CN109615228A - 基于混合启发式规则系统的铁路运输风险概率计算方法 - Google Patents

Abstract

本发明公开了一种基于混合启发式规则系统的铁路运输风险概率计算方法。本发明首先，输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，输出定为铁路运输风险概率；其次，通过约减规则对交集启发式置信规则进行约减,得到包含交集和并集的混合启发式规则系统；最后，利用证据推理(ER)算法融合被输入激活的置信规则后项中的置信结构得到风险概率。本发明能够处理铁路运输风险计算的多种元素，包括环境监测量，设备监测量，承运监测量等等；它包含交集规则也包含并集规则，能够减少规则的总数，避免规则组合爆炸问题，提高计算效率。

Description

基于混合启发式规则系统的铁路运输风险概率计算方法

技术领域

本发明涉及一种基于混合启发式规则系统的铁路运输风险概率计算方法，属于铁路运输安全领域。

背景技术

安全是铁路运输永恒的主题，安全更是铁路运输产品最重要的质量特征。随着社会的发展和技术的进步，尤其是近几年来对铁路安全领域工作研究的不断推广于深入，铁路安全技术有了长足的进步。风险概率计算的发展更是得到了铁路各部门的高度重视，风险概率计算不仅在理论上还是在实际中都取得了瞩目成就，对减少铁路运输事故起到了积极作用。

目前，相关研究人员针对风险概率计算问题提出了许多方法。基于仿真的方法：对铁路运行的动态过程建立仿真模型，此方法的优点是针对动态特性具有良好的视觉效果，缺点是仿真建模需要大量的信息，并且难以解释每次运行中产生的不同模拟结果；基于网络的方法：由于铁路运行在一个运输网络中，可以采用以城市(车站)为节点，以两个城市之间的线路(连接)为线路，此方法适用于具有复杂结构和多节点的问题；基于风险的方法：系统故障或事故可以用来计算风险概率包括事件树分析(ETA)，故障树分析(FTA)等，在这些方法中，风险概率取决于事故或系统故障的发生，这是一个外部视角，在铁路运输中实际发生的故障其实并不多，数据量较少；对于一些复杂问题，可以将多种方法集成到混合方法中以满足实际需求，但是混合方法通常只适用于特定的问题。

针对铁路运输风险概率计算需要处理多种元素，包括环境监测量，设备监测量，承运监测量等，需要计算的推理和建模过程清晰，以及能够针对不同地区不同车辆建立不同模型等特点，引入混合启发式规则系统，以其具有对带有不完整、模糊、概率不确定性、主\客观性以及非线性特征的数据进行建模的能力，建立混合启发式规则系统描述输入量与输出量之间的复杂非线性关系。

发明内容

本发明针对铁路运输风险概率与其环境监测量、设备检测量、承运监测量之间存在的不确定性关系，设计一种基于混合启发性规则系统的铁路运输风险概率计算方法。

本发明首先，输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，输出定为铁路运输风险概率；其次，通过约减规则对交集启发式置信规则进行约减,得到包含交集和并集的混合启发式规则系统；最后，利用证据推理(ER)算法融合被输入激活的置信规则后项中的置信结构得到风险概率。

本发明包括以下各步骤：

步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，其中环境监测量包括通过雨量器测得降雨量f₁(t)，单位为mm，f₁(t)≥0；风速测量仪测得风速f₂(t)，单位为m/s，f₂(t)≥0；能见度观测仪测得能见度f₃(t)，单位m，f₃(t)≥0，通过地面温度传感器测得霜冻数据f₄(t)，单位℃，f₄(t)∈[-50，50]；设备监测量包括机车f₅(t)，车辆f₆(t)，轨道f₇(t)，信号系统f₈(t)，受电弓f₉(t)的故障时间，单位h，f_j(t)∈[0,72],j＝5,6,7,8,9；承运监测量包括乘客超员人数f₁₀(t)，单位为个，f₁₀(t)≥0，货物超载重量f₁₁(t)，单位吨，f₁₁(t)≥0；数据每天采集一次，共采集T天，1≤T<∞，则采样时刻t＝1,2,...,T；输出为铁路运输风险概率Y(t)∈[0％,100％]，x％表示此线路当天发生故障或者事故的车辆数占比为x％。

