一种基于深度学习的铁路突发事件应急情景推演方法与流程

1.本发明涉及铁路突发事件管理技术领域，尤其涉及一种基于深度学习的铁路突发事件应急情景推演方法。


背景技术：

2.近年来，铁路在中国快速发展，成为了国家交通运输体系的骨干。随着铁路朝着高速重载、密度更大、技术更先进的方向发展，铁路系统复杂性增加，铁路运输管理任务加重，铁路突发事件发生的可能性也在增大。铁路的这种独特性意味着一旦发生铁路突发事件，其影响范围更广、危害性更大、对国民经济和人民生命财产安全造成更大的危害。
3.目前，现有技术中有关铁路突发事件应对管理，在理论上已经有了一定的积累。但在铁路突发事件演化方向预判的研究中，大多数依赖于决策者的经验，难以及时准确地分析出次生衍生复杂、过往经验参考不足的铁路突发事件的态势发展，从而无法做出正确有效的应急响应措施，使得事件向着消极的方向发展。


技术实现要素：

4.本发明的实施例提供了一种基于深度学习的铁路突发事件应急情景推演方法，以克服现有技术的问题。
5.为了实现上述目的，本发明采取了如下技术方案。
6.一种基于深度学习的铁路突发事件应急情景推演方法，包括：
7.提取铁路突发事件的关键情景要素；
8.对所述铁路突发事件的关键情景要素进行分析，以模拟值表达各种关键情景要素及其取值；
9.构建设定时间间隔下的不同时刻下突发事件的情景演化路径中的情景链，该情景链包括各种情景基本信息、情景状态信息与情景响应信息的模拟值；
10.构建基于卷积神经网络的铁路突发事件情景推演模型，将所述情景链输入到所述铁路突发事件情景推演模型，所述铁路突发事件情景推演模型输出事故灾情影响程度。
11.优选地，所述的提取铁路突发事件的关键情景要素，包括：
12.提取铁路突发事件的关键情景要素s
1，j
，s
2，j
，s
3，j
…
s
n，j
，设应急关键情景要素为s
i，j
，其中i∈(1，n)为应急关键情景要素变量的个数，j∈(0，∞)为时间序列，表示的是第j刻所对应的第i个关键情景要素信息；
13.所述铁路突发事件的关键情景要素包括三大类型：情景基本信息sbi、情景状态信息ssi和情景响应信息sri，所述情景基本信息是突发事故发生与发展时显性信息，所述情景状态信息是突发事件演变时隐形信息，所述情景响应信息是事故发生后，人为干预情况。
14.优选地，所述的对所述铁路突发事件的关键情景要素进行分析，以模拟值表达各种关键情景要素及其取值，包括：
15.针对不同关键情景要素信息的不同状态程度表达，拟定模拟值表达各种关键情景
要素及其取值，如表1所示：
16.表1案例中关键情景要素及其取值
[0017][0018][0019]
优选地，所述的构建设定时间间隔下的不同时刻下突发事件的情景演化路径中的情景链，该情景链包括各种情景基本信息、情景状态信息与情景响应信息的模拟值，包括：
[0020]
基于设定时间间隔设置情景演化路径，根据各种关键情景要素及其取值，以及不同关键情景要素之间的作用机理，得到不同时刻下突发事件的情景演化路径中的情景链，该情景链包括情景基本信息、情景状态信息与情景响应信息对应的模拟值。
[0021]
优选地，所述的构建基于卷积神经网络的铁路突发事件情景推演模型，将所述情景链输入到所述铁路突发事件情景推演模型，所述铁路突发事件情景推演模型输出事故灾情影响程度，包括：
[0022]
构建基于卷积神经网络的铁路突发事件情景推演模型，将情景链中的关键情景要素信息s
1，j
，s
2，j
，s
3，j
…
s
n，j
输入到铁路突发事件情景推演模型中，所述铁路突发事件情景推演模型输出事故灾情影响程度y，事故灾情影响程度y∈ [0,1]，0表示无灾情，1表示极其严重，设置事故灾情影响程度阈值0.4与 0.7，[0,0.4)表示灾情影响较轻，[0.4,0.7)表示灾情影响较重，[0.7,1]表示灾情影响非常严重，根据事故灾情影响程度采取相应的救灾措施。
[0023]
铁路突发事件情景推演模型中的卷积神经网络在j时刻的输入情景信息数据为：{s
i，j
‑
n
，s
i，j
‑
n
‑1，
…
，s
i，j
‑
n
，
…
，s
i，j
‑1，s
i，j
}，{0≤n≤n≤j，n，n，j∈z

