盧 弋,陳 霖,馮 偉

(1.上海申通地鐵集團(tuán)有限公司運(yùn)營(yíng)管理中心，上海 201100；2.中國(guó)國(guó)家博物館，北京 100006；3.杭州市規(guī)劃設(shè)計(jì)研究院，浙江 杭州 310012)

0 引言

隨著我國(guó)城市軌道交通的快速發(fā)展，軌道交通在城市公共交通中發(fā)揮越來(lái)越重要的作用.2019年上海軌道交通出行量占公共交通的比例達(dá)到65%.而由于軌道交通的系統(tǒng)特性，一旦發(fā)生突發(fā)事件，將直接威脅公眾生命安全和社會(huì)正常運(yùn)行，因此，運(yùn)營(yíng)管理必須高度重視突發(fā)事件的應(yīng)急管理工作[1].對(duì)管理者來(lái)說(shuō)，應(yīng)急管理不僅要做好應(yīng)急處置，降低事件對(duì)運(yùn)營(yíng)的影響，也要預(yù)判事件影響，及時(shí)向社會(huì)和乘客發(fā)布應(yīng)急信息，引導(dǎo)乘客有序疏散，減少次生災(zāi)害的發(fā)生.目前，國(guó)內(nèi)外關(guān)于軌道交通應(yīng)急管理的研究主要集中在延誤傳播理論和應(yīng)急處置策略[2-6]，對(duì)于事件預(yù)警和影響預(yù)判的研究較少.

案例推理是通過(guò)將歷史事件建立案例庫(kù)，利用人工智能技術(shù)對(duì)新問(wèn)題檢索出相似案例，從而進(jìn)行預(yù)測(cè)的方法.該方法能模擬決策專家的思考過(guò)程，在應(yīng)急事件發(fā)生當(dāng)下信息不充分、外部影響不確定和約束條件較多的情況下，快速進(jìn)行事件分析和影響預(yù)判，自動(dòng)輸出相似案例.目前，該方法已在醫(yī)療診斷、決策支持、智能化預(yù)測(cè)等領(lǐng)域進(jìn)行了探索和應(yīng)用[7-10]，但在城市軌道交通應(yīng)急預(yù)警中的應(yīng)用研究還較少.

本文提出一種基于案例推理的城市軌道交通應(yīng)急事件的預(yù)警和決策方法.利用案例推理技術(shù)，以2015—2020年5月上海地鐵15 min以上晚點(diǎn)事件為例，建立城市軌道交通應(yīng)急事件案例庫(kù)、檢索算法和預(yù)警決策模型，為軌道交通運(yùn)營(yíng)應(yīng)急管理提供智能化預(yù)警和輔助決策支持.

1 構(gòu)建案例庫(kù)

1.1 數(shù)據(jù)來(lái)源

根據(jù)上海軌道交通對(duì)運(yùn)營(yíng)晚點(diǎn)事件的分類，15 min以上的晚點(diǎn)事件為重大晚點(diǎn)事件，對(duì)運(yùn)營(yíng)造成較大影響，若處置不當(dāng)，極易造成事件影響升級(jí)，上升為運(yùn)營(yíng)安全事故.因此，本文構(gòu)建案例庫(kù)的數(shù)據(jù)采用2015年以來(lái)，上海軌道交通15 min以上晚點(diǎn)的事件.

根據(jù)上海軌道交通15 min以上晚點(diǎn)事件的統(tǒng)計(jì)規(guī)則，每件事件的統(tǒng)計(jì)要素包括事件基礎(chǔ)信息、事件決策處置信息、事件結(jié)果信息.

1.1.1 事件基礎(chǔ)信息

描述應(yīng)急事件發(fā)生時(shí)的內(nèi)外部環(huán)境和運(yùn)營(yíng)狀態(tài)，包括事件發(fā)生的車站、天氣、時(shí)間、故障類型、車輛狀態(tài).

