應急協同視角下城市地面公交運營突發事件關鍵危險源辨識及應用

陳 丹， 邵麗萍， 黃 磊， 李雪巖， 祝 歆， 李 靜*

(北京交通大學經濟管理學院1，北京 100044；北京聯合大學經濟管理學院2，北京 100101)

城市地面公交具有容量大、覆蓋面廣、機動靈活等優點，已成為城市居民出行首選的交通方式。隨著城市公交保有量、運營強度的不斷增加，城市公交在大負荷、高強度運行環境下的應急突發事件問題凸顯。公交運營突發事件可由多種危險源引起，如公交車發生機械事故冒煙著火、極端天氣、群體性事件等造成公交車輛無法正常提供運營服務，帶來運營損失的同時威脅著社會公共安全。目前在公交運營企業和其他公交主管部門雖然已存在一些應急管理信息系統對公交運營突發事件進行預防和處置，但各應急信息系統之間尚未針對某一種危險源引發的應急事件形成系統協同機制，應急預案和處置缺乏針對性。

當前，預防和處置不同危險源引發的公交突發事件時已開始利用不同的信息系統傳遞應急信息。為做到重點預防、監測和處置，并考慮到應急指揮信息化協同體系構建的復雜性，亟待依據城市實際應急數據和信息系統建設情況計算確定與公交應急協同活動關聯度最高的關鍵危險源，并據此進行應急指揮信息化協同體系示范設計。

安全事故危險源辨識研究中存在多種危險源辨識方法。文獻[1]把灰色關聯度分析和離差最大化相結合對高速公路施工標段的危險源進行了辨識。文獻[2]采用層次分析法對儲罐區特大安全事故進行危險源辨識，確定相關因素權重。由于灰色關聯度分析和層次分析法存在主觀性，無法實現精確、科學地確定關鍵危險源，因此具有一定局限性。文獻[3]將事故樹法運用到現代有軌電車安全運行中，識別危險源，確定風險因素。事故樹法作為一種常用的事故分析方法被普遍運用在安全分析各個領域內，但是事故樹法只能進行簡單的因果推理，不適用于復雜的系統分析。文獻[4]將貝葉斯網絡方法引入鐵路客運站安全風險識別，基于事故樹構建了貝葉斯網絡模型，根據模糊不確定性理論計算根節點的先驗概率。

粗糙集是用于處理不確定、不完整信息的數學工具，粗糙集理論的一個重要應用是屬性約簡[5-6]，即從若干屬性中把關鍵的因素篩選出來。在安全事故危險源辨識領域已存在粗糙集的一些應用，如文獻[7]利用粗糙集理論對建筑施工危險因素進行了識別，文獻[8]在進行火災危險源識別時使用了粗糙集理論，克服了主觀確定權重的局限性。粗糙集方法作為一種定量分析方法，在危險源識別研究中基于數據確定關鍵風險因素，相比其他方法更加客觀、準確。但是用于屬性約簡的傳統粗糙集理論多依賴啟發式算法，包括基于屬性重要性的算法和基于可分辨矩陣的算法。啟發式算法在求解屬性約減問題時存在缺陷，其中，基于屬性重要度的算法多依賴于解析方法，并非對所有的信息系統都可以得出全局最優解。基于可分辨矩陣的算法計算復雜度大，不適合處理海量數據[9]。

除了啟發式方法之外，還發展出了智能搜索算法用于粗糙集屬性約減，如遺傳算法[10-11]，粒子群算法[12-13]、人工魚群算法等[14]。與傳統的啟發式算法相比，智能搜索算法的尋優性能更好，更容易取得問題的全局最優解。遺傳算法是一種自適應全局優化搜索算法，具有全局尋優能力，能在較短時間內找到全局最優解。已有研究將遺傳算法引入粗糙集處理屬性約簡問題，如文獻[15]將粗糙集和遺傳算法相結合應用于虛擬企業伙伴選擇問題中，自適應遺傳算法計算速度快，產生了很好的效果。遺傳算法適用性強、魯棒性好、具有隱含并行性和全局性，可以有效簡化判別規則[16]、減少計算復雜性得到最小約簡。雖然遺傳算法已經在屬性約簡問題中得到了廣泛的應用，但是多針對單決策屬性決策表，不適用于多決策屬性決策表的屬性約簡問題。其次，適應度函數的設計也會影響遺傳算法的尋優能力。

