张启坤,李远富,李孝攀,周先虎,万瑛莹

(西南交通大学土木工程学院,成都 610031)

铁路的线路走向是影响铁路发挥经济社会价值的重要因素，线路方案也影响着各个专业的工程总量和施工难度，对造价、工期、安全、运营都起决定性作用。铁路选线现有的理念包括环保选线、地质选线、重大工程优先选址、规划选线、资源选线、横断面选线等[1]。其中地质选线的理念广泛运用于山区铁路选线，特别是在西南山区，由于其地质条件复杂、不良地质多，不同地段地质条件差异大，工程地质成为控制线路走向的关键因素。地质选线的一大难点就是对地质情况的准确判断，尽管可以通过遥感、航测、地勘、地质雷达等手段来辅助判断不良地质，但是由于铁路工程地质问题存在着各种客观和人为因素的影响，仍存在着判断不够准确和未能在理论上解决的问题，因此常常依靠专家的丰富经验来进行地质选线[2]，这存在着一定的主观性。案例推理技术(Case-based reasoning，简称CBR)是近年来人工智能领域兴起的一项推理技术，它能够很好地借鉴以往相似的案例来解决新问题，运用CBR思想建立铁路地质选线系统，合理地利用过去成功的地质选线工程案例，能够很好地减少设计人员的主观判断失误，缩短设计人员的决策周期，指导未来铁路地质选线。

1 国内外铁路选线系统研究现状

目前，国内外对于铁路选线系统已经进行了较多的研究。例如乔平等以滑坡、泥石流、风沙、岩溶等工程地质问题为例建立其工程地质知识库，搭建了铁路工程地质选线咨询系统的框架[2]。刘威等结合人工智能以及地理信息技术进行了铁路三维空间智能选线系统的开发与应用[3]，在给定约束的基础上，该系统能够给出合理推荐方案，提高选线效率，节约工程投资。廖丽琼等探讨了工程地质信息系统的基本内容，并在GIS的基础上构建了铁路工程地质信息系统[4]。韩春华结合铁路选线的基本任务和流程，提出铁路选线智能化的要求，并在GIS技术的基础上对铁路选线系统智能环境建模方法进行了深入的研究[5]。

发达国家经过多年的探索与研究，选线系统已经从最初简单的数值计算、纵断面优化到如今的勘测设计一体化阶段，相应的代表软件运用有BENTLEY公司的InRail与InRoad系列、Autodesk公司的Landdesk Top系列等。我国虽然起步较晚，但目前也已经从数字地面模型的利用、纵断面优化、平纵面联合优化、技术标准综合优化、交互式平纵面设计发展到勘测设计一体化阶段，目前已进入了建立虚拟环境选线系统的时代[6]，相应软件代表有胡光常的RLDVS、NRDAS等。目前来说，国内外的选线系统大多是在选定技术标准已经给定约束的基础上，在线路待选区域范围内利用计算机技术自动搜寻最优解的程序系统。该套系统能够较好地帮助设计人员进行简单状况下的计算机辅助设计，但在复杂艰险山区，由于地质环境条件的复杂性、地质灾害的多发性，地质勘测工作难度大、选线系统的约束模型构建困难，使得选线决策周期过长，难以真正快速高效地指导铁路地质选线。

2 地质选线系统的基本框架

基于案例推理中著名的CBR循环R4模型，即案例推理包含案例检索(Retrieve)、案例重用(Reuse)、案例修正与学习(Revise)以及案例存储(Retain)四大部分，结合铁路地质选线，以此为基础建立起铁路地质选线系统。它通过挖掘地质选线中的案例属性，进行地质选线案例表示并存入案例库，再根据地质选线的问题描述通过案例相似度的计算对案例库中的案例进行检索匹配，根据匹配结果决定进行案例重用或案例修正，最后进行案例学习与案例存储，具体系统的基本框架如图1所示。

图1 基于案例推理的地质选线系统基本框架

3 地质选线系统的流程实现

铁路地质选线其本身的复杂性是构建地质选线系统的难点，在结合案例推理的基础上确定地质选线系统中四大关键流程为：案例表示、案例检索、案例修正以及案例学习等，并分别对每项流程进行了研究。

3.1 案例表示

案例表示是CBR系统的基础，从案例表示的基本出发，一个案例应该由问题描述，解决方案，实施效果三大部分组成。查阅铁路选线的相关专业书籍和论文[7，12]，对地质选线案例进行大量分析之后，找出地质选线的案例特点。

(1)地质选线主要是以某段地质条件复杂、地质灾害频发的小区域范围内为主，以规避地质灾害为基本原则，注重减少不良地质对工程的影响，探讨不同比选方案下的工程安全性与经济性。不同于传统选线设计对大区域范围内的定线，结合生态自然环境，确定线路技术标准、空间位置以及各种建筑物协调布设，两者侧重点不同。