}，定义h
i
为卷积神经网络第i层的特征向量，则h0即为输入数据，之后h
i
为卷积层，则h
i
计算过程为：
[0024]
h
i
＝f(h
i
‑1⊙
w
i
b
i
)
[0025]
其中，w
i
为第i层的权值向量；
⊙
为第i层卷积核与第i
‑
1层特征向量的卷积运算，对于大小为m
×
n的卷积核，其进行卷积运算的过程为卷积核w和输入矩阵x相乘再求和，即卷积运算结果与偏置b
i
相加，经过非线性激励函数f(x)得到第i层的特征向量 h
i
，所述非线性激励函数f(x)是relu函数，即
[0026]
f(x)＝max(0，x)
[0027]
之后经过池化层，执行下采样降维操作，采用的池化方法是最大值池化法：
[0028][0029]
经过多个卷积层和池化层的交替传递，得到事故灾情影响程度y。
[0030]
优选地，所述的方法还包括：
[0031]
将所述铁路突发事件情景推演模型输出的事故灾情影响程度与实际铁路突发事件演化结果相对比，性能指标为绝对误差根据对比结果对所述铁路突发事件情景推演模型输出的事故灾情影响程度进行评估。
[0032]
由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过使用基于多时序输入的卷积神经网络对铁路突发事件演化方向进行预判，从而提高应急救援的效率，最大程度降低财产损失和人员伤亡。属于铁路突发事件应急管理技术领域。
[0033]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0034]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本发明实施例提供的一种基于深度学习的铁路突发事件应急情景推演方法的处理流程图；
[0036]
图2为本发明实施例提供的一种情景演化路径图；
[0037]
图3为本发明实施例提供的一种基于多时序输入的卷积神经网络情景推演模型结构图。
具体实施方式
[0038]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0039]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0040]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应
该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0041]
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0042]
本发明实施例提供了一种基于深度学习的铁路突发事件应急情景推演方法，具体为一种通过使用卷积神经网络模型，深度学习铁路突发事件已有的态势信息，以多时序的情景信息为输入，对铁路突发事件进一步发展方向进行预判，从而做出有力的应急措施。
[0043]
实施例一
[0044]
本发明实施例提供的一种基于深度学习的铁路突发事件应急情景推演方法的处理流程如图1所示，包括如下的处理步骤：
[0045]
步骤s1，提取铁路突发事件的关键情景要素s
1，j
，s
2，j
，s
3，j
…
s
n，j
。
[0046]
情景是铁路突发事件发生与发展中的态势，是对铁路突发事件当前的状态与未来发展趋势的描述与表达，设应急关键情景要素为s
i，j
，其中i∈(1，n) 为应急关键情景要素变量的个数，j∈(0，∞)为时间序列，表示的是第j刻所对应的第i个关键情景要素信息。
[0047]
上述铁路突发事件的关键情景要素包括三大类型：分别是情景基本信息 sbi(scenario basic information)、情景状态信息ssi(scenario statusinformation)与情景响应信息sri(scenario response information)。情景基本信息是突发事故发生与发展时显性信息，如事件发生的时间、地点与环境等信息；情景状态信息是突发事件演变时隐形信息，需要进一步分析或者评定才能得知的信息，如事故等级划分、事故波及范围与事故原因等；情景响应信息是事故发生后，人为干预情况，包括物资调度、人员疏散措施等。
[0048]
步骤s2，情景构建。
[0049]
对提取出的上述铁路突发事件的关键情景要素进行进一步分析，研究要素如何表达，以及关键情景要素间的作用机理。
[0050]
针对不同关键情景要素信息的不同状态程度表达，拟定模拟值代替不同关键情景要素及其取值，从而能正常输入到情景推演模型之中。
[0051]
情景构建是铁路突发事件情景推演与情景体系的关键，对提取出的情景要素进行详细分析，研究情景要素特征分类、情景要素表达与情景要素作用机理。
[0052]
步骤s3，提取情景演化路径。
[0053]
通过步骤s1与步骤s2中模拟值表达的关键情景要素及其取值，以不同的时间间隔，得到不同时刻下突发事件的情景演化路径中的情景链，该情景链包括情景基本信息、情景状态信息与情景响应信息对应的模拟值。
[0054]
将这一系列的情景演化路径中的情景链整理得到铁路突发事件情景推演模型的输入。
[0055]
情景演化路径描述了铁路突发事件的整体发展状况，对不同时刻的情景信息进行了汇总与表示，依据情景演化路径的情景链，可以得到卷积神经网络的输入信息。
[0056]
步骤s4，构建基于卷积神经网络的铁路突发事件情景推演模型，将所述情景链输入到所述铁路突发事件情景推演模型，所述铁路突发事件情景推演模型输出事故灾情影响程度。
[0057]
选择合适的输入时序数，将情景链中的关键情景要素信息 s
1，j
，s
2，j
，s
3，j
…
s
n，j
输
入到卷积神经网络中，输出为事故灾情影响程度y。后续，可以根据事故灾情影响程度采取相应的救灾措施。
[0058]
其中，事故灾情影响程度y∈[0,1]，0表示无灾情，1表示极其严重，设置事故灾情影响程度阈值0.4与0.7，[0,0.4)表示灾情影响较轻，[0.4,0.7) 表示灾情影响较重，[0.7,1]表示灾情影响非常严重。
[0059]
铁路突发事件的推演是一个非常复杂的过程，突发事件的演化是多方向的、多事件耦合与衍化的结果。因此，突发事件进一步的推演不只与当前时刻的情景信息状态有关，也与之前一系列情景信息状态有关，如 s
i，j
‑1，s
i，j
‑2，s
i，j
‑3等。
[0060]
卷积神经网络可以处理多维输入数据，被称为是“多步预测器”，选择合适的输入时序数，以对事故灾情有较好的预判；
[0061]
卷积神经网络在j时刻的输入情景信息数据为：
[0062]
{s
i，j
‑
n
，s
i，j
‑
n
‑1，
…
，s
i，j
‑
n
，
…
，s
i，j
‑1，s
i，j
}，{0≤n≤n≤j，n，n，j∈z