為此，把基于多決策屬性決策表的遺傳算法-粗糙集模型應用于公交運營突發事件危險源篩選，把關鍵危險源篩選問題看作一個屬性約簡問題，辨識出和公交應急協同活動最有關聯的關鍵危險源。根據北京市公交的突發事件案例數據進行了實例計算，把公交突發事件的危險源作為條件屬性，應急協同活動中的多種信息系統作為決策屬性構建了多決策屬性決策表，篩選出和應急協同信息傳遞依賴度最高的關鍵危險源，最后形成關鍵危險源下的應急指揮信息化協同體系示范設計。

1 模型構建

粗糙集理論是由Pawlak 教授提出的用于處理不確定、不完整信息的數學工具。粗糙集中很重要的一個定義是決策表。它是一個四元組S={U,A,F,D}，其中U表示論域，是一個非空有限對象集，A是條件屬性集合，F是對象的屬性值，D是決策屬性集合。傳統粗糙集理論中的決策表多是單決策表，即決策表中的決策屬性只有一列，只適用于簡單決策問題。在實際地面公交應急指揮中往往涉及多種信息系統的支持和配合，傳統的粗糙集模型已不再適用，因此針對公交應急指揮中的實際決策需求將基本粗糙集模型擴展為多決策屬性粗糙集模型。

公交應急指揮知識系統可表示為一個四元組：S={U,A,F,D}，其中，U={X1，X2，…，Xn}為論域，表示公交應急事件集合；A={a1，a2，…，am}為條件屬性集合，表示公交應急事件發生的危險源；D={d1,d2,…，dd}為決策屬性集合，表示處置公交應急事件涉及的信息系統；F為對象的屬性值。p1，p2，…，pd表示決策屬性與條件屬性的關聯程度。決策表結構見表1。

表1 公交應急指揮決策信息表

為了解決多決策屬性條件下的屬性約減問題，根據條件屬性依賴度篩選出和現有信息系統聯系最密切的應急危險源，為公交應急指揮及系統協同提供了更加準確的數據基礎和決策支持。

在公交應急知識系統S={U,A,F,D}中，R?A，U={X1，X2，…，Xn}，危險源條件屬性集R與決策屬性集D之間的依賴度表示為[17]

(1)

已有研究表明，遺傳算法在粗糙集屬性約簡方面已經產生了一些應用，且取得了良好的效果，因此利用遺傳算法的尋優能力，將條件屬性集和決策屬性集的依賴度作為優化目標篩選出關鍵的應急事件危險源。本文中遺傳算法的染色體的編碼方式為二進制編碼。將條件屬性進行二進制編碼，多個屬性構成不同的染色體個體。將可能引發應急事件的相關危險源集合表示為A={a1，a2，…，am}，其中ai表示第i個條件屬性，如果ai=1，說明該染色體包含第i個條件屬性，否則不包含，如A1=(1,0,0,1,1,…)表示一種可能的條件屬性組合方式。適應度函數采用式(1)的依賴度，條件屬性組合和決策屬性的依賴度越大，該染色體的適應度越大，越容易被留在約簡結果中。

遺傳算法的操作步驟如下：

(1)形成初始種群。隨機生成若干長度為l的二進制數列，l表示條件屬性的數量，每個數列都表示一個染色體個體。對于每個個體計算條件屬性組合和決策屬性組合的依賴度作為初始種群的適應度。

(2)選擇個體。采用“輪盤賭”的方式選擇種群中適應度較大的個體，保留在種群中。

(3)交叉操作。以某個交叉概率pc選擇兩兩交叉個體，采用單點交叉方法，隨機選取交叉點，在交叉點后將兩個體的條件屬性一一對換進行條件屬性交叉，產生新的個體。

(4)變異操作。以某個變異概率pm選擇變異個體，對個體的某個基因進行突變，如原基因(條件屬性)為1，現突變為0，產生新的個體。

如此循環往復，當迭代步數達到閾值或者適應度達到最大值并且收斂后，算法停止。此時便可得到約簡后的關鍵條件屬性集合。

算法偽代碼：

算法步驟 基于遺傳算法的屬性約減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 實例計算與分析

2.1 樣本選取及多決策屬性決策表的建立

以北京市城市地面公交應急事件為例，依據真實數據建立了公交應急指揮決策表。公交應急指揮知識系統可用一個四元組S={U,A,F,D}表示。A={a1，a2，…，am}是條件屬性集合，表示公交應急事件危險源的集合，危險源的編碼及名稱見表2。D={d1,d2,…，dd}為決策屬性集合，表示處置公交應急事件涉及的北京公交集團信息系統，信息系統的編碼及名稱見表3。

