一种高速列车系统运行安全风险因素辨识方法

本发明涉及风险识别，尤其涉及一种高速列车系统运行安全风险因素辨识方法。

背景技术：

1、高速列车运行安全关乎人民生命财产和国家交通运输网络的稳定，及时、准确地识别运行过程中的风险因素是预防事故发生、提升系统可靠性的关键。目前，高速列车系统积累了大量的历史事件报告和故障处理报告，这些文本记录了丰富的运行异常信息，是风险辨识的重要数据源。

2、然而，传统风险分析多依赖专家经验和结构化统计数据，难以高效处理海量的非结构化文本报告。事件报告中往往包含复杂的专业术语、隐性的风险描述以及多因素交织的致因链条，常规的关键词匹配或浅层自然语言处理方法无法充分挖掘文本中的深层语义信息，容易遗漏隐蔽性风险词元，导致风险因子提取的准确率和召回率偏低。

3、并且现有基于单一深度学习模型（如普通bert、lstm等）的风险识别方法在特征提取上存在局限性。普通bert模型虽能捕捉上下文语义，但对长文本中前后语序逻辑的依赖关系建模能力不足；而lstm模型虽然擅长时序处理，但对复杂专业语义的深层理解能力较弱。二者单独使用均难以兼顾“深层语义关联”与“双向时序依赖”，限制了风险辨识的精度的提升。

技术实现思路

1、本发明为解决现存的技术问题而提供一种高速列车系统运行安全风险因素辨识方法，解决了现有高速列车运行安全风险辨识方法难以高效处理非结构化文本报告、易遗漏隐蔽性风险词元、单一深度学习模型无法兼顾深层语义与双向时序依赖、缺乏对多风险因素耦合强度的定量分析以及无法适应多标签分类场景的技术问题。

2、为解决上述技术问题，根据本发明的一个方面，更具体的说是一种高速列车系统运行安全风险因素辨识方法，包括以下步骤：

3、步骤s1、获取高速列车的历史事件报告以及故障处理报告作为原始数据集；

4、步骤s2、对步骤s1中获取的原始数据集进行文本预处理，得到预处理后的文本；

5、步骤s3、基于deberta-bilstm模型对预处理后的文本进行风险因子提取，并输出各风险因素的概率；

6、步骤s4、基于n-k模型对提取出的风险因素进行风险耦合分析，计算不同风险因素之间的耦合值，以度量风险耦合对事故的影响程度。

7、更进一步的，所述步骤s2中的文本预处理包括：过滤和删除停用词、术语标准化、建立风险标签以及对文本进行数据标注。

8、更进一步的，所述风险标签按照“人-机-环-管”建立一级标签，并分别建立二级标签；所述数据标注采用机器标注和人工标注相结合的方式，将每个事件标注到对应的一个或多个风险类别中。

9、更进一步的，步骤s3中，基于deberta-bilstm模型进行风险因子提取具体包括：

10、步骤s301、利用deberta模型对预处理后的文本进行嵌入编码，通过解纠缠注意力机制提取深层语义特征，并经增强型掩码解码器输出还原后的风险语义特征序列；

11、步骤s302、将所述风险语义特征序列输入bilstm模型，通过正向lstm和反向lstm分别提取双向时序依赖特征，将正向输出特征与反向输出特征拼接得到双向融合特征序列；

12、步骤s303、对双向融合特征序列进行全局池化得到全局特征向量，再通过多标签分类器输出各风险因素的概率。

13、更进一步的，所述deberta模型的嵌入编码包括：将文本词汇转化为内容向量和相对位置向量；

14、所述内容向量表示词本身的语义，所述相对位置向量表示该文本词汇相对于风险语义特征序列中其他词的位置关系。

15、更进一步的，所述解纠缠注意力机制计算词对间的注意力权重时，包括内容-内容注意力、内容-位置注意力以及位置-内容注意力，并将内容-内容注意力、内容-位置注意力以及位置-内容注意力三种注意力相加融合。

