zhì)區(qū)域選線、鐵路防災減災等鐵路工程領域的決策提供新的思路。

1 滑坡區(qū)域鐵路選線

1.1 滑坡對鐵路選線的影響

滑坡是鐵路遭遇地質(zhì)災害的頭號勁敵，尤其在我國山區(qū)面積占比如此之大的廣袤地域?；陆o鐵路線路帶來的危害體現(xiàn)在滑坡體掩埋軌道、列車，帶來人員傷亡，行車中斷以及工程破壞，如鐵西滑坡中斷行車40天。

鐵路選線在進行方案比選時，主要從技術(shù)和經(jīng)濟兩個方面來考慮，其中技術(shù)指標又可分為反映工程條件的和反映運營條件的兩類[2]。

為了消除或降低滑坡帶來的危害，進行鐵路選線時應通過判斷滑坡的治理難度和預判滑坡可能造成的破壞程度（即風險性）以及工程的經(jīng)濟和運營評估，來作出線路是繞避還是整治通過的決策。

1.2 滑坡區(qū)域鐵路選線的決策指標

根據(jù)鐵路選線原則，從技術(shù)、經(jīng)濟、運營和風險四個方面對滑坡區(qū)域進行線路方案決策建立指標體系，如圖1所示。其中技術(shù)評價指標通過判識滑坡的治理難度來量化，風險評價通過判斷滑坡對線路的破壞程度作出。

圖1 滑坡區(qū)域線路方案決策指標體系

2 基于CBR的滑坡區(qū)域鐵路選線決策系統(tǒng)

2.1 鐵路滑坡CBR決策系統(tǒng)框架

滑坡區(qū)域鐵路選線，主要是依據(jù)技術(shù)、經(jīng)濟、運營等條件作出的，在治理方案技術(shù)難度很高或不經(jīng)濟，以及后期運營的風險較高的情況下，多采取繞避措施。反之，采取治理的短直方案通過。鐵路滑坡的決策流程如圖2所示。

圖2 鐵路滑坡的決策流程

對 CBR決策系統(tǒng)各個模塊的構(gòu)建方法進行研究后[8]，本文總結(jié)出 CBR決策系統(tǒng)的技術(shù)路線如圖3所示。結(jié)合鐵路滑坡的決策流程以及CBR決策的技術(shù)路線，構(gòu)建基于CBR的鐵路滑坡決策系統(tǒng)的框架如圖4所示。

圖3 CBR決策系統(tǒng)的技術(shù)路線

圖4 基于CBR的鐵路滑坡決策系統(tǒng)的框架

2.2 案例表達

在專家系統(tǒng)中，知識的表達方式主要有：基于產(chǎn)生式規(guī)則、基于框架、基于一階謂詞以及基于語義網(wǎng)絡等。在CBR中，知識即存在于案例中，目前主要的案例表達方式有：記憶網(wǎng)絡、因果關系圖、謂詞邏輯、關系型數(shù)據(jù)庫、面向?qū)ο蟊硎尽⒖蚣鼙硎疽约叭谋颈硎镜萚1]。

將決策指標數(shù)字化后，基于關系型數(shù)據(jù)庫強大的數(shù)據(jù)操控能力及接口兼容性，本文采用關系型數(shù)據(jù)庫來表達案例，案例的特征以數(shù)值或符號屬性來量化。在Access中創(chuàng)建的關系表及其關系見圖5所示。

圖5 鐵路滑坡案例關系表及其關系

2.3 案例檢索

案例檢索是系統(tǒng)解決問題的第一步，即在案例庫中搜尋到與目標案例相似的源案例。案例的匹配主要是通過計算案例之間的相似度來完成。CBR中主要使用基于距離度量的相似度計算方法，包括基本的方法和擴展的方法。其中基本方法主要有：歐氏距離法和海明威法。而擴展的方法有基于屬性關聯(lián)性的算法、基于事例可修改性的度量法等，它們用于更為具體的環(huán)境[1]。其中以基于距離的相似度計算法最為常用。

表1 相似性計算模型

根據(jù)屬性值的數(shù)據(jù)類型，分別有不同的模型予以計算。對于幾何模型，假定有和兩個案例，特征分量在取值，在取值。其計算方法見表1所示。

2.4 案例重用

在實際的問題求解中，并非每次的案例匹配都能找到相似度較高的源案例，往往只是找到幾個相似度較高（高于設定的閾值）的案例。此時不能直接照搬源案例的解，而是需要采取某種手段將源案例的解修正到符合目標案例情況的解，然后輸出。

人工神經(jīng)網(wǎng)絡（ANN）是一種模擬生物神經(jīng)元的數(shù)學模型，它的知識存在于神經(jīng)元的權(quán)重中，當環(huán)境（即輸入樣本）發(fā)生變化，給出的反饋（即輸出）也將發(fā)生變化。ANN的使用前提是大量的訓練樣本，而CBR系統(tǒng)中積累的大量案例恰好滿足這個前提。目前常用的神經(jīng)網(wǎng)絡模型有BP神經(jīng)網(wǎng)絡、徑向基（SVM）網(wǎng)絡、Hopffied網(wǎng)絡、Elman網(wǎng)絡等，前兩個屬于前向網(wǎng)絡，后兩者屬于反饋網(wǎng)絡[3]。出于對非線性逼近能力和網(wǎng)絡訓練效率的考慮，本文采用SVM的變種——廣義回歸網(wǎng)絡來進行問題求解。在MATLAB神經(jīng)網(wǎng)絡工具箱中，有可直接使用的廣義回歸網(wǎng)絡函數(shù)。

