CN101425157A - 针对铁路应急预案进行综合评价的方法 - Google Patents

Abstract

本发明公开了突发事件应急救援的预案评价技术领域中的一种针对铁路应急预案进行综合评价的方法。该方法将AHP构权法改进成为AHP均分结构法，并将PPCE模型的建模过程改进成PPCE梯度降维法；结合AHP均分结构法和PPCE梯度降维法，并结合加速遗传算法，提出了针对铁路应急预案进行综合评价的方法。该方法为铁路应急预案编制的合理性、实施的可操作性以及救援成本的经济性评价提供理论依据，也可为其它类似行业的应急预案研究提供借鉴。

Description

针对铁路应急预案进行综合评价的方法

技术领域

本发明涉及突发事件应急救援的预案评价技术领域，特别是一种针对铁路应急预案进行综合评价的方法。

背景技术

突发事件应急救援预案编制的优劣，将直接影响到救援的效果和效率。针对各种不同的紧急情况制定有效的应急预案，不仅可以指导应急人员的日常培训和演练，保证各种应急资源处于良好的备战状态；而且可以指导应急行动按计划有序进行，防止因行动组织不力或现场救援工作的混乱而延误事故应急，从而降低人员伤亡和财产损失。目前国内外预案情况来看，主要停留在建立应急预案的意义和如何编制应急预案，而对应急预案综合评价十分匮乏。

虽然目前有很多综合评价的方法，包括多元统计评价法、模糊综合评判法、ANN(人工神经网络)法等，但由于铁路应急预案综合评价有下列特殊性：第一，评价指标是一些很难量化或无法直接量化的变量，或是一些不可比的定量化变量，据此综合评价引入的是定性化变量；第二，只能抽取少数目标进行评价，少数目标并不能涵盖所有目标的特性。因此，目前还没有一种比较有效的方法可以对铁路应急预案进行全面的综合评价。

发明内容

本发明利用AHP均分结构法和PPCE梯度降维法，并结合加速遗传算法，提出了针对铁路应急预案进行综合评价的方法。该方法为铁路应急预案编制的合理性、实施的可操作性以及救援成本的经济性评价提供理论依据，也可为其它类似行业的应急预案研究提供借鉴。

本发明的技术方案是：一种针对铁路应急预案进行综合评价的方法，其特征是所述方法包括下列顺序执行的步骤：

步骤1：对评价目标运用AHP均分结构法；

步骤2：采用G1法计算AHP均分结构指标权重；

步骤3：获取并量化定性评价数据；

步骤4：对PPCE模型的建模过程进行改进，形成PPCE梯度降维法；

步骤5：引入RAGA实现综合评价。

所述步骤1中，AHP均分结构法是指对AHP构权法指标层次结构进行调整，其步骤包括：

步骤11：设定评价目标的一级指标序列为(B₁，B₂，...，B_p)，B_i的二级指标个数为c_i(i＝1，2，...，n)，拆分的标准二级指标个数为c_g，其中c_g＝min{c_i}；

步骤12：将B_i的二级指标以c_g为标准拆分成m_i个，即将B_i拆分成

二级指标个数为

拆分后的一级指标个数为h，其中，h＝m₁+…+m_i+…+m_n：

(1)当c_i/c_g为整数时，

m_i＝c_i/c_g

$c_i^1=c_i^2=\·\·\·=c_i^{m_i}=c_g$

(2)当c_i/c_g有余数时，设余数为l，

$m_i=\frac{c_i}{c_g}+1$

$c_i^1=c_i^2=\·\·\·=c_i^{m_i-1}=c_g$

$c_i^{m_i}=l.$

所述步骤2中，采用G1法计算指标权重包括下列步骤：

步骤21：确定步骤12中，AHP均分结构法所获得的一级指标的序关系，将一级指标{B₁，B₂，…，B_i，…，B_h}重新定义为{x₁，x₂，…，x_i，…，x_h}，将各一级指标按专家调查的结果，通过德尔菲法进行排序：

