CN113537757B - 一种轨道交通系统运营不确定风险的分析方法 - Google Patents

一种轨道交通系统运营不确定风险的分析方法 Download PDF

Info

Publication number
CN113537757B
CN113537757B CN202110790127.8A CN202110790127A CN113537757B CN 113537757 B CN113537757 B CN 113537757B CN 202110790127 A CN202110790127 A CN 202110790127A CN 113537757 B CN113537757 B CN 113537757B
Authority
CN
China
Prior art keywords
risk
node
rail transit
concept
ontology
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110790127.8A
Other languages
English (en)
Other versions
CN113537757A (zh
Inventor
王艳辉
赖森华
李曼
刘丽
夏伟富
李恒奎
杨基宏
赵盛盛
牛鹏骅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202110790127.8A priority Critical patent/CN113537757B/zh
Publication of CN113537757A publication Critical patent/CN113537757A/zh
Application granted granted Critical
Publication of CN113537757B publication Critical patent/CN113537757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种轨道交通系统运营不确定风险的分析方法。该方法包括：基于概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射；利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建；利用贝叶斯网络结构的联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果。本发明在利用基于风险本体结构的贝叶斯推理结构完成了在不确定风险知识变化情况下，整个系统内安全状态的定量分析并计算出相关事故发生的概率，为轨道交通系统风险管控工作提供了实施办法。

