陈 丹， 邵丽萍， 黄 磊， 李雪岩， 祝 歆， 李 静*

(北京交通大学经济管理学院1，北京 100044；北京联合大学经济管理学院2，北京 100101)

城市地面公交具有容量大、覆盖面广、机动灵活等优点，已成为城市居民出行首选的交通方式。随着城市公交保有量、运营强度的不断增加，城市公交在大负荷、高强度运行环境下的应急突发事件问题凸显。公交运营突发事件可由多种危险源引起，如公交车发生机械事故冒烟着火、极端天气、群体性事件等造成公交车辆无法正常提供运营服务，带来运营损失的同时威胁着社会公共安全。目前在公交运营企业和其他公交主管部门虽然已存在一些应急管理信息系统对公交运营突发事件进行预防和处置，但各应急信息系统之间尚未针对某一种危险源引发的应急事件形成系统协同机制，应急预案和处置缺乏针对性。

当前，预防和处置不同危险源引发的公交突发事件时已开始利用不同的信息系统传递应急信息。为做到重点预防、监测和处置，并考虑到应急指挥信息化协同体系构建的复杂性，亟待依据城市实际应急数据和信息系统建设情况计算确定与公交应急协同活动关联度最高的关键危险源，并据此进行应急指挥信息化协同体系示范设计。

安全事故危险源辨识研究中存在多种危险源辨识方法。文献[1]把灰色关联度分析和离差最大化相结合对高速公路施工标段的危险源进行了辨识。文献[2]采用层次分析法对储罐区特大安全事故进行危险源辨识，确定相关因素权重。由于灰色关联度分析和层次分析法存在主观性，无法实现精确、科学地确定关键危险源，因此具有一定局限性。文献[3]将事故树法运用到现代有轨电车安全运行中，识别危险源，确定风险因素。事故树法作为一种常用的事故分析方法被普遍运用在安全分析各个领域内，但是事故树法只能进行简单的因果推理，不适用于复杂的系统分析。文献[4]将贝叶斯网络方法引入铁路客运站安全风险识别，基于事故树构建了贝叶斯网络模型，根据模糊不确定性理论计算根节点的先验概率。

粗糙集是用于处理不确定、不完整信息的数学工具，粗糙集理论的一个重要应用是属性约简[5-6]，即从若干属性中把关键的因素筛选出来。在安全事故危险源辨识领域已存在粗糙集的一些应用，如文献[7]利用粗糙集理论对建筑施工危险因素进行了识别，文献[8]在进行火灾危险源识别时使用了粗糙集理论，克服了主观确定权重的局限性。粗糙集方法作为一种定量分析方法，在危险源识别研究中基于数据确定关键风险因素，相比其他方法更加客观、准确。但是用于属性约简的传统粗糙集理论多依赖启发式算法，包括基于属性重要性的算法和基于可分辨矩阵的算法。启发式算法在求解属性约减问题时存在缺陷，其中，基于属性重要度的算法多依赖于解析方法，并非对所有的信息系统都可以得出全局最优解。基于可分辨矩阵的算法计算复杂度大，不适合处理海量数据[9]。

除了启发式方法之外，还发展出了智能搜索算法用于粗糙集属性约减，如遗传算法[10-11]，粒子群算法[12-13]、人工鱼群算法等[14]。与传统的启发式算法相比，智能搜索算法的寻优性能更好，更容易取得问题的全局最优解。遗传算法是一种自适应全局优化搜索算法，具有全局寻优能力，能在较短时间内找到全局最优解。已有研究将遗传算法引入粗糙集处理属性约简问题，如文献[15]将粗糙集和遗传算法相结合应用于虚拟企业伙伴选择问题中，自适应遗传算法计算速度快，产生了很好的效果。遗传算法适用性强、鲁棒性好、具有隐含并行性和全局性，可以有效简化判别规则[16]、减少计算复杂性得到最小约简。虽然遗传算法已经在属性约简问题中得到了广泛的应用，但是多针对单决策属性决策表，不适用于多决策属性决策表的属性约简问题。其次，适应度函数的设计也会影响遗传算法的寻优能力。