}，定义h
i
为卷积神经网络第i层的特征向量，则h0即为输入数据。
[0063]
之后h
i
为卷积层，则h
i
计算过程为
[0064]
h
i
＝f(h
i
‑1⊙
w
i
b
i
)
[0065]
其中，w
i
为第i层的权值向量；
⊙
为第i层卷积核与第i
‑
1层特征向量的卷积运算，对于大小为m
×
n的卷积核，其进行卷积运算的过程为卷积核w和输入矩阵x相乘再求和，即卷积运算结果与偏置b
i
相加，经过非线性激励函数f(x)得到第i层的特征向量 h
i
。
[0066]
本发明中，采用的激活函数是relu函数，即
[0067]
f(x)＝max(0，x)
[0068]
之后经过池化层，执行下采样降维操作，采用的池化方法是最大值池化法：
[0069][0070]
经过多个卷积层和池化层的交替传递，得到事故灾情影响程度y。
[0071]
步骤5，结果评估。
[0072]
将所述铁路突发事件情景推演模型输出的事故灾情影响程度与实际铁路突发事件演化结果相对比，性能指标为绝对误差根据对比结果对所述铁路突发事件情景推演模型输出的事故灾情影响程度进行评估。
[0073]
实施例二
[0074]
本发明以“7.23”xx线铁路重大事故为例，对铁路突发事件演变过程进行分析与预判。
[0075]“7.23”xx线铁路重大事故具体情况如下：
[0076]
时间：2011年7月23日20点30分05秒
[0077]
地点：xx路段
[0078]
事件过程：2011年7月23日晚上20点30分左右，在xx线xx铁路局管内xx站至xx站间xx路段，由于雷击导致保险丝熔断，数据采集单元误判数据，从而致使列控中心在有列车在轨道上行驶的状态下，仍按无列车行驶状态进行操作，始发于xx站的xx次动车在开往xx站
途中，与始发xx站开往xx站的xx次动车组列车发生追尾。xx次动车的1、2、3列车厢侧翻，从高架桥坠落，毁坏严重，4号车厢悬挂于桥上；xx次动车15、16号车厢损毁严重。这次事故造成 40人死亡，约200人受伤，中断行车32小时35分钟，直接经济损失 19371.65万元。
[0079]“7.23”动车事故爆发突然，事态发展迅速，事件演化具有不确定性，根据相关报道，可知“7.23”动车事故演化可以分为以下几个阶段：
[0080]
7月23日20点30分：动车xx与dxx相撞；
[0081]
20点44分：搜救出96人，紧急疏散200人；
[0082]
21点：列车车厢被撞成桥上、悬挂、桥下三部分；
[0083]
23点16分：又搜救出97人，确认11人死亡，89人受伤。1、2、3号车厢翻到桥下，损毁严重。当时围观人群较多，道路泥泞不堪；
[0084]
7月24日2点：又搜救出6人，确认32人死亡，171人受伤。确定3节车厢掉落，1节悬挂，车头严重变形。救护车和大型设备无法进入现场；
[0085]
24日5点：桥下搜救基本结束，确认33人死亡，191人受伤。
[0086]
步骤1，提取铁路突发事件关键情景要素；
[0087]
通过分析该铁路突发事故的特点，提取的关键情景要素变量有7个，分别是事故发生的时间s
1，j
，事故类型s
2，j
，气候条件s
3，j
，救援环境恶劣程度s
4，j
，车厢损坏程度s
5，j
，伤亡人数s
6，j
，处置紧迫度s
7，j
。
[0088]
步骤2，情景构建，针对不同关键情景要素信息的不同状态程度表达，拟定模拟值代替不同关键情景要素及其取值，如表1所示：
[0089]
表1案例中关键情景要素及其取值
[0090][0091]
步骤3，提取情景演化路径，以不同的时间间隔，得到铁路突发事件的情景链，将这一系列的情景演化路径中的情景链整理得到铁路突发事件情景推演模型的输入；
[0092]
通过已有关键情景要素信息，根据“7.23”动车事故情景演化过程，得到图2所示的情景演化路径图和表2所示的情景信息要素演化表。
[0093]
