李辉山,白 莲,刘 平

(兰州理工大学土木工程学院,兰州 730050)

1 研究背景

正逢“十四五”开局之年，我国城市轨道交通步入新的建设和运营阶段，区域发展一体化大力推动了城市轨道交通的全面融合。地铁作为城市区域发展的运载体，在城市地理和经济活动中起到至关重要的作用。

由于地铁线路需求量增多，运营质量和运营阶段的安全问题日益凸显。这些问题主要体现在3个方面：(1)地铁设备本身出现故障造成运营质量降低，引发地铁列车延误或停运；(2)人为原因造成地铁突发事件影响乘客的正常出行和乘车安全；(3)由于自然灾害所产生的不可抗力造成地铁重大突发事件，使乘客的生命安全和财产受到严重威胁，如地震洪涝灾害等。据2018年世界经济论坛发布的《全球风险报告中》指出，受到极端气候影响和自然灾害等环境类风险是当前全球两大风险，且自2013年起，极端气候事件和自然灾害类事件在全球五大风险排名中逐步上升[1]。导致自然灾害发生的原因主要是自然要素变异作用于人类社会，造成人员伤亡、经济损失和资源环境损害[2-3]。中国由于地形复杂、气候变化以及过度城镇化聚集性等原因，致使自然灾害损失更为严重[4-5]。自然灾害对地铁运营质量和运营阶段安全影响较大[6]，其中，洪涝灾害更为突出，2021年7月河南省洪涝灾害共有超过1 481万人受灾，近300人遇难，造成直接经济损失逾1 337亿元，郑州市地铁全线停运，地铁5号线积水冲垮出入场线挡水墙进入正线区间，造成5号线一列车在沙口路站—海滩寺站区间内迫停，500余名乘客被困，最终造成12死5伤的重大事故[7]。截至2021年上半年，全国自然灾害直接损失408.6亿元，共造成2 801.9万人次受灾，其中，洪涝灾害方面，全国共发生20次强降水过程，洪涝灾害造成27个省(区、市)908万人次受灾，占总受灾人数的1/3[8]。

洪涝灾害对于社会的损害已不容忽视，国内外众多学者都积极开展了对于洪涝灾害的相关研究，主要集中在洪涝灾害风险研究、灾害防治、致灾因素和危险性分析等方面。近年来，城市化大力发展也让城市地铁交通成为洪涝灾害的承灾体，而目前我国学者对城市地铁交通洪涝灾害研究还不够充分，尤其在发生地铁交通洪涝灾害预测方面鲜有研究，若能提前预警即将发生地铁洪涝灾害，则可适当减少洪涝灾害带来的影响和损失。因此，针对城市地铁交通洪涝灾害研究的不足，选取地铁洪涝灾害作为研究对象，采用DNN神经网络的方法预测在致灾因素影响下是否会发生地铁洪涝灾害，为决策者准确判定地铁洪涝灾害发生的可能性提供评估依据。

2 地铁洪涝灾害致灾因素识别与构建

近年来，受气候变暖和城市化影响，城市洪涝灾害日益频发[9-10]，地铁系统在长期运营过程中也发生了大量的洪涝灾害事故，从相关事故案例的检索可以得出，国内发生过地铁洪涝灾害的地区包括北京、深圳、广州、上海、武汉、成都、青岛、杭州、南宁、西安、大连、南京、长沙、石家庄、郑州等多个城市，假设采用DNN神经网络方法，从这些事故案例中提取相似致灾因素并进行分析与建模预测，得到在相似致灾因素情况下某地铁发生洪涝灾害的可能性，将大大提高地铁防灾风险管理效率。