1)車站信息根據(jù)規(guī)模屬性和換乘屬性劃分.按照車站的客流規(guī)模分為特大型車站、大型車站、中型車站和小型車站；按照是否能換乘分為普通站和換乘站.車站信息能初步判斷應(yīng)急情況下的疏散難度和對(duì)乘客的影響程度.

2)不同的天氣情況對(duì)運(yùn)營(yíng)的影響不同，應(yīng)急處置的難度和措施也有所區(qū)別.

3)時(shí)間信息是指應(yīng)急事件發(fā)生的時(shí)間，由于不同時(shí)段的客流強(qiáng)度不同，一般早高峰(07:00—09:00)、晚高峰(17:00—19:00)發(fā)生應(yīng)急事件的影響大于平峰(除早晚高峰外的其他時(shí)段).

4)故障類型是指應(yīng)急事件發(fā)生時(shí)表現(xiàn)出的故障現(xiàn)象，分為車輛、通號(hào)和供電專業(yè)的關(guān)鍵設(shè)備故障、工務(wù)故障、車站機(jī)電故障、員工因素、外部因素.故障類型直接決定了事件的影響程度.如2014—2018年，上海軌道交通由于供電變電站故障造成的5 min以上晚點(diǎn)事件為19列次/件，因此通過(guò)故障類型可初步判斷事件的嚴(yán)重程度.

5)車輛狀態(tài)是指列車是否需要救援，若列車需要救援，事件對(duì)運(yùn)營(yíng)的影響將進(jìn)一步升級(jí).

1.1.2 事件決策處置信息

描述應(yīng)急事件發(fā)生后的處置過(guò)程，包括預(yù)警發(fā)布、啟動(dòng)預(yù)案和外部聯(lián)動(dòng).其中，預(yù)警發(fā)布信息包含發(fā)布的預(yù)警等級(jí)(一級(jí)～五級(jí))、大客流響應(yīng)等級(jí)(一級(jí)～三級(jí))、啟動(dòng)大客流響應(yīng)的車站數(shù).啟動(dòng)預(yù)案是指啟動(dòng)公交預(yù)案.外部聯(lián)動(dòng)信息是指啟動(dòng)“四長(zhǎng)聯(lián)動(dòng)”的車站數(shù).“四長(zhǎng)聯(lián)動(dòng)”是上海軌道交通通過(guò)車站站長(zhǎng)、屬地派出所所長(zhǎng)、軌道公安警長(zhǎng)和屬地街鎮(zhèn)長(zhǎng)協(xié)同聯(lián)動(dòng)處置應(yīng)急事件的工作機(jī)制，通常在突發(fā)大客流時(shí)啟動(dòng).

1.1.3 事件結(jié)果信息

描述應(yīng)急事件的處置結(jié)果，包括最大晚點(diǎn)時(shí)間、晚點(diǎn)列次、清客列次和影響人數(shù).

1.2 案例表示

為實(shí)現(xiàn)案例的統(tǒng)一、高效存儲(chǔ)和檢索，構(gòu)建案例庫(kù)前需定義案例表示模板.目前，主要的案例表示方法有框架表示法、語(yǔ)義網(wǎng)絡(luò)表示法、面向?qū)ο蟮谋硎痉?、XML表示法等[7].其中，框架表示法通過(guò)槽構(gòu)建框架，槽可分為若干側(cè)面，每個(gè)側(cè)面由不同數(shù)據(jù)類型的側(cè)面值表示.由于每個(gè)槽可定義不同的數(shù)值類型和包含多個(gè)側(cè)面，在描述復(fù)雜知識(shí)時(shí)較為全面，且結(jié)構(gòu)化的表示有利于構(gòu)建案例庫(kù).從決策分析角度來(lái)看，框架表示法與人類觀察與思考問(wèn)題的過(guò)程類似，目前應(yīng)用較為成熟.因此，本文選用框架表示法構(gòu)建案例庫(kù).

定義案例表示模板為：case(D,S,R)，其中，D為應(yīng)急事件基礎(chǔ)信息的數(shù)據(jù)集；S為決策處置信息的數(shù)據(jù)集；R為事件結(jié)果信息的數(shù)據(jù)集.見(jiàn)表1.