为此，把基于多决策属性决策表的遗传算法-粗糙集模型应用于公交运营突发事件危险源筛选，把关键危险源筛选问题看作一个属性约简问题，辨识出和公交应急协同活动最有关联的关键危险源。根据北京市公交的突发事件案例数据进行了实例计算，把公交突发事件的危险源作为条件属性，应急协同活动中的多种信息系统作为决策属性构建了多决策属性决策表，筛选出和应急协同信息传递依赖度最高的关键危险源，最后形成关键危险源下的应急指挥信息化协同体系示范设计。

1 模型构建

粗糙集理论是由Pawlak 教授提出的用于处理不确定、不完整信息的数学工具。粗糙集中很重要的一个定义是决策表。它是一个四元组S={U,A,F,D}，其中U表示论域，是一个非空有限对象集，A是条件属性集合，F是对象的属性值，D是决策属性集合。传统粗糙集理论中的决策表多是单决策表，即决策表中的决策属性只有一列，只适用于简单决策问题。在实际地面公交应急指挥中往往涉及多种信息系统的支持和配合，传统的粗糙集模型已不再适用，因此针对公交应急指挥中的实际决策需求将基本粗糙集模型扩展为多决策属性粗糙集模型。

公交应急指挥知识系统可表示为一个四元组：S={U,A,F,D}，其中，U={X1，X2，…，Xn}为论域，表示公交应急事件集合；A={a1，a2，…，am}为条件属性集合，表示公交应急事件发生的危险源；D={d1,d2,…，dd}为决策属性集合，表示处置公交应急事件涉及的信息系统；F为对象的属性值。p1，p2，…，pd表示决策属性与条件属性的关联程度。决策表结构见表1。

表1 公交应急指挥决策信息表

为了解决多决策属性条件下的属性约减问题，根据条件属性依赖度筛选出和现有信息系统联系最密切的应急危险源，为公交应急指挥及系统协同提供了更加准确的数据基础和决策支持。

在公交应急知识系统S={U,A,F,D}中，R⊆A，U={X1，X2，…，Xn}，危险源条件属性集R与决策属性集D之间的依赖度表示为[17]

(1)

已有研究表明，遗传算法在粗糙集属性约简方面已经产生了一些应用，且取得了良好的效果，因此利用遗传算法的寻优能力，将条件属性集和决策属性集的依赖度作为优化目标筛选出关键的应急事件危险源。本文中遗传算法的染色体的编码方式为二进制编码。将条件属性进行二进制编码，多个属性构成不同的染色体个体。将可能引发应急事件的相关危险源集合表示为A={a1，a2，…，am}，其中ai表示第i个条件属性，如果ai=1，说明该染色体包含第i个条件属性，否则不包含，如A1=(1,0,0,1,1,…)表示一种可能的条件属性组合方式。适应度函数采用式(1)的依赖度，条件属性组合和决策属性的依赖度越大，该染色体的适应度越大，越容易被留在约简结果中。

遗传算法的操作步骤如下：

(1)形成初始种群。随机生成若干长度为l的二进制数列，l表示条件属性的数量，每个数列都表示一个染色体个体。对于每个个体计算条件属性组合和决策属性组合的依赖度作为初始种群的适应度。

(2)选择个体。采用“轮盘赌”的方式选择种群中适应度较大的个体，保留在种群中。

(3)交叉操作。以某个交叉概率pc选择两两交叉个体，采用单点交叉方法，随机选取交叉点，在交叉点后将两个体的条件属性一一对换进行条件属性交叉，产生新的个体。

(4)变异操作。以某个变异概率pm选择变异个体，对个体的某个基因进行突变，如原基因(条件属性)为1，现突变为0，产生新的个体。

如此循环往复，当迭代步数达到阈值或者适应度达到最大值并且收敛后，算法停止。此时便可得到约简后的关键条件属性集合。

算法伪代码：

算法步骤 基于遗传算法的属性约减1While not Termination Condition() do2 For each individual from 1 to population size3 The attribute combination of individual is coded by binary code4 Calculate the attribute dependability of individual’s at-tribute combination5 Establish the fitness function based on dependability6 End 7 Implement the roulette selection operator, a new-generation of individuals is obtained8 Let and be the crossover and mutation probability respectively9 The individuals exchange part of their binary code with a ran-dom individual with the probability of pc10 For each individual from 1 to population size11 If rand

