一种数据驱动的多制式轨道交通应急协同决策方法及装置与流程

本发明涉及轨道交通，特别涉及一种数据驱动的多制式轨道交通应急协同决策方法及装置。

背景技术：

1、都市圈城市群多制式轨道交通系统具有协同一体化的特征，运营管理过程中发生突发事件时，可谓牵一发而动全身，因此应急过程中的群体协同显得尤为重要。有学者综合运用群体网络计划方法和计算机协同工作技术，从应急群体协同决策的实践需求入手，根据群体引入群体网络计划技术，开展群体协同应急决策图形表达方法研究运用群体决策、知识管理等手段，构建应急群体协同决策统筹协调方法研究。以应急群体协同决策的模型表达和统筹协调方法为基础，利用多媒体通信技术实现不同应急管理部门之间的计算机协同工作，通过多媒体与相邻技术相结合，设计了应急群体协同人-机交互方案决策系统。

2、近年来，伴随着计算机技术、人工智能技术、预测技术、仿真技术的不断发展，以知识管理(例如已有案例、应急预案或灾害预测等知识)为指导的应急决策方法研究已经广泛开展起来，获得了许多有代表性的研究成果。例如，紧急情况下运输调度决策支持系统，基于规则推理的应急决策系统，基于多系统的应急物流决策支持系统以及动态多目标应急救援物资物流的决策支持系统框架，基于最大公约子范畴的应急决策知识匹配方法等。

3、轨道交通不可避免的会因为人、技术、管理或者环境带来应急处置情况，这种应急情况还会因为轨道交通网络规模的不断扩大、轨道交通制式多元化发展，带来传播、蔓延和危害扩大，引发更大的社会影响。提高多制式轨道交通应急处置水平以保障交通运输系统稳定可靠运行，成为各大城市面临的关键问题。设施设备稳定运行是轨道交通系统安全平稳运营的基础，其发生故障对运营产生影响较大。

4、目前研究成果缺乏多种制式轨道交通应急联动模式及机制研究，较难支撑轨道交通线网多制式相互影响的应急处置痛点。既有研究多从城轨、铁路等单一制式甚至单一线路的应急安全保障展开研究，而对于多制式轨道交通网络化运营的应急联动研究甚少。但是如何通过更加统一协同的应急联动实现高效的应急处置效率势必成为各大城市面临的主要问题。

5、既有研究对轨道交通应急联动中多专业反馈决策、多工种协调合作的研究较为浅显，应急决策全面性较差，应急处置效率提升受到限制。大量研究针对客流组织、行车调度、车站人员调配、应急资源调配等分别展开研究，对于涉及到多专业、多工种的内容主要通过构建预案解决，然而在实际应急事件下应急策略的选择往往是多专业、多工种综合优化得到的最优决策，目前研究及技术手段并不能从根本提高全局决策的精确性和快速性。

6、在突发事件响应过程中往往需要根据历史经验来生成有效的应急方案，即基于案例推理的应急决策方法。基于多目标的应急决策研究的思路是鉴于突发事件的多目标、多因素和复杂多变的演化规律，将多目标决策理论与方法运用于应急决策之中成为最近逐步形成的一个研究热点。综上所述，虽然在突发事件应急决策研究领域取得了显著成果，突发事件的应急决策的特征研究内容较为丰富，但只是针对其中单个特征进行研究，缺乏对特征间的共性研究。针对突发事件应急预案的评估评价方法研究方面和应急决策系统方面取得了可观的进步，但是针对突发事件应急预案编制研究，针对故障对多制式轨道交通系统的影响研究和应急处置方案研究方面还处于零散状态。

7、现有技术对多制式轨道交通应急协同处置不足，无法从根本提高全局决策的精确性和快速性。

技术实现思路

1、针对上述问题，本发明提供一种数据驱动的多制式轨道交通应急协同决策方法及装置。

2、一种数据驱动的多制式轨道交通应急协同决策方法，所述方法包括：

3、收集多制式轨道交通历史故障信息，基于历史故障信息将影响多制式运营的故障因素量化，并将多制式轨道交通系统突发故障严重程度量化为突发故障严重程度指数；

4、基于量化后的故障影响多制式运营因素和突发故障严重程度指数，构建突发故障严重程度指数分类器；

5、突发故障发生时，将突发故障当前各影响因素状态数据输入到突发故障严重程度指数分类器，得到分类结果；并依据分类结果进行相应的限流措施。

6、进一步的，所述将影响多制式运营的故障因素量化，具体包括：

7、基于多制式轨道交通历史故障信息，将影响多制式运营的故障因素划分为单独空间因素、单独时间因素、时间空间交叉因素，以及时间空间无关因素；并依据影响范围、影响时间和影响程度对不同因素赋值。