2 案例檢索算法

2.1 相似度計(jì)算

案例推理過(guò)程通過(guò)計(jì)算當(dāng)前案例與案例庫(kù)中的歷史案例的相似度來(lái)實(shí)現(xiàn).目前常用的相似度計(jì)算方法有最近相鄰法、歸納推理法、知識(shí)引導(dǎo)法等[7].根據(jù)上海軌道交通應(yīng)急事件的特點(diǎn)，本文采用最近相鄰算法.

最近相鄰算法首先計(jì)算每個(gè)側(cè)面值的局部相似度，然后根據(jù)每個(gè)側(cè)面值的權(quán)重分配計(jì)算出總體相似度.

表1 應(yīng)急事件的案例表示模板

假設(shè)案例庫(kù)中的某個(gè)歷史案例為X：X={x1,x2,…,xn}，其中，n為側(cè)面總數(shù)，x1～xn為第1～第n個(gè)側(cè)面值.定義要檢索的當(dāng)前案例為Y：Y={y1,y2,…,y}.

2.1.1 局部相似度

本文的側(cè)面值的類型有3種：數(shù)值型、布爾型和枚舉型.因此，針對(duì)這3種類型分別計(jì)算每個(gè)側(cè)面的局部相似度，記為Sim(xi,yi).

1)數(shù)值型相似度計(jì)算

取值為數(shù)值型的側(cè)面為發(fā)生時(shí)間，取值為一個(gè)具體的數(shù)字.其相似度見(jiàn)式(1)：

(1)

式中：i為第i個(gè)側(cè)面，且i=1,2,…,n；xi、yi表示歷史案例X和當(dāng)前案例Y的第i個(gè)側(cè)面的值；max (i)、min (i)表示案例庫(kù)中第i個(gè)側(cè)面的最大值與最小值.

2)布爾型相似度計(jì)算

取值為布爾型的側(cè)面為換乘屬性.其相似度見(jiàn)式(2)：

(2)

式中：若相似度值為1，表示當(dāng)前案例與歷史案例的側(cè)面相同，反之則不同.

3)枚舉型相似度計(jì)算

取值為枚舉型的側(cè)面為規(guī)模屬性、天氣情況等，分為有序枚舉型和無(wú)序枚舉型.有序枚舉型是指取值集合中的值按順序排列，如預(yù)警等級(jí).其相似度見(jiàn)式(3)：

(3)

式中m為等級(jí)總數(shù).預(yù)警等級(jí)相差越小，事件的嚴(yán)重程度相差越小，事件越相似；反之，則越不相似.

無(wú)序枚舉型是指取值集合中值的排列沒(méi)有特定順序，如規(guī)模屬性.其相似度見(jiàn)式(4)：

(4)

式中num(xi∩y)、num(xi∪y)表示當(dāng)前案例與歷史案例的第i個(gè)側(cè)面的交集和并集的個(gè)數(shù).

綜上，Sim(xi,yi)∈[0,1]，若相似度值越大，表示當(dāng)前案例與歷史案例的側(cè)面i越相似，反之則越不同.

2.1.2 權(quán)重分配

本文采用層次分析法進(jìn)行權(quán)重賦值.

1)構(gòu)造判斷矩陣.通過(guò)對(duì)事件基礎(chǔ)信息數(shù)據(jù)集的側(cè)面兩兩比較打分，構(gòu)造判斷矩陣，側(cè)面i和側(cè)面j的打分規(guī)則見(jiàn)表2.

表2 判斷矩陣的打分規(guī)則表

打分后，形成判斷矩陣A：

(5)

式中aij為側(cè)面i和側(cè)面j的重要性之比.其中，ann=1，aij=1/aji.