步骤(2)建立混合启发式规则系统的规则，采用环境监测量C₁＝[f₁(t),f₂(t),f₃(t),f₄(t)]，设备监测量C₂＝[f₅(t),f₆(t),f₇(t),f₈(t),f₉(t)]，承运监测量C₃＝[f₁₀(t),f₁₁(t)]与风险概率Y的非线性关系，先建立交集启发式规则系统，其中的第l条交集规则记为R_l，其表示形式如下：

其中f_a,f_b∈C_g,g＝1,2,3,f_a≠f_b,“∧”表示规则仅仅处于交集假设下，R_l的规则权重为θ_l∈[0,1]；输入变量f₁(t)～f₁₁(t)对应的属性权重分别为δ_j∈[0,1],j＝1,2...11。

式(1)中，分别为混合启发式规则系统的输入变量的f_a、f_b参考值，且有其中j＝1,2…11，Q_j为的取值空间，其中的元素满足x_j表示对应第j个输入变量参考值的取值个数，x_j≥1；分别在Q₁,Q₂...Q₁₁中抽取元素作为f_j的参考值，由此组合成规则，共计产生L₁＝3⁴＝81条环境监测量启发式规则，L₂＝3⁵＝243条设备监测量规则，L₃＝3³＝9条承运监测量规则，共计L＝333条。

式(1)中，R_l后项属性分别为G₁,G₂,…,G_N，并有L_Y≤G₁<G₂<…<G_N≤R_Y，N≥2，λ_1,l,λ_2,l,...,λ_N,l分别为G₁,G₂,…,G_N的信度值，并满足0≤λ_n,l≤1，

步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减，建立混合启发式规则库，其中第l条混合启发式规则如下：

其中f_a,f_b,f_c∈C_g,g＝1,2,3,and,f_a≠f_b≠f_c,“∧”表示规则处于交集假设下，“∨”表示规则处于并集假设下，的规则权重为输入变量f₁(t)～f₁₁(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ_1,l,λ_2,l,...,λ_N,l相同；设定初始规则权重为初始属性权重

步骤(4)给定环境监测量f₁(t)～f₄(t)，设备监测量f₅(t)～f₉(t)，承运监测量f₁₀(t)、f₁₁(t)后，通过混合启发式规则系统获取它们对应的风险概率具体步骤如下：

步骤(4-1)设定f_j的取值分别为f_j(t),j＝1,2,...,11，并有将它们带入混合启发式规则系统模型，计算它们激活规则的权重：

ω_l＝θ_lm_h/(θ₁m₁+θ₂m₂+...+θ₁₁m₁₁) (3)

ω_l∈[0,1] (4)

其中，m_h为第l条规则的综合差异度，交集假设下的综合差异度为：并集假设下的综合差异度为：处于同一假设下的属性为属性组,属性组的个数为H，其中交集假设下的差异度为：

并集假设下的差异度为：

式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度，差异度的求解如下：

(a)当f_j(t)≤A_j,1和时，f_j(t)对于A_j,1和的差异度取值均为1，对于其他参考值的差异度均为0；

(b)当A_j,x<f_j(t)≤A_j,x+1时，f_j(t)对于A_j,x和A_j,x+1的差异度取值分别由式(7)和式(8)给出

此时，其他参考值的差异度均为0；

(c)差异度归一化:

步骤(4-2)对激活规则进行集合：

其中表示相对于结果G_n的信度值；

步骤(4-3)获得输入变量为f_j(t),j＝1,2,...,11时风险概率

此时得到的结果，即为混合启发式规则系统对铁路运输风险概率。

本发明提出的基于混合启发式规则库的铁路运输风险概率计算方法，根据对应线路的环境监测量、设备监测量、承运监测量作为输入，对应风险概率作为输出，先采用各监测量与风险概率之间的非线性关系，建立交集启发式规则系统，通过约减规则利用交集和并集组合的方式对交集启发式规则进行约减，建立混合启发式规则系统，对输入的环境监测量、设备监测量、承运监测量计算其与参考值的差异度以及交集规则和并集规则下的差异度得到对应规则的综合差异度，通过综合差异度得到对应规则的激活权重，利用证据推理规则对激活规则进行融合得到风险概率计算结果。

