基于貝葉斯網絡的地鐵駕駛員行車作業(yè)人因風險分析方法

張智賢， 李 健， 劉志鋼， 朱 琳

（上海工程技術大學 城市軌道交通學院， 上海 201620）

0 引 言

近年來，由于國家政策的正確指導和相關城市對規(guī)劃建設軌道交通的積極探索，地鐵行業(yè)的發(fā)展速度、規(guī)模和現(xiàn)代化水平方面均取得了很好的成績。然而，在大力建設地鐵的同時，運營事故的發(fā)生率卻也在逐年上升，保證地鐵運營安全成為了當下社會關注的焦點和行業(yè)內迫切需要解決的問題。 在地鐵行業(yè)中，最能直接影響地鐵運營安全的就是地鐵的行車作業(yè)，行車作業(yè)的安全直接關系到人民群眾的生命和財產安全，進而影響到地鐵行業(yè)的經營效益和社會的穩(wěn)定。 所以，對地鐵行車作業(yè)的研究就顯得尤為重要。

地鐵行車作業(yè)是一個龐大的系統(tǒng)，涉及的崗位眾多，每個崗位所承擔的作業(yè)項數量及重要程度有所不同。 本文通過選取全國地鐵行業(yè)中發(fā)展水平較高的上海地鐵作為調查對象，并對其行車作業(yè)進行研究，發(fā)現(xiàn)地鐵駕駛員的行車作業(yè)是所有行車崗位中作業(yè)項數量最多的，各崗位作業(yè)項數量分布情況如圖1 所示。 地鐵駕駛員作為直接駕駛地鐵列車的操作人員，直接地影響到地鐵的行車安全，因而本文將以地鐵駕駛員的行車作業(yè)作為研究對象展開研究。

圖1 地鐵行車作業(yè)中各崗位作業(yè)項數量分布圖Fig. 1 Distribution of the number of job items in each post in subway operation

地鐵駕駛員行車作業(yè)項數量大，在行車作業(yè)時偶爾會出現(xiàn)操作差錯和違規(guī)等不安全行為。 不僅如此，地鐵駕駛員行車作業(yè)的作業(yè)環(huán)境與其他行車崗位相比也較為特殊，地鐵駕駛員大多時間都需要獨自在空間狹窄且光線昏暗的駕駛室里，對地鐵駕駛員生理和心理上的雙重影響，出現(xiàn)不安全行為的概率大大增加。 這些人的不安全行為通常在危險源辨識中被定義為第二類危險源中的人為因素，使得行車作業(yè)存在發(fā)生地鐵運營事故的風險。 所以，本文旨在對地鐵駕駛員行車作業(yè)中人為因素所帶來的風險進行分析。

國內外學者對于地鐵駕駛員行車作業(yè)人因風險分析的研究大多停留在對于人因風險的定性分析，常見的分析方法有經驗分析法、類比法、安全檢查表法以及事故統(tǒng)計分析法，其分析過程受研究人員主觀認識的影響較大，且由于地鐵駕駛員行車作業(yè)涉及內容繁多，運用例如安全檢查表、事故統(tǒng)計分析法等方法進行風險分析時，往往要靠人工對大量數據進行分析研究，不僅效率低，還容易出錯，致使得出的結果產生偏差。 基于此，本文提出一種基于貝葉斯網絡的地鐵駕駛員行車作業(yè)人因風險分析方法。

1 貝葉斯網絡

1.1 貝葉斯網絡簡介

貝葉斯網絡（Bayesian Network）也被稱為置信網絡（ Belief Networks），是依據圖論和概率論作為理論核心，以有向無環(huán)圖為具體表現(xiàn)形式，直觀地描述變量之間邏輯關系和概率關系，利用概率推理技術進行數據挖掘和不確定性推理的一種理論模型，被認為是目前不確定知識表達和推理領域最有效的理論模型之一。 貝葉斯網絡具體表現(xiàn)為一個由節(jié)點變量、有向連接邊和條件概率表構成的有向非循環(huán)網絡，是用來表示變量集合的連續(xù)概率分布的圖形模式，是人工智能、概率理論、圖論、決策理論相結合的產物。

貝葉斯網絡提供了一種自然地表示因果信息的方法，用來發(fā)現(xiàn)數據間的潛在關系，具有描述系統(tǒng)多態(tài)性和復雜邏輯關系的能力，既能夠對不確定性和概率性事件進行預測，還能夠分析其關鍵致因，十分適合用于可靠性、安全性的分析與評價。 因此，貝葉斯網絡被廣泛應用于處理和解決具有內在不確定性的推理和決策的問題上，例如：故障檢測和診斷、風險分析、概率專家系統(tǒng)、計算機視覺、交通管理和數據挖掘等。

1.2 貝葉斯網絡的數學理論基礎

其中，(B｜A) 表示在事件發(fā)生的條件下，事件B發(fā)生的概率，被稱為事件B的后驗概率；(A ｜B) 表示在事件B發(fā)生的條件下，事件發(fā)生的概率，被稱為事件的后驗概率；(B) 表示事件B發(fā)生的概率，被稱為事件B的先驗概率。