Description

一种轨道交通系统运营不确定风险的分析方法
技术领域
本发明涉及轨道交通系统运营安全管理技术领域，尤其涉及一种轨道交通系统运营不确定风险的分析方法。
背景技术
随着我国城市化建设的步伐不断加快，人们日益增长的出行需求加速了城市轨道交通的发展。作为一种便捷、安全与舒适的城市公共交通工具，城市轨道交通具有非常多的优点，但其所存在的诸多安全隐患，也引起了广泛的重视。
近年来我国多数城市已开通轨道交通运输，加之城市轨道交通属于乘客密集型公共场所，大都在地下密闭空间运行，如若发生安全事件，将产生极大的社会影响，因此保障城市轨道交通运营的安全成为运营企业首要的工作重点。鉴于多数城市的城市轨道交通工程属于新建或改扩建，其运营安全管理经验相对欠缺，新技术的运用，新人员的增加，局部社会不稳定的态势，网络化的运行给城市轨道交通运营安全管理工作带来了新的挑战。
城市轨道交通安全风险预测是城市轨道交通安全管控工作的核心之一，城市轨道交通运营安全的历史事件及数据，运营管理公司的安全工作经验，领域内的专家知识都是城市轨道交通运营安全风险预测的重要组成部分，城市轨道交通运营专业性强，装备技术复杂，乘客参与人数多，因而对其进行风险预测难度较大，这是一种典型的不确定性知识的表达与推理过程。
目前，现有技术中还没有一种有效的轨道交通系统运营不确定风险的分析方法。
发明内容
本发明的实施例提供了一种轨道交通系统运营不确定风险的分析方法，以实现对轨道交通系统进行有效的风险管控。
为了实现上述目的，本发明采取了如下技术方案。
一种轨道交通系统运营不确定风险的分析方法，包括：
基于概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射；
利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建；
利用贝叶斯网络结构的联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果。
优选地，所述的基于概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，包括：
基于风险知识的概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，所述轨道交通运营风险本体模型包括概念、概念间的关系及属性三个变量；
O＝<C，R，P>
式中，O——城市轨道交通运营运营风险本体；
C——风险本体中各概念；
R——风险本体中概念对的相互关系；
P——风险本体中各概念的属性；
所述风险本体中各概念指的是通过事故文本报告涉及到安全运营相关的文本信息；
所述风险本体中概念对之间的相互关系是指各概念对在事故文本报告中如何组合反映事故的；
所述风险本体中各概念的属性是指由概念以及概念对所构成的事故所发生的概率。
优选地，所述的从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射，包括：
基于节点、节点关系以及节点属性定义一个转换函数f去建立风险概念本体和贝叶斯网络之间的映射关系，具体实现如下所示：
(1)BN＝f(O)：将风险概念本体结构转换为贝叶斯网络结构，且两个模型之间的风险概念、概念关系及概念属性相互对应；
(2)N＝f(C)：将风险概念转换为贝叶斯网络结构中的节点，各节点的名称都使用风险知识本体模型中风险概念的名称来标识，一一对应；
(3)E＝f(R)：将风险概念关系转换为贝叶斯网络结构中的节点边，用节点间的条件概率进行标识；
(4)P＝f(P)：将风险知识本体中的概念属性与贝叶斯网络中各节点属性互相对应。
优选地，所述的利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建，包括：
依据所述轨道交通运营风险概念本体和贝叶斯网络之间的映射关系，将轨道交通运营风险本体模型映射为OTBN网络结构；
所述OTBN网络结构由二元组OTBN＝<M,P>表示，M为网络结构各节点变量及其连接边构成的有向无环图，P表征各父子类节点之间的耦合作用关系，利用条件概率表CPT对所述耦合作用关系进行定量表述；
给定参数θ的似然度用P(D|θ)来表示，P(D|θ)为数据集D的条件概率，该数据D指的是由事故报告所提取的相应事故文本信息，其中包含构建的轨道交通系统风险本体O＝<C，R，P>所涉及到的相关内容；
设置MLE似然函数表示形式取对数计算，即：
式中misk表示在数据集D中满足Ci＝k以及Π(Ci)＝s的样本数目总和，如公式5-5所示，则最大似然估计参数θmax的计算方式详见公式5-6；
Ci指的是第i个风险点，即OTBN中第i个节点；∏(Ci)指的是节点Ci在OTBN中的父节点；k，s都代表的是节点的状态，节点状态包括：True和Fals；
利用最大似然估计对数据集D进行参数学习，得到OTBN网络结构中各节点不同状态发生的概率，所述OTBN网络结构包括m个风险概念，设每一个风险概念Ci都有x个可能值1,2,...,x，与父节点的Π(Ci)取值共有q个组合，则所述OTBN网络结构的参数为θisk＝P(Ci＝k|Π(Ci)＝s)，其中i＝1,2,...,n；k和s分别代表Ci和Π(Ci)的取值，对于固定的i、k和s的取值范围分别从1～x和1～q。
优选地，所述的利用贝叶斯网络结构的联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果，包括：