步骤22：分别用W_k-1和w_k评价指标x_k-1与x_k的重要性程度，并且：

W_k-1/w_k＝r_k，k＝z，2-1，z-2，…，3，2

若给出r_k的理性赋值，则w_z为：

$w_z={(1+\underset{k=2}{\overset{z}{\mathrm{\Σ}}}\underset{i=k}{\overset{z}{\mathrm{\Π}{r}_i}})}^{-1}$

w_k-1＝r_kw_k(k＝z，z-1，z-2，…，3，2)：

步骤23：将专家给出的评价结果代入上述公式得出各一级指标的权重：

(w₁，w₂，w₃，w₄，......，w_h)；

步骤24：(w₁，w₂，w₃，…，w_h)为运用AHP均分结构法后的指标层次结构中的一级指标 $B_1^1,\·\·\·,B_1^{m_1},\·\·\·,B_i^1,\·\·\·,B_i^{m_i},...,B_h^1,\·\·\·,B_h^{m_h}$ 的权重值；将其重新定义为： $(w_1^1,\·\·\·,w_1^{m_1},\·\·\·,w_i^1,\·\·\·,w_i^{m_i},\·\·\·,w_h^1,\·\·\·,w_h^{m_h});$ 对这些指标权重值进行还原处理，得出运用AHP均分结构法前的指标层次结构中的一级指标权重值为： $(w_1^{\′},w_2^{\′},w_3^{\′},\·\·\·w_h^{\′});$

其中：

$w_1^{\′}=w_1^1+,\·\·\·,+w_1^{m_1}$

$w_2^{\′}=w_2^1+,\·\·\·,+w_2^{m_2}$

……

$w_h^{\′}=w_h^1+,\·\·\·,+w_h^{m_h}$

步骤25：二级指标的计算重复上述步骤21至步骤23，得各一级指标下的二级指标权重为：

(w_i1，w_i2，w_i3，w_i4，......，w_in)；

步骤26：计算二级指标的组合权重为： $(w_{11}^{\′},\·\·\·,w_{1n}^{\′},\·\·\·,w_{i1}^{\′},\·\·\·,w_{\mathrm{in}}^{\′},\·\·\·,w_{n1}^{\′},\·\·\·,w_{\mathrm{nn}}^{\′});$

其中(x＝1，2，…，n)：

$w_{11}^{\′}=w_{11}\×w_1^{\′}$

$w_{12}^{\′}=w_{12}\×w_1^{\′}$

……

$w_{\mathrm{ix}}^{\′}=w_{\mathrm{ix}}\×w_i^{\′}$

……

$w_{\mathrm{nn}}^{\′}=w_{\mathrm{nn}}\×w_n^{\′}.$

所述步骤3中，获取并量化定性评价数据又包括下列步骤：

步骤31：确定评价目标的评价指标为：

X＝{X₁，X₂，…，X_n}：

步骤32：建立指标评价语等级：

V＝{V₁，V₂，…，V_p}：

步骤33：设计调查问卷，获取定性评价数据；

步骤34：将定性评价数据转化为定量评价数据：

$x^{*}(i,j)=\frac{N_x}{N_z}\×100\%$

{x^*(i，j)|i＝1～n，j＝1～p}

x^*(i，j)——第i个指标的第j等级评价指标值；

N_z——有效数据的数量；

Ｎ_x——针对某一样本给出某指标某等级的评价的数量。

所述步骤4，对PPCE模型的建模过程进行改进又包括下列步骤：

步骤41：修改样本集的定义，各指标的样本集为{x^*(i，j)|i＝1～p，j＝1～5}，定义：x^*(i，j)为第i个指标第j个评价语级的评价值，“p，5”分别为样本的指标数和评价语级的级数；

步骤42：投影值中加入评价语级分数值，把PPCE模型的最佳投影方向a^*代上式，得到各指标点的投影值z^*(i)；

$z^{*}\left(i\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{a}^{*}\left(j\right)x(i,j)y_j$

其中：z^*(i)——各指标点的投影值；

      a^*——最佳投影方向；

      x(i，j)——第i个指标的第j等级评价指标值；

      Y为评价语级系数值；

      对Y做如下规定：

      Y＝(y₁，y₂，y₃，y₄，y₅)：

      y₁>y₂>y₃>y₄>y₅；

      y₁-y₂＝y₂-y₃＝y₃-y₄＝y₄-y₅。

步骤43：引入改进AHP构权法的指标权重值进行综合评价的结果为

$G=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}w\left(i\right)z^{*}\left(i\right);$

