一種基于文本挖掘的鐵路基礎(chǔ)設(shè)施設(shè)備風(fēng)險(xiǎn)隱患識(shí)別模型

李 擎，張秋艷，白 磊,2

（1.北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044；2.北京易華錄信息技術(shù)股份有限公司，北京 100043）

隨著鐵路信息化的不斷推進(jìn)，管理者積累了大量與安全生產(chǎn)問(wèn)題相關(guān)的檢查數(shù)據(jù)。這些數(shù)據(jù)全面記錄了鐵路日常生產(chǎn)過(guò)程中發(fā)生的安全問(wèn)題，但大部分都是長(zhǎng)文本格式，管理者難以快速、高效理解與挖掘這些數(shù)據(jù)中隱藏的新的知識(shí)。

文本挖掘是指將可理解的、事先未知的、最終可用的知識(shí)從海量文本數(shù)據(jù)中抽取出來(lái)的過(guò)程，同時(shí)利用這些知識(shí)更高效地組織信息便于今后借鑒[1]。文本挖掘技術(shù)在生物學(xué)、醫(yī)學(xué)、情報(bào)分析、人文科學(xué)等領(lǐng)域應(yīng)用廣泛[2-6]。

本文在分析鐵路安全生產(chǎn)問(wèn)題數(shù)據(jù)基礎(chǔ)上，提出一種基于文本挖掘的鐵路基礎(chǔ)設(shè)施設(shè)備風(fēng)險(xiǎn)隱患識(shí)別模型（TMBI-RIR，Text Mining Based Identi-fication Model for Railway Infrastructure Risk），深入分析記錄工務(wù)、電務(wù)和供電專(zhuān)業(yè)的設(shè)備質(zhì)量問(wèn)題的長(zhǎng)文本形式的數(shù)據(jù)，確定鐵路存在風(fēng)險(xiǎn)隱患的薄弱設(shè)備類(lèi)型與易發(fā)病害類(lèi)型，提升管理者安全風(fēng)險(xiǎn)管理水平。

1 鐵路安全生產(chǎn)問(wèn)題數(shù)據(jù)說(shuō)明

1.1 安全生產(chǎn)問(wèn)題數(shù)據(jù)表結(jié)構(gòu)

原鐵道部安全監(jiān)察司的鐵路安全檢查管理信息系統(tǒng)已在全路推廣應(yīng)用多年，系統(tǒng)積累了大量的安全問(wèn)題數(shù)據(jù)，其登錄界面如圖1所示。系統(tǒng)主要功能包括安全信息處理、安全信息查詢(xún)、安全信息統(tǒng)計(jì)等，實(shí)現(xiàn)對(duì)鐵路安全生產(chǎn)問(wèn)題錄入，班組、車(chē)間整改，鐵路局、站段整改后復(fù)查的閉環(huán)管理，輔助管理者把握鐵路日常生產(chǎn)中的安全風(fēng)險(xiǎn)隱患。

圖1 鐵路安全檢查管理信息系統(tǒng)登錄界面

系統(tǒng)中記錄鐵路安全生產(chǎn)問(wèn)題的數(shù)據(jù)表結(jié)構(gòu)見(jiàn)表1。其中，字段“大類(lèi)”填寫(xiě)內(nèi)容為通用、工務(wù)、電務(wù)、供電、車(chē)輛等，“字段類(lèi)別”填寫(xiě)內(nèi)容為設(shè)備質(zhì)量、安全管理、現(xiàn)場(chǎng)作業(yè)、職工素質(zhì)及其他。

表1 鐵路安全生產(chǎn)問(wèn)題數(shù)據(jù)表結(jié)構(gòu)