2)進(jìn)行一致性檢驗(yàn).首先計(jì)算判斷矩陣的最大特征值λmax，那么一致性指標(biāo)為：CI=(λmax-n)/(n-1.根據(jù)n的取值和平均隨機(jī)一致性指標(biāo)表，得出平均隨機(jī)一致性指標(biāo)RI.一致性比例為：CR=CI/RI.若一致性比例CR<0.1，則該判斷矩陣是合理的；若CR>0.1，則該判斷矩陣誤差太大，需重新進(jìn)行打分.

3)計(jì)算權(quán)重.采用幾何平均法計(jì)算出權(quán)重向量：w=(w1,w2,…,wn).其中，側(cè)面i的權(quán)重計(jì)算見(jiàn)式(6)：

(6)

2.1.3 總體相似度

根據(jù)局部相似度和權(quán)重分配，計(jì)算出當(dāng)前案例Y與歷史案例X的總體相似度：

(7)

式中Sim(X，Y)∈[0,1]，值越大說(shuō)明當(dāng)前案例與歷史案例的相似度就越大.

2.2 案例輸出

2.2.1 輸出參考案例

定義判斷閾值為φ，當(dāng)Sim(X，Y)<φ時(shí)，表示案例庫(kù)中未檢索出相似案例，需人工制訂決策方案及發(fā)布相應(yīng)等級(jí)的預(yù)警；當(dāng)Sim(X，Y)≥φ時(shí)，將相似度從高到低的歷史案例作為檢索結(jié)果輸出，且輸出案例的事件決策處置信息可作為當(dāng)前案例的決策參考.

2.2.2 影響預(yù)判

將輸出案例按照相似度從高到低排序，假設(shè)有k個(gè)滿足條件的輸出案例，計(jì)算k個(gè)案例的平均最大晚點(diǎn)時(shí)間和平均影響人數(shù)，從而預(yù)判對(duì)事件影響.

2.2.3 預(yù)警發(fā)布

決策管理者根據(jù)上海軌道交通應(yīng)急管理要求，結(jié)合系統(tǒng)計(jì)算的平均最大晚點(diǎn)時(shí)間和平均影響人數(shù)，及時(shí)啟動(dòng)相應(yīng)等級(jí)的預(yù)警，同時(shí)對(duì)乘客進(jìn)行信息告知.

2.3 案例學(xué)習(xí)

為了提升案例質(zhì)量和推理效率，根據(jù)學(xué)習(xí)機(jī)制有選擇性地存儲(chǔ)典型的或處置高效的應(yīng)急事件到案例庫(kù)中.

1)若Sim(X，Y)<φ，說(shuō)明當(dāng)前案例首次出現(xiàn)，對(duì)于未來(lái)發(fā)生類似事件具有較高的參考價(jià)值，因此將當(dāng)前案例加入案例庫(kù).

2)若Sim(X，Y)≥φ，說(shuō)明案例庫(kù)中存在與當(dāng)前案例類似的參考案例，那么判斷當(dāng)前案例與參考案例的事件結(jié)果信息：

①案例替換.若當(dāng)前案例與參考案例相比，最大晚點(diǎn)時(shí)間較短、晚點(diǎn)列次較少、影響人數(shù)較少，說(shuō)明當(dāng)前案例的處置更為合理高效，將當(dāng)前案例替換參考案例.

②案例刪除.若當(dāng)前案例較參考案例的最大晚點(diǎn)時(shí)間較長(zhǎng)、晚點(diǎn)列次較多或影響人數(shù)較多，說(shuō)明當(dāng)前案例的處置效果不佳，不建議將當(dāng)前案例加入案例庫(kù)，應(yīng)給予刪除.

③案例新增.若當(dāng)前案例較參考案例的最大晚點(diǎn)時(shí)間較長(zhǎng)、晚點(diǎn)列次較多或影響人數(shù)較多，但決策管理者通過(guò)事件評(píng)估認(rèn)為該事件較為典型，具有借鑒和學(xué)習(xí)意義，可在完善處置策略后將該事件加入案例庫(kù).

3 應(yīng)急事件預(yù)警決策模型

3.1 預(yù)警決策流程

根據(jù)上海軌道交通應(yīng)急事件特點(diǎn)和案例推理流程，建立預(yù)警決策模型，見(jiàn)圖1.