2 实例计算与分析

2.1 样本选取及多决策属性决策表的建立

以北京市城市地面公交应急事件为例，依据真实数据建立了公交应急指挥决策表。公交应急指挥知识系统可用一个四元组S={U,A,F,D}表示。A={a1，a2，…，am}是条件属性集合，表示公交应急事件危险源的集合，危险源的编码及名称见表2。D={d1,d2,…，dd}为决策属性集合，表示处置公交应急事件涉及的北京公交集团信息系统，信息系统的编码及名称见表3。

表2 危险源的编码及名称

表3 信息系统编码及名称

选取2015—2017年北京市207起公交突发事件案例作为样本数据来构建决策表，每个公交突发事件都对应一种危险源。不同危险源的应急响应涉及的信息系统不同，即使同一种危险源，由于事件发生时间和地点的不同，涉及的信息系统也会有所不同，因此通过北京市公交集团的专家指导确定了每个决策属性的取值，构建的决策表如表4所示。决策表的每一行代表一个突发事件，用xi表示，i=1，2，…，207；每一列代表条件属性和决策属性，条件属性aj表示突发事件的危险源，j=1，2，…，8，决策属性dp表示应对突发事件涉及的信息系统，p=1，2，…，31。在决策表中，1代表发生，0代表不发生，如x1对应的条件属性a5取值为1，说明突发事件x1属于电气事故，否则x1不属于电气事故；x1对应的决策属性d1取值为1，说明处置突发事件x1时使用了北京公交大数据平台，否则x1没有用到该系统。由于篇幅有限，只列出了多决策属性决策表的一部分。

2.2 计算结果与分析

用于属性约简实验的计算机配置情况如下：CPU为E5-1650、显卡为华硕6 G GTX1060、主板为华硕Z9PA。属性约减代码的运行环境是MATLAB R2016a，遗传算法中的交叉概率参数设置为0.7，变异概率参数设置为0.01。为了验证属性约减算法的稳定性和可靠性，进行了9次独立重复的约减实验。尽管每次约减实验的筛选过程不同，但是约减结果a8在9次约减实验结果中出现了7次，因此气象灾害最终被确定为关键危险源。这说明基于粗糙集遗传算法的约减结果是可靠的。9次约减实验的属性筛选过程见表5。以第一次约减实验为例，经过第一次筛选剩余a1，a4，a5，a7，a8五个属性，在此基础上进行第二次筛选，剩余a4，a7和a8，第三次筛选剩余a7和a8，第四次筛选之后只剩余a8一个属性，最初的8个条件属性经过四次筛选只剩余代表气象灾害事故的a8。

在每一次属性约减过程中，个体适应度都会随迭代次数的增加而发生变化，某次属性约简的个体适应度变化情况如图1所示。遗传算法的寻优性能可以从算法收敛速度和适应度大小这两个方面考察，算法收敛速度越快、适应度数值越大说明遗传算法的性能越好。根据经验，本文将遗传算法的迭代次数设置为50，从适应度变化情况图中可以看出，算法在第21次迭代时达到收敛，适应度函数取得了最优解。

为了考察粗糙集遗传算法的稳定性，通过记录每一次独立重复约减实验的最大适应度数值，做出如图2所示的箱线图。通过箱线图可以看出9个适应度中有一个异常值，箱线图的形状说明该粗糙集遗传算法在求解最优解时的稳定性有所欠缺。

经过遗传筛选，个体的优化结果为00000001，即在现有的信息系统建设环境下，气象灾害事故这个危险源和信息系统的关系最密切。气象灾害事故发生频率大，影响范围也较大，是一种最常见的事故危险源。针对这个危险源设计信息系统之间的协同指挥流程有很大的实际意义和指导意义。

表4 公交应急指挥多决策属性决策表

表5 9次约减实验的属性筛选过程

图1 适应度变化过程

图2 9个适应度的箱线图

3 气象灾害危险源下公交应急协同指挥体系构建

气象灾害作为一种突发事件危险源，具有影响范围大、监控要素多的特点。气象灾害包括雨雪、沙尘暴、大风等恶劣天气，一旦发生就会大面积地影响公共交通的正常运营。此外，在应对气象灾害引发的突发事件时，涉及的监控要素较多，如汛期既要获取外部气象台的监控数据，同时还要防止次生灾害的影响。与其他类型的突发事件不同，气象灾害事件往往有预先的处置方案，事故发生时在应急预案的基础上执行应急指挥。