已发生地铁洪涝灾害事件对识别与构建洪涝致灾因素非常重要，通过文献检索历来学者对地铁洪涝灾害事件研究可以发现，多数学者认为影响洪涝灾害发生的原因主要是内部原因和外部原因两大类，内部原因体现在系统自身防汛能力等方面，外部原因体现在自然因素和地理特征等方面。汤书明等[11]认为地铁车站防洪关键之一是地铁车站洪涝设计水位是否合理，并针对城市地形、自然地面和雨水管网同时汇流的情景，提出了地铁车站洪涝设计水位计算方法；陈峰等[12]认为外部防汛环境是导致地面洪水侵入地下空间的首要因素，具体分析了区域自然因素和防汛能力，并采用数值模拟与物理模型相结合研究浸水对策；吕海敏[13]通过SWMM与GIS之间数据转换来模拟不同暴雨情景的地表积水深度，判断不同暴雨情景下地铁车站是否会发生雨水倒灌；徐宗学等[14]认为极端降水是引发洪涝灾害最直接的驱动要素，排水管道设计不合理也加剧了灾害发生的可能性。上述研究为地铁洪涝灾害致灾因素识别提供了一定的理论基础，但还需对实际发生的地铁洪涝灾害事件进行调查分析，获得该灾害发生的原因及相关信息。

以近年来发生的地铁洪涝灾害为例调查发现，第一，中国地理位置特殊，季风气候盛行，江淮流域和东部沿海地区会出现集中降雨现象，城市泄洪能力有限，且地铁车站主体工程位于地表以下，处于城市建筑高程的最低处，其防洪减灾本质是以防为主，自身排水系统主要依附市政排水系统，极端雨水天气导致市政排水系统超负荷，引发洪涝灾害。第二，城市一体化建设中，由于路面硬化及路面不透水面积减少，周边部分河道被填埋，导致城市调蓄能力下降引发内涝，地铁交通多数位于城市内，内涝超过地铁车站防洪设计高程时，则会发生雨水倒灌。第三，从郑州地铁5号线的重大事故中，表现出极端天气预警机制出现信息调动能力不足的情况，未及时做到中断运输、疏散撤离等措施，增大了灾害所造成的损失。根据以上地铁洪涝灾害的文献研究和已发生地铁洪涝灾害实际案例分析，识别出以自然因素、周边环境及防汛能力3个维度的致灾因素，构建地铁洪涝灾害致灾因素图，如图1所示。

图1 地铁洪涝灾害致灾因素

自然因素主要包括以下4个方面：①降雨量，极端性强降雨会导致城市排水能力和河道调蓄能力不足，直接出现城市内涝和地下空间被淹等情况；②年降雨量，各地根据年降雨量的不同，在地铁防洪设计与防洪措施方面具有一定的差异性；③地质情况，地质的差异会导致地面沉降，引起防汛措施和排水设施运行能力的降低；④地势高程，若地铁车站处于地势低洼地区，则洪泛的概率更高。

周边环境主要包括以下3个方面：①积水回灌，当地铁周边排水能力不足时，可能出现大量积水，造成积水回灌引起地铁洪涝灾害；②周边河道，在汛期暴雨时，周边河道水位升高，可能引起河水倒灌现象；③市政管网，市政管网会直接影响到周边排水能力强弱。

防汛能力主要包括以下6个方面：①信息调度能力，各地铁车站对于防汛信息的应急管理能力不同，信息传递时间有参差，因此，地铁车站的防汛信息调度能力会出现偏差；②应急排水能力，即在极端降雨时，地铁车站对于其采取的应急处理措施；③防洪高程设计；④雨水管道重现期，应注意与地下空间排水标准和周边市政排水标准匹配以提高防汛能力；⑤排水系统能力，尽量避免合流制排水模式并提升排水系统标准，以达到防汛标准要求；⑥车站形式，根据地铁车站形式和深度合理规划地下空间防汛能力。

3 DNN神经网络

深度神经网络(DNN)是实现“多层非线性变换”中最常用的一种方式，DNN网络中提供非线性表达能力依靠激活函数。选用深度神经网络模型预测发生地铁洪涝灾害的可能性，具有以下优势：①DNN具有强大的非线性拟合能力，其精度可任意逼近非线性连续函数，而洪涝灾害致灾因素错综复杂，选用DNN模型精度可以得到一定的保障；②DNN具有强特征提取能力，DNN可通过学习主动提取数据间“合理规则”，使预测模型具有良好表达能力。