16、更进一步的，步骤s4中，采用n-k模型计算风险耦合值的公式为：

17、；

18、上式中，表示两个或多个风险因素之间的耦合值；表示各风险因素的状态，取值为1表示存在该风险因素，取值为0表示不存在该风险因素；表示各风险因素同时处于特定状态组合下的联合概率；分别表示各个风险因素独立处于某状态时的边缘概率。

19、更进一步的，所述风险耦合分析包括单因素耦合风险、双因素耦合风险和多因素耦合风险的分析。

20、更进一步的，所述历史事件报告以及故障处理报告为非结构化的文本数据。

21、本发明提供的一种高速列车系统运行安全风险因素辨识方法，相比现有技术，本方法取得的效果有：

22、1、本发明通过将deberta模型与bilstm模型相结合，充分发挥deberta在深层语义特征提取方面的优势以及bilstm在双向时序依赖捕捉上的能力，能够从高速列车历史事件报告和故障处理报告等非结构化文本中精准提取风险因素，不仅识别出显性风险，还能通过增强型掩码解码器有效还原被掩盖的隐蔽性风险词元，显著提升了风险因子提取的准确率和召回率。

23、2、本发明基于n-k模型构建了风险耦合分析方法，通过计算单因素、双因素及多因素之间的耦合值，量化不同风险因素组合对事故发生的联合影响程度，能够揭示风险因素之间的交互作用与协同演化规律，从而帮助识别出在单一风险分析中容易被忽略的高危耦合模式，为高速列车运行安全的风险预警和防控策略制定提供了更全面的理论依据。

24、3、本发明按照“人-机-环-管”体系建立多层级风险标签，并采用机器标注与人工标注相结合的多标签分类方式，将每个事件同时标注到多个风险类别中，适应了实际运行事件中多风险因素并存的复杂情况。结合deberta-bilstm模型输出的各风险因素概率，能够实现多维风险因素的同时辨识与量化，避免了传统方法只能单一归因的局限性，提高了风险辨识的全面性和工程实用性。

25、4、本发明利用deberta模型中的解纠缠注意力机制，将内容-内容注意力、内容-位置注意力和位置-内容注意力三种注意力权重相加融合，在保留词元语义关联的同时兼顾文本语序逻辑，实现了“语义+逻辑”双重约束下的风险特征聚焦。相比传统静态词嵌入方法，该动态上下文嵌入方式更能适应高速列车专业术语和复杂句式，显著提升了模型对领域文本的理解能力和风险挖掘深度。

1.一种高速列车系统运行安全风险因素辨识方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述步骤s2中的文本预处理包括：过滤和删除停用词、术语标准化、建立风险标签以及对文本进行数据标注。

3.根据权利要求2所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述风险标签按照“人-机-环-管”建立一级标签，并分别建立二级标签；所述数据标注采用机器标注和人工标注相结合的方式，将每个事件标注到对应的一个或多个风险类别中。

4.根据权利要求1所述的高速列车系统运行安全风险因素辨识方法，其特征在于：步骤s3中，基于deberta-bilstm模型进行风险因子提取具体包括：

5.根据权利要求4所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述deberta模型的嵌入编码包括：将文本词汇转化为内容向量和相对位置向量；

6.根据权利要求4所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述解纠缠注意力机制计算词对间的注意力权重时，包括内容-内容注意力、内容-位置注意力以及位置-内容注意力，并将内容-内容注意力、内容-位置注意力以及位置-内容注意力三种注意力相加融合。

7.根据权利要求1所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述风险耦合分析包括单因素耦合风险、双因素耦合风险和多因素耦合风险的分析。

8.根据权利要求1所述的高速列车系统运行安全风险因素辨识方法，其特征在于：所述历史事件报告以及故障处理报告为非结构化的文本数据。