本文依循如下思路進行決策目標求解：檢索相似案例，以相似案例為樣本訓練神經(jīng)網(wǎng)絡，驗證神經(jīng)網(wǎng)絡的正確率，正確率滿足要求的情況下進行目標案例求解。

3 案例分析

目標案例為銀西鐵路線路設計時在驛馬滑坡中的方案選擇問題，滑坡位于甘肅隴東慶陽，

表2 目標案例特征要素

驛馬滑坡位于甘肅省慶陽市驛馬鎮(zhèn)東側(cè)，滑坡發(fā)育于驛馬溝左岸與支溝相交處，滑坡的特征如表2所示[7]。擬選線路方案從滑坡后緣通過，決策目標是通過技術(shù)、經(jīng)濟、運營、風險四個指標，給出繞避或是治理通過的優(yōu)選方案。

目標案例的特征數(shù)值化并離散化為符號數(shù)值見表3。其中分別指：巖石硬度、巖體結(jié)構(gòu)、風化程度、巖體組合、巖層構(gòu)造、巖體厚度、坡體坡度、坡體高差、坡體坡形、年降雨量、地震烈度、人類活動、植被覆蓋率。分別指工程破壞程度和滑坡治理難度。

表3 目標案例屬性量化值

3.1 相似案例匹配

圖6 案例篩選結(jié)果

由于目標案例的決策時間是2016年3月，因此首先在案例數(shù)據(jù)庫中提取出16年3月以前的案例，見圖6所示，將提取出的案例進行數(shù)據(jù)處理見圖7所示。

運用2.3中所述的符號屬性相似度計算方法，計算出目標案例與各源案例的相似度見表4所示。以0.6為閾值，選出相似度較高的案例，有：案例1、案例21、案例35、案例36。

圖7 數(shù)據(jù)處理

表4 相似度計算結(jié)果

3.2 案例重用及決策

3.2.1 計算決策指標

根據(jù)3.2中選出相似案例與目標案例的相似度，計算出用于預測目標案例決策指標的權(quán)重見表5。然后由4個相似案例相應的決策屬性值結(jié)合權(quán)重計算出目標案例的決策指標見表6所示。

表5 決策權(quán)重

表6 目標案例決策指標值

3.2.2 最終方案決策

表7 設計階段的案例決策表

從案例數(shù)據(jù)庫中選擇處于設計階段的鐵路滑坡選線案例，并進行數(shù)據(jù)處理見表7所示。其中代表四個條件指標滑坡治理難度，工程破壞程度，工程經(jīng)濟評價，工程運營評價，即分別指代方案的技術(shù)指標、風險指標、經(jīng)濟指標以及運營指標。是指最終決策，0為繞避，1為治理通過。

通過選出的17條設計階段的選線案例，以前12個為訓練案例集使用廣義回歸網(wǎng)絡進行訓練，后 5個為測試集，測試網(wǎng)絡的正確率。網(wǎng)絡訓練用時0.023130s，網(wǎng)絡測試正確率為100%，得到的決策結(jié)果是0，即繞避，與實際的方案比選結(jié)果一致。

4 結(jié)束語

本文嘗試將CBR技術(shù)運用到滑坡區(qū)域鐵路選線，在鐵路滑坡CBR決策系統(tǒng)的構(gòu)建中，對案例表達、案例檢索、案例重用進行了相應的研究，其中利用關系型數(shù)據(jù)庫進行案例表達，具有較強的可操作性，利用人工神經(jīng)網(wǎng)絡進行案例重用，并結(jié)合實際案例檢驗，是可行的。

未來還需進一步對應用到鐵路工程的CBR決策系統(tǒng)進行研究，在案例重用模塊和案例維護模塊可進行規(guī)則庫的構(gòu)建，以達到更有深度的決策要求。以及將案例數(shù)據(jù)庫擴展到整個鐵路災害領域，以求提高系統(tǒng)應用的廣度。

[1]李鋒剛.基于案例推理的智能決策技術(shù)[M].合肥: 安徽大學出版社,2010.

[2]易思蓉.鐵路選線設計[M].成都: 西南交通大學出版社, 2009.

[3]陳明等.MATLAB神經(jīng)網(wǎng)絡原理與實例精解[M].北京: 清華大學出版社, 2013.

[4]郭艷紅, 鄧貴仕.基于事例的推理(CBR)研究綜述[J].計算機工程與應用, 2004, 40(21): 1-5.

[5]Kolodner JL.Improving human decision making through case-based reasoning techniques[J].AI Magazine, 1991, 12(3): 52-59.

[6]TR Hinrichs, JL Kolodner.The roles of adaptation in case-based design[C].In:Proceedings of Case-based Reasoning Workshoop, Washington, 1991:121-132.

[7]周福軍.銀西鐵路驛馬黃土滑坡工程特性與變形研[J].鐵道標準設計,2016, 60(8): 30-35.

[8]劉思陽.鐵路滑坡 CBR決策系統(tǒng)的構(gòu)建研究[D].成都: 西南交通大學,2017.