根据OTBN网络的结构和CPT节点条件分布概率生成OTBN网络的最大联结树，实现步骤为：
Step1：把OTBN网络图中的每个节点与其所有的父节点连接，把所有的有向连接边换成无向连接边；
Step2：将无向结构图中拥有公共子节点的父节点连接起来后构成了道德图，用虚线把道德图中的所有结构进行分隔，形成三角区域，实现无向结构图的三角化处理；
Step3：在进行无向结构图的三角化处理之后，每个三角区域都代表一个节点变量，相邻三角区域之间的公共边为这两个节点变量的中间节点，此时网络结构图就转换成了联通图；
Step4：寻找联通图的根，得到最大联结树。
利用OTBN网络的最大联结树进行参数学习，构建贝叶斯网络推理结构，进行贝叶斯诊断推理，当网络节点的变量发生状态变化时，推理出与其有父子连接关系的其他节点的状态，来判断系统内部风险事故发生的概率；当系统内部发生风险事故时，反向推断出造成该事故发生时各相互作用节点组合，得到轨道交通系统运营不确定风险的分析结果。
优选地，所述的贝叶斯推理网络图的各节点属性集如表1所示：
表1
由上述本发明的实施例提供的技术方案可以看出，本发明在利用基于风险本体结构的贝叶斯推理结构完成了在不确定风险知识变化情况下，整个系统内安全状态的定量分析并计算出相关事故发生的概率，为轨道交通系统风险管控工作提供了实施办法。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于轨道交通系统运营风险本体的贝叶斯推理方法的处理流程图；
图2为本发明实施例提供的一种风险概念本体和贝叶斯网络之间的映射关系示意图；
图3为本发明实施例提供的一种生成最大联结树的处理过程示意图；
图4为本发明实施例提供的一种轨道交通运营风险本体模型的部分结构图。
图5为本发明实施例提供的一种贝叶斯推理网络的结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例公开了一种基于轨道交通系统运营风险本体的贝叶斯推理方法，包括以下步骤：依托轨道交通运营风险本体模型的无冗余拓扑结构实现其向贝叶斯拓扑结构的初步转化；然后利用似然估计的方法实现风险本体的概率扩展，即节点的定量分析，完成贝叶斯网络结构的构建；最后利用联结树算法完成贝叶斯推理模型的建立，对不确定风险进行研究分析。
本发明实施例提供的一种基于轨道交通系统运营风险本体的贝叶斯推理方法的处理流程如图1所示，包括如下的处理步骤：
步骤S10、依托轨道交通运营风险本体模型的无冗余拓扑结构，实现轨道交通运营风险本体模型向贝叶斯拓扑结构的初步转化。
依据目前本领域的公知常识，普遍认为轨道交通运营风险本体可以包含五个部分：概念、关系、属性、实例和公理。本发明在构建轨道交通运营风险本体模型时，主要考虑的是风险知识的概念、概念间的关系及属性三个变量。
O＝<C，R，P>
式中，O——城市轨道交通运营运营风险本体；
C——风险本体中各概念；
R——风险本体中概念对的相互关系；
P——风险本体中各概念的属性(发生的概率)；
在本发明中，风险本体中各概念指的是通过事故文本报告涉及到安全运营相关的文本信息，例如：地铁乘客，坠落，站台，身亡，事故，情况，日晚，点，地铁，号线，人民广场站，一名，乘客，列车，进站，过程，中因，乘客，拥挤，意外，坠落，站台，列车，紧急制动，措施，距离，列车，撞，乘客，坠落，乘客，死亡，地铁，列车等。
风险本体中概念对之间的相互关系是指各概念对在事故文本报告中如何组合反映事故的。
风险中各概念的属性是指由概念以及概念对所构成的事故所发生的概率，即占事故报告中所有事故数的比例。
通过这种方式，利用如隐形马尔科夫模型、Viterbi模型、TF-IDF算法等方法可以构建得到了轨道交通风险本体模型。
从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射。
定义一个转换函数f去建立风险概念本体和贝叶斯网络之间的映射关系，具体实现如下所示：
(1)BN＝f(O)：将风险概念本体结构转换为贝叶斯网络结构，且两个模型之间的风险概念、概念关系及概念属性相互对应。
(2)N＝f(C)：将风险概念转换为贝叶斯网络结构中的节点，各节点的名称都使用风险知识本体模型中风险概念的名称来标识，一一对应。
(3)E＝f(R)：将风险概念关系转换为贝叶斯网络结构中的节点边，用节点间的条件概率进行标识。
(4)P＝f(P)：将风险知识本体中的概念属性与贝叶斯网络中各节点属性互相对应。
图2为本发明实施例提供的一种风险概念本体和贝叶斯网络之间的映射关系示意图。
步骤S20、利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建。
对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建。依据上述风险概念本体和贝叶斯网络之间的映射关系，将轨道交通运营风险本体模型映射为OTBN(OntologyBayesianNetwork，轨道交通系统运营风险知识本体贝叶斯网络模型)网络结构。与贝叶斯网络本质而言是同一种网络，之所以称为OTBN，是因为在构建该网络时利用的是轨道交通系统风险本体(本体的英文即ontology)。
OTBN网络结构可以由二元组OTBN＝<M,P>表示，M为网络结构各节点变量及其连接边构成的有向无环图，P表征各父子类节点之间的耦合作用关系，可利用CPT(conditionalprobability table，条件概率表)对该耦合作用关系进行定量表述。条件概率分布表可以确定OTBN网络模型中各节点的条件概率密度，以此来表示风险概念节点之间的耦合关联关系。CPT的构建是对OTBN网络模型进行推理、预测研究的基础条件。