(2)地质选线案例涉及的内容很多，主要是工程地质以及不同工程地质下铁路定线等，具体包括不良地质灾害、地形地貌、地质构造、地震、水文地质、铁路选线、工程施工、工程项目管理与评价等等。不同内容的知识体系与数据类型差异较大，其中不良地质灾害信息量大、层次关系复杂，数值、字符数据均包含于其中；铁路选线、工程项目管理与评价则以文字描述为主，多为字符数据。

结合地质选线案例的特点，可知地质选线案例结构性差、信息知识复杂，牵扯的专业知识众多，无法直接拿案例进行使用，需进行一定的整理与简化。传统的案例表示方法有框架表示法、语义网络表示法以及面向对象表示法[14]，这三类方法各有优缺点，但都无法应对地质选线案例知识繁杂，涉及领域众多，层次关系复杂的情况，因此采用传统案例表示方法设计的地质选线CBR系统知识框架存在着可拓展性差、可重构性弱等缺点。本体(Ontology)，作为人工智能领域应用的一种知识表示方式，其在知识表示方面以及逻辑关系方面都具备优势，良好的一致性也有利于知识拓展、共享与重用，因此可以运用本体法建立地质选线案例表示模型，参考相关文献[13-18]，建立模型如图2所示。

图2 基于本体的地质选线案例表示模型

3.2 案例检索

案例检索是地质选线CBR系统里面的一个重要环节，通过案例检索搜寻相似的案例来解决地质选线问题。常见的案例检索方法有最近相邻法、归纳推理法以及知识引导法[14]。归纳推理法适用于案例种类差异明显，不同种类案例数量充足且易归纳的情况；知识引导法根据领域知识中特征属性重要性程度不同来进行案例搜索，要求特征属性权重明确，一般与最近相邻法结合使用；最近相邻法是通过检索案例库中与目标案例相似度最大的案例进行案例匹配的，该种方法的关键在于案例相似度的计算，在案例库规模适中，案例结构清晰的情况下，可以采用最近相邻法进行案例检索匹配。完整的案例相似度分为两个部分，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础上进行权重求和计算得到的。

3.2.1 局部相似度的计算

在基于本体的地质选线案例表示模型中，存在着两类属性，一类是数值型属性，一类是字符型属性。两种不同类型的属性有着相对应的相似度计算方法。

(1)数值型属性相似度计算

数值型属性相似度的计算可以采用公式

(1)

式中，sim(xi，xj)为案例属性xi和xj的相似度，且xi、xj∈[α，β]。

(2)字符型属性相似度计算

字符型属性相似度的计算涉及到树状结构概念，地质选线本体中的特征属性间的包含关系形成了上下位关系的层次树，树中的节点表示特征属性，连接节点的上层节点是父类节点，根据此层次树，参考文献[19]，运用公式(2)计算字符型属性间的相似度。

(2)

式中，LCS(xi，xj)为任意两个特征属性距离最近的共同父类节点；prof(xi)为特征属性xi在层次树中的深度，如果xi为根节点，则prof(xi)值为0。

3.2.2 全局相似度的计算

全局相似度的计算可以采用公式

(3)

式中，SIM(X，Y)为案例X，Y的整体相似度；sim(xi，yi)为案例X，Y第i个特征属性的局部相似度；wi为第i个特征属性的权重，可以通过专家给定或根据地质选线本体模型运用层次分析法计算得出。

3.2.3 案例相似度的计算

设C={c1，c2，…，cm}表示m个地质选线案例，A={A1，A2，…，An}表示工程地质的n项特征属性，aij表示第i个地质选线案例对应的第j个工程地质特征属性的取值，B={B1，B2，…，Bk}表示选线方案与评价的k项特征属性，bij表示第i个地质选线案例对应的第j个选线方案与评价特征属性的取值。以相似度计算方法为基础，建立起工程地质与选线方案和评价的案例检索推理，如表1所示。

表1 地质选线系统案例检索

3.3 案例重用

案例重用是在得到案例检索结果的相关基础上，初步形成问题解决方案的过程。常见的案例重用方式有3种：(1)单个相似案例，直接重用该案例的选线方案；(2)多个相似案例，选择相似度最大的案例进行选线方案重用；(3)无相似案例，选出案例检索结果中相似度最大案例，进行案例修正。

