赵涛, 左静， 尚梦星

(兰州交通大学自动化与电气工程学院， 兰州 730070)

由于高速列车行驶速度快,运载量大,一旦发生较大的交通事故,很容易造成严重的伤亡并导致路线损坏，影响后续列车通过。如果应急决策不能做到及时有效, 必然会降低救援效率，影响铁路系统正常运行，甚至导致次生及衍生事故的发生[1]。高速铁路事故具有突发性，发生时间、地点、严重程度都难以预测，而且在发生事故的最初阶段，事故的信息通常不全面，事故的演化具有很大的不确定性，且应急救援时效性强，给救援部门应急决策带来了较大的困难。目前针对铁路突发事故应急决策的研究已逐渐增多，相关研究主要集中在应急救援决策方法及应急救援决策系统两大方面。铁路突发事故应急处置采用的是“情景-应对”模式，由于“情景冲突”导致“决策冲突”问题，严重影响了应急决策形成过程，面对这一问题，李小平等[2]提出了一种能够实现情景要素确定、情景评价以及冲突协调的方法，能够有效解决情景冲突问题，缩短决策时间；刘文斌等[3]提出应用地理信息系统(geographic information system，GIS)技术，构建铁路沿线真实场景，模拟仿真高速铁路应急救援，为铁路运输调度部门在应急决策时提供科学依据。对事故现场进行态势估计和应急决策提供信息支撑，在态势估计方面，毕城等[4]提出了一种改进的动态贝叶斯网络态势估计算法，通过计算新态势要素与原有态势要素间的互信息构建并更新动态贝叶斯网络参数；赵克新等[5]等提出了一种改进决策树思想的态势估计推理方法，与贝叶斯推理相比速度更快，准确度更高；王闯等[6]对态势估计模型及要素构成进行分析，建立了防空反导态势估计的系统模型；张俊峰[7]等提出了基于综合势力图的态势估计方法，将人工智能(artificial intelligence，AI)兵棋的静态信息、经验信息和动态信息计算叠加形成综合势力图，为AI决策提供信息支撑；Zhang等[8]提出了一种改进的模糊深度神经网络方法用于多无人机态势估计，对场景数据进行归一化处理，并将弹性随机梯度算法引入到神经网络训练中；Hao等[9]将直觉模糊贝叶斯网络与前景理论相结合提出了一种动态直觉模糊决策方法。

对于高速铁路突发事故的应急处理，决策者主要是依靠对以往突发事故处理的经验来对当前发生的铁路事故进行应急指挥[10]。然而由于突发事故初期现场信息不足且具有不确定性，以及决策者自身在应急决策方面能力的局限性，可能导致决策者很难在较短时间内得出科学有效的决策。因此现对事故现场不确定的参数进行感知，将直觉模糊集(intuitionistic fuzzy set，IFS)与贝叶斯网络(Bayesian network，BN)进行结合，构建直觉模糊贝叶斯网络(intuitionistic fuzzy Bayesian network，IFBN)，节点变量及条件概率都以IFS作为输入进行推理，增加证据信息犹豫度的一面，通过比较输出结果的得分函数进行态势估计。直觉模糊数在铁路救援领域的应用研究还比较少，为适应现代高铁突发事故初期现场信息不确定对应急决策的限制，将IFBN推理方法应用到高铁突发事故态势估计中，以期为应急决策提供信息支撑。

1 高速铁路突发事故应急决策

1.1 高速铁路突发事件诱因分析

高速铁路作为中国重要的交通工具，具有速度快、运量大、覆盖范围广、全天候等特点，因此在高速铁路运营过程中存在着各种风险因素，当这些风险因素之间矛盾加剧时，有可能导致各种突发事件的发生。与普速铁路相比，高速铁路中各种新技术新装备投入运营，各种风险因素不断涌现，极大增加了各类铁路突发事故发生的可能性。为了更有针对性地处理高速铁路运营中发生的紧急事件，将高速铁路突发事故的诱因归纳为4个方面：人为因素、设备因素、环境因素、管理因素。

人为因素：人为因素是指突发事件的发生是由人为错误所导致的。在铁路运营中，涉及的人员包括路内工作人员和路外人员。与普速铁路相比，高速铁路中使用更多的新装备、新技术，工作人员对新设备的操作不当等可能会导致突发事件的发生。

设备因素：设备因素主要表现在设备设计缺陷、故障等方面。越复杂的设备出现故障的可能性越高，在高速铁路中，接触网故障导致的突发事件往往较多。

环境因素：铁路系统运行环境的复杂性，给铁路安全运输带来了很大隐患。高速铁路线路主要由高架桥和隧道组成，随着高速铁路的快速发展，高速铁路覆盖范围扩大到广大困难艰险山区，由于自然环境恶劣且气候多变，对高速铁路行车造成巨大影响。

管理因素：管理因素是指由于管理组织、制度等因素不合理而导致的突发事件。主要表现为组织机构不健全，人员配置不合理，人员、部门职责不明确等。高速铁路运营更加复杂，需要更完善的管理机制及更充分的培训演练。