给定参数θ，则参数θ的似然度可以用P(D|θ)来表示，P(D|θ)为数据集D的条件概率。数据D指的是由事故报告所提取的相应事故文本信息，包含的内容即上面所构建的轨道交通系统风险本体O＝<C，R，P>所涉及到的相关内容。
为了便于计算，MLE似然函数表示形式通常取对数计算，即：
式中misk——在数据集D中满足Ci＝k以及Π(Ci)＝s的样本数目总和，如公式5-5所示，则最大似然估计参数θmax的计算方式详见公式5-6。
Ci指的是第i个风险点，即OTBN中第i个节点；∏(Ci)指的是节点Ci在OTBN中的父节点；由于每个节点都具有多个状态变量(节点状态是贝叶斯网络进行推理的基础)，k，s都代表的是节点的状态。本发明中OTBN中节点状态只有两种：True、False，这里用k，s是为了理论研究部分更具有普遍意义，但在本发明中，其实就是True或者False。
OTBN代表的是网络结构，利用最大似然估计对数据集进行参数学习，就可以得到OTBN网络结构中各节点不同状态发生的概率，也就是代表着贝叶斯网络结构的建立。(最大似然参数估计参数θmax的计算过程是用来说明参数学习是如何进行的)。
本发明实施例所构建的贝叶斯网结构BN体是由m个风险概念构成，设每一个风险概念Ci都有x个可能值1,2,...,x，与父节点的Π(Ci)取值共有q个组合，则贝叶斯网结构BN的参数为θisk＝P(Ci＝k|Π(Ci)＝s)，其中i＝1,2,...,n；k和s分别代表Ci和Π(Ci)的取值，对于固定的i、k和s的取值范围分别从1～x和1～q。
步骤S30、利用联结树算法完成贝叶斯推理模型的建立，对不确定风险进行研究分析。
构建贝叶斯网络模型的最终目的是利用其推理功能进行应用分析。在确定了贝叶斯网结构结构和节点条件分布概率(CPT)的情况下，进行贝叶斯诊断推理。当网络节点的变量发生状态变化时，可以推理出与其有父子连接关系的其他节点的状态，来判断系统内部风险事故发生的概率；同时，当系统内部发生风险事故时，仍可以反向推断出造成该事故发生时各相互作用节点组合，可以进行直观简便的可视化分析。实现步骤为：
Step1：将贝叶斯网络的有向结构图转换为无向结构图；把网络图中的每个节点与其所有的父节点连接，同时把所有的有向连接边换成无向连接边。
Step2：对无向结构图进行三角化处理；将无向结构图中拥有公共子节点的父节点连接起来后构成了道德图，然后用虚线把道德图中的所有结构进行分隔，形成三角区域，实现无向结构图的三角化处理；最优化三角形问题一般是通过增加节点间的连接边来达到目的的。
Step3：构造联结树；在进行无向结构图的三角化处理之后，每个三角区域都代表一个节点变量，相邻三角区域之间的公共边为这两个节点变量的中间节点，此时网络结构图就转换成了联通图。
Step4：图3为本发明实施例提供的一种生成最大联结树的处理过程示意图。生成最大联结树；寻找联通图的根，得到最大联结树。
这里是通过联结树，将已有的网络结构进行处理，形成贝叶斯网络推理结构，由联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果。
本发明的创新之处，在于通过构建了面向轨道交通系统风险本体的贝叶斯网络模型，进而，可以利用该模型对风险过程中涉及到的内容进行推理分析。
推理过程举例如下：图4为本发明实施例提供的一种轨道交通运营风险本体模型的部分结构图。利用联结树法将上述网络结构进行推理，通过如说明书中所提到的参数学习方式，对已有的数据集进行参数学习，构建得到如图5所示的贝叶斯推理网络图。
表1各节点属性集
进而，可以对网络进行推理分析，包括单一节点状态推理分析和多节点状态推理分析，如下表所示。
表2单一节点状态变化对C6和C3的影响
节点 节点状态 C6被激活的最大概率值 C3被激活的概率值
C1 被激活 0.706 0.5204
C2 被激活 0.643 0.516
C3 被激活 0.61 0.527
表3多节点状态变化对C6和C3的影响
节点 节点 节点状态 C6被激活的最大概率值 C3被激活的概率值
C1 C5 被激活 0.6842 0.5204
C12 C9 被激活 0.3 0.2777
C12 C10 被激活 0.2727 0.1737
综合多节点状态变化与单一节点变化造成的不确定风险影响结果可以发现，异物入侵对钢轨安全状态的变化影响最大；这是因为当异物进入城轨系统运营环节当中时，由于其并不是保证系统运营所必要的，所以异物往往会影响系统安全状态；譬如当有乘客坠轨时会直接影响列车在钢轨安全运行的功能，所以乘客坠轨带来的这一负能量是系统运营所应排斥的。
综上所述，本发明实施例基于运营事故风险本体模型，以结构转换的方式实现了贝叶斯网络结构的准确构建；利用似然估计的方法实现风险本体的概率扩展，完成节点的定量分析，形成贝叶斯网络模型；最后利用联结树算法王城贝叶斯推理模型的建立。本发明是在利用基于风险本体结构的贝叶斯推理结构完成了在不确定风险知识变化情况下，整个系统内安全状态的定量分析并计算出相关事故发生的概率。为轨道交通系统风险管控工作，尤其是为传统的出现事故进行防控的被动防控体系向出现早起征兆就进行风险管控的主动防控体系的转换提供研究基础和实施办法。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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 (2)