1.2 問(wèn)題詳情描述字段分析

如表1所示，數(shù)據(jù)表中，問(wèn)題詳情描述字段內(nèi)容是以長(zhǎng)文本形式存在的（340字符），該字段包含了較為豐富的信息，如設(shè)備類(lèi)型、病害類(lèi)型、病害發(fā)生位置、病害嚴(yán)重程度等信息。表2是問(wèn)題詳情描述字段填寫(xiě)內(nèi)容樣例。管理者難以從大量的長(zhǎng)文本形式的數(shù)據(jù)中分析出與病害類(lèi)型、設(shè)備類(lèi)型、病害發(fā)生位置等相關(guān)的新知識(shí)，本文采用基于文本挖掘的鐵路基礎(chǔ)設(shè)施設(shè)備風(fēng)險(xiǎn)隱患識(shí)別模型（TMBIRIR），挖掘長(zhǎng)文本形式的鐵路基礎(chǔ)設(shè)施設(shè)備質(zhì)量問(wèn)題詳情描述數(shù)據(jù)中潛在的有價(jià)值信息，為管理者識(shí)別鐵路基礎(chǔ)設(shè)施風(fēng)險(xiǎn)隱患提供支持。

2 TMBI-RIR

TMBI-RIR 采用基于層疊隱馬爾科夫（CHMM）的中文分詞算法對(duì)長(zhǎng)文本形式的設(shè)備質(zhì)量問(wèn)題詳情數(shù)據(jù)進(jìn)行分詞處理，根據(jù)分詞結(jié)果統(tǒng)計(jì)詞頻，確定鐵路薄弱設(shè)備類(lèi)型與易發(fā)病害類(lèi)型，并對(duì)分析結(jié)果以詞云圖的方式進(jìn)行直觀、清晰展示，模型計(jì)算流程如圖2所示。

表2 問(wèn)題詳情描述字段填寫(xiě)內(nèi)容樣例

圖2 模型TMBI-RIR算法流程圖

2.1 記錄設(shè)備質(zhì)量問(wèn)題的長(zhǎng)文本形式數(shù)據(jù)分詞

中文分詞是指把一整段中文文字串切割成最小語(yǔ)義詞條信息的過(guò)程[7]。采用CHMM中文分詞算法，將記錄設(shè)備質(zhì)量問(wèn)題的長(zhǎng)文本形式數(shù)據(jù)切分成一個(gè)一個(gè)單獨(dú)的詞[8]，其計(jì)算流程如圖3所示。

圖3 基于CHMM分詞算法的計(jì)算流程

原子切分是指將記錄設(shè)備質(zhì)量問(wèn)題的長(zhǎng)文本形式文字串切分為分詞原子（如：?jiǎn)蝹€(gè)漢字、標(biāo)點(diǎn)或非漢字串等）序列。簡(jiǎn)單未登錄詞識(shí)別是指在上一步切分結(jié)果的基礎(chǔ)上，利用一階隱馬爾科夫模型（HMM），識(shí)別出未登錄詞（如：線路名、車(chē)站名、管轄單位名等）。嵌套未登錄詞識(shí)別是指在上一步識(shí)別結(jié)果的基礎(chǔ)上，利用一階HMM，識(shí)別出嵌套了未登錄詞的復(fù)雜地名和機(jī)構(gòu)名?；陬?lèi)的HMM分詞是指在識(shí)別出所有未登記詞后，結(jié)合核心詞典，利用一階HMM，采用N-最短路徑的切分排歧策略，對(duì)普通詞和未登錄詞進(jìn)行統(tǒng)一競(jìng)爭(zhēng)和篩選，確定描述設(shè)備質(zhì)量問(wèn)題字符串的最終分詞結(jié)果。詞類(lèi)的HMM標(biāo)注是指在最終分詞結(jié)果的基礎(chǔ)上，利用一階HMM，確定描述設(shè)備質(zhì)量問(wèn)題字符串中各單詞的詞性（如動(dòng)詞、名詞）。

