融合本體和深度學習的高速鐵路應急預案數字化方法研究

王 普，李 平，阿茹娜，楊連報

(1. 中國鐵道科學研究院 研究生部，北京 100081；2. 中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081；3.中國中鐵股份有限公司 規劃發展部，北京 100039)

截至2019年底我國高速鐵路運營里程達到3.5萬km，是世界上高速鐵路運營里程最長、運輸密度最高、成網運營場景最復雜的國家。高速鐵路具有技術復雜度高、安全性要求高、運行速度快、救援難度大等特點，突發事件將給高速鐵路運輸安全帶來極大影響，因此加強高速鐵路的突發事件應急管理研究極為必要。

鐵路應急管理就是對鐵路管轄范圍發生的自然災害、事故災難、公共衛生、社會安全等突發事件，圍繞鐵路應急預案進行預防、準備、處置、恢復的過程。應急預案是對高速鐵路突發事件進行科學高效處置的核心，規定了突發事件發生時鐵路各級管理和執行部門的處置過程。原中國鐵路總公司印發了《突發事件應急預案管理辦法》，明確規定了國鐵集團-鐵路局基層組織-站段崗位處置辦法等3級鐵路應急預案體系，在鐵路突發事件應急管理過程中發揮了重要作用。但由于大量應急預案通常以紙質文本、電子文檔等方式存儲，存在著數字化程度不足、查詢效率不高、全文檢索困難、智能關聯性差等不足。隨著文本大數據分析技術、本體技術等的發展，應急預案的數字化、動態關聯化等成為可能。

目前應急預案數字化已經成為應急管理領域研究的熱點，當前研究主要集中在數字化本體方法理論研究和地震、煤礦、軌道交通等具體領域的應用研究。在數字化本體方法理論研究方面：文獻[1]提出了應急預案數字化統一拆分模板，提高了應急預案處置的靈活性；文獻[2]通過XML+關系型數據庫實現了數字化應急預案的存儲和基于案例推理的預案自動生成。在地震領域：文獻[3]應用 Open XML和本體構建了地震應急預案數字化模型，探討實現與其他相關系統的聯動和集成；文獻[4]實現了地震應急預案的數字化管理和基于地圖形式的應急救援和指揮。在煤礦領域：文獻[5]實現了基于本體和XML的煤礦應急預案數字化管理原型系統。在軌道交通領域：文獻[6]提出了基于規則推理和案例推理的軌道交通突發事件處置方案生成模型，可以有效利用歷史突發事件處置的經驗；文獻[7]從技術發展和功能優化角度闡述了城市軌道交通應急平臺優化的需求，并從數據類型和數據量的角度分析了數據，設計了基于云架構的應急平臺結構和功能架構；文獻[8]則實現了交通行業中應急預案的數字化管理。

綜上所述，目前研究工作主要集中在應用本體實現數字化應急預案的構建并應用案例和規則推理實現應急處置方案的生成，但對于突發事件消息文本的智能識別和應急方案實時動態生成的研究較少。本文提出一種新的融合本體和深度學習(Bidirectional-Long Short-Term Memory + Condition Random Field，Bi-LSTM+CRF)的高速鐵路應急預案數字化方法，首先提取突發事件消息文本中有關高速鐵路突發事件發生的具體事件類型、事件名稱、發生時間、地理位置等關鍵字段，然后基于目標樹通過語義查詢，生成最適合該突發事件處置的流程。

1 融合本體和深度學習的高速鐵路應急預案數字化方法總體架構

應急預案數字化主要是對應急預案進行結構化、智能化處理，主要包括應急預案結構分解、突發事件信息結構化處理、應急處置流程生成等，主要包含高速鐵路突發事件文本提取、應急預案數字化構建和處置流程生成3層[9]，見圖1。

圖1 融合本體和深度學習的高速鐵路應急預案數字化方法

高速鐵路突發事件消息文本提取層是通過人工BIO文本標注、詞向量生成以及基于Bi-LSTM+CRF深度學習模型，實現高速鐵路突發事件消息文本中所包含的突發事件發生的具體事件類型、事件名稱、發生時間、地理位置等關鍵字段等的提取，轉換為結構化的高速鐵路突發事件消息。

高速鐵路應急預案數字化構建層是應用本體對高速鐵路應急預案結構進行分解，按照預防預警、分級響應、應急處置、后期處置4個部分實現高速鐵路應急預案的數字化構建，對各個部分的主要功能模塊應用本體描述語言進行描述、存儲和管理。

高速鐵路應急預案處置流程生成層主要是將高速鐵路應急預案中的具體操作拆分為應急處置流程單元，然后根據突發事件發生和演變過程，按照特定的約束實現流程單元的拼接，從而生成具有針對性和靈活性的應急處置方案。