其中：G——某样本综合评价值；

      w(i)——通过改进AHP构权法得到的第i个指标的指标权重；

z^*(i)——各指标点的投影值。

在本发明中，AHP均分结构法能够克服传统的AHP构权法指标权重分布不均衡的缺陷，对因素众多、规模较大的对象做出精确评价。PPCE梯度降维法能处理大量定性评价数据，指标的定性评价内容较定量评价内容涵盖更广泛。本发明的AHP均分结构法与PPCE梯度降维法相结合，运用加速遗传算法，建立的适用于铁路应急预案评价的综合分析方法，为铁路应急预案编制的合理性、实施的可操作性以及救援成本的经济性评价提供理论依据，也可为其它类似行业的应急预案研究提供借鉴。

附图说明

图1是技术路线图。

图2是AHP改进步骤图。

图3是投影追踪评价模型(PPCE模型)改进步骤图。

图4是数据的获取与预处理流程图。

图5是铁路应急预案评价指标体系结构图。

图6是调整后的铁路应急预案评价指标体系结构图。

具体实施方式

图1为该方法研究的技术路线图。对铁路应急救援组织机构、预案体系、基本结构的研究以及应急预案流程化分析的基础上得到铁路应急预案评价影响因素，并运用德尔菲法进行筛选，建立了应急预案综合评价指标体系。结合AHP均分结构法101、投影寻踪梯度降维法102和加速遗传算法103提出了铁路应急预案的综合分析方法。最后运用该方法对青藏铁路应急预案进行了综合分析评价，证明其合理性、实用性。

图2为AHP改进层次结构对比图。当因素众多、规模较大时，传统的AHP方法的缺点是指标分布不均衡；当评价指标同级指标的个数超过9时，构造判断矩阵时计算量大、同级指标个数较大，影响专家打分法评价结果的可靠性。AHP均分结构法对指标层次结构进行调整，在进行计算时，可以消除层次结构不均衡带来的不利影响。

调整方法如下：

如图2AHP构权法201，设Bi的二级指标个数为c_i(i＝1，2……n)，拆分的标准二级指标个数为c_g。

c_g＝min{c_i}    (1)

将Bi的二级指标以c_g为标准拆分成m_i个，即将B_i拆分成

二级指标个数为

拆分后的一级指标个数为h。

h＝m₁+…+m_i+…+m_n    (2)

(1)当c_i/c_g为整数时，

m_i＝c_i/c_g    (3)

$c_i^1=c_i^2=\·\·\·=c_i^{m_i}=c_g---\left(4\right)$

(2)当c_i/c_g有余数时，设余数为l，

$m_i=\frac{c_i}{c_g}+1---\left(5\right)$

$c_i^1=c_i^2=\·\·\·=c_i^{m_i-1}=c_g---\left(6\right)$

$c_i^{m_i}=l---\left(7\right)$

同时在指标权重的计算方法中，铁路应急预案的综合评价具有复杂性、定性与定量结合等特点，若采用判断矩阵，则具有一定的局限性。G1法是一种简单、实用的决策分析方法，它能克服判断矩阵的局限性，该方法使计算量成倍减少；无需构造判断矩阵，也就不需要进行判断矩阵的一致性检验；当方案个数发生变化时，方案的权重系数仍具有很强的保序性；具有标度的自动扩展功能；适用范围广，无需具备较强的数学基础。基于以上优点，选用该方法作为计算指标权重的方法。

该方法的具体计算步骤如下：

(1)确定一级指标的序关系

将一级指标{B₁，B₂，…，B_i，…，B_h}重新定义为{x₁，x₂，…，x_i，…，r_h}将各一级指标进行排序：

(2)指标赋值

设专家关于评价指标xk-1与xk的重要性程度之比的判断分别为：

W_k-1/w_k＝r_k，k＝z，z-1，z-2，…，3，2    (9)

r_k的赋值参见表1。

表1  比例标度

 

rk	定义
		1.0	指标xk-1与指标xk同样重要
1.2	指标xk-1与指标xk稍微重要
		1.4	指标xk-1与指标xk明显重要
1.6	指标xk-1与指标xk强烈重要
		1.8	指标xk-1与指标xk极端重要

