左 靜，帥 斌

西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院，成都 610031

運(yùn)輸安全處于鐵路運(yùn)營(yíng)的首要地位。當(dāng)緊急事件發(fā)生時(shí)，如何進(jìn)行有效、快速的應(yīng)急指揮，減少人員和財(cái)產(chǎn)損失，確保鐵路運(yùn)營(yíng)各項(xiàng)工作順利進(jìn)行是鐵路管理領(lǐng)域的研究熱點(diǎn)[1]。國(guó)內(nèi)目前應(yīng)對(duì)緊急事件仍沿用文本式應(yīng)急預(yù)案[2]，主要通過(guò)指揮人員電話(huà)溝通臨時(shí)決策緊急事件的處理方案。缺乏科學(xué)性和合理性，難以有效地應(yīng)對(duì)樞紐車(chē)站的突發(fā)性事件。因此，采用科學(xué)的方法對(duì)車(chē)站應(yīng)急預(yù)案進(jìn)行決策，是提高應(yīng)急處置能力、減少人員和財(cái)產(chǎn)損失的關(guān)鍵所在。

發(fā)達(dá)國(guó)家已經(jīng)將應(yīng)急決策納入車(chē)站正常運(yùn)營(yíng)體系。如：美國(guó)、歐盟、日本等都已有運(yùn)行良好的應(yīng)急決策預(yù)案管理體制，建立了較完善的應(yīng)急決策支持系統(tǒng)。

近幾年中國(guó)鐵路雖然發(fā)展迅速，但在車(chē)站應(yīng)急水平與發(fā)達(dá)國(guó)家還有很大距離，主要表現(xiàn)在：應(yīng)急反應(yīng)相對(duì)遲緩；應(yīng)急裝備較為落后，應(yīng)急救援能力有限；缺乏統(tǒng)一有效的協(xié)調(diào)調(diào)度指揮機(jī)制等。國(guó)內(nèi)關(guān)于車(chē)站應(yīng)急決策的研究還處在起步階段，祝凌曦提出了基于改進(jìn)DEA綜合評(píng)判的鐵路應(yīng)急預(yù)案評(píng)價(jià)方法[3]；賈利民等提出基于隨機(jī)Petri網(wǎng)的鐵路應(yīng)急預(yù)案的建模方法，得到鐵路應(yīng)急仿真模型[4]。上述文獻(xiàn)針對(duì)應(yīng)急決策系統(tǒng)的搭建、應(yīng)急模型的構(gòu)建以及鐵路災(zāi)害預(yù)警等內(nèi)容進(jìn)行了一定研究。當(dāng)突發(fā)事件發(fā)生時(shí)，根據(jù)當(dāng)時(shí)的態(tài)勢(shì)信息做出快速、準(zhǔn)確、有效的救援決策對(duì)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(chē)站應(yīng)急決策模型為出發(fā)點(diǎn)，為突發(fā)事故的快速應(yīng)急處置提供決策支持。

1 模型建立

案例推理是將以往類(lèi)似問(wèn)題的解決方案解決當(dāng)前的相似問(wèn)題，使用該方法不僅使得知識(shí)獲取更加容易和迅速，而且提高了推理過(guò)程的質(zhì)量和效率[5-6]。車(chē)站緊急突發(fā)事件具有隨機(jī)性、模糊性和不確定性，在處理時(shí)需要鐵路各部門(mén)的共同參與。但是在長(zhǎng)期的運(yùn)輸管理過(guò)程中，對(duì)突發(fā)事件處理過(guò)程已積累了豐富的經(jīng)驗(yàn)，這些特點(diǎn)都符合CBR方法的使用特征[7]。因此采用基于CBR技術(shù)來(lái)設(shè)計(jì)并實(shí)現(xiàn)車(chē)站應(yīng)急預(yù)案管理是可行的。

基于CBR車(chē)站應(yīng)急預(yù)案生成模型如圖1所示，該模型主要包括5個(gè)主要組成部分：案例表示，案例檢索，案例調(diào)整，預(yù)案執(zhí)行，案例學(xué)習(xí)五個(gè)部分。

圖1 鐵路車(chē)站應(yīng)急預(yù)案生成模型

2 應(yīng)急預(yù)案決策模型設(shè)計(jì)

2.1 案例表示

案例表示是將專(zhuān)家的知識(shí)轉(zhuǎn)化為計(jì)算機(jī)系統(tǒng)可以存儲(chǔ)并識(shí)別的信息的過(guò)程，是案例推理的基礎(chǔ)[8]。各種類(lèi)型的突發(fā)事件會(huì)隨著車(chē)站長(zhǎng)期運(yùn)營(yíng)發(fā)生，鐵路部門(mén)通過(guò)對(duì)突發(fā)事件的處理，使案例和案例決策經(jīng)驗(yàn)變得非常豐富，但同時(shí)大量的案例也增加了案例庫(kù)結(jié)構(gòu)的復(fù)雜程度。為了案例有效且高效地操作，就必須使案例通過(guò)結(jié)構(gòu)化的方式表達(dá)以往突發(fā)事件成功的決策經(jīng)驗(yàn)。