8、进一步的，所述将多制式轨道交通系统突发故障严重程度量化为突发故障严重程度指数，具体包括：

9、基于多制式轨道交通历史故障信息，构建多制式轨道交通系统突发故障严重程度指数s，s∈[1,2,...,d]，不同的s值代表突发故障不同的严重程度等级，d代表最大严重程度等级，以如下公式表示：

10、s＝f(q1,qi,…,qm)；

11、其中，s表示故障后果的严重程度，m表示故障样本的m个影响因素状态评定指标；公式f表示变量与s的映射关系，变量qi(i∈{1,2,...,m})表示与设备故障相关的影响因素。

12、进一步的，所述基于量化后的故障影响多制式运营因素和突发故障严重程度指数，构建突发故障严重程度指数分类器，具体包括：

13、多制式轨道交通系统突发故障严重程度特征识别，降低故障影响多制式运营的因素状态评定数据的维度，重新构造出新的状态评定数据；

14、基于重新构造出的状态评定数据，对突发故障样本的严重程度进行聚类分析，确定多制式轨道交通系统突发故障严重程度指数s的值域，及每个s值对应的严重程度特征，得到多制式轨道交通系统突发故障样本的严重程度指数s值；

15、基于严重程度指数s值，构建突发故障严重程度指数分类器；对已确定s值的突发故障样本的历史多状态评定指标数据进行分类学习，得到故障严重程度指数s的关联规则，即突发故障严重程度指数分类器。

16、进一步的，所述突发故障发生时，将突发故障当前各影响因素状态数据输入到突发故障严重程度指数分类器，得到分类结果，具体包括：

17、突发故障发生时，根据多制式轨道交通系统突发故障严重程度指数进行判定；将突发故障当前各影响因素状态数据输入到突发故障严重程度指数分类器，利用突发故障当前各影响因素状态数据，得到对应的s值。

18、进一步的，所述降低故障影响多制式运营的因素状态评定数据的维度，重新构造出新的状态评定数据，具体包括：

19、采用深度自编码网络，降低突发故障影响因素状态评定指标的维度，压缩多维状态指标数据的特征，重新构造新的状态评定指标数据；

20、深度自编码网络使用自适应的多层编码网络，将高维数据编码转化到低维数据，并使用解码网络对低维数据进行重构、恢复；

21、深度自编码网络包含有若干层，每层中的正方柱表示该层中的神经元，不同层间的虚线表示不同层神经元之间的连接；采用随机权重对网络初始化，通过最小化原始数据与重构数据之间的差异，对网络的整体结构进行训练；采用链式法则计算梯度，更新网络的权重。

22、进一步的，所述对突发故障样本的严重程度进行聚类分析，具体包括：

23、基于降维后重新构造出的新的状态评定数据，采用混合层次k均值聚类算法，将具有相似严重程度特征的故障归为一簇，属于同一簇的故障具有相同的s值；s的值域是通过比较不同聚类簇数对应的整体轮廓系数，选取整体轮廓系数最大值对应的簇数确定的；

24、混合层次k均值聚类算法，首先利用层次聚类算法对突发故障的严重程度特征进行初步聚类，再利用k-均值聚类算法对聚类结果进行调整；

25、混合层次k均值聚类算法对应的子模型hhkmc，最佳簇数会随着不同的多制式轨道交通线网的不同而变化；最佳簇数由线网规模、线网结构及评定时选取的各影响因素的状态指标数据确定。

26、进一步的，所述依据分类结果进行相应的限流措施，包括：限流措施和调整运行时段；

27、限流措施，包括将故障产生后果的严重程度分为若干等级，利用分类器对历史评定为对应等级的故障样本进行分类，判断对应的故障严重程度特征指数s值，并将s值与其关联，并对不同等级的故障制定相应的限流措施；

28、调整运行时段，包括根据故障影响时间，确定调整行车运行图的调整时段。

29、进一步的，所述对已确定s值的突发故障样本的历史多状态评定指标数据进行分类学习，具体包括：

30、采用树扩张型朴素贝叶斯分类模型，基于已确定s值的故障样本的历史各影响因素评定指标数据，确定故障影响因素状态评定指标与相应故障严重程度指数s的关联关系，即构建严重程度指数分类器；当获取故障新的状态评定指标数据时，通过突发故障严重程度指数分类器得到相应的s值。