本发明具有对带有不完整、模糊、概率不确定性、主\客观性以及非线性特征的数据进行建模的能力，能够处理铁路运输风险计算的多种元素，包括环境监测量，设备监测量，承运监测量等等；它包含交集规则也包含并集规则，能够减少规则的总数，避免规则组合爆炸问题，提高计算效率；整个方法计算和推理的过程清晰可靠。

附图说明

图1是本发明方法的流程框图；

图2是本发明方法实施例中的铁路风险概率计算结果。

具体实施方式

本发明包括以下各步骤：

步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，其中环境监测量包括通过雨量器测得降雨量f₁(t)，单位为mm，f₁(t)≥0；风速测量仪测得风速f₂(t)，单位为m/s，f₂(t)≥0；能见度观测仪测得能见度f₃(t)，单位m，f₃(t)≥0，通过地面温度传感器测得霜冻数据f₄(t)，单位℃，f₄(t)∈[-50，50]；设备监测量包括机车f₅(t)，车辆f₆(t)，轨道f₇(t)，信号系统f₈(t)，受电弓f₉(t)的故障时间，单位h，f_j(t)∈[0,72],j＝5,6,7,8,9；承运监测量包括乘客超员人数f₁₀(t)，单位为个，f₁₀(t)≥0，货物超载重量f₁₁(t)，单位吨，f₁₁(t)≥0；数据每天采集一次，共采集T天，1≤T<∞，则采样时刻t＝1,2,...,T；输出为铁路运输风险概率Y(t)∈[0％,100％]，x％表示此线路当天发生事故或故障的车辆数占比为x％。

步骤(2)建立混合启发式规则系统的规则，采用环境监测量C₁＝[f₁(t),f₂(t),f₃(t),f₄(t)]，设备监测量C₂＝[f₅(t),f₆(t),f₇(t),f₈(t),f₉(t)]，承运监测量C₃＝[f₁₀(t),f₁₁(t)]与风险概率Y的非线性关系，先建立交集启发式规则系统，其中的第l条交集规则记为R_l，其表示形式如下：

其中f_a,f_b∈C_g,g＝1,2,3,f_a≠f_b,“∧”表示规则仅仅处于交集假设下，R_l的规则权重为θ_l∈[0,1]；输入变量f₁(t)～f₁₁(t)对应的属性权重分别为δ_j∈[0,1],j＝1,2...11。

式(1)中，分别为混合启发式规则系统的输入变量的f_a、f_b参考值，且有其中j＝1,2…11，Q_j为的取值空间，其中的元素满足x_j表示对应第j个输入变量参考值的取值个数，x_j≥1；分别在Q₁,Q₂...Q₁₁中抽取元素作为f_j的参考值，由此组合成规则，共计产生L₁＝3⁴＝81条环境监测量启发式规则，L₂＝3⁵＝243条设备监测量规则，L₃＝3³＝9条承运监测量规则，共计L＝333条。

式(1)中，R_l后项属性分别为G₁,G₂,…,G_N，并有L_Y≤G₁<G₂<…<G_N≤R_Y，N≥2，λ_1,l,λ_2,l,...,λ_N,l分别为G₁,G₂,…,G_N的信度值，并满足0≤λ_n,l≤1，

为便于理解，举例说明，假设中A₁ ^l各参考值的取值为A_1,1＝30，A_1,2＝50，A_1,3＝100，中各参考值的取值为A_2,1＝20，A_2,2＝25，A_3,3＝30，假设满足Y＝f₁×f₂，G₁＝Ⅰ,G₂＝Ⅱ,G₃＝Ⅲ，共计将会产生L＝9条规则，设初始θ_l＝1,δ₁＝δ₂＝1，其中部分规则形势如下：