3.2 實(shí)例分析

本文以上海軌道交通2020年6月9日07：52地鐵1號(hào)線上海南站至蓮花路下行發(fā)生的觸網(wǎng)失電事件為例進(jìn)行說(shuō)明.

3.2.1 案例輸入

定義當(dāng)前案例為C0，輸入案例的事件基礎(chǔ)信息，見(jiàn)表3.為方便說(shuō)明，以案例庫(kù)中最終檢索出的兩個(gè)相似案例為例介紹計(jì)算過(guò)程.歷史案例C1為2016年6月17日08：37地鐵7號(hào)線美蘭湖站至潘廣路站上行發(fā)生的觸網(wǎng)故障，事件決策處置信息數(shù)據(jù)集為：SC1=(五級(jí)，三級(jí)，3，否，0)，事件結(jié)果信息數(shù)據(jù)集為：RC1=(28,7,6,23 467)；歷史案例C2為2017年2月16日10：13地鐵1號(hào)線寶安公路站至富錦路站上行發(fā)生的接觸網(wǎng)故障，事件決策處置信息數(shù)據(jù)集為：SC2=(五級(jí)，無(wú)，0，否，0)，事件結(jié)果信息數(shù)據(jù)集為：RC2=(22,5,7,1 530).

3.2.2 相似度計(jì)算

根據(jù)式(1)～式(4)，分別計(jì)算出當(dāng)前案例與歷史案例的各側(cè)面的局部相似度，見(jiàn)表4.

圖1 基于案例推理的應(yīng)急事件預(yù)警決策流程圖

表3 當(dāng)前案例與歷史案例的事件基礎(chǔ)信息表

表4 當(dāng)前案例與歷史案例的局部相似度

根據(jù)層次分析法先構(gòu)造槽的判斷矩陣：

槽的判斷矩陣一致性比例為：CR槽=0.018<0.1，通過(guò)一致性檢驗(yàn).因此，得到各槽的權(quán)重為：w槽=(0.07,0.12,0.13,0.41,0.27).同理，計(jì)算出每個(gè)側(cè)面的權(quán)重分配，見(jiàn)表5.側(cè)面的判斷矩陣一致性比例為：CR側(cè)面=0.019<0.1，滿足一致性檢驗(yàn).

根據(jù)式(7)計(jì)算出總體相似度：Sim(C1,C0)=0.841，Sim(C2,C0)=0.507.選取判斷閾值φ為0.5，由計(jì)算結(jié)果可知：Sim(C1,C0)>Sim(C2,C0)>φ，說(shuō)明歷史案例C1和C2與當(dāng)前案例為相似案例.

表5 權(quán)重分配表

3.2.3 案例輸出

輸出C1和C2為參考案例，計(jì)算得出平均最大晚點(diǎn)時(shí)間為25 min，平均影響人數(shù)為12 499人.因此，預(yù)判該事件最大晚點(diǎn)時(shí)間為25 min，影響人數(shù)約1.2萬(wàn)人，根據(jù)2020年發(fā)布的《上海軌道交通運(yùn)營(yíng)突發(fā)事件預(yù)警響應(yīng)、應(yīng)急指揮和運(yùn)營(yíng)保駕的管理規(guī)定》的要求，需啟動(dòng)“五級(jí)預(yù)警”“三級(jí)大客流響應(yīng)”“四長(zhǎng)聯(lián)動(dòng)”，并對(duì)外發(fā)布事件影響信息.

3.2.4 案例學(xué)習(xí)

由于Sim(C1,C0)>φ、Sim(C2,C0)>φ，說(shuō)明當(dāng)前案例與C1和C2相似度較高，需進(jìn)一步判斷事件決策信息與結(jié)果信息.

C0實(shí)際的決策處置方案為：SC0=(五級(jí)，三級(jí)，4，是，4)，與系統(tǒng)輸出的決策建議一致.