气象灾害应急处置工作的顺利开展离不开信息的传递，信息系统是信息流的载体，因此有必要在应急工作流程图的基础上构建信息系统协同关系图。当气象灾害事故发生时，需执行事前制定好的应急预案，预案的执行需要信息系统之间的协同。气象灾害突发事件下的信息系统协同关系图如图3所示。

图3 气象灾害下信息系统协同关系图

信息系统协同关系图分为三层，从下到上分别是基础设施层、支撑层和应用层。基础设施层由一些基础的信息设备组成，如语音对讲、程控电话网络等通讯设备，报警设备、监控设备、车载信息设备等基础设施。这些基础设施属于监测中心，其主要作用是信息产生和信息收集，并向支撑层传输信息。支撑层主要包括涉及人、车、线、站等基础信息的信息系统以及综合性的数据转发平台。支撑层起到中间层的作用，将来自基础设施层的基础信息汇总整合，转换为综合性信息供应用层的系统使用。应用层由与应急指挥直接相关的信息系统组成，如应急管理系统、运营可视化系统和智能调度系统。应用层的系统在应急处置的过程中起作用，产生的信息只在应用层的系统之间传递，体现出协同指挥的特点。

基础设施层的车载信息设备产生的车辆实时定位信息、IC(integrated crcuit card)卡信息以及车辆CAN(controller area network)数据综合应用平台产生的CAN数据，都通过支撑层的车载实时数据转发平台进行转发。监控设备和报警设备产生的监控信息和报警信息都由图像信息管理系统来接收、处理、转发。气象灾害发生后，为了防止次生灾害的影响，监控设备和报警设备持续收集现场情况向图像信息管理系统提供监测信息，图像信息管理系统接收后向应急管理系统转发。

在支撑层，为了支持气象灾害发生后的调度任务，公交信息资源平台接收来自人力资源系统、车辆技术管理系统、线网系统、宗地管理系统的人、车、线、站基础信息以及结果性的业务数据，向大数据平台、应急管理系统转发基础信息。车载实时数据转发平台管理所有的车辆实时数据，向智能调度系统、应急管理系统和大数据平台转发车辆实时数据。开放地理信息平台将地理信息转发到智能调度系统和应急管理系统。业务实时数据转发平台管理所有的业务系统产生的实时业务数据，如来自智能调度系统的行车计划和劳动排班信息，来自运营可视化管理系统的调度指挥业务数据和来自应急管理系统的应急管理业务数据。另外，业务实时数据转发平台接收大数据平台的计算结果，再将数据分析结果如客流信息、路况信息推送给应急管理系统。图像信息管理系统管理所有的报警信息和视频监控信息向应急管理系统推送。

应用层的核心系统是应急管理系统、智能化调度系统和运营可视化系统。其中智能化调度系统供车队一级使用，运营可视化系统供分公司和集团公司使用。在气象灾害应急事件中，应急管理中心主导应急工作，确定应急预案，下达应急指令给运营可视化系统，再下达给智能调度系统，由智能调度系统将线路调整信息推送给乘客服务系统和客服系统。智能调度系统和运营可视化管理系统共享调度信息和指挥信息，应急管理系统和运营可视化管理系统之间共享指挥信息和应急信息。最后应急管理系统汇总所有应急事件信息上报交通委员会。

4 结论

如何科学确定导致城市地面公交应急突发事件的关键危险源，并针对关键危险源设计应急指挥协同方案是保障城市地面公交系统安全稳定运营的一项重要研究内容。将遗传算法-粗糙集模型应用于公交运营突发事件危险源筛选，基于多决策属性决策表和与其适应的适应度函数进行属性约简。通过实例计算分析了北京市地面公交应急突发事件的关键危险源，气象灾害被确定为北京市地面公交突发事件关键危险源。得到以下结论。

(1)遗传算法-粗糙集模型在公交运营突发事件危险源筛选问题上产生了良好的效果，具有准确性和可靠性，但是稳定性需要进一步改进。

(2)北京市地面公交运营突发事件的关键危险源是气象灾害。

最后设计了北京市地面公交气象灾害应急指挥信息协同方案，为城市地面公共交通的应急响应提供新的思路和参考，对于保障公交稳定运营，提高应急处突能力具有实际参考价值。