1.一种轨道交通系统运营不确定风险的分析方法，其特征在于，包括：
基于概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射；
利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建；
利用贝叶斯网络结构的联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果；
所述的从节点、节点关系以及节点属性三个方面完成轨道交通运营风险本体模型与贝叶斯拓扑结构之间的拓扑映射，包括：
基于节点、节点关系以及节点属性定义一个转换函数f去建立风险概念本体和贝叶斯网络之间的映射关系，具体实现如下所示：
(1)BN＝f(O)：将风险概念本体结构转换为贝叶斯网络结构，且两个模型之间的风险概念、概念关系及概念属性相互对应；
(2)N＝f(C)：将风险概念转换为贝叶斯网络结构中的节点，各节点的名称都使用风险知识本体模型中风险概念的名称来标识，一一对应；
(3)E＝f(R)：将风险概念关系转换为贝叶斯网络结构中的节点边，用节点间的条件概率进行标识；
(4)P＝f(P)：将风险知识本体中的概念属性与贝叶斯网络中各节点属性互相对应；
所述的利用似然估计的方法实现风险本体的概率扩展，对贝叶斯网络结构中的节点进行定量分析，完成贝叶斯网络结构的构建，包括：
依据所述轨道交通运营风险概念本体和贝叶斯网络之间的映射关系，将轨道交通运营风险本体模型映射为OTBN网络结构；
所述OTBN网络结构由二元组OTBN＝＜M,P＞表示，M为网络结构各节点变量及其连接边构成的有向无环图，P表征各父子类节点之间的耦合作用关系，利用条件概率表CPT对所述耦合作用关系进行定量表述；
给定参数θ的似然度用P(D|θ)来表示，P(D|θ)为数据集D的条件概率，该数据D指的是由事故报告所提取的相应事故文本信息，其中包含构建的轨道交通系统风险本体O＝<C,R,P>所涉及到的相关内容；
设置MLE似然函数表示形式取对数计算，即：
式中misk表示在数据集D中满足Ci＝k以及Π(Ci)＝s的样本数目总和，如公式5-5所示，则最大似然估计参数θmax的计算方式详见公式5-6；
Ci指的是第i个风险点，即OTBN中第i个节点；Π(Ci)指的是节点Ci在OTBN中的父节点；k，s都代表的是节点的状态，节点状态包括：True和Fals；
利用最大似然估计对数据集D进行参数学习，得到OTBN网络结构中各节点不同状态发生的概率，所述OTBN网络结构包括m个风险概念，设每一个风险概念Ci都有α个可能值1,2,...,α，与父节点的Π(Ci)取值共有q个组合，则所述OTBN网络结构的参数为θisk＝P(Ci＝k|Π(Ci)＝s)，其中i＝1,2,...,n；k和s分别代表Ci和Π(Ci)的取值，对于固定的i、k和s的取值范围分别从1～α和1～q；
所述的利用贝叶斯网络结构的联结树进行贝叶斯网络推理过程，得到轨道交通系统运营不确定风险的分析结果，包括：
根据OTBN网络的结构和CPT节点条件分布概率生成OTBN网络的最大联结树，实现步骤为：
Step1：把OTBN网络图中的每个节点与其所有的父节点连接，把所有的有向连接边换成无向连接边；
Step2：将无向结构图中拥有公共子节点的父节点连接起来后构成了道德图，用虚线把道德图中的所有结构进行分隔，形成三角区域，实现无向结构图的三角化处理；
Step3：在进行无向结构图的三角化处理之后，每个三角区域都代表一个节点变量，相邻三角区域之间的公共边为这两个节点变量的中间节点，此时网络结构图就转换成了联通图；
Step4：寻找联通图的根，得到最大联结树；
利用OTBN网络的最大联结树进行参数学习，构建贝叶斯网络推理结构，进行贝叶斯诊断推理，当网络节点的变量发生状态变化时，推理出与其有父子连接关系的其他节点的状态，来判断系统内部风险事故发生的概率；当系统内部发生风险事故时，反向推断出造成该事故发生时各相互作用节点组合，得到轨道交通系统运营不确定风险的分析结果；
所述的基于概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，包括：
基于风险知识的概念、关系、属性、实例和公理五个部分构建轨道交通运营风险本体模型，所述轨道交通运营风险本体模型包括概念、概念间的关系及属性三个变量；
0＝<C,R,P>
式中，O——城市轨道交通运营风险本体；
C——风险本体中各概念；
R——风险本体中概念对的相互关系；
P——风险本体中各概念的属性；
所述风险本体中各概念指的是通过事故文本报告涉及到安全运营相关的文本信息；
所述风险本体中概念对之间的相互关系是指各概念对在事故文本报告中如何组合反映事故的；
所述风险本体中各概念的属性是指由概念以及概念对所构成的事故所发生的概率。
2.根据权利要求1所述的方法，其特征在于，所述的贝叶斯推理网络图的各节点属性集如表1所示：
表1
CN202110790127.8A 2021-07-13 2021-07-13 一种轨道交通系统运营不确定风险的分析方法 Active CN113537757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110790127.8A CN113537757B (zh) 2021-07-13 2021-07-13 一种轨道交通系统运营不确定风险的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110790127.8A CN113537757B (zh) 2021-07-13 2021-07-13 一种轨道交通系统运营不确定风险的分析方法