事故案例通常包含：事故描述、解決方案和實(shí)施結(jié)果三個(gè)部分[9-10]。本文在對(duì)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?qū)ο蠡诳蚣艿姆椒ū硎景咐齕11]，見(jiàn)圖2所示。

圖2 車(chē)站應(yīng)急預(yù)案的框架表示

2.2 案例庫(kù)和屬性特征值權(quán)重的確定

在案例庫(kù)構(gòu)造時(shí)包含的案例越多，得到的知識(shí)也更多，但較多的案例知識(shí)會(huì)影響案例檢索速度。本文使用敏感系數(shù)對(duì)案例知識(shí)約減達(dá)到提高檢索速度的目的。通過(guò)調(diào)查研究，初步確定案例表示的特征屬性。

匹配是案例檢索對(duì)案例庫(kù)快速定位的關(guān)鍵，權(quán)重選擇是否合理會(huì)直接影響案例最終決策的可靠性。使用相似度計(jì)算作為匹配規(guī)則的案例推理并非只由案例特征項(xiàng)間的距離決定，其實(shí)很大程度上也和特征項(xiàng)權(quán)重有緊密關(guān)系。

對(duì)權(quán)重的研究方法有很多，如專(zhuān)家打分法，層次分析法、主觀(guān)賦值法、頻數(shù)統(tǒng)計(jì)法等。但這些方法獲取的權(quán)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(quán)重不一定適應(yīng)不斷更新的案例庫(kù)，可能會(huì)造成推理不夠準(zhǔn)確。因此本文將神經(jīng)網(wǎng)絡(luò)和敏感度分析兩種方法結(jié)合，得到鐵路應(yīng)急決策案例庫(kù)中特征項(xiàng)權(quán)重的確定方法。即將神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的權(quán)重通過(guò)敏感度分析的方法再分析，達(dá)到約減的目的，并產(chǎn)生新的權(quán)重。

（1）敏感系數(shù)

式中，yi為刪除第i個(gè)特征項(xiàng)的輸出。y0為未刪除任何特征項(xiàng)的輸出。L為訓(xùn)練樣本案例個(gè)數(shù)。n為案例總個(gè)數(shù)。

（2）根據(jù)敏感系數(shù)確定權(quán)重

式中，wi為第i個(gè)特征項(xiàng)的權(quán)重。

通過(guò)MATLAB工具箱構(gòu)建神經(jīng)網(wǎng)絡(luò)得到特征值靜態(tài)權(quán)重并對(duì)權(quán)重進(jìn)行敏感度計(jì)算，得出“列車(chē)是否重載”特征項(xiàng)敏感系數(shù)為0.036 7，本文中對(duì)敏感系數(shù)小于0.05的特征項(xiàng)進(jìn)行約減。網(wǎng)絡(luò)訓(xùn)練圖如圖3。

圖3 構(gòu)建網(wǎng)絡(luò)訓(xùn)練圖

網(wǎng)絡(luò)訓(xùn)練后得到各個(gè)屬性權(quán)重值如表1所示。

表1 案例特征值權(quán)重表

2.3 案例相似度計(jì)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(chǔ)，檢索新事件與案例庫(kù)中案例表示情景特征相似度為目標(biāo)，本文采取全局相似度算法的計(jì)算過(guò)程[12]。

若輸入閥值為a∈[0,1]，若待檢測(cè)的新事件Y與案例庫(kù)X的案例相似度為sim(Xi,Yi)∈[0,1]。當(dāng)相似度sim(Xi,Yi)≥a則說(shuō)明滿(mǎn)足相似性，可以參照案例庫(kù)中相應(yīng)的案例應(yīng)急方案。若有多個(gè)滿(mǎn)足則按大小排序取最大值對(duì)應(yīng)的案例，若檢測(cè)不到滿(mǎn)足條件的案例可以降低閥值檢測(cè)，若還是檢測(cè)不到則可以人工制定方案。并通過(guò)CRB自學(xué)習(xí)功能提取此方案特征值屬性后存儲(chǔ)在案例庫(kù)中。案例相似度計(jì)算定義為：

式中sim(Xi,Yi)表示案例X和Y的第i個(gè)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(gè)數(shù)。

根據(jù)鐵路運(yùn)營(yíng)事故信息特點(diǎn)，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(yīng)急響應(yīng)等級(jí)、車(chē)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(jì)算。