R₁:若f₁＝30∧f₂＝20,则[(G₁,1),(G₂,0),(G₃,0)]；

R₂:若f₁＝30∧f₂＝25,则[(G₁,1),(G₂,0),(G₃,0)]；

R₃:若f₁＝30∧f₂＝30,则[(G₁,1),(G₂,0),(G₃,0)]；

R₄:若f₁＝50∧f₂＝20,则[(G₁,1),(G₂,0),(G₃,0)]；

R₅:若f₁＝50∧f₂＝25,则[(G₁,0),(G₂,1),(G₃,0)]；

R₆:若f₁＝50∧f₂＝30,则[(G₁,0),(G₂,1),(G₃,0)]；

R₇:若f₁＝100∧f₂＝20,则[(G₁,0),(G₂,1),(G₃,0)]；

R₈:若f₁＝100∧f₂＝25,则[(G₁,0),(G₂,1),(G₃,0)]；

R₉:若f₁＝100∧f₂＝30,则[(G₁,0),(G₂,0),(G₃,1)]；

这里组成了9条规则，其中λ_i,k为满足约束根据历史数据分析得到的结果。

步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减，建立混合启发式规则库，其中第l条混合启发式规则如下：

其中f_a,f_b,f_c∈C_g,g＝1,2,3,and,f_a≠f_b≠f_c,“∧”表示规则处于交集假设下，“∨”表示规则处于并集假设下，的规则权重为输入变量f₁(t)～f₁₁(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ_1,l,λ_2,l,...,λ_N,l相同；设定初始规则权重为初始属性权重

为便于理解，举例说明，如前面交集规则R₁与R₂可约减为一条包含交集和并集的混合规则：

若(f₁＝30)∧(f₂＝20∨f₂＝25∨f₂＝30),则[(G₁,1),(G₂,0),(G₃,0)]；

若(f₁＝50)∧(f₂＝20),则[(G₁,1),(G₂,0),(G₃,0)]；

若(f₁＝50)∧(f₂＝25∨f₂＝30),则[(G₁,0),(G₂,1),(G₃,0)]；

若(f₁＝100)∧(f₂＝20∨f₂＝25),则[(G₁,0),(G₂,1),(G₃,0)]；

若(f₁＝100)∧(f₂＝30),则[(G₁,0),(G₂,0),(G₃,1)]；

步骤(4)给定环境监测量f₁(t)～f₄(t)，设备监测量f₅(t)～f₉(t)，承运监测量f₁₀(t)、f₁₁(t)后，通过混合启发式规则系统获取它们对应的风险概率具体步骤如下：

步骤(4-1)设定f_j的取值分别为f_j(t),j＝1,2,...,11，并有将它们带入混合启发式规则系统模型，计算它们激活规则的权重：

ω_l＝θ_lm_h/(θ₁m₁+θ₂m₂+...+θ₁₁m₁₁) (3)

ω_l∈[0,1] (4)

其中，m_h为第l条规则的综合差异度，交集假设下的综合差异度为：并集假设下的综合差异度为：处于同一假设下的属性为属性组,属性组的个数为H，其中交集假设下的差异度为：

并集假设下的差异度为：

式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度，差异度的求解如下：

(a)当f_j(t)≤A_j,1和时，f_j(t)对于A_j,1和的差异度取值均为1，对于其他参考值的差异度均为0；

(b)当A_j,x<f_j(t)≤A_j,x+1时，f_j(t)对于A_j,x和A_j,x+1的差异度取值分别由式(7)和式(8)给出

此时，其他参考值的差异度均为0；

(c)差异度归一化:

步骤(4-2)对激活规则进行集合：

其中表示相对于结果G_n的信度值；

步骤(4-3)获得输入变量为f_j(t),j＝1,2,...,11时风险概率

此时得到的结果，即为混合启发式规则系统对铁路运输风险概率。

为便于理解，举例说明，假设模型输入f₁(1)＝50和f₂(1)＝22，带入公式(3)-(10)，可得激活规则R₂和R₂,计算可得到激活权重为：w₂＝0.6，w₃＝0.4,其余均为0；所以，将结果带入式(9)(10)可以获得带入式(11)，可得：

以下结合附图，详细介绍本发明方法的实施例：

本发明方法的流程图如图1所示，核心部分是：利用环境监测量、设备检测量、承运监测量与铁路运输风险概率Y之间非线性关系的建立混合启发式规则系统。

以下结合我国某区域既有线采集的2017年1月1日-2018年8月31日之间数据为例，详细介绍本发明方法的各个步骤。

1.基于混合启发式规则系统的铁路运输风险概率计算方法，该方法包括以下各步骤：

步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，其中环境监测量包括通过雨量器测得降雨量f₁(t)，单位为mm，f₁(t)≥0；风速测量仪测得风速f₂(t)，单位为m/s，f₂(t)≥0；能见度观测仪测得能见度f₃(t)，单位m，f₃(t)≥0，通过地面温度传感器测得霜冻数据f₄(t)，单位℃，f₄(t)∈[-50，50]；设备监测量包括机车f₅(t)，车辆f₆(t)，轨道f₇(t)，信号系统f₈(t)，受电弓f₉(t)的故障时间，单位h，f_j(t)∈[0,72],j＝5,6,7,8,9；承运监测量包括乘客超员人数f₁₀(t)，单位为个，f₁₀(t)≥0，货物超载重量f₁₁(t)，单位吨，f₁₁(t)≥0；数据每天采集一次，共采集T天，1≤T<∞，则采样时刻t＝1,2,...,T；输出为铁路运输风险概率Y(t)∈[0％,100％]，x％表示此线路当天发生事故或故障的车辆数占比为x％。

步骤(2)建立混合启发式规则系统的规则，采用环境监测量C₁＝[f₁(t),f₂(t),f₃(t),f₄(t)]，设备监测量C₂＝[f₅(t),f₆(t),f₇(t),f₈(t),f₉(t)]，承运监测量C₃＝[f₁₀(t),f₁₁(t)]与风险概率Y的非线性关系，先建立交集启发式规则系统。

选取输入输出变量的语义值，f₁-f₄的模糊语义值描述为：mild,medium,severe,f₅-f₉的模糊语义值是normal,medium,fault,f₁₀-f₁₁的模糊语义值是normal，medium，severe,评价结果Y的模糊语义值是safe,caution,severe,其参考值如表1-表4所示：

表1 f₁-f₁₁的语义值和参考值

表2 f₅-f₉的语义值和参考值

表3 f₁₀-f₁₁的语义值和参考值

表4 Y的语义值和参考值

步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减，建立混合启发式规则库，建立的启发性规则系统如表5所示，其中后项输出的信度值根据历史数据按照要求给定：

表A既有线混合启发式规则

步骤(4)给定环境监测量f₁(t)～f₄(t)，设备监测量f₅(t)～f₉(t)，承运监测量f₁₀(t)、f₁₁(t)后，通过混合启发式规则系统获取它们对应的风险概率如图2是2017年1月1日至2018年8月1日之间的风险概率计算结果。

Claims (1)

1.基于混合启发式规则系统的铁路运输风险概率计算方法，该方法包括以下各步骤：

步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量，其中环境监测量包括通过雨量器测得降雨量f₁(t)，单位为mm，f₁(t)≥0；风速测量仪测得风速f₂(t)，单位为m/s，f₂(t)≥0；能见度观测仪测得能见度f₃(t)，单位为m，f₃(t)≥0，通过地面温度传感器测得霜冻数据f₄(t)，单位为℃，f₄(t)∈[-50，50]；设备监测量包括机车f₅(t)，车辆f₆(t)，轨道f₇(t)，信号系统f₈(t)，受电弓f₉(t)的故障时间，单位为h，f_j(t)∈[0,72],j＝5,6,7,8,9；承运监测量包括乘客超员人数f₁₀(t)，单位为个，f₁₀(t)≥0，货物超载重量f₁₁(t)，单位吨，f₁₁(t)≥0；数据每天采集一次，共采集T天，1≤T<∞，则采样时刻t＝1,2,...,T；输出为铁路运输风险概率Y(t)∈[0％,100％]，x％表示此线路当天发生事故或故障的车辆数占比为x％；