Publications (2)

Publication Number Publication Date
CN113537757A CN113537757A (zh) 2021-10-22
CN113537757B true CN113537757B (zh) 2024-02-09

Family

ID=78127746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110790127.8A Active CN113537757B (zh) 2021-07-13 2021-07-13 一种轨道交通系统运营不确定风险的分析方法

Country Status (1)

Country Link
CN (1) CN113537757B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10332202A1 (de) * 2003-07-16 2005-02-03 Daimlerchrysler Ag Bayesnetz-basiertes Expertensystem zur Diagnose, Risikoanalyse und Funktions-Wiederherstellung, insbesondere bei Kraftfahrzeugen
CN102360457A (zh) * 2011-10-20 2012-02-22 北京邮电大学 一种自主完善网络结构的贝叶斯网络及本体联合推理的方法
CN110490437A (zh) * 2019-08-01 2019-11-22 北京交通大学 一种轨道交通系统运营风险链构建方法
CN111310948A (zh) * 2020-03-31 2020-06-19 北京交通大学 轨道交通车载信号系统的优化维修策略的获取方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102640154B (zh) * 2009-07-30 2015-03-25 惠普开发有限公司 基于所接收的与网络实体相关联的事件来构造贝叶斯网络
US20110238603A1 (en) * 2010-03-29 2011-09-29 Raytheon Company System and Method for Predicting Events Via Dynamic Ontologies
US9349103B2 (en) * 2012-01-09 2016-05-24 DecisionQ Corporation Application of machine learned Bayesian networks to detection of anomalies in complex systems
EP3462348A1 (en) * 2017-09-28 2019-04-03 Koninklijke Philips N.V. Bayesian inference