DNN深层神经网络组成有3个部分：DNN的拓扑结构、激活函数与损失函数、训练DNN算法[15]。DNN的拓扑结构是基于感知机的扩展，又被称为多层感知机，通常由输入层、隐藏层、输出层组成，每一层的组成单元被称为神经元[16]，神经元之间通过权值w相互连接，并内置偏置值b。常用的激活函数有Sign、Sigmoid、Tanh、ReLU、Leaky-ReLU、Maxout等，损失函数是用于度量DNN输出结果向量与样本期望向量之间差距的函数，常用的损失函数有交叉熵、均方差、Log、L1 Loss、L2 Loss等。最后，DNN训练算法使用反向传播算法和随机梯度下降法，对连接权值与偏置值进行调整，降低网络输出的误差值，提高网络输出的准确度，网络结构如图2所示。

图2 DNN神经网络结构

在图2所示网络结构中，x1，x2，…，xn为DNN神经网络输入值；b为隐含层神经单元的偏置值，w1，w2，…，wn为神经单元连接的权值；y为神经元输出，可按照式(1)计算。

(1)

式中，g为神经元激活函数，本文使用tanh、Sigmoid为激活函数，其公式为

(2)

(3)

4 地铁洪涝灾害预测模型构建

为实现地铁洪涝灾害的精准预测，提出DNN深度学习预测模型，相应的预测模型训练流程如图3所示。

图3 DNN训练流程

具体的模型实现步骤如下。

(1)收集已发生地铁洪涝灾害的样本数据。

(2)样本数据预处理，本文数据使用最值归一化处理，将所有数据映射到0～1之间，消除样本之间量级不同所造成的影响[17]，计算如下

(4)

式中，xscale为归一化后的数据；x为原始数据；xmax、xmin分别为原始数据的最大、最小值。

(3)确定输入、输出变量。采用上述13个地铁洪涝灾害致灾因素作为模型输入变量，输出变量为在13个致灾因素影响情况下某地铁车站被淹的概率。

(4)训练集、验证集和测试集划分。首先用训练集数据训练模型；再将训练好的模型进行验证，选择准确度最高的模型作为测试集模型；最后使用测试集验证该模型的泛化能力。按照0.75，0.175，0.075的比例进行数据划分，即随机抽取75%数据作为训练集，再随机抽取17.5%数据作为验证集，剩余数据作为测试集。

(5)评价指标。选取精准率P、召回率R、F1 Score(调和平均数)、Accuracy(准确率)等4个指标作为模型评价指标，计算公式如下

(5)

(6)

(7)

(8)

式中，P为精准率，表示所有检测出目标中检测正确的概率；R为召回率，表示所有正样本中检测正确的概率；TP为预测正确的正样本数量；TN为预测正确的负样本数量；FP为负样本中错误预测为正样本的数量；FN为正样本中错误预测为负样本的数量；F1为P和R的调和平均数，且可作为P和R的综合评价指标，F1越接近为1，说明模型表现越好。由于精准率P和召回率R是此消彼长的，故选取F1 Score和Accuracy作为模型评价指标。

5 实例应用

5.1 地铁洪涝灾害数据收集与预处理

为验证本文所构建的DNN深度学习预测模型的有效性，以中国所有已发生地铁洪涝灾害的城市为例开展实例应用研究，其数据信息来源依靠国家气象信息中心、百度地形图、城市轨道交通工程项目建设标准和防洪标准[18-20]等官方发布信息与国家规范，共收集到268组数据，其中，遭受洪涝灾害为140组数据，未遭受洪涝灾害为128组，正负样本比率约为0.52∶0.48。

从所收集到的268组数据中进行随机处理，再根据随机处理的数据进行训练集、验证集和测试集划分，划分比例按照0.75∶0.175∶0.075。最后，为提高模型后续预测的精度和效率，采用第3节中的预处理方法对收集到的268组数据进行最值归一化处理，消除数据间不同量级的影响。