2 基于深度學習的高速鐵路突發事件消息文本特征提取

高速鐵路突發事件消息為突發事件發生時所形成的一段概要性非結構化文本，傳統方法主要是應急值守人員人工解讀。本文基于Bi-LSTM+CRF深度學習模型實現高速鐵路突發事件消息文本命名實體的自動抽取，提取的字段主要有事件類型、事件名稱、發生時間、地理位置等。為實現突發事件消息文本特征的自動提取，需要定義BIO實體類型并通過標記形成訓練樣本數據，見表1。

表1 高速鐵路突發事件消息實體

Bi-LSTM+CRF是目前文本特征提取的主流模型，其中Bi-LSTM是具有門結構的雙向長短時循環神經網絡，能夠學習上下文依賴關系；CRF是條件隨機場模型，通過發射矩陣和轉移矩陣學習文本序列標注結果的全局關系，從而保證Bi-LSTM模型輸出標注序列的合理性[10-15]。

LSTM內部主要有遺忘門、輸出門、輸入門3個門結構和1個記憶單元的特殊神經網絡結構，見圖2。圖2中：h為隱含層狀態；c為記憶單元。

圖2 LSTM鏈狀結構

本文中CRF采用Linear-CRF，主要有兩組變量組成，即輸入的觀測序列X=(x1,x2,x3,…,xn)和輸出的標注序列Y=(y1,y2,y3,…,yn)，n為觀測序列的長度，見圖3。

圖3 Linear-CRF結構圖

此時，輸出序列的條件概率分布為

P(Y|X)=P(yi|X,y1,y2,…,yi-1,yi+1,…,yn)=

P(yi|X,yi-1,yi+1)

(1)

X取值為x，Y取值為y時的條件概率為

(2)

(3)

式中：Z(x)為歸一化因子；tk為轉移特征函數；λk為轉移特征的權值系數；sl為結構特征函數；μl為結構特征的權值；k為定義在該節點的局部特征函數的總個數；l為定義在該節點的節點特征函數的總個數；i為當前節點在序列的位置。

高速鐵路突發事件消息文本特征提取主要是通過極大似然估計方法構建損失函數，通過隨機梯度下降法實現最優模型訓練。在獲得最優的高速鐵路突發Bi-LSTM+CRF模型之后，可以自動提取出突發事件消息的關鍵特征。例如 “2018年5月23日8時50分，××縣發生6.2級地震，經鐵路相關部門確認××站在震中100 km范圍內”，可以提取出該突發事件消息的關鍵特征，見表2。

表2 高速鐵路突發事件消息提取內容

3 基于本體的高速鐵路應急預案數字化構建

依據本體的層次和領域依賴度將高速鐵路應急預案本體分為3類：區域本體、突發事件本體、突發事件案例本體。其中：區域本體指國鐵集團、鐵路局集團公司和站段的區域管理范圍；突發事件本體指各類別突發事件隸屬關系；突發事件案例本體指按照案例人員、組織、資源等實現突發事件案例的結構拆分。

圖5 突發事件本體圖

3.1 區域本體構建

依據我國鐵路層級管理結構和各鐵路局集團公司管轄范圍，應用本體構建“區域”概念，包含“國鐵集團”“鐵路局集團公司”“站/段”3類，其中“國鐵集團”包含“鐵路局集團公司”，“鐵路局集團公司”包含“站/段”，見圖4。

圖4 區域本體圖

構建高速鐵路應急預案區域本體后需要應用網絡本體語言(Ontology Web Language，OWL)定義實體的屬性，從而實現實體中實例的關聯查詢和推理。其中“國鐵集團”“鐵路局集團公司”“站/段”同屬于區域類，“國鐵集團”包含有枚舉屬性為 “隸屬于國鐵集團的鐵路局集團公司”，“鐵路局集團公司”包含有枚舉屬性為“隸屬于鐵路局集團公司的站段”。其中“隸屬于國鐵集團的鐵路局集團公司”和“隸屬于鐵路局集團公司的站段”對應的實例取值集合分別為{北京局集團公司，上海局集團公司，成都局集團公司，…}等18個鐵路局集團公司以及各鐵路局集團公司對應的站/段。根據OWL的傳遞屬性和函數屬性性質，可以實現

[(p→q)∩(q→r)]→(p→r)

(4)

式中：p為“站/段”；q為“鐵路局集團公司”；r為“國鐵集團”。

通過式(4)可以實現在通報某個站段的突發事件時，通過Bi-LSTM+CRF抽取出發生的站/段時，可以實現到具體鐵路局集團公司和國鐵集團相關的聯合查詢和推理。

3.2 突發事件本體構建

突發事件本體構建主要是按照自然災害、社會安全、事故災害、公共衛生4大類及每一個大類下包含的突發事件小類進行構建，以便在突發事件發生時快速根據突發事件類型找到對應的應急預案。突發事件本體見圖5。

