王 普，李 平，阿茹娜，杨连报

(1. 中国铁道科学研究院 研究生部，北京 100081；2. 中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081；3.中国中铁股份有限公司 规划发展部，北京 100039)

截至2019年底我国高速铁路运营里程达到3.5万km，是世界上高速铁路运营里程最长、运输密度最高、成网运营场景最复杂的国家。高速铁路具有技术复杂度高、安全性要求高、运行速度快、救援难度大等特点，突发事件将给高速铁路运输安全带来极大影响，因此加强高速铁路的突发事件应急管理研究极为必要。

铁路应急管理就是对铁路管辖范围发生的自然灾害、事故灾难、公共卫生、社会安全等突发事件，围绕铁路应急预案进行预防、准备、处置、恢复的过程。应急预案是对高速铁路突发事件进行科学高效处置的核心，规定了突发事件发生时铁路各级管理和执行部门的处置过程。原中国铁路总公司印发了《突发事件应急预案管理办法》，明确规定了国铁集团-铁路局基层组织-站段岗位处置办法等3级铁路应急预案体系，在铁路突发事件应急管理过程中发挥了重要作用。但由于大量应急预案通常以纸质文本、电子文档等方式存储，存在着数字化程度不足、查询效率不高、全文检索困难、智能关联性差等不足。随着文本大数据分析技术、本体技术等的发展，应急预案的数字化、动态关联化等成为可能。

目前应急预案数字化已经成为应急管理领域研究的热点，当前研究主要集中在数字化本体方法理论研究和地震、煤矿、轨道交通等具体领域的应用研究。在数字化本体方法理论研究方面：文献[1]提出了应急预案数字化统一拆分模板，提高了应急预案处置的灵活性；文献[2]通过XML+关系型数据库实现了数字化应急预案的存储和基于案例推理的预案自动生成。在地震领域：文献[3]应用 Open XML和本体构建了地震应急预案数字化模型，探讨实现与其他相关系统的联动和集成；文献[4]实现了地震应急预案的数字化管理和基于地图形式的应急救援和指挥。在煤矿领域：文献[5]实现了基于本体和XML的煤矿应急预案数字化管理原型系统。在轨道交通领域：文献[6]提出了基于规则推理和案例推理的轨道交通突发事件处置方案生成模型，可以有效利用历史突发事件处置的经验；文献[7]从技术发展和功能优化角度阐述了城市轨道交通应急平台优化的需求，并从数据类型和数据量的角度分析了数据，设计了基于云架构的应急平台结构和功能架构；文献[8]则实现了交通行业中应急预案的数字化管理。

综上所述，目前研究工作主要集中在应用本体实现数字化应急预案的构建并应用案例和规则推理实现应急处置方案的生成，但对于突发事件消息文本的智能识别和应急方案实时动态生成的研究较少。本文提出一种新的融合本体和深度学习(Bidirectional-Long Short-Term Memory + Condition Random Field，Bi-LSTM+CRF)的高速铁路应急预案数字化方法，首先提取突发事件消息文本中有关高速铁路突发事件发生的具体事件类型、事件名称、发生时间、地理位置等关键字段，然后基于目标树通过语义查询，生成最适合该突发事件处置的流程。

1 融合本体和深度学习的高速铁路应急预案数字化方法总体架构

应急预案数字化主要是对应急预案进行结构化、智能化处理，主要包括应急预案结构分解、突发事件信息结构化处理、应急处置流程生成等，主要包含高速铁路突发事件文本提取、应急预案数字化构建和处置流程生成3层[9]，见图1。

图1 融合本体和深度学习的高速铁路应急预案数字化方法

高速铁路突发事件消息文本提取层是通过人工BIO文本标注、词向量生成以及基于Bi-LSTM+CRF深度学习模型，实现高速铁路突发事件消息文本中所包含的突发事件发生的具体事件类型、事件名称、发生时间、地理位置等关键字段等的提取，转换为结构化的高速铁路突发事件消息。

高速铁路应急预案数字化构建层是应用本体对高速铁路应急预案结构进行分解，按照预防预警、分级响应、应急处置、后期处置4个部分实现高速铁路应急预案的数字化构建，对各个部分的主要功能模块应用本体描述语言进行描述、存储和管理。

高速铁路应急预案处置流程生成层主要是将高速铁路应急预案中的具体操作拆分为应急处置流程单元，然后根据突发事件发生和演变过程，按照特定的约束实现流程单元的拼接，从而生成具有针对性和灵活性的应急处置方案。

2 基于深度学习的高速铁路突发事件消息文本特征提取

高速铁路突发事件消息为突发事件发生时所形成的一段概要性非结构化文本，传统方法主要是应急值守人员人工解读。本文基于Bi-LSTM+CRF深度学习模型实现高速铁路突发事件消息文本命名实体的自动抽取，提取的字段主要有事件类型、事件名称、发生时间、地理位置等。为实现突发事件消息文本特征的自动提取，需要定义BIO实体类型并通过标记形成训练样本数据，见表1。

表1 高速铁路突发事件消息实体

Bi-LSTM+CRF是目前文本特征提取的主流模型，其中Bi-LSTM是具有门结构的双向长短时循环神经网络，能够学习上下文依赖关系；CRF是条件随机场模型，通过发射矩阵和转移矩阵学习文本序列标注结果的全局关系，从而保证Bi-LSTM模型输出标注序列的合理性[10-15]。

LSTM内部主要有遗忘门、输出门、输入门3个门结构和1个记忆单元的特殊神经网络结构，见图2。图2中：h为隐含层状态；c为记忆单元。

图2 LSTM链状结构

本文中CRF采用Linear-CRF，主要有两组变量组成，即输入的观测序列X=(x1,x2,x3,…,xn)和输出的标注序列Y=(y1,y2,y3,…,yn)，n为观测序列的长度，见图3。

图3 Linear-CRF结构图

此时，输出序列的条件概率分布为

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

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

(1)

X取值为x，Y取值为y时的条件概率为

(2)

(3)

式中：Z(x)为归一化因子；tk为转移特征函数；λk为转移特征的权值系数；sl为结构特征函数；μl为结构特征的权值；k为定义在该节点的局部特征函数的总个数；l为定义在该节点的节点特征函数的总个数；i为当前节点在序列的位置。

高速铁路突发事件消息文本特征提取主要是通过极大似然估计方法构建损失函数，通过随机梯度下降法实现最优模型训练。在获得最优的高速铁路突发Bi-LSTM+CRF模型之后，可以自动提取出突发事件消息的关键特征。例如 “2018年5月23日8时50分，××县发生6.2级地震，经铁路相关部门确认××站在震中100 km范围内”，可以提取出该突发事件消息的关键特征，见表2。

表2 高速铁路突发事件消息提取内容

3 基于本体的高速铁路应急预案数字化构建

依据本体的层次和领域依赖度将高速铁路应急预案本体分为3类：区域本体、突发事件本体、突发事件案例本体。其中：区域本体指国铁集团、铁路局集团公司和站段的区域管理范围；突发事件本体指各类别突发事件隶属关系；突发事件案例本体指按照案例人员、组织、资源等实现突发事件案例的结构拆分。

图5 突发事件本体图

3.1 区域本体构建

依据我国铁路层级管理结构和各铁路局集团公司管辖范围，应用本体构建“区域”概念，包含“国铁集团”“铁路局集团公司”“站/段”3类，其中“国铁集团”包含“铁路局集团公司”，“铁路局集团公司”包含“站/段”，见图4。

图4 区域本体图

构建高速铁路应急预案区域本体后需要应用网络本体语言(Ontology Web Language，OWL)定义实体的属性，从而实现实体中实例的关联查询和推理。其中“国铁集团”“铁路局集团公司”“站/段”同属于区域类，“国铁集团”包含有枚举属性为 “隶属于国铁集团的铁路局集团公司”，“铁路局集团公司”包含有枚举属性为“隶属于铁路局集团公司的站段”。其中“隶属于国铁集团的铁路局集团公司”和“隶属于铁路局集团公司的站段”对应的实例取值集合分别为{北京局集团公司，上海局集团公司，成都局集团公司，…}等18个铁路局集团公司以及各铁路局集团公司对应的站/段。根据OWL的传递属性和函数属性性质，可以实现

[(p→q)∩(q→r)]→(p→r)

(4)

式中：p为“站/段”；q为“铁路局集团公司”；r为“国铁集团”。

通过式(4)可以实现在通报某个站段的突发事件时，通过Bi-LSTM+CRF抽取出发生的站/段时，可以实现到具体铁路局集团公司和国铁集团相关的联合查询和推理。

3.2 突发事件本体构建

突发事件本体构建主要是按照自然灾害、社会安全、事故灾害、公共卫生4大类及每一个大类下包含的突发事件小类进行构建，以便在突发事件发生时快速根据突发事件类型找到对应的应急预案。突发事件本体见图5。