表2 危險源的編碼及名稱

表3 信息系統編碼及名稱

選取2015—2017年北京市207起公交突發事件案例作為樣本數據來構建決策表，每個公交突發事件都對應一種危險源。不同危險源的應急響應涉及的信息系統不同，即使同一種危險源，由于事件發生時間和地點的不同，涉及的信息系統也會有所不同，因此通過北京市公交集團的專家指導確定了每個決策屬性的取值，構建的決策表如表4所示。決策表的每一行代表一個突發事件，用xi表示，i=1，2，…，207；每一列代表條件屬性和決策屬性，條件屬性aj表示突發事件的危險源，j=1，2，…，8，決策屬性dp表示應對突發事件涉及的信息系統，p=1，2，…，31。在決策表中，1代表發生，0代表不發生，如x1對應的條件屬性a5取值為1，說明突發事件x1屬于電氣事故，否則x1不屬于電氣事故；x1對應的決策屬性d1取值為1，說明處置突發事件x1時使用了北京公交大數據平臺，否則x1沒有用到該系統。由于篇幅有限，只列出了多決策屬性決策表的一部分。

2.2 計算結果與分析

用于屬性約簡實驗的計算機配置情況如下：CPU為E5-1650、顯卡為華碩6 G GTX1060、主板為華碩Z9PA。屬性約減代碼的運行環境是MATLAB R2016a，遺傳算法中的交叉概率參數設置為0.7，變異概率參數設置為0.01。為了驗證屬性約減算法的穩定性和可靠性，進行了9次獨立重復的約減實驗。盡管每次約減實驗的篩選過程不同，但是約減結果a8在9次約減實驗結果中出現了7次，因此氣象災害最終被確定為關鍵危險源。這說明基于粗糙集遺傳算法的約減結果是可靠的。9次約減實驗的屬性篩選過程見表5。以第一次約減實驗為例，經過第一次篩選剩余a1，a4，a5，a7，a8五個屬性，在此基礎上進行第二次篩選，剩余a4，a7和a8，第三次篩選剩余a7和a8，第四次篩選之后只剩余a8一個屬性，最初的8個條件屬性經過四次篩選只剩余代表氣象災害事故的a8。

在每一次屬性約減過程中，個體適應度都會隨迭代次數的增加而發生變化，某次屬性約簡的個體適應度變化情況如圖1所示。遺傳算法的尋優性能可以從算法收斂速度和適應度大小這兩個方面考察，算法收斂速度越快、適應度數值越大說明遺傳算法的性能越好。根據經驗，本文將遺傳算法的迭代次數設置為50，從適應度變化情況圖中可以看出，算法在第21次迭代時達到收斂，適應度函數取得了最優解。

為了考察粗糙集遺傳算法的穩定性，通過記錄每一次獨立重復約減實驗的最大適應度數值，做出如圖2所示的箱線圖。通過箱線圖可以看出9個適應度中有一個異常值，箱線圖的形狀說明該粗糙集遺傳算法在求解最優解時的穩定性有所欠缺。

經過遺傳篩選，個體的優化結果為00000001，即在現有的信息系統建設環境下，氣象災害事故這個危險源和信息系統的關系最密切。氣象災害事故發生頻率大，影響范圍也較大，是一種最常見的事故危險源。針對這個危險源設計信息系統之間的協同指揮流程有很大的實際意義和指導意義。

表4 公交應急指揮多決策屬性決策表

表5 9次約減實驗的屬性篩選過程

圖1 適應度變化過程

圖2 9個適應度的箱線圖

3 氣象災害危險源下公交應急協同指揮體系構建

氣象災害作為一種突發事件危險源，具有影響范圍大、監控要素多的特點。氣象災害包括雨雪、沙塵暴、大風等惡劣天氣，一旦發生就會大面積地影響公共交通的正常運營。此外，在應對氣象災害引發的突發事件時，涉及的監控要素較多，如汛期既要獲取外部氣象臺的監控數據，同時還要防止次生災害的影響。與其他類型的突發事件不同，氣象災害事件往往有預先的處置方案，事故發生時在應急預案的基礎上執行應急指揮。