步骤(2)建立混合启发式规则系统的规则，采用环境监测量C₁＝[f₁(t),f₂(t),f₃(t),f₄(t)]，设备监测量C₂＝[f₅(t),f₆(t),f₇(t),f₈(t),f₉(t)]，承运监测量C₃＝[f₁₀(t),f₁₁(t)]与风险概率Y的非线性关系，先建立交集启发式规则系统，其中的第l条交集规则记为R_l，其表示形式如下：

其中f_a,f_b∈C_g,g＝1,2,3,f_a≠f_b,“∧”表示规则仅仅处于交集假设下，R_l的规则权重为θ_l∈[0,1]；输入变量f₁(t)～f₁₁(t)对应的属性权重分别为δ_j∈[0,1],j＝1,2...11；

式(1)中，分别为混合启发式规则系统的输入变量的f_a、f_b参考值，且有其中j＝1,2…11，Q_j为的取值空间，其中的元素满足x_j表示对应第j个输入变量参考值的取值个数，x_j≥1；分别在Q₁,Q₂...Q₁₁中抽取元素作为f_j的参考值，由此组合成规则，共计产生L₁＝3⁴＝81条环境监测量启发式规则，L₂＝3⁵＝243条设备监测量规则，L₃＝3³＝9条承运监测量规则，共计L＝333条；

式(1)中，R_l后项属性分别为G₁,G₂,…,G_N，并有L_Y≤G₁<G₂<…<G_N≤R_Y，N≥2，λ_1,l,λ_2,l,...,λ_N,l分别为G₁,G₂,…,G_N的信度值，并满足0≤λ_n,l≤1，

步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减，建立混合启发式规则库，其中第l条混合启发式规则如下：

其中f_a,f_b,f_c∈C_g,g＝1,2,3,and,f_a≠f_b≠f_c,“∧”表示规则处于交集假设下，“∨”表示规则处于并集假设下，的规则权重为输入变量f₁(t)～f₁₁(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ_1,l,λ_2,l,...,λ_N,l相同；设定初始规则权重为初始属性权重

步骤(4)给定环境监测量f₁(t)～f₄(t)，设备监测量f₅(t)～f₉(t)，承运监测量f₁₀(t)、f₁₁(t)后，通过混合启发式规则系统获取它们对应的风险概率具体步骤如下：

步骤(4-1)设定f_j的取值分别为f_j(t),j＝1,2,...,11，并有将它们带入混合启发式规则系统模型，计算它们激活规则的权重：

ω_l＝θ_lm_h/(θ₁m₁+θ₂m₂+...+θ₁₁m₁₁) (3)

ω_l∈[0,1] (4)

其中，m_h为第l条规则的综合差异度，交集假设下的综合差异度为：并集假设下的综合差异度为：处于同一假设下的属性为属性组,属性组的个数为H，其中交集假设下的差异度为：

并集假设下的差异度为：

式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度，差异度的求解如下：

(a)当f_j(t)≤A_j,1和时，f_j(t)对于A_j,1和的差异度取值均为1，对于其他参考值的差异度均为0；

(b)当A_j,x<f_j(t)≤A_j,x+1时，f_j(t)对于A_j,x和A_j,x+1的差异度取值分别由式(4)和式(5)给出

此时，其他参考值的差异度均为0；

(c)差异度归一化:

步骤(4-2)对激活规则进行集合：

其中表示相对于结果G_n的信度值；

步骤(4-3)获得输入变量为f_j(t),j＝1,2,...,11时风险概率计算结果

此时得到的结果，即为混合启发式规则系统对铁路运输风险概率。