由圖5可知突發事件本體的第3層中包含的突發事件小類較多，可以在突發事件發生時無法精確匹配到具體突發事件類別時，通過本體計算其兄弟節點的應急預案來提供參考。

3.3 突發事件案例本體構建

突發事件案例本體的構建主要是利用本體對案例進行形式化描述，增加了約束、任務、組織概念，其中：約束定義了任務的約束條件，決定了任務的次序；任務包含具體的步驟并且使用若干資源，最終生成具體的處置過程；組織包含人員，并定義了角色，用于明確在任務中人員所擔任的具體角色。構建后的應急案例本體見圖6。

圖6 高速鐵路突發事件案例本體圖

3.4 高速鐵路應急預案數字化構建

高速鐵路應急預案數字化主要是按照預防預警、分級響應、應急處置、后期處置4部分將應急預案轉換為損失評估、信息發布等22項子模塊。其中：預防預警主要是根據既有高速鐵路相關的監測系統和傳感器等實現鐵路沿線環境、線路狀態、接觸網、動車組等數據的監控，對突發事件的發生能夠快速處置并進行快速的分發和通知；分級響應和應急處置則是根據突發事件等級來采取調集救援隊伍和救援設備等具體的應急處置措施；后期處置是處整個突發事件處理完成之后，進行歸納和總結，并更新到案例庫中。

3.5 基于目標樹的高速鐵路應急處置方案生成

基于目標樹的高速鐵路應急處置方案生成主要是將應急處置方案拆分為若干應急處置單元，并根據突發事件處理所要達到的最主要目的確定應急處置的總目標，同時逐步細化若干子目標來實現確定的總目標，在細化子目標時需要借鑒高速鐵路應急處置案例庫中的相似成功處置案例的經驗，最后生成應急處置方案。其中，應急處置單元可以定義為

Node=〈Id,Name,Category,Content,Time,

Person,Resource,Description,PreNodes〉

式中：Id、Name、Category、Content、Time、Person、Resource、Description、PreNodes分別為高速鐵路應急處置方案單元的編號、名稱、類別、應急處置措施、完成時間、所需人員、所需資源、概要描述、前驅應急處置單元集合。

高速鐵路應急處置方案生成首先是輸入突發事件的概況和現場處置情況進行目標樹的初始化，如果直接匹配到應急處置流程則添加到應急流程處置單元的備選集合之中，并根據約束條件對處置幾個符合條件的處置流程進行排序，返回若干處置流程供決策者選擇；若無法直接匹配到應急處置流程，則需要對目標樹的子目標表進行拆分，獲取每個子目標的應處置流程并進行拼接生成最后的處置流程；如果以上兩種方式均無法找到匹配的應急處置流程，則顯示錯誤信息。具體過程見圖7。

圖7 基于目標樹的高速鐵路應急處置流程

4 案例分析

為了驗證本文所提方法的正確性，假設突發事件場景為：“××××年×月×日×時×分，××次動車組在××站突發火災，造成了2人受傷”。針對此次突發事件，首先提取出此次突發事件類型為火災，并通過構建的應急預案區域本體和突發事件本體，快速調取該所屬鐵路局集團公司的火災應急預案，并根據現場的情況分析歷史發生過的類似案例事件，基于避免火災引發次生災害發生和快速恢復行車的目標，快速生成應急處置流程，見圖8。

圖8 高速鐵路應急處置流程的生成

同時以1 000條高速鐵路突發事件消息為例，1 000條某局集團公司的高速鐵路應急處置案例庫為例進行實驗，本文提出的基于Bi-LSTM+CRF的高速鐵路應急突發消息的特征提取平均準確率達到80%，相關案例語義搜索命中率平均達到90%，通過案例匹配動態生成的應急處置方案比實際決策更加具有靈活性和針對性，同時結合專家確認生成的應急處置方案可以為下次同類型應急處置提供參考。

5 結論

本文提出了一種融合本體和深度學習的高速鐵路應急預案數字化方法，可以有效實現高速鐵路突發事件消息的特征提取，并通過對高速鐵路應急預案進行本體的構建、應急處置單元的定義以及基于目標樹的應急處置流程生成等方法，可實現對高速鐵路文本預案的智能數字化與推理檢索。通過應用Bi-LSTM+CRF實現高速鐵路突發事件消息文本的特征提取和基于本體的語義查詢和推理，可以根據具體突發事件情況，基于目標樹生成有針對性的處置方案，為突發事件應急處置提供決策支持和參考。