31、进一步的，所述确定多制式轨道交通系统突发故障严重程度指数s的值域，及每个s值对应的严重程度特征，得到多制式轨道交通系统突发故障样本的严重程度指数s值，具体包括：

32、若已知某故障m个影响因素状态评定指标数据q＝(q1,q2,...,qm)，根据贝叶斯定理，该故障严重程度指数s值为ci的概率为：

33、

34、其中，p(ci)表示故障严重程度指数s值为ci的先验概率；p(ci|q)称作后验概率，代表m个影响因素状态评定指标数据q＝(q1,q2,...,qm)对故障严重程度指数s值为ci概率的影响；

35、根据贝叶斯最大后验准则，贝叶斯分类学习模型选择使后验概率p(ci|q)最大的cδ作为判定的故障严重程度指数s值，即：

36、

37、其中{c1，c2，...，cs}表示类变量c所有可能值的集合，即故障严重程度指数s的值域；

38、利用故障严重程度指数s值为ci在历史样本数据中的概率分布近似代替先验概率p(ci)，得到使后验概率p(ci|q)最大的cδ作为判定的故障严重程度指数s值。

39、进一步的，所述得到使后验概率p(ci|q)最大的cδ，具体包括：

40、采用superparent算法构建树扩张型朴素贝叶斯器分类学习模型，寻找故障各影响因素状态评定指标之间隐藏的依赖关系，确定计算得到使后验概率p(ci|q)最大的cδ，实现对故障严重程度指数s的判定。

41、进一步的，所述superparent算法中的孤儿节点qop为只有类变量作为其父节点；最爱子节点qfc为除类变量作为其父节点外，还有一个其他属性变量作为其父节点；超父节点存在指向其他节点的弧，即最爱子节点的父节点；

42、superparent算法的流程如下：

43、初始化故障各影响因素状态评定指标的朴素贝叶斯网络；

44、计算当前分类学习模型的正确率；

45、让每一个节点qi∈{q1,q2,...,qm}为超父节点，记录使分类学习模型正确率提高最多的节点qsp；

46、添加从qsp指向每个孤儿节点的弧，如果所有弧中的弧(qsp,qfc)提高的正确率最大，那么添加这条弧，创建属性qsp与qfc间的依赖关系，继续遍历其它节点；否则返回当前分类学习模型；

47、假设sp(qi)表示属性qi的父节点集合，cδ表示为：

48、

49、若qj为孤儿节点，sp(qj)＝{c}，则：

50、p(qj|sp(qj))＝p(qj|ci)；

51、若qj的超父节点为qk，sp(qj)＝{qk,c}，则：

52、p(aj|sp(qj))＝p(qj|qk,ci)；

53、得到使后验概率p(ci|q)最大的cδ。

54、一种数据驱动的多制式轨道交通应急协同决策装置，包括量化单元、分类器构建单元和分类单元；

55、量化单元，用于收集多制式轨道交通历史故障信息，基于历史故障信息将影响多制式运营的故障因素量化，并将多制式轨道交通系统突发故障严重程度量化为突发故障严重程度指数；

56、分类器构建单元，用于基于量化后的故障影响多制式运营因素和突发故障严重程度指数，构建突发故障严重程度指数分类器；

57、分类单元，用于突发故障发生时，将突发故障当前各影响因素状态数据输入到突发故障严重程度指数分类器，得到分类结果；并依据分类结果进行相应的限流措施。

58、一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

59、存储器，用于存放计算机程序；

60、处理器，用于执行存储器上所存放的程序时，实现上述的数据驱动的多制式轨道交通应急协同决策方法。

61、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据驱动的多制式轨道交通应急协同决策方法。

62、本发明至少具有以下有益效果：

63、本发明通过分析多制式协同应急处置的特点，对故障影响多制式运营的因素进行了深入分析和定量化计算，采用深度自编码网络，降低故障影响多制式运营的因素的维度，采用混合层次k均值聚类算法，确定轨道所有可能突发故障严重程度特征的集合，采用树扩张型朴素贝叶斯分类算法，确定多制式轨道交通系统突发故障严重程度指数，判定多制式轨道交通系统突发故障严重程度。本发明能够准确评价当前系统所处的故障严重程度，不需要预先确定出解析数学模型，通过机器学习算法挖掘突发故障影响因素的大量数据，确定故障严重程度指数来判定故障对运营的影响程度大小，具有较高可信度，有助于管理者对应急事件的高效处置。

64、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。