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

（2）確定符號(hào)屬性：屬于簡(jiǎn)單枚舉值，如事故發(fā)生地點(diǎn)，是否發(fā)生火災(zāi)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(jì)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(dāng)案例特征屬性對(duì)應(yīng)的特征值為模糊區(qū)間時(shí)通過(guò)公式（6），（7）計(jì)算相似度。

②當(dāng)案例特征屬性對(duì)應(yīng)的特征值為模t糊概念時(shí)通過(guò)模糊集定義來(lái)表示[15]。例如軌道損壞狀態(tài)為{很?chē)?yán)重，嚴(yán)重，較嚴(yán)重，損壞小，輕微損壞，無(wú)損壞}時(shí)，可定義為{0.95，0.80，0.60，0.40，0.20，0.01}，屬性值越大說(shuō)明該線(xiàn)路損害越嚴(yán)重。此時(shí)的相似度計(jì)算采用數(shù)屬性的相似度計(jì)算。

3 實(shí)例應(yīng)用分析

緊急事件應(yīng)急案例庫(kù)中部分案例如表1所示，每個(gè)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(chē)脫軌較大事故”造成機(jī)后1至9節(jié)車(chē)輛顛覆，10，11車(chē)輛脫軌。與表1案例庫(kù)中的案例進(jìn)行相似度匹配，表1中C0案例為某局“9.24機(jī)車(chē)脫軌”事件的具體情況。計(jì)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(jì)算C0與當(dāng)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(kù)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(guò)比較各案例整體相似度的大小，得到前事故C0與案例庫(kù)中C1相似，所以解決當(dāng)前緊急事件的辦法可依據(jù)案例庫(kù)C1中記錄的解決方案。執(zhí)行過(guò)程中，如設(shè)備配備、人員需求調(diào)配等問(wèn)題，需根據(jù)當(dāng)時(shí)現(xiàn)場(chǎng)的實(shí)際情況，結(jié)合專(zhuān)家意見(jiàn)進(jìn)行適當(dāng)修改和調(diào)整，最終確定處理當(dāng)前緊急事件的解決方案。

4 結(jié)論

本文通過(guò)案例推理方法建立車(chē)站應(yīng)急預(yù)案決策模型，針對(duì)車(chē)站緊急事件原因復(fù)雜的特點(diǎn)，采用面向?qū)ο蟮目蚣鼙硎痉椒▽?duì)案例知識(shí)進(jìn)行表達(dá)，通過(guò)引入敏感度計(jì)算特征值權(quán)重，以相似度算法為基礎(chǔ)實(shí)現(xiàn)案例的檢索與匹配。并對(duì)該算法進(jìn)行了驗(yàn)證。目前，鐵路應(yīng)急決策案例非常有限，需要不斷更新完善案例庫(kù)，為應(yīng)急決策積累豐富經(jīng)驗(yàn)。同時(shí)應(yīng)借鑒國(guó)外對(duì)緊急事件處理的措施方法，使應(yīng)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(yīng)急預(yù)案質(zhì)量控制技術(shù)研究[J].物流技術(shù)，2010，23（3）：30-32.

[2]羅文婷.鐵路應(yīng)急預(yù)案綜合評(píng)價(jià)方法研究[D].北京：北京交通大學(xué)，2008．

[3]祝凌曦，肖雪梅，李瑋，等.基于改進(jìn)DEA法的鐵路應(yīng)急預(yù)案編制績(jī)效評(píng)價(jià)方法研究[J].鐵道學(xué)報(bào)，2011，33（4）：1-6.

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

[5]周平，丁進(jìn)良，岳恒，等.基于相似粗糙集的案例特征權(quán)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(shù)及其在生產(chǎn)調(diào)度中的應(yīng)用研究[J].微計(jì)算機(jī)信息，2006，22（3/2）：256-258.

[7]戴奇波，倪志偉，王超，等.基于動(dòng)態(tài)數(shù)據(jù)流挖掘的案例推理及其應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（19）：31-35.

[8]張建華，劉仲英.案例推理和規(guī)則推理結(jié)合的緊急預(yù)案信息系統(tǒng)[J].同濟(jì)大學(xué)學(xué)報(bào)，2002，30（7）：890-895.

[9]成瑞華.XML在案例推理的應(yīng)用[D].北京：北京科技大學(xué)，2007.

[10]李玲娟，湯文宇，王汝傳.基于XML的案例表示和案例庫(kù)構(gòu)造方法[J].計(jì)算機(jī)應(yīng)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(quán)重調(diào)整算法[J].計(jì)算機(jī)工程與應(yīng)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(yīng)急救援預(yù)案推理決策方法研究[J].鐵道學(xué)報(bào)，2012，34（11）：49-54.

[13]柳玉，賁可榮.基于屬性重要度的案例特征權(quán)重確定方法[J].計(jì)算機(jī)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(shí)踐，2002，22（3）：131-136.