氣象災害應急處置工作的順利開展離不開信息的傳遞，信息系統是信息流的載體，因此有必要在應急工作流程圖的基礎上構建信息系統協同關系圖。當氣象災害事故發生時，需執行事前制定好的應急預案，預案的執行需要信息系統之間的協同。氣象災害突發事件下的信息系統協同關系圖如圖3所示。

圖3 氣象災害下信息系統協同關系圖

信息系統協同關系圖分為三層，從下到上分別是基礎設施層、支撐層和應用層。基礎設施層由一些基礎的信息設備組成，如語音對講、程控電話網絡等通訊設備，報警設備、監控設備、車載信息設備等基礎設施。這些基礎設施屬于監測中心，其主要作用是信息產生和信息收集，并向支撐層傳輸信息。支撐層主要包括涉及人、車、線、站等基礎信息的信息系統以及綜合性的數據轉發平臺。支撐層起到中間層的作用，將來自基礎設施層的基礎信息匯總整合，轉換為綜合性信息供應用層的系統使用。應用層由與應急指揮直接相關的信息系統組成，如應急管理系統、運營可視化系統和智能調度系統。應用層的系統在應急處置的過程中起作用，產生的信息只在應用層的系統之間傳遞，體現出協同指揮的特點。

基礎設施層的車載信息設備產生的車輛實時定位信息、IC(integrated crcuit card)卡信息以及車輛CAN(controller area network)數據綜合應用平臺產生的CAN數據，都通過支撐層的車載實時數據轉發平臺進行轉發。監控設備和報警設備產生的監控信息和報警信息都由圖像信息管理系統來接收、處理、轉發。氣象災害發生后，為了防止次生災害的影響，監控設備和報警設備持續收集現場情況向圖像信息管理系統提供監測信息，圖像信息管理系統接收后向應急管理系統轉發。

在支撐層，為了支持氣象災害發生后的調度任務，公交信息資源平臺接收來自人力資源系統、車輛技術管理系統、線網系統、宗地管理系統的人、車、線、站基礎信息以及結果性的業務數據，向大數據平臺、應急管理系統轉發基礎信息。車載實時數據轉發平臺管理所有的車輛實時數據，向智能調度系統、應急管理系統和大數據平臺轉發車輛實時數據。開放地理信息平臺將地理信息轉發到智能調度系統和應急管理系統。業務實時數據轉發平臺管理所有的業務系統產生的實時業務數據，如來自智能調度系統的行車計劃和勞動排班信息，來自運營可視化管理系統的調度指揮業務數據和來自應急管理系統的應急管理業務數據。另外，業務實時數據轉發平臺接收大數據平臺的計算結果，再將數據分析結果如客流信息、路況信息推送給應急管理系統。圖像信息管理系統管理所有的報警信息和視頻監控信息向應急管理系統推送。

應用層的核心系統是應急管理系統、智能化調度系統和運營可視化系統。其中智能化調度系統供車隊一級使用，運營可視化系統供分公司和集團公司使用。在氣象災害應急事件中，應急管理中心主導應急工作，確定應急預案，下達應急指令給運營可視化系統，再下達給智能調度系統，由智能調度系統將線路調整信息推送給乘客服務系統和客服系統。智能調度系統和運營可視化管理系統共享調度信息和指揮信息，應急管理系統和運營可視化管理系統之間共享指揮信息和應急信息。最后應急管理系統匯總所有應急事件信息上報交通委員會。

4 結論

如何科學確定導致城市地面公交應急突發事件的關鍵危險源，并針對關鍵危險源設計應急指揮協同方案是保障城市地面公交系統安全穩定運營的一項重要研究內容。將遺傳算法-粗糙集模型應用于公交運營突發事件危險源篩選，基于多決策屬性決策表和與其適應的適應度函數進行屬性約簡。通過實例計算分析了北京市地面公交應急突發事件的關鍵危險源，氣象災害被確定為北京市地面公交突發事件關鍵危險源。得到以下結論。

(1)遺傳算法-粗糙集模型在公交運營突發事件危險源篩選問題上產生了良好的效果，具有準確性和可靠性，但是穩定性需要進一步改進。

(2)北京市地面公交運營突發事件的關鍵危險源是氣象災害。

最后設計了北京市地面公交氣象災害應急指揮信息協同方案，為城市地面公共交通的應急響應提供新的思路和參考，對于保障公交穩定運營，提高應急處突能力具有實際參考價值。