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10332202A1 (de) * 2003-07-16 2005-02-03 Daimlerchrysler Ag Bayesnetz-basiertes Expertensystem zur Diagnose, Risikoanalyse und Funktions-Wiederherstellung, insbesondere bei Kraftfahrzeugen
CN102360457A (zh) * 2011-10-20 2012-02-22 北京邮电大学 一种自主完善网络结构的贝叶斯网络及本体联合推理的方法
CN110490437A (zh) * 2019-08-01 2019-11-22 北京交通大学 一种轨道交通系统运营风险链构建方法
CN111310948A (zh) * 2020-03-31 2020-06-19 北京交通大学 轨道交通车载信号系统的优化维修策略的获取方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The application of dynamic bayesian network to reliability assessment of emu traction system;Yanhui Wang, Lifeng Bi, Lifeng Bi 等;Eksploatacja i Niezawodnosc – Maintenance and Reliability;第19卷(第03期);全文 *
Uncertainty Modeling Based on Bayesian Network in Ontology Mapping;LI Yuhua, LIU Tao, SUN Xiaolin;Wuhan University Journal of Natural Sciences;2006年(第05期);全文 *
基于本体的机械故障诊断贝叶斯网络;秦大力, 于德介;中国机械工程;第24卷(第09期);全文 *
基于贝叶斯网络的本体不确定性推理;杨喜权, 曹雪亚, 国頔娜 等;计算机应用;2008年(第05期);全文 *

Also Published As

Publication number Publication date
CN113537757A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Yin et al. Quantitative analysis for resilience-based urban rail systems: A hybrid knowledge-based and data-driven approach
An et al. Aggregation of group fuzzy risk information in the railway risk decision making process
CN114889678B (zh) 一种基于动态贝叶斯的铁路站车线安全协同预警方法
CN104637023A (zh) 一种对铁路运营现状安全性评价的方法
Shi et al. Scenario construction and deduction for railway emergency response decision-making based on network models
Nasrollahi et al. Identification and prioritization of connected vehicle technologies for sustainable development in Iran
Han et al. A new type-2 fuzzy multi-criteria hybrid method for rail transit operation safety assessment
Deng et al. Analysis of failures and influence factors of critical infrastructures: a case of metro
Sun et al. Demand prediction of railway emergency resources based on case-based reasoning
Liu et al. Methodology for dynamic reliability assessment of team situation awareness of digital nuclear power plants
Yu et al. Parameter selection and evaluation of robustness of Nanjing metro network based on supernetwork
Chen et al. Vulnerability assessment in urban metro systems based on an improved cloud model and a Bayesian network
CN113537757B (zh) 一种轨道交通系统运营不确定风险的分析方法
Wujie et al. Analyzing and predicting railway operational accidents based on fishbone diagram and Bayesian networks
Jin et al. A human error quantitative analysis of the railway ATO system based upon improved CREAM
Lin et al. Data-driven situation awareness of electricity-gas integrated energy system considering time series features
Sun et al. Fuzzy-Bayesian-network-based safety risk analysis in railway passenger transport
Zhang et al. A deep awareness framework for pervasive video cloud
Mahboob et al. Application of importance measures to transport industry: Computation using Bayesian networks and Fault Tree Analysis
Song et al. Quality Risk Management Algorithm for Cold Storage Construction Based on Bayesian Networks
Chowdhury et al. The usage of association rule mining towards future-proofed transportation infrastructure planning
Moehrle Generic self-learning decision support system for large-scale disasters.
Liao et al. Probabilistic prediction of unsafe event in air traffic control Department based on the Improved backpropagation neural network
Zhang et al. Safety prediction of rail transit system based on deep learning
Bao-yu et al. Research on prediction of short-term passenger flow of urban rail transit based on deep neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant