CN115938124A - 一种城市轨道交通突发事件影响预测方法、系统及产品 - Google Patents
一种城市轨道交通突发事件影响预测方法、系统及产品 Download PDFInfo
- Publication number
- CN115938124A CN115938124A CN202211704852.XA CN202211704852A CN115938124A CN 115938124 A CN115938124 A CN 115938124A CN 202211704852 A CN202211704852 A CN 202211704852A CN 115938124 A CN115938124 A CN 115938124A
- Authority
- CN
- China
- Prior art keywords
- emergency
- influence
- bayesian network
- faults
- time
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种城市轨道交通突发事件影响预测方法、系统及产品,涉及城市轨道交通管理与控制技术领域,包括:获取历史训练数据集;利用历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型;将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和影响范围。本发明能够利用轨道交通历史数据,在出现突发事件的情况下,利用计算机自动预测突发事件的影响时间和影响范围。
Description
技术领域
本发明涉及城市轨道交通管理与控制技术领域,特别是涉及一种城市轨道交通突发事件影响预测方法、系统及产品。
背景技术
作为大城市交通运输的主动脉,城市轨道交通是破解“交通拥堵”、“环境污染”等大城市病的关键。进一步推进网络化运营对大城市轨道交通行业具有重大现实意义,但由于轨道交通网络规模大、客流密集、列车运行间隔小等特点,导致突发事件下的路网管控困难。同时,轨道交通设备设施多样化、员工培训、车辆高负荷运行等问题给路网安全运营带来了一系列新的挑战。轨道交通发生影响行车的故障会严重影响居民乘车体验和公共安全。
图1为轨道交通行车调度指挥系统的作用示意图,如图1所示,行车调度指挥是轨道交通的“大脑”,由调度员和列车自动监督系统(Automatic Train Supervision,ATS)组成。一旦突发事件发生后,需要行车调度指挥和维护支持部门相互协作,由调度员判断突发事件的影响,并调整线上列车运行,保证乘客安全和列车运行,尽可能降低突发事件对轨道交通运营带来的负面影响。
然而,目前的行车调度指挥系统在突发事件下,仍需人工进行调度调整,依靠人工经验判断突发事件可能的持续时间和影响范围,再人工调整列车运行。这种以人工经验为主的处置方法可能由于调度员认知缺陷,导致判断失误,极易扩大突发事件的影响范围。另一方面,轨道交通调度中心在年复一年的运营过程中,积累了大量的突发事件历史数据,这些数据中包含了关于突发事件影响的宝贵信息,但由于这些数据均为文字数据,难以直接利用。因此,如何利用轨道交通历史数据,在出现突发事件的情况下,利用计算机自动预测突发事件的影响时间和影响范围,从而辅助调度员调整列车运行,保证列车运行和乘客安全,降低列车晚点时间,成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种城市轨道交通突发事件影响预测方法、系统及产品,能够利用轨道交通历史数据,在出现突发事件的情况下,利用计算机自动预测突发事件的影响时间和影响范围。
为实现上述目的,本发明提供了如下方案:
一种城市轨道交通突发事件影响预测方法,所述方法包括:
获取历史训练数据集;所述历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围;
利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型;
将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入所述基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
可选地,所述突发事件开始时间包括早高峰、晚高峰和平峰;
所述天气状况包括雷、雨、雪、霾、雾、大风和正常;
所述线路状况包括线路编号;
所述故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;
所述突发事件的影响范围包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;
所述突发事件的影响时间包括突发事件持续时长。
可选地,所述利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型,具体包括:
将所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
本发明还提供了如下方案:
一种城市轨道交通突发事件影响预测系统,所述系统包括:
历史训练数据集获取模块,用于获取历史训练数据集;所述历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围;
贝叶斯网络训练模块,用于利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型;
突发事件影响预测模块,用于将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入所述基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
可选地,所述突发事件开始时间包括早高峰、晚高峰和平峰;
所述天气状况包括雷、雨、雪、霾、雾、大风和正常;
所述线路状况包括线路编号;
所述故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;
所述突发事件的影响范围包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;
所述突发事件的影响时间包括突发事件持续时长。
可选地,所述贝叶斯网络训练模块具体包括:
贝叶斯网络训练单元,用于将所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的城市轨道交通突发事件影响预测方法。
本发明还提供了如下方案:
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的城市轨道交通突发事件影响预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开的城市轨道交通突发事件影响预测方法、系统及产品,利用突发事件开始时间、天气状况、线路状况和故障模式以及与它们对应的突发事件的影响时间和影响范围对贝叶斯网络进行训练,通过深度学习、文本挖掘等机器学习方法,建立基于贝叶斯网络的突发事件影响预测模型,利用该模型在突发事件发生时动态预测突发事件的影响时间和影响范围等信息,达到利用轨道交通历史数据,在出现突发事件的情况下,利用计算机自动预测突发事件的影响时间和影响范围,从而辅助调度员调整列车运行,保证列车运行和乘客安全,降低列车晚点时间的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为轨道交通行车调度指挥系统的作用示意图;
图2为本发明城市轨道交通突发事件影响预测方法实施例一的流程图;
图3为本发明基于数据驱动的城市轨道交通突发事件智能防控方法的整体实施流程图;
图4为本发明中突发事件影响严重程度的计算关系图;
图5为本发明突发事件影响因素分类框架示意图;
图6为本发明基于评分法和专家知识的贝叶斯网络模型构建方法示意图;
图7为本发明中贝叶斯网络模型的结构拓扑图;
图8为本发明中贝叶斯网络模型的节点关联关系与先验概率可视化图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种城市轨道交通突发事件影响预测方法、系统及产品,能够利用轨道交通历史数据,在出现突发事件的情况下,利用计算机自动预测突发事件的影响时间和影响范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图2为本发明城市轨道交通突发事件影响预测方法实施例一的流程图。如图2所示,本实施例提供了一种城市轨道交通突发事件影响预测方法,包括以下步骤:
步骤101:获取历史训练数据集;历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与突发事件开始时间、天气状况、线路状况和故障模式对应的突发事件的影响时间和突发事件的影响范围。
该步骤101中,突发事件开始时间(事件开始时间)包括早高峰、晚高峰和平峰;天气状况包括雷、雨、雪、霾、雾、大风和正常;线路状况包括线路编号;故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;突发事件的影响范围(事件影响)包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;突发事件的影响时间(事件持续时间)包括突发事件持续时长(时长大小)。
该步骤101之前还包括:
突发事件历史数据存储与自动分析:
(1)建立突发事件数据存储库:轨道交通突发事件的数据以文本形式存储,以下是一条典型的事件记录:“在早高峰时段(上午8点35分),2015年10月23日(天气:雪雾),2号线信号系统发生故障,列车运行间隔增加,故障约10分钟恢复”。从数据记录中为每个事件定义以下六类信息:(i)事件开始时间,(ii)天气状况,(iii)线路状况,(iv)故障模式,(v)事件影响和(vi)事件持续时间。在数据记录中,使用表示事件集,事件由索引,其中ei表示某一个事件e,该事件用i索引(例如事件e1,事件e2等等)。。每个事件记录e定义如下:
e=[f1,f2,...,fn,v1,v2,…,vm,d],
f1,f2,...,fn∈0,1,n=21
v1,v2,...,vm∈0,1,m=16
d∈R+
按照上述过程可以将所有突发事件转化为一个事件集其中根据收集到的数据,向量f中有21个元素,涵盖时间、天气、线路状况和故障模式。例如,如果事件发生在高峰时段(早上7:30-9:00,晚上17:30-19:30),则元素f1=1;否则f1=0。事件记录e中的其它元素f以类似的方式记录。此外,向量v代表每个事件记录e的事件影响(如列车运行间隔增加),其中向量v共有16个元素。最后,元素d表示系统从突发事件恢复到正常状态的恢复时间(如10分钟)。表1给出了事件集中一个包含两条数据记录的示例,表中的每一行代表一个事件e中的每一列代表该事件的信息。通过收集现场数据并预处理成标准结构,利用MySQL建立历史数据标准数据库。
其中,预处理是指通过把现场的突发事件记录从以文本的形式转化为类似于表1样例的以数据的形式记录的标准结构。
表1突发事件集事件集合的数据示例
(2)定义突发事件的影响严重程度评价函数
在城市轨道交通系统中,突发事件下系统恢复正常运营的时间是运营商以及出行乘客关注的首要目标。因此,本发明将事件e时间T内(在时间T内事件e发生)的系统性能变化总和记为Rx(e),事件的影响严重程度评价函数Rx被表示为突发事件影响程度与恢复时间的耦合关系。具体定义如下所示:
其中Rx(t|x)表示事件e发生在t时刻时的系统性能,是表示系统在正常情况下预期性能,V(e,N)表示集合中每个事件e的严重程度,D(e,N)表示集合中每个事件e的恢复时间,代表在不确定条件下的事件严重程度和恢复时间的耦合关系。
构建的作用是为了通过量化事件e与影响严重程度评价函数Rx(e)的关系来构建类别之间的关联关系。具体地,事件e包括天气、失效模式、影响模式等,而影响严重程度评价函数的值由严重程度V(e,N)和恢复时间D(e,N)来量化,因此量化e和Rx(e)之间的关系即可以构建贝叶斯网络中各个类别间的关系。
步骤102:利用历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型。
该步骤102具体包括:
将突发事件开始时间、天气状况、线路状况和故障模式以及与突发事件开始时间、天气状况、线路状况和故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
该步骤102建立基于贝叶斯网络的突发事件影响预测模型:
(1)对突发事件影响因素进行分类:本发明根据调度员的实际调度经验,将突发事件的影响因素分为以下五类:(i)线路信息(CBTC与固定块系统);(ii)天气信息(正常、雨、雪等);(iii)故障类型;(iv)影响类型;(v)恢复策略。具体如表2所示。
表2本发明中定义的突发事件分析元素
表2中列出了历史训练数据集中一些具体参数。
(2)构建类别之间的关联关系。首先,考虑同一类别中节点的连接关系,选择同一类别中的两个节点,并根据调度员的实际调度经验来判断这两个节点是否相互关联。其次,考虑两个不同类别之间的连接关系,并通过使用定性策略来判断两个类别是否关联。其中,定性策略指的是直接利用调度员的实际调度知识与经验以及已掌握的突发事件历史信息判断两个类别之间是否存在关联关系,而不考虑它们之间的关联程度。例如,故障类型为火灾状况时,历史信息表明影响类型往往包括调度员采取封站措施,且恢复策略通常是线路停止运营。
(3)采用约束检验法对步骤(2)中的贝叶斯结构,即上一步骤(2)中构建的类别之间的关联关系进行验证。具体地,基于收集到的数据集基于约束检验的方法使用统计或信息理论等方法测试数据集的变量之间是否条件独立。条件独立约束是针对数据集构建,与它们不一致的网络连接,即上一步骤(2)中构建的类别之间的关联关系将被慎重考虑,从而进一步确定节点间是否存在关联关系。例如,对变量X和Y,认为(X,Y|Z)以变量Z为条件独立,那么认为网络中X和Y之间不存在直接关联。本发明采用基于约束检验的方法提取到在数据集下成立的突发事件持续时间和范围影响因素,如表3所示,从而修正专家知识网络中的关联关系对。
表3基于约束检验的节点连接关系
(4)使用XV和XD表示V(e,N)和D(e,N)的值,X1,X2,…,XR表示记录中其他元素f1,…,fn,v1,…,vm。令X={X1,X2,…,XV,XD,XR}为贝叶斯模型(BN)中的变量向量,其中每个变量Xi(i∈R)对应贝叶斯模型中的节点i的值,在给定训练数据样本的情况下找到最优图G*,即:
其中,g(G:N)表示图G和数据集之间的适应度,可以使用数据集的后验概率分布计算得到。Gn中的n表示图G中的节点(Gn中的n和fn中的n不是一个n,fn中的n表示根据收集到的数据统计的时间、天气、线路状况和故障模式),每个节点对应一个随机变量。具体的,图G中的节点N代表失效影响因素的集合,包括天气、失效模式、影响模式、严重程度V(e,N)和恢复时间D(e,N)。
(5)使用爬山算法来寻找邻域的候选解。从当前的节点i开始,和周围的邻居节点i′的g(G:N)值进行比较,如果找到更优的候选解(即更大的g(G:N)值),那么就用该邻居节点i′来替换当前节点i,即该候选解将作为新的起点,继续迭代过程。如果当前节点i的值是最大的,即在g(G:N)中没有找到局部更优解或迭代次数超过预设限制,那么返回当前节点,作为最优图,算法终止。
步骤(4)和步骤(5)是确定最优图,最优图与上面构建类别之间的关联关系以及对关联关系进行验证步骤之间的关系是:在构建贝叶斯模型时,最重要和最具挑战性的任务是结构学习过程,即确定任意两个节点之间的条件概率。换句话说,对每个节点Xi,均需要根据依据数据集找到它的父节点Xpa(i)。只有这样,才能通过极大似然估计法评估V(e,N)和D(e,N)的条件概率。确定最优图的目的是:通过局部搜索的方法不断地找到每个节点的父节点,确定最优图,从而构建贝叶斯网络。
(6)采用一种敏感度指数(SI)来评估目标节点的概率分布与变量Xi的变化之间的关系。具体来说,考虑一个目标节点XT(例如,XV、XD、XR)具有状态t(即离散实值)和变量Xi,计算SI的值如下:
其中i=1,2,…,n(此处的n和Gn中的n是一个n,都是指图G中的节点,即变量),Xi是变量的统称,而xi是变量的索引。基于SI值的大小对贝叶斯模型中变量进行排名,其中得分较高的因素是影响突发事件持续时间和范围的关键因素。
确定出影响突发事件持续时间和范围的关键因素是为了揭示变量对系统内突发事件持续时间和范围影响的重要程度。贝叶斯网络允许决策者通过后验推理对系统性能影响因素进行深入诊断,并得出明确的关键因素影响水平。运营管理者可以分析于这些关键因素,找出对影响突发事件持续时间和范围影响最大的因素加以关注和制定针对性的应急计划,提高系统的恢复能力。
(7)最后,利用实际历史数据检验模型的正确性和有效性,从而用于轨道交通运营过程中,突发事件的影响范围和影响时间预测。
上述步骤(1)至步骤(7)描述的是历史数据输入到贝叶斯网络中训练时,贝叶斯网络内部是如何利用历史数据训练网络的。
步骤103:将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
本发明采用贝叶斯网络结构,将历史训练数据集(包括事件开始时间、天气状况、线路状况、故障模式以及与事件开始时间、天气状况、线路状况、故障模式对应的事件影响和事件持续时间)输入到贝叶斯网络进行训练,训练好贝叶斯网络后,再将待预测的事件开始时间、天气状况、线路状况、故障模式输入到训练好的贝叶斯网络中,就能得到贝叶斯网络输出的事件影响和事件持续时间。
下面以一个具体实施例说明本发明的技术方案:
本发明提供了一种基于数据驱动的城市轨道交通突发事件防控(智能防控)方法和系统,其基于本发明城市轨道交通突发事件影响预测方法实现突发事件防控。本发明基于数据驱动的城市轨道交通突发事件防控方法可应用于城市轨道交通监控系统产品上。
本发明基于数据驱动的城市轨道交通突发事件防控方法总体结构如图3所示。本发明基于数据驱动的城市轨道交通突发事件防控系统中包含两个主要模块:历史文本数据分析模块和动态贝叶斯网络预测模块。
本发明利用轨道交通突发事件的历史数据,设计了一种基于数据驱动的轨道交通突发事件智能防控模型与方法,在出现突发事件情况下,可根据突发事件的信息预测突发事件的持续时间和影响范围,进而为调度员管控列车提供决策支持。该模型方法主要包含以下几个环节:(1)获取并存储突发事件历史数据;(2)基于贝叶斯网络构建突发事件预测模型的定义;(3)突发事件预测模型的结构设计;(4)模型的训练方法;(5)基于历史数据对模型进行训练和敏感性分析;(6)基于历史数据的模型验证与比较。
本发明基于数据驱动的城市轨道交通突发事件防控方法具体包括如下步骤:
步骤1:定义系统变量,建立轨道交通突发事件历史数据库。
轨道交通突发事件的数据以文本形式存储,以下是一条典型的事件记录:“在早高峰时段(上午8点35分),2015年10月23日(天气:雪雾),2号线信号系统发生故障,列车运行间隔增加,故障约10分钟恢复”。从数据记录中为每个事件定义六类信息:(i)事件开始时间,(ii)天气状况,(iii)线路状况,(iv)故障模式,(v)事件影响和(vi)事件持续时间,并将文本信息转化为计算机可读写的数字信息。
步骤1.1:定义突发事件集
本发明中,使用表示历史突发事件集合,事件由索引。每个事件记录e定义如下:
e=[f1,f2,...,fn,v1,v2,…,vm,d],
f1,f2,...,fn∈0,1,n=21
v1,v2,...,vm∈0,1,m=16
d∈R+
按照上述过程可以将所有突发事件的历史数据转化为一个标准的事件集合
步骤1.2:定义突发事件影响范围的评价函数。
在城市轨道交通系统中,突发事件下系统恢复正常运营的时间是运营商以及出行乘客关注的首要目标。因此,本发明将事件e时间T内的系统性能变化总和定义为Rx(e),事件的函数Rx表示突发事件影响程度与恢复时间的耦合关系,具体定义如下所示:
其中是系统在正常情况下预期性能,本发明中设定为100%,V(e,N表示集合中每个事件e的严重程度(分为等级1至等级5),D(e,N)表示集合中每个事件e的恢复时间(分为等级1至等级3),代表在不确定条件下的事件严重程度和恢复时间的耦合关系,可根据图4所示突发事件评价计算图进行计算。
步骤2:定义基于贝叶斯网络的突发事件智能预测模型。
步骤2.1:定义贝叶斯网络G。
定义有向无环图(DAG)G=(N,A),在模型中,节点N代表失效影响因素的集合,包括天气、失效模式、影响模式、严重程度V(e,N)和离散恢复时间D(e,N)。A={(i,j)|i,j∈N}是有向弧的集合,表示失效影响因素i和j之间的条件依赖关系。本发明中,令X={X1,X2,…,XV,XD,XR}为贝叶斯模型(BN)中的变量向量,其中每个变量Xi(i∈N)对应贝叶斯模型中的节点i的权重值。XV,XD,XR都是X中的某一个变量,它们与X1,X2,…合起来总共有N个。
步骤2.2:定义贝叶斯网络条件概率变量。根据条件概率论,节点间的联合概率P(X1,X2,…,Xn)可以表示为:
Xn中的n表示图G中的节点,Xn的n和Gn中的n是一个n,都是表示图G中的节点,即变量。
根据上述公式,可以得到X的联合概率,由下式给出:
其中P(X1,X2,…,XD,XV,XR)表示由数据集构建的网络的联合概率P。根据贝叶斯模型的条件独立关系,上式通过计算每个节点与父节点间的条件概率来进一步简化,即:
其中Xpa(i)表示Xi的父节点。根据基于数据集的贝叶斯模型描述,在给定样本集下P(XD|e)和P(XV|e)的后验概率可以表示为:
式中,P(XD|e)表示已知事件e情况下的XD发生的概率(这里P(XD|e)即为后验概率的表示方法)。P(XV|e)表示已知事件e情况下的XV发生的概率(这里P(XV|e)即为后验概率的表示方法)。Pe(G,N)表示在数据样本e的观测值下所有节点的联合概率。P(e)表示事件e发生的概率。
其中Pe(G,N)可以表示如下:
其中Pe(Xi|Xpa(i))表示在数据样本e的观测值下节点Xi的条件概率。使用多维数组的方式将以上的条件概率进行初始化赋值,默认初始化赋值均为0。
步骤2.3:定义贝叶斯网络评价函数。
贝叶斯网络模型的目标是在给定训练数据样本的情况下找到最优图G*,即:
其中p(G)代表DAGG的先验概率,它是根据突发事件的历史数据而人为给定的一个值,ri代表每个节点Xi可能取值的个数,Nijk为数据集中的案例个数,其中下标i为网络中第i个节点,下标k代表节点Xi取第k个取值,下标j代表其父节点取第j个取值,!表示阶乘。qi表示第i个节点的父节点的取值个数的范围。
步骤3:构建突发事件影响范围预测模型的结构。
步骤3.1:构建贝叶斯网络节点。
依据铁路管理者的经验将影响因素分为以下五类:(i)线路信息(CBTC与固定块系统);(ii)天气信息(正常、雨、雪等);(iii)故障类型;(iv)影响类型;(v)恢复策略。网络中,每个影响因素对应一个节点。
步骤3.2:构建贝叶斯网络节点连接关系。
在基于专家知识的贝叶斯模型中,每个影响因素对应一个节点。本发明通过专家知识即调度员的经验知识以连接不同类别中的节点(例如,“雨”和“信号故障”)来构建完整的贝叶斯模型。所构建的过程如下:图5是本发明中模型节点之间的关联关系图,如图5所示,首先,考虑同一类别中节点的连接关系,并判断这两个节点是否相互关联。例如,“天气”类别中的“雨”和“雷”是密切相关的,那么贝叶斯模型中的节点“雨”和“雷”会被连接起来。通过使用这种策略来检查每个类别中的所有节点,得到每一类节点的连通性;其次,考虑两个不同类别之间的连接关系,并通过使用定性策略来判断两个类别是否关联。例如,人们普遍认为极端天气(如雷或雪)可能会导致更多的设备故障。可以得到类似贝叶斯网络的结构,如图5所示。
步骤3.3:基于历史数据优化网络权重。
本发明采用局部搜索算法实现贝叶斯网络权重的优化。该算法基于K2评分函数是一种基于贪心思想的算法。在算法求解过程中,根据步骤3.2利用专家知识来构建贝叶斯网络结构,并根据节点的连接关系提取专家知识网络中影响因素的关联关系。使用提取到的关联关系修正的初始输入顺序。在局部搜索算法得出局部最优解后,当构建的贝叶斯网络无法满足精度要求,使用从专家知识网络中获取到的关联关系修正初始解。将专家网络中的关联关系分批融入到初始解中,以此来改变算法搜索过程中添加关系部分的邻域生成策略,进而跳出局部最优解。模型中采用逐步调整,迭代优化的方法进行。如果找到更优解,那么该更优解将作为新的候选解进行调整并继续迭代过程;否则,当前最优解作为最优贝叶斯网络结构输出。网络权重优化算法整体流程如图6所示。
步骤3.4:基于SI的网络参数敏感性分析。
参数敏感性分析是确定模型训练效果的关键步骤。本发明采用一种敏感度指数(SI)来评估目标节点的概率分布与变量Xi的变化之间的关系。具体来说,考虑一个目标节点XT(例如,XV、XD、XR)具有状态t(即离散实值)和变量Xi,计算SI的值如下:
其中i=1,2,…,n。基于SI值对贝叶斯模型中变量进行排名,其中得分较高的因素表示对突发事件的严重程度影响较大的因素。
步骤4:定义搜索算法过程与计算参数。
本发明使用K2评分的爬山搜索算法来训练贝叶斯网络模型。模型训练的第一步是依据数据集构建K2评分函数g(G:N)。然后,如表4所示,采用基于爬山搜索算法求解最优的贝叶斯网络结构。爬山算法参数设置为:最大迭代次数设置为1,000,000次;起点和禁忌列表设置为无;模型最大训练时间为24小时,如超出该时间模型仍未收敛,则选取当前网络结构作为输出。
表4基于局部搜索的贝叶斯网络结构训练方法
表4中,H表示当前的搜索到的解。f表示当前搜索到的解对应的贝叶斯网络结构的目标函数值,即K2评分函数值。U表示给f设置的任意一个初始值(任意常数)。
步骤4:模型的训练环境。
本发明利用Python编程语言实现模型构建、模型训练和模型验证,利用Python环境下的NLTK(Natural language toolkit)自然语言处理工具包将突发事件的历史文本数据转化为标准化数据,并使用MySQL实现数据库的构建。相关计算过程在Linux操作系统Ubuntu下实现。
步骤5:模型的数值验证及比较。
为了验证本发明的性能及效果,本发明收集了2013年至2018年北京地铁所有的历史数据,约50000多条记录,并构建了完善的突发事件数据库;之后,利用发明的模型对突发事件进行训练,得到的贝叶斯网络如图5和图7所示,图7为基于北京地铁历史数据的BN网络模型示意图。
如图7所示,不同类型的节点分别表示不同类型的影响因素。类型一节点代表线路天气,类型二节点代表设备故障模式。类型三节点代表基本信息:线路状况、高峰时段和月份。影响模式和恢复策略由类型四节点表示。最后,类型五节点表示模型预测结果,即分别代表严重程度、恢复时间和影响范围。两个节点之间的连接表示这两个节点相关联,连接的粗细表示关联程度。从图中可以看出“火灾状况”(虚线边框)和“线路停止运营”(虚线边框)之间存在强相关性。这与实际经验一致,即火灾状况发生后,需要全线停止运营以防止乘客伤亡和排查潜在的火灾风险。模型构建完成后,利用2021年北京地铁突发事件的记录数据进行了模型验证,结果表明:调度员人工判断事故严重程度的准确率基本达到60%-70%,而本发明所采用的数据驱动方法可实现80%以上的准确率,表明了本发明的优势。
此外,调度员可以使用该模型预测任意突发事件可能带来的影响范围和影响时间。例如,假设实际运营中,早高峰发现折返区段的道岔设备故障,利用BN模型可以预测出该位置发生该事故的预期持续时间、影响列车数量、影响范围,调度员可以根据以上定量信息,合理安排该区域列车尽早折返,并安排车辆段备用列车尽快出库,减小突发事件对于乘客出行的负面影响。
图8为基于北京地铁历史数据的BN网络权重可视化图,从中可以看出,本发明提出的方法能够定量地显示各种因素之间的关联关系,并且评估各种因素对于突发事件影响范围的作用程度。
本发明提出了一种基于数据驱动的突发事件管控方法及系统,此系统可以利用轨道交通突发事件的历史数据,估计出当前突发事件的持续时间与影响范围,进而辅助调度员调整线上列车运行。本发明的目标是通过深度学习、文本挖掘等机器学习方法,在突发事件发生时,动态预测突发事件的持续时间、影响范围等信息,进而为调度员提供列车运行调整决策支持,保证列车运行和乘客安全,降低突发事件对于轨道交通的负面影响。
与现有技术相比,本发明的优点如下:
1、在出现突发事件的情况下,本发明方法较传统的调度员人工管控,可更精确、科学地判断突发事件的持续时间和影响范围,确保突发事件的处置效率。
2、突发事件的持续时间和影响范围可由模型计算得出,大幅度减小了调度员的工作量,提高了行车调度指挥系统的智能化程度。
3、本发明可以收集实际运行产生的大量数据进行训练,节约了测试成本。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供了一种城市轨道交通突发事件影响预测系统,该系统包括:
历史训练数据集获取模块,用于获取历史训练数据集;历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与突发事件开始时间、天气状况、线路状况和故障模式对应的突发事件的影响时间和突发事件的影响范围。
贝叶斯网络训练模块,用于利用历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型。
突发事件影响预测模块,用于将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
其中,突发事件开始时间包括早高峰、晚高峰和平峰;天气状况包括雷、雨、雪、霾、雾、大风和正常;线路状况包括线路编号;故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;突发事件的影响范围包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;突发事件的影响时间包括突发事件持续时长。
具体的,贝叶斯网络训练模块具体包括:
贝叶斯网络训练单元,用于将突发事件开始时间、天气状况、线路状况和故障模式以及与突发事件开始时间、天气状况、线路状况和故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
实施例三
本发明实施例三提供了一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的城市轨道交通突发事件影响预测方法。
上述电子设备可以是服务器。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的城市轨道交通突发事件影响预测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种城市轨道交通突发事件影响预测方法,其特征在于,所述方法包括:
获取历史训练数据集;所述历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围;
利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型;
将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入所述基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
2.根据权利要求1所述的城市轨道交通突发事件影响预测方法,其特征在于,所述突发事件开始时间包括早高峰、晚高峰和平峰;
所述天气状况包括雷、雨、雪、霾、雾、大风和正常;
所述线路状况包括线路编号;
所述故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;
所述突发事件的影响范围包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;
所述突发事件的影响时间包括突发事件持续时长。
3.根据权利要求1所述的城市轨道交通突发事件影响预测方法,其特征在于,所述利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型,具体包括:
将所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
4.一种城市轨道交通突发事件影响预测系统,其特征在于,所述系统包括:
历史训练数据集获取模块,用于获取历史训练数据集;所述历史训练数据集包括突发事件开始时间、天气状况、线路状况和故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围;
贝叶斯网络训练模块,用于利用所述历史训练数据集对贝叶斯网络进行训练,得到基于贝叶斯网络的突发事件影响预测模型;
突发事件影响预测模块,用于将待预测的突发事件开始时间、待预测的天气状况、待预测的线路状况和待预测的故障模式输入所述基于贝叶斯网络的突发事件影响预测模型中,得到突发事件的影响时间和突发事件的影响范围。
5.根据权利要求4所述的城市轨道交通突发事件影响预测系统,其特征在于,所述突发事件开始时间包括早高峰、晚高峰和平峰;
所述天气状况包括雷、雨、雪、霾、雾、大风和正常;
所述线路状况包括线路编号;
所述故障模式包括信号故障、设备故障、道岔故障、供电故障、车辆故障、屏蔽门故障、火灾状况、异物侵入、乘客自杀、列车停车过标、车载信号故障、区间故障和乘客原因;
所述突发事件的影响范围包括降级模式运行、运行间隔较大、列车运行缓慢、封站措施、逐步恢复、列车晚点、列车运行间隔增大和紧急停车;
所述突发事件的影响时间包括突发事件持续时长。
6.根据权利要求4所述的城市轨道交通突发事件影响预测系统,其特征在于,所述贝叶斯网络训练模块具体包括:
贝叶斯网络训练单元,用于将所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式以及与所述突发事件开始时间、所述天气状况、所述线路状况和所述故障模式对应的突发事件的影响时间和突发事件的影响范围输入到贝叶斯网络进行训练,建立基于贝叶斯网络的突发事件影响预测模型。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-3中任一项所述的城市轨道交通突发事件影响预测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的城市轨道交通突发事件影响预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211704852.XA CN115938124A (zh) | 2022-12-29 | 2022-12-29 | 一种城市轨道交通突发事件影响预测方法、系统及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211704852.XA CN115938124A (zh) | 2022-12-29 | 2022-12-29 | 一种城市轨道交通突发事件影响预测方法、系统及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938124A true CN115938124A (zh) | 2023-04-07 |
Family
ID=86552141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211704852.XA Pending CN115938124A (zh) | 2022-12-29 | 2022-12-29 | 一种城市轨道交通突发事件影响预测方法、系统及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938124A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN116739391A (zh) * | 2023-08-14 | 2023-09-12 | 北京全路通信信号研究设计院集团有限公司 | 一种多制式轨道交通应急协同决策方法及装置 |
-
2022
- 2022-12-29 CN CN202211704852.XA patent/CN115938124A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN116523272B (zh) * | 2023-07-03 | 2023-09-29 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN116739391A (zh) * | 2023-08-14 | 2023-09-12 | 北京全路通信信号研究设计院集团有限公司 | 一种多制式轨道交通应急协同决策方法及装置 |
CN116739391B (zh) * | 2023-08-14 | 2024-01-19 | 北京全路通信信号研究设计院集团有限公司 | 一种多制式轨道交通应急协同决策方法及装置 |
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 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
CN104298881B (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
CN103154845A (zh) | 电网的机器学习 | |
CN105844435A (zh) | 一种基于fmeca的地铁车辆故障信息管理系统 | |
CN103745229A (zh) | 一种基于svm的轨道交通故障诊断方法及系统 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN110490433A (zh) | 一种列控系统风险评估方法 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN113359664B (zh) | 故障诊断与维护系统、方法、设备及存储介质 | |
CN103400310A (zh) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN110210169A (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN104991549A (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN115423139A (zh) | 基于动态贝叶斯的公路改扩建安全态势分析方法及装置 | |
Browell et al. | Forecasting for day-ahead offshore maintenance scheduling under uncertainty | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN112232553A (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 |
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 |