若专家给出r_k的理性赋值，则w_z为：

$w_z={(1+\underset{k=2}{\overset{z}{\mathrm{\Σ}}}\underset{i=k}{\overset{z}{\mathrm{\Π}{r}_i}})}^{-1}---\left(10\right)$

W_k-1＝r_kw_k(k＝z，z-1，z-2，…，3，2)

(3)权重计算

将专家给出的评价结果代入上述公式得出各一级指标的权重：

(w₁，w₂，w₃，w₄，.......，w_h)    (11)

(4)计算结果处理

(w₁，w₂，w₃，…，w_h)为图2的指标层次结构202中的一级指标 $B_1^1,\·\·\·,B_1^{m_1},\·\·\·,B_i^1,\·\·\·,B_i^{m_i},...,B_h^1,\·\·\·,B_h^{m_h}$ 的权重值。

将其重新定义为： $(w_1^1,\·\·\·,w_1^{m_1},\·\·\·,w_i^1,\·\·\·,w_i^{m_i},\·\·\·,w_h^1,\·\·\·,w_h^{m_h})$

对这些指标权重值进行还原处理，得出图2的指标层次结构201中的一级指标权重值为： $(w_1^{\′},w_2^{\′},w_3^{\′},\·\·\·w_h^{\′})$

其中：

$w_1^{\′}=w_1^1+,\·\·\·,+w_1^{m_1}---\left(12\right)$

$w_2^{\′}=w_2^1+,\·\·\·,+w_2^{m_2}---\left(13\right)$

$w_h^{\′}=w_h^1+,\·\·\·,+w_h^{m_h}---\left(14\right)$

(5)二级指标权重计算

二级指标的计算重复上述(1)~(3)步骤。得各一级指标下的二级指标权重为：

(w_i1，w_i2，w_i3，w_i4，.......，w_m)

(6)组合权重计算

二级指标的组合权重为： $(w_{11}^{\′},\·\·\·,w_{1n}^{\′},\·\·\·,w_{i1}^{\′},\·\·\·,w_{\mathrm{in}}^{\′},\·\·\·,w_{n1}^{\′},\·\·\·,w_{\mathrm{nn}}^{\′})$

其中(x＝1，2，…，n)：

$w_{11}^{\′}=w_{11}\×w_1^{\′}---\left(15\right)$

$w_{12}^{\′}=w_{12}\×w_1^{\′}---\left(16\right)$

$w_{\mathrm{ix}}^{\′}=w_{\mathrm{ix}}\×w_i^{\′}---\left(17\right)$

$w_{\mathrm{nn}}^{\′}=w_{\mathrm{nn}}\×w_n^{\′}---\left(18\right)$

在对AHP构权法进行深入研究基础上，将其在指标层次结构、权重计算方法方面做了相应的改进，使其与铁路应急预案的指标体系的特点相适应。

图3为投影追踪评价模型(PPCE模型)改进对比图。PPCE模型不适于使用定性评价数据进行评价，当通过少数评价对象的样本数据确定指标权重，会产生较大的误差，而且只适用于多目标决策。为使PPCE评价模型与铁路应急预案综合评价相适应，消除PPCE模型的局限性，使它的优越性发挥至最大。本发明从三个方面对PPCE模型的评价过程进行调整，提出一种新的PPCE模型改进法——PPCE梯度降维法。

第一步：引入评价数据

PPCE模型一般使用定量数据进行评价，而铁路应急预案综合评价引入的是定性评价数据，在使用PPCE模型进行评价之前需要将这些定性数据量化处理。这些定性评价数据从获取到量化处理的过程如下：

(1)确定评价目标的评价指标

X＝{X₁，X₂，…，X_n}    (19)

(2)建立指标评价语等级

V＝{V₁，V₂，…，V_p}    (20)

该等级用来评价某一样本某指标的优劣程度。

(3)设计调查问卷，获取定性评价数据

向相关专业人员发放问卷，提取有效评价数据。

(4)将定性评价数据转化为定量评价数据

$x^{*}(i,j)=\frac{N_x}{N_z}\×100\%---\left(21\right)$

{x^*(i，j)|i＝1～n，j＝1～p}          (22)

x^*(i，j)——第i个指标的第j等级评价指标值。

N_z——有效数据的数量。

Ｎ_x——针对某一样本给出某指标某等级的评价的数量。

第二步：使用投影寻踪聚类模型处理定性评价数据

PPCE模型使用的常规原始数据结构与铁路应急预案综合评价数据结构有明显的不同，以下对其做了比较，并对它们之间的差异进行了分析。

表2  PPCE模型使用的常规原始数据

 