表2“7.23”事故情景信息要素演化表
[0094][0095]
步骤4，图3为本发明实施例提供的一种基于多时序输入的卷积神经网络情景推演模型结构图。如图3所示，进行情景推演，选择合适的输入时序数，将情景链中的关键情景要素信息s
1，j
，s
2，j
，s
3，j
…
s
n，j
输入到卷积神经网络中，输出为事故灾情影响程度y。
[0096]
卷积神经网络推演模型是“多步预测器”，处理输入值为多时刻序列的矩阵，根据该铁路突发事件的特点，输入分成为两时刻序列输入与三时刻序列输入两类，预测该输入序列中最后一个时刻的事故灾情影响程度。
[0097]
当选取输入值为两时刻序列时，输入时刻序列为{s
i，j
‑1，s
j
},其中 j＝2,3,
…
,6。输入两时刻序列时，所有时刻序列被分为五组，以前三组作为本模型的训练样本，以预测推演最后两个时刻的事故灾情影响程度。
[0098]
如果输入值为三时刻序列，则输入为三时刻情景信息要素 {s
i，j
‑2，s
i，j
‑1，s
i，j
}，其中j＝3,
…
,6。输入三时刻序列时，所有时刻序列被分为四组，以前两组组作为本模型的训练样本，以预测推演最后两个时刻的事故灾情影响程度。
[0099]
步骤5，结果评估。
[0100]
对后两个时刻的铁路突发事件的态势判断结果如表3所示，两个时刻分别对比如表4与表5所示。
[0101]
表3两模型推演值对比
[0102][0103]
表3中参考值为实际铁路突发事故发展态势的数值表示，在02：00点时，救援环境恶劣，救护车等无法进入现场，车厢损失进一步演化加重，伤亡人数增加，对事故灾情的判断比较悲观，事故灾情影响程度的为0.8，事故灾情严重；至05：00点时，搜救基本完成，救援环境与车厢损失程度没有进一步加重，事故灾情得到缓解，但事故发展后造成的社会影响、经济损失以及人员伤亡等影响不容忽视，因此事故灾情回落，但仍处于一个较高的灾害程度。
[0104]
表4 02：00时刻两模型预测精度对比
[0105][0106]
表5 05：00时刻两模型预测精度对比
[0107][0108]
根据表3与表4可知，在02：00时刻时，两时序输入的卷积神经网络情景推演模型的性能优于三时序输入，绝对误差相对较小，两个卷积神经网络模型对事故影响程度均判断为非常严重，符合实际事故灾情影响程度。
[0109]
根据表3与表5可知，在05：00时刻时，三时序输入的卷积神经网络的绝对误差相对于两时序输入的更小，两个推演模型对事故灾情判断相同，均为较重，符合实际事故灾情影响程度。
[0110]
由此可知，不同时序输入的卷积神经网络情景推演模型的推演结果存在差异，但均能对实际事故灾情进行比较准确预判，与实际灾情的演化方向一致。说明该应急情景推演模型具有良好的效果。
[0111]
综上所述，本发明实施例的铁路突发事件的应急情景推演方法，通过铁路突发事件关键情景要素信息求得事故灾情影响程度，能得到更加符合现实情况的铁路突发事件发展态势；模型简单，易于理解和计算，应用型较强；计算速度快。
[0112]
本发明实施例通过使用基于多时序输入的卷积神经网络对铁路突发事件演化方向进行预判，从而提高应急救援的效率，最大程度降低财产损失和人员伤亡。属于铁路突发事件应急管理技术领域。
[0113]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0114]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0115]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术
人员在不付出创造性劳动的情况下，即可以理解并实施。
[0116]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。