其中，基于類(lèi)的隱馬爾科夫分詞算法（第2層HMM），見(jiàn)公式（1）。給定長(zhǎng)文本形式設(shè)備質(zhì)量問(wèn)題字符串S，存在多種分詞結(jié)果W=(w1,w2, …,wn)，W∈? ，C=(c1,c2,…,cn) 是分詞結(jié)果W的詞類(lèi)別。分詞序列W作為觀測(cè)狀態(tài)，對(duì)應(yīng)的詞類(lèi)別C作為真實(shí)狀態(tài)，依據(jù)隱馬爾科夫算法，選取似然函數(shù)概率P(W)最大的分詞結(jié)果W#作為最終的分詞結(jié)果。W#可以通過(guò)Viterbi算法[9]得到。為計(jì)算方便，公式（1）可等價(jià)轉(zhuǎn)化為公式（2）。其他層的隱馬爾科夫HMM算法與之類(lèi)似，不再重復(fù)論述。

2.2 詞頻統(tǒng)計(jì)

詞頻統(tǒng)計(jì)是指計(jì)算每類(lèi)單詞在全部文檔中出現(xiàn)的次數(shù)[10]，單詞的重要性一般是與它在文檔中出現(xiàn)的頻度成正比，使用較高頻度的單詞能較好地反映文本的特征。模型通過(guò)統(tǒng)計(jì)各類(lèi)詞的頻度，找出哪些是高頻詞，確定出鐵路基礎(chǔ)設(shè)施易發(fā)病害類(lèi)型、薄弱設(shè)備類(lèi)型等。

2.3 詞云可視化展示

詞云是由單詞組成的、形狀類(lèi)似云的彩色圖形，是一種信息文本可視化技術(shù)[11]。每個(gè)單詞的相對(duì)大小，由相應(yīng)詞頻的高低決定，輔以多種色彩顯示，直觀反映單詞重要性差異、展示關(guān)鍵信息。模型采用詞云可視化技術(shù)，對(duì)分析出的易發(fā)病害類(lèi)型、存在風(fēng)險(xiǎn)隱患薄弱設(shè)備類(lèi)型進(jìn)行直觀、清晰展示。

3 實(shí)例驗(yàn)證

本實(shí)例收集整理了蘭州鐵路局鐵路安全檢查管理信息系統(tǒng)中的2012年1月～2016年4月期間4 662條描述工務(wù)、電務(wù)和供電專(zhuān)業(yè)的鐵路基礎(chǔ)設(shè)施設(shè)備質(zhì)量問(wèn)題的數(shù)據(jù)，驗(yàn)證TMBI-RIR的有效性。利用R編程語(yǔ)言[12]實(shí)現(xiàn)對(duì)模型的構(gòu)建和求解。R是一個(gè)擁有強(qiáng)大統(tǒng)計(jì)分析及作圖功能的數(shù)據(jù)分析工具，整合了包含大多數(shù)經(jīng)典統(tǒng)計(jì)方法與最新技術(shù)的工具包。問(wèn)題詳情描述長(zhǎng)文本形式數(shù)據(jù)的分析結(jié)果見(jiàn)表3和圖4。

表3 鐵路設(shè)備質(zhì)量問(wèn)題數(shù)據(jù)中前10個(gè)較高詞頻的單詞

圖4 鐵路設(shè)備質(zhì)量問(wèn)題詞云圖

3.1 存在風(fēng)險(xiǎn)隱患的薄弱設(shè)備

分析表3和圖4可知，存在質(zhì)量問(wèn)題的設(shè)備類(lèi)型按照詞頻由高到底排列依次是：道岔、鋼軌接頭、軌枕、鋼軌小腰、螺栓、扣件等。因此，存在風(fēng)險(xiǎn)隱患的薄弱設(shè)備為道岔、鋼軌接頭、軌枕等。

3.2 易發(fā)病害類(lèi)型

根據(jù)表3和圖4，易發(fā)病害類(lèi)型按照詞頻從高到底排列依次是：高低、水平、軌距、三角坑等。因此，易發(fā)病害類(lèi)型為為軌道不平順的高低、水平、規(guī)矩等。