原始数据	指标1	指标2	…	指标p
					样本1	a11	a12	…	a1p
样本2	a21	a22	…	a2p
					…	…	…	…	…
样本n	an1	an2	…	anp

得到原始数据的矩阵：

$\left(\begin{array}{cccc}{a}_{11}& a_{12}& \·\·\·& a_{1p}\\ a_{21}& a_{22}& \·\·\·& a_{2p}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ a_{n1}& a_{n2}& \·\·\·& a_{\mathrm{np}}\end{array}\right)$

表3  铁路应急预案综合评价的原始数据

得到原始数据的矩阵：

$\left(\begin{array}{ccc}{b^1}_{11}& \·\·\·& {b^1}_{15}\\ \·\·\·& \·\·\·& \·\·\·\\ {b^1}_{p1}& \·\·\·& {b^1}_{p5}\end{array}\right),\left(\begin{array}{ccc}{b^2}_{11}& \·\·\·& {b^2}_{15}\\ \·\·\·& \·\·\·& \·\·\·\\ {b^2}_{p1}& \·\·\·& {b^2}_{p5}\end{array}\right),\·\·\·,\left(\begin{array}{ccc}{b^n}_{11}& \·\·\·& {b^n}_{15}\\ \·\·\·& \·\·\·& \·\·\·\\ {b^n}_{p1}& \·\·\·& {b^n}_{p5}\end{array}\right)$

总结以上两种数据的结构特征，并将其进行对比，具体分析见表4。

表4  两种数据特征结构对比

 

常规原始数据	铁路应急预案评价原始数据
		(1)数据由1个n×p阶矩阵构成，其中，n表示样本数，p表示指标数。	(1)数据由n个p×5阶矩阵构成，其中p表示指标数，5表示评价语级。
(2)各个指标的评价值为一维数据。	(2)各指标的评价值为5维数据。
		(3)n为较大数值。	(3)n为较小数值。
(4)模型处理n个样本的数据。	(4)模型处理一个样本的数据。
		(5)建模过程是将各样本的p维评价数据收敛为一维数据。	(5)建模过程是将一个样本的各个指标的五维评价数据收敛为一维数据。

基于以上对两种数据的特征结构进行的比较分析，不宜直接使用PPCE模型进行综合评价。若要应用，需要对PPCE模型的建模过程进行改进，使其与铁路应急预案的综合评价相适应。对照图3 PPCE模型301的建模步骤，具体改进如下：

步骤(1)至步骤(3)的改进：修改样本集的定义。

各指标的样本集为{x^*(i，j)|i＝1～p，j＝1～5}。定义：x^*(i，j)为第i个指标第j个评价语级的评价值，“p，5”分别为样本的指标数和评价语级的级数。

步骤(4)的改进：投影值中加入评价语级分数值。

把由步骤(3)求得的最佳投影方向a^*代入式(23)，得到各指标点的投影值z^*(i)。

$z^{*}\left(i\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{a}^{*}\left(j\right)x(i,j)y_j---\left(23\right)$

其中：z^*(i)——各指标点的投影值；

      a^*——最佳投影方向；

      x(i，j)——第i个指标的第j等级评价指标值；

Y——评价语级系数值。

在本研究中，对Y做如下规定：

Y＝(y₁，y₂，y₃，y₄，y₅)；    (24)

y₁>y₂>y₃>y₄>y₅；    (25)

y₁-y₂＝y₂-y₃＝y₃-y₄＝y₄-y₅；    (26)

根据对铁路应急预案的研究，取Y值为：

(y₁，y₂，y₃，y₄，y₅)＝(2，1，0，-1，2)    (27)

第三步：引入改进AHP构权法的指标权重值进行综合评价

$G=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}w\left(i\right)z^{*}\left(i\right)---\left(28\right)$

