基于案例推理的鐵路地質選線系統探討

張啟坤,李遠富,李孝攀,周先虎,萬瑛瑩

(西南交通大學土木工程學院,成都 610031)

鐵路的線路走向是影響鐵路發揮經濟社會價值的重要因素，線路方案也影響著各個專業的工程總量和施工難度，對造價、工期、安全、運營都起決定性作用。鐵路選線現有的理念包括環保選線、地質選線、重大工程優先選址、規劃選線、資源選線、橫斷面選線等[1]。其中地質選線的理念廣泛運用于山區鐵路選線，特別是在西南山區，由于其地質條件復雜、不良地質多，不同地段地質條件差異大，工程地質成為控制線路走向的關鍵因素。地質選線的一大難點就是對地質情況的準確判斷，盡管可以通過遙感、航測、地勘、地質雷達等手段來輔助判斷不良地質，但是由于鐵路工程地質問題存在著各種客觀和人為因素的影響，仍存在著判斷不夠準確和未能在理論上解決的問題，因此常常依靠專家的豐富經驗來進行地質選線[2]，這存在著一定的主觀性。案例推理技術(Case-based reasoning，簡稱CBR)是近年來人工智能領域興起的一項推理技術，它能夠很好地借鑒以往相似的案例來解決新問題，運用CBR思想建立鐵路地質選線系統，合理地利用過去成功的地質選線工程案例，能夠很好地減少設計人員的主觀判斷失誤，縮短設計人員的決策周期，指導未來鐵路地質選線。

1 國內外鐵路選線系統研究現狀

目前，國內外對于鐵路選線系統已經進行了較多的研究。例如喬平等以滑坡、泥石流、風沙、巖溶等工程地質問題為例建立其工程地質知識庫，搭建了鐵路工程地質選線咨詢系統的框架[2]。劉威等結合人工智能以及地理信息技術進行了鐵路三維空間智能選線系統的開發與應用[3]，在給定約束的基礎上，該系統能夠給出合理推薦方案，提高選線效率，節約工程投資。廖麗瓊等探討了工程地質信息系統的基本內容，并在GIS的基礎上構建了鐵路工程地質信息系統[4]。韓春華結合鐵路選線的基本任務和流程，提出鐵路選線智能化的要求，并在GIS技術的基礎上對鐵路選線系統智能環境建模方法進行了深入的研究[5]。

發達國家經過多年的探索與研究，選線系統已經從最初簡單的數值計算、縱斷面優化到如今的勘測設計一體化階段，相應的代表軟件運用有BENTLEY公司的InRail與InRoad系列、Autodesk公司的Landdesk Top系列等。我國雖然起步較晚，但目前也已經從數字地面模型的利用、縱斷面優化、平縱面聯合優化、技術標準綜合優化、交互式平縱面設計發展到勘測設計一體化階段，目前已進入了建立虛擬環境選線系統的時代[6]，相應軟件代表有胡光常的RLDVS、NRDAS等。目前來說，國內外的選線系統大多是在選定技術標準已經給定約束的基礎上，在線路待選區域范圍內利用計算機技術自動搜尋最優解的程序系統。該套系統能夠較好地幫助設計人員進行簡單狀況下的計算機輔助設計，但在復雜艱險山區，由于地質環境條件的復雜性、地質災害的多發性，地質勘測工作難度大、選線系統的約束模型構建困難，使得選線決策周期過長，難以真正快速高效地指導鐵路地質選線。

2 地質選線系統的基本框架

基于案例推理中著名的CBR循環R4模型，即案例推理包含案例檢索(Retrieve)、案例重用(Reuse)、案例修正與學習(Revise)以及案例存儲(Retain)四大部分，結合鐵路地質選線，以此為基礎建立起鐵路地質選線系統。它通過挖掘地質選線中的案例屬性，進行地質選線案例表示并存入案例庫，再根據地質選線的問題描述通過案例相似度的計算對案例庫中的案例進行檢索匹配，根據匹配結果決定進行案例重用或案例修正，最后進行案例學習與案例存儲，具體系統的基本框架如圖1所示。

圖1 基于案例推理的地質選線系統基本框架

3 地質選線系統的流程實現

鐵路地質選線其本身的復雜性是構建地質選線系統的難點，在結合案例推理的基礎上確定地質選線系統中四大關鍵流程為：案例表示、案例檢索、案例修正以及案例學習等，并分別對每項流程進行了研究。

3.1 案例表示

案例表示是CBR系統的基礎，從案例表示的基本出發，一個案例應該由問題描述，解決方案，實施效果三大部分組成。查閱鐵路選線的相關專業書籍和論文[7，12]，對地質選線案例進行大量分析之后，找出地質選線的案例特點。

(1)地質選線主要是以某段地質條件復雜、地質災害頻發的小區域范圍內為主，以規避地質災害為基本原則，注重減少不良地質對工程的影響，探討不同比選方案下的工程安全性與經濟性。不同于傳統選線設計對大區域范圍內的定線，結合生態自然環境，確定線路技術標準、空間位置以及各種建筑物協調布設，兩者側重點不同。

(2)地質選線案例涉及的內容很多，主要是工程地質以及不同工程地質下鐵路定線等，具體包括不良地質災害、地形地貌、地質構造、地震、水文地質、鐵路選線、工程施工、工程項目管理與評價等等。不同內容的知識體系與數據類型差異較大，其中不良地質災害信息量大、層次關系復雜，數值、字符數據均包含于其中；鐵路選線、工程項目管理與評價則以文字描述為主，多為字符數據。

結合地質選線案例的特點，可知地質選線案例結構性差、信息知識復雜，牽扯的專業知識眾多，無法直接拿案例進行使用，需進行一定的整理與簡化。傳統的案例表示方法有框架表示法、語義網絡表示法以及面向對象表示法[14]，這三類方法各有優缺點，但都無法應對地質選線案例知識繁雜，涉及領域眾多，層次關系復雜的情況，因此采用傳統案例表示方法設計的地質選線CBR系統知識框架存在著可拓展性差、可重構性弱等缺點。本體(Ontology)，作為人工智能領域應用的一種知識表示方式，其在知識表示方面以及邏輯關系方面都具備優勢，良好的一致性也有利于知識拓展、共享與重用，因此可以運用本體法建立地質選線案例表示模型，參考相關文獻[13-18]，建立模型如圖2所示。

圖2 基于本體的地質選線案例表示模型

3.2 案例檢索

案例檢索是地質選線CBR系統里面的一個重要環節，通過案例檢索搜尋相似的案例來解決地質選線問題。常見的案例檢索方法有最近相鄰法、歸納推理法以及知識引導法[14]。歸納推理法適用于案例種類差異明顯，不同種類案例數量充足且易歸納的情況；知識引導法根據領域知識中特征屬性重要性程度不同來進行案例搜索，要求特征屬性權重明確，一般與最近相鄰法結合使用；最近相鄰法是通過檢索案例庫中與目標案例相似度最大的案例進行案例匹配的，該種方法的關鍵在于案例相似度的計算，在案例庫規模適中，案例結構清晰的情況下，可以采用最近相鄰法進行案例檢索匹配。完整的案例相似度分為兩個部分，一是全局相似度，二是局部相似度，全局相似度是在局部相似度的基礎上進行權重求和計算得到的。

3.2.1 局部相似度的計算

在基于本體的地質選線案例表示模型中，存在著兩類屬性，一類是數值型屬性，一類是字符型屬性。兩種不同類型的屬性有著相對應的相似度計算方法。

(1)數值型屬性相似度計算

數值型屬性相似度的計算可以采用公式

(1)

式中，sim(xi，xj)為案例屬性xi和xj的相似度，且xi、xj∈[α，β]。

(2)字符型屬性相似度計算

字符型屬性相似度的計算涉及到樹狀結構概念，地質選線本體中的特征屬性間的包含關系形成了上下位關系的層次樹，樹中的節點表示特征屬性，連接節點的上層節點是父類節點，根據此層次樹，參考文獻[19]，運用公式(2)計算字符型屬性間的相似度。

(2)

式中，LCS(xi，xj)為任意兩個特征屬性距離最近的共同父類節點；prof(xi)為特征屬性xi在層次樹中的深度，如果xi為根節點，則prof(xi)值為0。

3.2.2 全局相似度的計算

全局相似度的計算可以采用公式

(3)

式中，SIM(X，Y)為案例X，Y的整體相似度；sim(xi，yi)為案例X，Y第i個特征屬性的局部相似度；wi為第i個特征屬性的權重，可以通過專家給定或根據地質選線本體模型運用層次分析法計算得出。

3.2.3 案例相似度的計算

設C={c1，c2，…，cm}表示m個地質選線案例，A={A1，A2，…，An}表示工程地質的n項特征屬性，aij表示第i個地質選線案例對應的第j個工程地質特征屬性的取值，B={B1，B2，…，Bk}表示選線方案與評價的k項特征屬性，bij表示第i個地質選線案例對應的第j個選線方案與評價特征屬性的取值。以相似度計算方法為基礎，建立起工程地質與選線方案和評價的案例檢索推理，如表1所示。

表1 地質選線系統案例檢索

3.3 案例重用

案例重用是在得到案例檢索結果的相關基礎上，初步形成問題解決方案的過程。常見的案例重用方式有3種：(1)單個相似案例，直接重用該案例的選線方案；(2)多個相似案例，選擇相似度最大的案例進行選線方案重用；(3)無相似案例，選出案例檢索結果中相似度最大案例，進行案例修正。

3.4 案例修正

在地質選線CBR系統中，案例修正部分主要是通過對該案例檢索得到的相似度最高但不超過閾值μ的案例進行選線方案的調整和修改，使之適用于當前地質選線問題。由于地質選線案例復雜多樣，確定一個普遍適用的修正方法是困難的，因此面對復雜的地質選線案例，案例的修正常常需要專家對案例的選線方案部分進行人工修正，在案例運用成功之后再對選線評價部分進行補充。

3.5 案例學習

案例學習是使地質選線CBR系統能夠不斷更新，保證系統的適用性和先進性的關鍵。在地質選線CBR系統中，案例的學習主要是包含兩方面的內容：一是案例庫的更新；二是案例本體模型的更新優化。

(1)案例作為CBR檢索推理的基礎，案例的好壞以及案例庫的規模大小直接決定了案例推理結果的好壞。在對案例進行檢索推理完成后，可以對案例進行一個簡單的評價，如果評價通過，則可以將該案例儲存到案例庫中。評價過程可以用公式(4)表示

Evaluationresult=M-0.1·T

(4)

式中，M為修正后的案例進行案例檢索時所得到的最大相似度值；T為案例中的特征屬性新數值類型的個數。

當評價結果小于閾值φ(假定為80%)時，說明該案例可以加入案例庫。

(2)案例本體模型的更新優化主要是為了使得地質選線CBR系統具有更加合理的推理機制，在系統的使用過程中可以根據需要在系統層面對案例的本體模型進行更新優化，如增加特征屬性、調整特征屬性權重等等。

3.6 案例存儲

案例存儲是在案例學習成功的基礎上，形成有用的新案例之后，根據案例表示模型，將新的地質選線問題以及選線方案、選線評價組合成新的案例，通過CBR系統的管理員操作界面保存到選線案例庫中即可。

4 結論

(1)本文對基于案例推理的地質選線系統進行了探討，結合案例推理的CBR循環R4模型構建了地質選線系統的基本框架。

(2)在分析地質選線案例特點的基礎上構建了地質選線案例本體來進行案例的表示，同時確定了案例檢索以相似度為基礎，列出了局部相似度以及全局相似度的計算方法，給定了案例檢索的流程，并對案例重用、修正、學習以及存儲進行了簡要的探討，為地質選線CBR系統的構建提供了一定的理論支撐。

(3)隨著地質選線以及計算機技術的不斷發展，地質選線CBR系統相關的應用功能仍需繼續完善，才能更好地推廣與應用地質選線工程經驗，真正意義上為選線工作者提供決策幫助。

[1] 朱穎.鐵路選線理念的創新與實踐[J].鐵道工程學報，2009(6):1-5.

[2] 喬平，王云鵬.鐵路工程地質選線咨詢系統[J].工程地質學報，1994，4.

[3] 劉威，胡光常，唐文建，等.鐵路智能選線系統開發與應用[J].高速鐵路技術，2016，7(2):54-57.

[4] 廖麗瓊.基于GIS的鐵路工程地質信息系統的構建[J].四川地質學報，2001，21(1):44-47.

[5] 韓春華.基于GIS的鐵路選線系統智能環境建模方法研究[D].成都：西南交通大學，2008.

[6] 戴汝為.人工智能[M].北京：化學工業出版社，2002.

[7] 易思蓉.鐵路選線設計[M].武漢：武漢大學出版社，2014.

[8] 鐵道部第一勘測設計院.鐵路工程地質手冊[M].北京：中國鐵道出版社，1999.

[9] 中國中鐵二院工程集團有限責任公司.鐵路工程地質實例(西南及相鄰地區分冊)[M].北京：中國鐵道出版社，2011.

[10] 韓康.河流峽谷地段地質選線方案研究[J].鐵道工程學報，2008(10):6-10.

[11] 宋章，張廣澤，蔣良文，等.川藏鐵路主要地質災害特征及地質選線探析[J].鐵道標準設計，2016，60(1):14-18，19.

[12] 汪濤.陽安鐵路增建第二線山區地質選線[J].鐵道標準設計，2015，59(7):3-8.

[13] 張賢坤.基于案例推理的應急決策方法研究[D].天津：天津大學，2012.

[14] 陳剛.基于本體的案例表示與檢索研究[D].大慶:大慶石油學院，2010.

[15] 楊濤.基于本體的案例推理系統框架研究[D].南京：南京航空航天大學，2006.

[16] 吳珊燕.基于領域本體的案例推理優化及其應用研究[D].上海：華東師范大學，2014.

[17] 劉鶴.案例推理(CBR)技術在蔬菜專家系統中的應用[D].長春:吉林大學，2007.

[18] 高俊杰，鄧貴仕.基于本體的范例推理系統研究綜述[J].計算機應用研究，2009，26(2):86-89.

[19] Bergmann R， Stahl A. Similarity Measures for Object-Oriented Case Representations[C]. European Workshop on Advances in Case-Based Reasoning. Springer-Verlag， 1998:25-36.

[20] 宋章，張廣澤，蔣良文，等.川藏鐵路工程地質特征及地質選線原則[J].鐵道建筑，2017(2):142-145.

[21] 楊英.西部山區脆弱環境下鐵路工程地質選線設計[J].鐵道建筑，2007(2):84-86.