C0的實(shí)際處置結(jié)果為：RC0=(38,5,10,52 526)，可見(jiàn)，當(dāng)前案例的最大晚點(diǎn)時(shí)間、清客列次和影響人數(shù)均顯著高于參考案例，僅晚點(diǎn)列次與參考案例相當(dāng)，說(shuō)明當(dāng)前案例較參考案例處置效果不佳.但是由于“四長(zhǎng)聯(lián)動(dòng)”為上海地鐵2017年年底新增的創(chuàng)新舉措，歷史案例C1和C2中并未體現(xiàn)，因此，建議將當(dāng)前案例加入案例庫(kù).

3.2.5 結(jié)果分析與建議

從事件基礎(chǔ)信息來(lái)看，當(dāng)前案例與參考案例的不同信息在于：

1)當(dāng)前案例發(fā)生在換乘站，參考案例發(fā)生在非換乘站.

2)當(dāng)前案例發(fā)生時(shí)為小雨天氣，參考案例C1發(fā)生在晴天.

3)當(dāng)前案例發(fā)生在早高峰時(shí)段，參考案例C2發(fā)生在平峰時(shí)段.

從決策處置信息來(lái)看，當(dāng)前案例的處置策略較參考案例嚴(yán)格，但事件影響卻更大，一方面可能是因?yàn)榘l(fā)生在高峰時(shí)段、換乘車站且天氣不佳，由于高峰時(shí)段客流強(qiáng)度更大，換乘車站的運(yùn)營(yíng)組織更復(fù)雜，且惡劣天氣也不利于乘客的快速疏散；另一方面，當(dāng)前案例在處置過(guò)程中反復(fù)發(fā)生跳閘、合閘成功、跳閘的故障，每次故障間隔幾分鐘，造成故障已修復(fù)的假象，這在一定程度上影響了搶修人員的判斷和處置.

可見(jiàn)，受制于統(tǒng)計(jì)手段和統(tǒng)計(jì)規(guī)則，目前采集的事件基礎(chǔ)信息仍不全面.同時(shí)，案例庫(kù)的案例為近5年的重大晚點(diǎn)事件，案例資源有限.因此需要重視案例的后評(píng)估和學(xué)習(xí)，尤其是當(dāng)應(yīng)急管理要求發(fā)生變化后，要將事件加入案例庫(kù)中，從而提升案例庫(kù)的質(zhì)量和系統(tǒng)的學(xué)習(xí)能力.

4 結(jié)論

針對(duì)城市軌道交通應(yīng)急事件的特點(diǎn)和處置要求，本文設(shè)計(jì)了基于案例推理的應(yīng)急事件預(yù)警決策流程，對(duì)案例庫(kù)的搭建、案例檢索算法和案例學(xué)習(xí)機(jī)制進(jìn)行了研究.通過(guò)對(duì)案例的描述和相似度分析，將事件發(fā)生時(shí)的零碎信息進(jìn)行系統(tǒng)整合，檢索出案例庫(kù)中最相似的歷史案例，從而獲得決策處置的參考信息，這對(duì)于城市軌道交通應(yīng)急事件管理來(lái)說(shuō)，能有效提升智能化預(yù)警和輔助決策能力.此外，通過(guò)事后的事件評(píng)估和案例學(xué)習(xí)，可進(jìn)一步完善案例庫(kù)，從而不斷學(xué)習(xí)、優(yōu)化系統(tǒng).

隨著城市軌道交通運(yùn)營(yíng)管理智慧化水平的提升，將實(shí)現(xiàn)各專業(yè)系統(tǒng)運(yùn)行狀態(tài)的在線監(jiān)測(cè).當(dāng)發(fā)生應(yīng)急事件時(shí)，系統(tǒng)自動(dòng)采集的信息量將遠(yuǎn)遠(yuǎn)大于目前的統(tǒng)計(jì)方式，因此，需要構(gòu)建更全面、更完善的案例庫(kù)和更高效的城市軌道交通應(yīng)急事件預(yù)警決策模型.