根據(jù)上述分析結(jié)果，存在風(fēng)險(xiǎn)隱患的薄弱設(shè)備均是工務(wù)專(zhuān)業(yè)的鐵路基礎(chǔ)設(shè)施設(shè)備。鐵路管理者需對(duì)道岔、鋼軌接頭、軌枕等設(shè)備進(jìn)行重點(diǎn)監(jiān)控，對(duì)軌道不平順中的高低、水平、軌距超限等病害加強(qiáng)管理。

4 結(jié)束語(yǔ)

為分析大量的記錄鐵路基礎(chǔ)設(shè)施設(shè)備質(zhì)量問(wèn)題的長(zhǎng)文本形式數(shù)據(jù)，本文提出了一種基于文本挖掘的鐵路基礎(chǔ)設(shè)施設(shè)備風(fēng)險(xiǎn)隱患識(shí)別模型（TMBI-RIR），通過(guò)統(tǒng)計(jì)各類(lèi)單詞出現(xiàn)的次數(shù)，確定出鐵路存在風(fēng)險(xiǎn)隱患的薄弱設(shè)備類(lèi)型及易發(fā)病害類(lèi)型，并利用詞云圖對(duì)分析結(jié)果進(jìn)行了可視化展示。作者采用蘭州鐵路局近5年的4 662條鐵路基礎(chǔ)設(shè)施設(shè)備質(zhì)量問(wèn)題數(shù)據(jù)，對(duì)提出模型的有效性進(jìn)行了驗(yàn)證。研究成果可為鐵路安全風(fēng)險(xiǎn)管理、養(yǎng)護(hù)維修決策提供有效的支持。

[1]Berry M W, Castellanos M. Survey of text mining II: Clustering,classification, and retrieval[M]. New York: Springer, 2008.

[2]陳勇躍, 田文芳, 吳金紅. 主題領(lǐng)域研究熱點(diǎn)跟蹤及趨勢(shì)預(yù)測(cè)的可視化分析方法研究[J]. 情報(bào)理論與實(shí)踐，2017（6）：117-121.

[3]陳 苗，劉 超，莊俊玲，等. 基于文本挖掘的臨床帶教評(píng)價(jià)分析[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì)，2017（1）：59-60.

[4]史玉珍，呂瓊帥. 基于進(jìn)化模糊規(guī)則的Web新聞文本挖掘與分類(lèi)方法[J]. 湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2016，38（2）：99-103.

[5]蔡 溢，楊 洋，殷紅梅. 基于ROST文本挖掘軟件的貴陽(yáng)市城市旅游品牌受眾感知研究[J]. 重慶師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2015（1)：126-134.

[6]楊張博，高山行. 基于文本挖掘和語(yǔ)義網(wǎng)絡(luò)方法的戰(zhàn)略導(dǎo)向交互現(xiàn)象研究—以生物技術(shù)企業(yè)為例[J]. 科學(xué)學(xué)與科學(xué)技術(shù)管理，2015（1）：139-150.

[7]韓冬煦，常寶寶. 中文分詞模型的領(lǐng)域適應(yīng)性方法[J]. 計(jì)算機(jī)學(xué)報(bào) ，2015，38（2）：272-281.

[8]劉 群, 張華平，俞鴻魁，等. 基于層疊隱馬模型的漢語(yǔ)詞法分析[J]. 計(jì)算機(jī)研究與發(fā)展，2004（8）：1421-1429.

[9]Viterbi A J. Error bounds for convolutional codes and an asymptotically optimum decoding algorithm[J]. IEEE Transactions on Information Theory, 1967,13(2):260-269.

[10]郭曙綸. 漢語(yǔ)語(yǔ)料庫(kù)應(yīng)用教程[M]. 上海：上海交通大學(xué)出版社，2013.

[11]Afzal S, Maciejewski R, Yun J, et al. Spatial Text Visualization Using Automatic Typographic Maps[J]. IEEE Transactions on Visualization & Computer Graphics, 2012,18(12): 2556-2564.

[12]R Core Team. R: A Language and Environment for Statistical Computing[EB/OL].[2014-04-09].http:// www.R-project.org/.