5.2 DNN预测模型构建

5.2.1 运行设备

本案例所使用的计算机配置和软件环境如表1所示。

表1 运行设备配置

5.2.2 DNN神经网络模型

(9)

5.3 模型预测结果与分析

通过Accuracy(准确率)和F1函数两个评价指标来衡量DNN模型，图4为DNN神经网络训练集、验证集、测试集的Accuracy变化曲线。如图4所示，3种样本的准确率随着训练进程而显著提升，前100次迭代中训练集和验证集的准确率快速上升，而测试集的准确率波动起伏较大，主要是因为测试集样本数量较少导致，后100～400次迭代中，训练集和验证集的准确率稳定在0.8～0.85之间，测试集的准确率也在0.85处保持平稳，表明了所构建模型具有良好的预测精度和模型泛化能力。

图5为DNN神经网络训练集、验证集、测试集的F1 Score变化曲线。如图5所示，前150次迭代快速上升，最终训练集、验证集和测试集F1 Score值稳定在0.8～0.9之间，说明模型未过度拟合且表现良好。

图4 DNN模型准确率预测结果

图5 DNN模型调和平均数曲线

6 结论及建议

6.1 结论

通过收集我国所有发生过地铁洪涝灾害的相关信息，分析其洪涝灾害致灾因素，并通过DNN神经网络方法构建了地铁洪涝灾害预测模型，预测了在致灾因素影响下地铁车站是否会发生洪涝灾害。首先，对收集的洪涝灾害数据进行最值归一化处理；然后，按照一定的比例将数据划分为训练集、验证集和测试集，对构建的神经网络模型进行训练；最终，通过评价指标选取最优的神经网络预测模型。在进行地铁洪涝灾害分析预测时得到以下主要结论。

(1)地铁洪涝灾害致灾因素复杂，由于具有空间密闭性和狭小性特征，因而承灾环境较为脆弱，其灾害事故传递性较高，影响范围较广，因此，构建地铁洪涝灾害模型预测具有十分重要的意义。

(2)基于DNN神经网络预测模型在实际地铁洪涝灾害案例中的预测结果为Accuracy=85%，F1 Score=90%，模型准确率较高，说明所提出的模型具有较好预测性能，能够满足是否发生地铁洪涝灾害预测需求。

本文仅收集我国已发生地铁洪涝灾害数据，后续可将国外发生地铁洪涝灾害数据加入样本中，进一步对其进行深入研究，提高模型的准确率和泛化能力，完善地铁洪涝灾害预测体系，为地铁洪涝灾害防治提供辅助决策依据。

6.2 建议

根据研究结果，对影响发生地铁洪涝灾害的因素提供如下三方面参考和建议。

(1)从地铁洪涝灾害分析预测结论得出，在防汛能力和周边环境方面，由于地铁车站的空间密闭性导致其承灾环境较为脆弱且发生灾害后事故传递性广，应该重点关注各城市防洪能力提升和重视洪涝灾害孕灾环境的影响，具体措施有：在极端气候情况下，城市化扩张过程中应注意相应防洪规划堤防建设，及时调整防洪标准；地铁车站选址应避开洪涝灾害孕灾严重区，因地制宜，低洼地区注重排水能力和调蓄能力的提升。

(2)在洪涝灾害致灾因素数据收集过程中，地铁运营管理能力和系统应急能力表现不佳，导致洪涝灾害人员伤亡和财产损失较大。因此，在地铁运营管理能力和系统应急能力方面要汲取以往地铁事故教训，增强地铁运营过程中信息调度和洪涝灾害监测与预警系统能力，并应编制好相应的洪涝灾害应急预案，出现险情后地铁系统及时按照应急预案组织救援，将灾害损失降到最低。

(3)最后，在地铁车站防御方面，应考虑地铁车站在面临自然灾害时自身抗灾能力的强弱，对地铁车站的设计尽量提高其自身的韧性和面临自然灾害时的抗性，为地铁发生洪涝灾害时自身抗灾能力提供一定保障。