3.4 案例修正

在地质选线CBR系统中，案例修正部分主要是通过对该案例检索得到的相似度最高但不超过阈值μ的案例进行选线方案的调整和修改，使之适用于当前地质选线问题。由于地质选线案例复杂多样，确定一个普遍适用的修正方法是困难的，因此面对复杂的地质选线案例，案例的修正常常需要专家对案例的选线方案部分进行人工修正，在案例运用成功之后再对选线评价部分进行补充。

3.5 案例学习

案例学习是使地质选线CBR系统能够不断更新，保证系统的适用性和先进性的关键。在地质选线CBR系统中，案例的学习主要是包含两方面的内容：一是案例库的更新；二是案例本体模型的更新优化。

(1)案例作为CBR检索推理的基础，案例的好坏以及案例库的规模大小直接决定了案例推理结果的好坏。在对案例进行检索推理完成后，可以对案例进行一个简单的评价，如果评价通过，则可以将该案例储存到案例库中。评价过程可以用公式(4)表示

Evaluationresult=M-0.1·T

(4)

式中，M为修正后的案例进行案例检索时所得到的最大相似度值；T为案例中的特征属性新数值类型的个数。

当评价结果小于阈值φ(假定为80%)时，说明该案例可以加入案例库。

(2)案例本体模型的更新优化主要是为了使得地质选线CBR系统具有更加合理的推理机制，在系统的使用过程中可以根据需要在系统层面对案例的本体模型进行更新优化，如增加特征属性、调整特征属性权重等等。

3.6 案例存储

案例存储是在案例学习成功的基础上，形成有用的新案例之后，根据案例表示模型，将新的地质选线问题以及选线方案、选线评价组合成新的案例，通过CBR系统的管理员操作界面保存到选线案例库中即可。

4 结论

(1)本文对基于案例推理的地质选线系统进行了探讨，结合案例推理的CBR循环R4模型构建了地质选线系统的基本框架。

(2)在分析地质选线案例特点的基础上构建了地质选线案例本体来进行案例的表示，同时确定了案例检索以相似度为基础，列出了局部相似度以及全局相似度的计算方法，给定了案例检索的流程，并对案例重用、修正、学习以及存储进行了简要的探讨，为地质选线CBR系统的构建提供了一定的理论支撑。

(3)随着地质选线以及计算机技术的不断发展，地质选线CBR系统相关的应用功能仍需继续完善，才能更好地推广与应用地质选线工程经验，真正意义上为选线工作者提供决策帮助。

[1] 朱颖.铁路选线理念的创新与实践[J].铁道工程学报，2009(6):1-5.

[2] 乔平，王云鹏.铁路工程地质选线咨询系统[J].工程地质学报，1994，4.

[3] 刘威，胡光常，唐文建，等.铁路智能选线系统开发与应用[J].高速铁路技术，2016，7(2):54-57.

[4] 廖丽琼.基于GIS的铁路工程地质信息系统的构建[J].四川地质学报，2001，21(1):44-47.

[5] 韩春华.基于GIS的铁路选线系统智能环境建模方法研究[D].成都：西南交通大学，2008.

[6] 戴汝为.人工智能[M].北京：化学工业出版社，2002.

[7] 易思蓉.铁路选线设计[M].武汉：武汉大学出版社，2014.

[8] 铁道部第一勘测设计院.铁路工程地质手册[M].北京：中国铁道出版社，1999.

[9] 中国中铁二院工程集团有限责任公司.铁路工程地质实例(西南及相邻地区分册)[M].北京：中国铁道出版社，2011.

[10] 韩康.河流峡谷地段地质选线方案研究[J].铁道工程学报，2008(10):6-10.

[11] 宋章，张广泽，蒋良文，等.川藏铁路主要地质灾害特征及地质选线探析[J].铁道标准设计，2016，60(1):14-18，19.

[12] 汪涛.阳安铁路增建第二线山区地质选线[J].铁道标准设计，2015，59(7):3-8.

[13] 张贤坤.基于案例推理的应急决策方法研究[D].天津：天津大学，2012.

[14] 陈刚.基于本体的案例表示与检索研究[D].大庆:大庆石油学院，2010.

[15] 杨涛.基于本体的案例推理系统框架研究[D].南京：南京航空航天大学，2006.

[16] 吴珊燕.基于领域本体的案例推理优化及其应用研究[D].上海：华东师范大学，2014.

[17] 刘鹤.案例推理(CBR)技术在蔬菜专家系统中的应用[D].长春:吉林大学，2007.

[18] 高俊杰，邓贵仕.基于本体的范例推理系统研究综述[J].计算机应用研究，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，张广泽，蒋良文，等.川藏铁路工程地质特征及地质选线原则[J].铁道建筑，2017(2):142-145.

[21] 杨英.西部山区脆弱环境下铁路工程地质选线设计[J].铁道建筑，2007(2):84-86.