其中：G——某样本综合评价值；

      w(i)——通过改进AHP构权法得到的第i个指标的指标权重；

      z^*(i)——见上。

PPCE梯度降维法克服了传统的PPCE模型的局限性，既可用于多目标决策，也可用于单目标决策，涵盖指标内容更加广泛。

PPCE梯度降维法建模的关键是寻得最优的投影方向，基于此，将新兴的适合于多维全局优化算法——遗传算法与PPCE梯度降维法结合，共同对铁路应急预案进行综合评价。

下面结合青藏铁路应急预案综合评价的方法这一具体实施例，对本发明进行详细说明。

数据的获取和预处理如图4所示，运用AHP均分结构法对青藏铁路应急预案的指标权重进行计算、分析。

首先，对指标体系结构进行调整。图5为铁路应急预案评价指标体系。调整后的指标体系见图6。

然后，将量化处理后的数据，引入改进AHP构权法的计算模型中，得出的青藏铁路应急预案指标权重排序。

将经过数据预处理的评价数据引入基于RAGA的PPCE梯度降维法综合评价之中，实现综合评价方法的具体应用。

下面分别以青藏公司的综合、专项和站段应急预案为例进行分析。

1、青藏铁路综合应急预案评价

针对青藏铁路公司某综合应急预案进行问卷调查，并将获得的数据预处理使之量化，详见表5。

表5  青藏铁路公司综合应急预案A评价指标值

将表5中数据进行归一化处理后，带入改进PPCE模型202，并用RAGA进行优化。选定种群规模n＝110，杂交概率p_c＝0.80，变异概率p_m＝0.80，优秀个体数目选为20个，α＝0.05，加速次数为20次。

运用MATLAB进行计算，得出的计算结果为：迭代次数25次，最大投影值为0.9870212。最佳投影方向a＝(0·5539，0.5297，0.4935，0.3735，0.1718)；将计算结果依次带入式(23)、(24)中，得出该预案的评价值G＝0.738717352。

2、青藏铁路专项应急预案评价

针对青藏铁路公司某专项应急预案进行问卷调查，并将获得的数据预处理使之量化，详见表6

表6  青藏铁路公司专项应急预案B评价指标值

将表6中数据进行归一化处理后，带入改进PPCE模型202，并用RAGA进行优化。选定种群规模n＝110，杂交概率P_c＝0.80，变异概率p_m＝0.80，优秀个体数目选为20个，α＝0.05，加速次数为20次。

运用MATLAB进行计算，得出的计算结果为：迭代次数19次，最大投影值为1.120366。最佳投影方向a＝(0.4753，0.6870，0.4981，0.2302，0.0325)；将计算结果依次带入式(23)、(24)中，得出该预案的评价值G＝0.979787823。

3、青藏铁路站段应急预案评价

针对青藏铁路公司某站段应急预案进行问卷调查，并将获得的数据预处理使之量化，详见表7

表7  青藏铁路公司站段应急预案E评价指标值

将表7中数据进行归一化处理后，带入改进PPCE模型202，并用RAGA进行优化。选定种群规模n＝110，杂交概率p_c＝0.80，变异概率p_m＝0.80，优秀个体数目选为20个，α＝0.05，加速次数为20次。

运用MATLAB进行计算，得出的计算结果为：迭代次数19次，最大投影值为1.070268。最佳投影方向a＝(0.5089，0.6988，0.4415，0.2306，0.0675)；将计算结果依次带入式(23)、(24)中，得出该预案的评价值G＝1.030502986。

根据以上各应急预案的评价计算结果，做出相应的解释、分析。其中模型中提到的评价指标投影值、评价语级最佳投影方向、综合评价值等概念解释如下：

评价指标投影值：它是通过评价模型将5维的指标评价数据降为1维得到的，它表示这一个评价指标的综合评价值。

评价语级：它用来评价各指标的优劣，其中一级评价语级表示很好；二级评价语级表示较好；三级评价语级表示一般；四级评价语级表示较差；五级评价语级表示很差。

最佳投影方向：各评价语级的最佳投影方向值，表示该评价语级对整个预案评价的影响程度。

综合评价值：表示对预案的综合评价。综合评价值各取值范围的含义严格与式(27)中Y的取值范围相对应。当该值取在[1，2]之间，表示综合评价为优；当该值取在[0，1]之间，表示综合评价为良；当该值取在[-1，0]之间，表示综合评价为中；当该值取在[-2，-1]之间，表示综合评价为差。