1.2 高速铁路突发事件分级分类

为了更高效地应对各种突发事件，需要对突发事件信息进行收集分析，按照分类构建案例库及预案库。当突发事件发生后，要对收集到的信息进行分析，根据突发事件的性质和特点，在已有案例库及预案库的基础上制定合理的应急决策方案。按照《中华人民共和国突发事件应对法》和《国家突发事件总体应急预案》规定，根据突发事件的性质，可以将高速铁路突发事件分为四类：自然灾害、事故灾难、公共卫生事件、社会安全事件，如图1所示。根据高速铁路各类事故造成的人员伤亡、直接经济损失、中断行车时间等指标，将高速铁路突发事故等级分为Ⅰ级(特别重大)、Ⅱ级(重大)、Ⅲ级(较大)和Ⅳ级(一般)。

图1 高速铁路突发事件分类

1.3 高速铁路突发事故应急决策的特点

高速铁路突发事故应急决策是指在高速铁路交通事故发生后，在短时间内，根据现场人员报告的事故相关信息，判断事故的级别并启动相应等级的应急响应，明确当前的问题及应急目标，结合已有的应急预案及以往相似的突发事故的解决方案制定当前突发事故的应急救援方案，经应急救援专家同意后组织实施，跟踪检测并调整方案，直到当前事故得到控制为止的一个动态过程。

由于高速铁路突发事故存在突发性、紧迫性及后果严重性等多种特征，因此高速铁路突发事故应急决策具有以下特点。

(1)反应时间短，应急决策难度大。在高速铁路运输过程中，一旦发生突发事故，由于高速铁路列车运行环境的复杂性与突发事故的多样性，很难在短时间内收集到完整有效的信息。铁路作为重要的交通方式之一，突发事故发生后，如果不能得到及时有效的处理，会对国民经济和社会生活造成不良影响，这就需要应急部门快速地做出科学高效的指挥，大大增加了应急决策的难度。

(2)多主体决策。高速铁路突发事故的应急处置是多主体共同参与应对的一个过程，尤其是重大突发事故，应急处置不仅需要铁路系统内部各部门的协调配合，也需要与事发地地方政府、公安、消防、医疗卫生等各部门的协调联动。

1.4 高速铁路突发事故应急决策流程

高速铁路交通事故发生以后，首先分析事故现场人员汇报的信息，对事故的严重程度及发展演化进行分析，确定应急响应级别，并参照相应的应急预案及以往类似事故的处理方案制定当前事故的预选方案；然后咨询领域内的专家对预选方案进行比较，选出最受认可的方案进行救援。通过方案实施过程中的效果反馈对实施的方案进行修正直到事故得到良好的控制[11]，如图2所示。

图2 高速铁路突发事故应急决策过程

2 直觉模糊贝叶斯网络模型

2.1 贝叶斯网络

贝叶斯网络(BN)的理论基础是图论和贝叶斯定理。BN为不确定的知识表示和全面的推理提供了一种有效的工具，已经被广泛应用于情况评估、目标识别、数据融合等领域。但是，BN利用事件发生与不发生的概率表示网络节点的特征，未能将网络节点证据信息的不确定性表现在网络推理过程中，使得网络推理结果与实际情况产生偏差。

在铁路交通事故发生的最初阶段，现场的信息通常不足且不准确，决策者倾向于求助历史事故的救援经验以获得先验知识或经验证据。随着事故的发展，信息获取的速度加快，这将被进一步用于纠正先前的经验并修改决策者的先前判断。这个过程表面上是随机的，不可预测的，但本质上是相关的，事故的先前状态将影响后续情况,这种机制可以从紧急情况的关键因素之间的因果关系中反映出来。因此，BN被认为是对不确定信息推论和更新的适当方法。应当注意到，紧急情况下的信息通常是不完整且模棱两可的，缺乏足够的信息将导致更多的不确定性，从而影响决策者进行准确的判断和评估。

2.2 直觉模糊集

定义1设X为给定论域，则X上的直觉模糊集合A可以表示为

A={〈x,uA(x),vA(x)〉|x∈X}

(1)

式(1)中:uA:X→[0,1],x∈X→uA(x)∈[0,1],vA:X→[0,1],x∈X→vA(x)∈[0,1]分别为直觉模糊集A的隶属度函数与非隶属度函数。

πA(x)=1-uA(x)-vA(x),x∈X

(2)

式(2)中：πA(x)为A的犹豫度函数[12]。

定义2设α1=(μα1,να1)、α2=(μα2,να2)为直觉模糊数，s(α1)=μα1-να1、s(α2)=μα2-να2分别为α1、α2的得分函数，h(α1)=μα1+να1、h(α2)=μα2+να2分别为α1、α2的精确度，则有

(1)如s(α1)≤s(α2)，则α1≤α2。

(2)如s(α1)=s(α2)，则

若h(α1)=h(α2)，则α1=α2；

若h(α1)