由图5可知突发事件本体的第3层中包含的突发事件小类较多，可以在突发事件发生时无法精确匹配到具体突发事件类别时，通过本体计算其兄弟节点的应急预案来提供参考。

3.3 突发事件案例本体构建

突发事件案例本体的构建主要是利用本体对案例进行形式化描述，增加了约束、任务、组织概念，其中：约束定义了任务的约束条件，决定了任务的次序；任务包含具体的步骤并且使用若干资源，最终生成具体的处置过程；组织包含人员，并定义了角色，用于明确在任务中人员所担任的具体角色。构建后的应急案例本体见图6。

图6 高速铁路突发事件案例本体图

3.4 高速铁路应急预案数字化构建

高速铁路应急预案数字化主要是按照预防预警、分级响应、应急处置、后期处置4部分将应急预案转换为损失评估、信息发布等22项子模块。其中：预防预警主要是根据既有高速铁路相关的监测系统和传感器等实现铁路沿线环境、线路状态、接触网、动车组等数据的监控，对突发事件的发生能够快速处置并进行快速的分发和通知；分级响应和应急处置则是根据突发事件等级来采取调集救援队伍和救援设备等具体的应急处置措施；后期处置是处整个突发事件处理完成之后，进行归纳和总结，并更新到案例库中。

3.5 基于目标树的高速铁路应急处置方案生成

基于目标树的高速铁路应急处置方案生成主要是将应急处置方案拆分为若干应急处置单元，并根据突发事件处理所要达到的最主要目的确定应急处置的总目标，同时逐步细化若干子目标来实现确定的总目标，在细化子目标时需要借鉴高速铁路应急处置案例库中的相似成功处置案例的经验，最后生成应急处置方案。其中，应急处置单元可以定义为

Node=〈Id,Name,Category,Content,Time,

Person,Resource,Description,PreNodes〉

式中：Id、Name、Category、Content、Time、Person、Resource、Description、PreNodes分别为高速铁路应急处置方案单元的编号、名称、类别、应急处置措施、完成时间、所需人员、所需资源、概要描述、前驱应急处置单元集合。

高速铁路应急处置方案生成首先是输入突发事件的概况和现场处置情况进行目标树的初始化，如果直接匹配到应急处置流程则添加到应急流程处置单元的备选集合之中，并根据约束条件对处置几个符合条件的处置流程进行排序，返回若干处置流程供决策者选择；若无法直接匹配到应急处置流程，则需要对目标树的子目标表进行拆分，获取每个子目标的应处置流程并进行拼接生成最后的处置流程；如果以上两种方式均无法找到匹配的应急处置流程，则显示错误信息。具体过程见图7。

图7 基于目标树的高速铁路应急处置流程

4 案例分析

为了验证本文所提方法的正确性，假设突发事件场景为：“××××年×月×日×时×分，××次动车组在××站突发火灾，造成了2人受伤”。针对此次突发事件，首先提取出此次突发事件类型为火灾，并通过构建的应急预案区域本体和突发事件本体，快速调取该所属铁路局集团公司的火灾应急预案，并根据现场的情况分析历史发生过的类似案例事件，基于避免火灾引发次生灾害发生和快速恢复行车的目标，快速生成应急处置流程，见图8。

图8 高速铁路应急处置流程的生成

同时以1 000条高速铁路突发事件消息为例，1 000条某局集团公司的高速铁路应急处置案例库为例进行实验，本文提出的基于Bi-LSTM+CRF的高速铁路应急突发消息的特征提取平均准确率达到80%，相关案例语义搜索命中率平均达到90%，通过案例匹配动态生成的应急处置方案比实际决策更加具有灵活性和针对性，同时结合专家确认生成的应急处置方案可以为下次同类型应急处置提供参考。

5 结论

本文提出了一种融合本体和深度学习的高速铁路应急预案数字化方法，可以有效实现高速铁路突发事件消息的特征提取，并通过对高速铁路应急预案进行本体的构建、应急处置单元的定义以及基于目标树的应急处置流程生成等方法，可实现对高速铁路文本预案的智能数字化与推理检索。通过应用Bi-LSTM+CRF实现高速铁路突发事件消息文本的特征提取和基于本体的语义查询和推理，可以根据具体突发事件情况，基于目标树生成有针对性的处置方案，为突发事件应急处置提供决策支持和参考。