备选预案A的评价结果分析：从备选预案A的计算结果可以看出：其评价值为：0.738717352，该预案的综合评价为良。其中，一级评价语级对该预案总体评价的影响程度最大，其值为0.553871；五级评价语级对该预案总体评价的影响程度最小，其值为0.17176。该备选预案的主要优势在于信息报送流程上，它对信息报送流程的描述十分清晰。它的劣势主要在救援人员调配以及保障措施设计上，这两方面的相关内容不够明确，没有达到理想的效果。

备选预案B的评价结果分析：从备选预案B的计算结果可以看出：其评价值为：0.979787823，该预案的综合评价为良。其中，二级评价语级对该预案总体评价的影响程度最大，其值为0.686978；五级评价语级对该预案总体评价的影响程度最小，其值为0.032485。该备选预案的主要优势在于并发突发事件处置上，在几件突发事件同时发生时，该预案能够做到在其他突发事件专项预案中很好的切换。它的劣势主要在信息报送流程上，这方面的相关内容不够清晰规范，不能达到理想的效果。

备选预案C的评价结果分析：从备选预案C的计算结果可以看出：其评价值为：1.030502986，该预案的综合评价为优。其中，二级评价语级对该预案总体评价的影响程度最大，其值为0.698849；五级评价语级对该预案总体评价的影响程度最小，其值为0.067504。该备选预案的主要优势在于处置流程的规范化设计上，这个预案的处置流程较规范，当几件突发事件同时发生时，该预案所设计的流程能够免去许多重复不必要的相似过程。它的劣势主要在处置突发事件的实际效果上，通过应用得到的相关数据发现，该院在处置突发事件时不能完全达到理想的效果。

从分析的结果可以看出备选预案C的评价值最高，在某专项预案的选择上，应该选择备选预案C。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种针对铁路应急预案进行综合评价的方法，其特征是所述方法包括下列顺序执行的步骤：

步骤1：对评价目标运用AHP均分结构法；

步骤2：采用G1法计算AHP均分结构指标权重；

步骤3：获取并量化定性评价数据；

步骤4：对PPCE模型的建模过程进行改进，形成PPCE梯度降维法；

步骤5：引入RAGA实现综合评价。

2.根据权利要求1所述的针对铁路应急预案进行综合评价的方法，其特征是所述步骤1中，AHP均分结构法是指对AHP构权法指标层次结构进行调整，其步骤包括：

步骤11：设定评价目标的一级指标序列为(B₁，B₂，...，B_p)，B_i的二级指标个数为c_i(i＝1，2，...，n)，拆分的标准二级指标个数为c_g，其中c_g＝min{c_i}；

步骤12：将B_i的二级指标以c_g为标准拆分成m_i个，即将B_i拆分成

二级指标个数为

拆分后的一级指标个数为h，其中，h＝m₁+…+m_i+…+m_n；

(1)当c_i/c_g为整数时，

m_i＝c_i/c_g

$c_i^1=c_i^2=\·\·\·=c_i^{m_i}=c_g$

(2)当c_i/c_g有余数时，设余数为l，

$m_i=\frac{c_i}{c_g}+1$

$c_i^1=c_i^2=\·\·\·=c_i^{m_i-1}=c_g$

$c_i^{m_i}=l.$

3.根据权利要求1所述的针对铁路应急预案进行综合评价的方法，其特征是所述步骤2中，采用G1法计算指标权重包括下列步骤：

步骤21：确定步骤12中，AHP均分结构法所获得的一级指标的序关系，将一级指标{B₁，B₂，…，B_i，…，B_h}重新定义为{x₁，x₂，…，x_i，…，x_h}，将各一级指标按专家调查的结果，通过德尔菲法进行排序：