若h(α1)>h(α2)，则α1>α2。

2.3 直觉模糊贝叶斯态势估计

输入：网络节点变量集及推理关系模型，父节点的概率及子节点间的条件概率。

输出：输出节点各状态的概率，比较得分函数并给出预测结果。

具体步骤如下。

步骤1根据节点变量之间的关系构建BN。

步骤2对节点变量引入直觉模糊函数。

步骤3构建节点变量间的直觉模糊条件概率表。

步骤4利用MSBNX工具计算输出节点各状态的概率。

步骤5对各节点的得分函数进行计算、比较并给出预测结果。

3 实例分析

高架桥上动车组某车厢发生火灾，司机制动停车并确认火情，列车长启动应急预案，负责指挥起火车厢人员的疏散、救治及灭火。司机及时向调度台报告相关信息，调度所值班主任指挥应急；通知当地“119”和“120”赶往现场救援，受伤严重者带回医院救治。

3.1 问题描述

当动车组在高架桥发生火灾时，应急救援部门分析事故实际情况，根据突发事件的分类及构建的案例库及预案库选择初步的应急方案。该突发事件应急方案的选择取决于火情(fire situation)和列车损伤程度(train damage degree)。应急救援部门根据以上情况判断将要采取的方案并提前做好相应准备工作，方案包括：疏散乘客下桥(evacuate passengers off the bridge)、组织乘客返回列车(organize passengers to return to EMU)、组织乘客换乘热备动车组(organize passengers to transfer to hot standby EMU)。

此情境中，车厢火情分为可控与不可控，列车损毁情况分为严重与轻微，组织旅客疏散下桥分为是、否，组织乘客换乘热备动车组分为是、否，组织旅客返回动车组分为是、否，推理模型如图3所示。

图3 态势估计推理模型

3.2 案例推理

某次动车组在高架桥发生火灾，根据对现场火情的判断得到的模糊火情信息中火情可控和不可控的概率分别为0.64和0.13，信息犹豫度为0.23，则火情信息的直觉模糊函数值可以表示为uf=〈μ(f),γ(f)〉=〈0.64,0.13〉，车厢损毁严重的概率为0.22，损毁轻微的概率为0.58，ud=〈0.22,0.58〉。条件概率是对两个节点间的因果依赖关系的定量描述，由领域内专家根据经验和历史案例指定先验概率和条件概率，并据此进行推理，如图4所示。

图4 BN节点条件概率

3.2.1 利用传统BN推理算法进行态势预测

根据专家对事故现场情况的判断，假设车厢损毁轻微的概率为0.58，火情可控的概率为0.64，在MSBNX中根据图4建立BN推理模型，推理结果如图5所示。

图5 BN推理结果

采取疏散旅客下桥策略的概率为：p(e)=0.336，组织旅客返回车厢的概率为:p(r)=0.518，换乘热备动车组的概率为：p(h)=0.434，公共交通工具到达现场的概率为:p(t)=0.336，线路恢复通行的概率为：p(l)=0.638。

结论:p(e)

3.2.2 利用对火灾事故现场的态势发展进行BN推理

取车厢损毁严重的概率为0.22，火情不可控的概率0.13，推理结果如图6所示。

图6 BN推理结果

得到疏散旅客下桥的概率为：p(e)=0.227，组织旅客返回动车组的概率分别为：p(r)=0.347，换乘热备动车组的概率为：p(h)=0.351，公共交通工具到达现场的概率为：p(t)=0.243，线路恢复通行的概率为：p(l)=0.500。

结论：p(e)

3.2.3 利用IFBN算法进行预测

假设模糊火情信息的直觉模糊函数值和车厢损毁信息的直觉模糊函数值为

uf=〈μ(f),γ(f)〉=〈0.64,0.13〉，ud=〈0.22,0.58〉。推理结果如图7所示。

图7 IFBN推理结果

采取疏散乘客下桥策略的直觉模糊数为:ue=〈μ(e),γ(e)〉=〈0.154,0.462〉，换乘热备动车组的直觉模糊uh=〈μ(h),γ(h)〉=〈0.231,0.385〉

返回动车组的直觉模糊数ur=〈0.477,0.139〉。

计算各项态势的直觉模糊得分函数可得：se=〈μ(e)-γ(e)〉=-0.308，sh=-0.154，sr=0.338，则se

公共交通工具到达现场的直觉模糊函数为：ut=〈0.161,0.455〉，线路恢复通行的直觉模糊函数为：ul=〈μ(l),γ(l)〉=〈0.512,0.104〉。

为了更好地检验所提出的IFBN态势估计方法的优越性，分别用BN与IFBN两种模型对已有案例进行推理比较，推理结果如表1所示。可以看出，案例3、案例4与案例7中BN推理结果与IFBN推理结果相反，且IFBN推理结果与案例实际情况一致，证明了IFBN推理的可靠性。

表1 BN与IFBN推理结果比较

4 结论

针对高速铁路应急决策初期信息不完整且不确定导致应急决策难度大的问题，构建了IFBN模型进行态势估计。另外根据动车组在高架桥发生火灾进行应急的实例分别进行BN推理和IFBN推理，经过多组推理发现，当信息犹豫度较大时，BN推理会得到与实际情况相反的结论，而IFBN推理结果仍然准确，证明了利用IFBN模型进行态势估计的优越性，能够为高速铁路突发事故应急决策提供信息支撑。