步骤22：分别用w_k-1和w_k评价指标x_k-1与x_k的重要性程度，并且：

w_k-1/w_k＝r_k，k＝z，z-1，z-2，…，3，2

若给出r_k的理性赋值，则w_z为：

$w_z={(1+\underset{k=2}{\overset{z}{\mathrm{\Σ}}}\underset{i=k}{\overset{z}{\mathrm{\Π}}}{r}_i)}^{-1}$

w_k-1＝r_kw_k(k＝z，z-1，z-2，…，3，2)；

步骤23：将专家给出的评价结果代入上述公式得出各一级指标的权重：

(w₁，w₂，w₃，w₄，.......，w_h)；

步骤24：(w₁，w₂，w₃，…，w_h)为运用AHP均分结构法后的指标层次结构中的一级指标 $B_1^1,\·\·\·,B_1^{m_1},\·\·\·,B_i^1,\·\·\·,B_i^{m_i},\·\·\·,B_h^1,\·\·\·,B_h^{m_h}$ 的权重值；将其重新定义为： $(w_1^1,\·\·\·,w_1^{m_1},\·\·\·,w_i^1,\·\·\·,w_i^{m_i},\·\·\·,w_h^1,\·\·\·,w_h^{m_h});$ 对这些指标权重值进行还原处理，得出运用AHP均分结构法前的指标层次结构中的一级指标权重值为：

其中：

$w_1^{\′}=w_1^1+,\·\·\·,+w_1^{m_1}$

$w_2^{\′}=w_2^1+,\·\·\·,+w_2^{m_2}$

$w_h^{\′}=w_h^1+,\·\·\·,+w_h^{m_h}$

步骤25：二级指标的计算重复上述步骤21至步骤23，得各一级指标下的二级指标权重为：

(w_i1，w_i2，w_i3，w_i4，.......，w_in)；

步骤26：计算二级指标的组合权重为： $(w_{11}^{\′},\·\·\·w_{1n}^{\′},\·\·\·,w_{i1}^{\′},\·\·\·,w_{\mathrm{in}}^{\′},\·\·\·w_{n1}^{\′},\·\·\·,w_{\mathrm{nn}}^{\′});$

其中(x＝1，2，…，n)：

$w_{11}^{\′}=w_{11}\×w_1^{\′}$

$w_{12}^{\′}=w_{12}\×w_1^{\′}$

$w_{\mathrm{ix}}^{\′}=w_{\mathrm{ix}}\×w_i^{\′}$

$w_{\mathrm{nn}}^{\′}=w_{\mathrm{nn}}\×w_n^{\′}.$

4.根据权利要求1所述的针对铁路应急预案进行综合评价的方法，其特征是所述步骤3中，获取并量化定性评价数据又包括下列步骤：

步骤31：确定评价目标的评价指标为：

X＝{X₁，X₂，…，X_n}；

步骤32：建立指标评价语等级：

V＝{V₁，V₂，…，V_p}；

步骤33：设计调查问卷，获取定性评价数据；

步骤34：将定性评价数据转化为定量评价数据：

$x^{*}(i,j)=\frac{N_x}{N_z}\×100\%$

{x^*(i，j)|i＝1～n，j＝1～p}

x^*(i，j)——第i个指标的第j等级评价指标值；

N_z——有效数据的数量；

N_x——针对某一样本给出某指标某等级的评价的数量。

5.根据权利要求1所述的针对铁路应急预案进行综合评价的方法，其特征是所述步骤4，对PPCE模型的建模过程进行改进又包括下列步骤：

步骤41：修改样本集的定义，各指标的样本集为{x^*(i，j)|i＝1～p，j＝1～5}，定义：x^*(i，j)为第i个指标第j个评价语级的评价值，“p，5”分别为样本的指标数和评价语级的级数；

步骤42：投影值中加入评价语级分数值，把PPCE模型的最佳投影方向a^*代上式，得到各指标点的投影值z^*(i)；

$z^{*}\left(i\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{a}^{*}\left(j\right)x(i,j)y_j$

其中：z^*(i)——各指标点的投影值；

a^*——最佳投影方向；

x(i，j)——第i个指标的第j等级评价指标值；

Y为评价语级系数值；

对Y做如下规定：

Y＝(y₁，y₂，y₃，y₄，y₅)；

y₁>y₂>y₃>y₄>y₅；

y₁-y₂＝y₂-y₃＝y₃-y₄＝y₄-y₅。

步骤43：引入改进AHP构权法的指标权重值进行综合评价的结果为

$G=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}w\left(i\right)z^{*}\left(i\right);$

其中：G——某样本综合评价值；

w(i)——通过改进AHP构权法得到的第i个指标的指标权重；

z^*(i)——各指标点的投影值。

Images