從公式（1）不難看出，在已知事件B的先驗概率和與之對應的事件的后驗概率（又稱條件概率）的情況下，可以求得事件的先驗概率，進而可以利用事件的先驗概率反過來去推算事件B的后驗概率，這就是貝葉斯網絡核心的數學計算邏輯，依據貝葉斯公式對其網絡結構中各結點的概率進行推理和計算，從而為處理和解決一些具有不確定性的問題提供幫助。 本文也正是利用貝葉斯網絡優(yōu)秀的正向和逆向推理能力，選取貝葉斯網絡理論模型，對地鐵駕駛員行車作業(yè)人因風險這一不確定性較強且復雜的問題進行分析。

1.3 貝葉斯網絡的優(yōu)勢

通過對比分析其他風險分析模型，總結出貝葉斯網絡的4 點優(yōu)勢：

（1）貝葉斯網絡具有強大的處理不確定性問題的能力。 可以用條件概率表和網絡拓撲結構來表示網絡中各節(jié)點之間的相互關系，根據需要完成對風險分析對象正向和反向推理，計算風險存在可能引起各種事故發(fā)生的概率，推理出各種因素導致事故發(fā)生的概率，從而為風險管控和事故診斷分析提供幫助。

（2）貝葉斯網絡具有較強的數據分析處理能力。 傳統(tǒng)風險分析模型在面對數據量較大的分析對象時，暴露出其分析處理數據能力較弱的問題，而貝葉斯網絡卻可以利用先進的計算機技術高效地分析和處理數據，大大縮短了風險分析的時間，也降低了因數據量較大導致數據處理過程出錯的概率，提高了風險分析的精度。

（3）貝葉斯網絡具有動態(tài)性和可調整性。 貝葉斯網絡已經成為人工智能研究中不確定性知識表示和推理的重要工具，結合先進的計算機技術，可以對貝葉斯網絡進行訓練，通過對訓練樣本數據庫的學習，修正網絡中各節(jié)點的概率參數，使模型得到調整和更新，與其他靜態(tài)風險分析模型相比，這種具有動態(tài)性的風險分析模型所分析出來的結果更加具有時效性和準確性。

（4）貝葉斯網絡是一種將多元知識圖解可視化的概率知識表達與推理模型。 與傳統(tǒng)風險分析模型不同，貝葉斯網絡以圖形的模式表示變量集合的連續(xù)概率分布，從而能更為直觀地表達網絡節(jié)點變量之間的因果關系和條件相關關系，使風險分析過程變得形象化和可視化。

1.4 貝葉斯網絡的建模

運用貝葉斯網絡進行風險分析，首先需構建貝葉斯網絡模型，即確定網絡的拓撲結構和網絡中各節(jié)點因素的條件概率分布，通常把貝葉斯網絡中所有節(jié)點因素的條件概率分布統(tǒng)稱為貝葉斯網絡的概率參數。 因此，貝葉斯網絡的建模包括一個確定拓撲結構的定性過程和一個確定概率參數的定量階段。 對于不同的問題，貝葉斯網絡的建模方式也各有不同，主要有以下3 種建模方式：

（1）手動建模。 主要根據專家知識經驗，手動建立模型的網絡拓撲結構并確定概率參數，具體步驟包括：

①選取和確定節(jié)點變量；

②嘗試繪制網絡拓撲結構；

③定義節(jié)點狀態(tài)空間；

④確定各節(jié)點的條件概率分布。

（2）數據庫學習建模。 結合計算機技術，通過對訓練樣本數據庫的學習自動生成貝葉斯網絡模型，具體包括結構學習和參數學習兩個步驟。 結構學習是綜合先驗知識，并通過學習訓練樣本數據庫，確定較為合適的網絡拓撲結構；而參數學習則是利用確定的網絡拓撲結構，通過對訓練樣本數據庫的學習，確定貝葉斯網絡中各節(jié)點的概率參數。

（3）兩階段建模。 綜合前兩種建模方式的優(yōu)點，結合專家知識經驗和對數據庫的學習進行貝葉斯網絡建模。 建模的第一階段是基于專家對于場景的解釋和對事件之間因果關系的理解，建立初始的貝葉斯網絡模型，而建模的第二階段則是通過對訓練樣本數據庫的學習，對貝葉斯網絡模型中各節(jié)點的概率分布進行修正，使其更接近實際。 修正過程可以看成是機器學習理論中的一個學習任務，該學習任務的源信息包括初始貝葉斯網絡模型和數據集合，目標是在此基礎上建立更好的貝葉斯網絡模型。

本文選取兩階段的建模方式構建貝葉斯網絡模型，旨在構建出更加科學的模型來分析地鐵駕駛員行車作業(yè)人因風險。

2 初始貝葉斯網絡模型的構建

本文構建貝葉斯網絡模型旨在對地鐵駕駛員行車作業(yè)人因風險進行分析，而地鐵駕駛員行車作業(yè)所涉及作業(yè)項數量多且復雜，若針對地鐵駕駛員行車作業(yè)整體構建一個貝葉斯網絡模型，分析出來的結果過于籠統(tǒng)。 所以，本文嘗試針對每一個獨立的作業(yè)項構建貝葉斯網絡模型。 本文將以地鐵駕駛員行車作業(yè)中“正線列車執(zhí)行巡道作業(yè)”為例，具體闡述建模過程。

2.1 網絡拓撲結構的構建

風險是人們對于危險源導致事故發(fā)生的可能性及后果嚴重程度的主觀評價，本文的作業(yè)中人因風險分析，本質上是對作業(yè)中人因引發(fā)事故的可能性和后果嚴重程度進行分析。 所以，在構建網絡拓撲結構前，先構建 事故分析的主要技術手段“事件樹”，對作業(yè)中人因可能引發(fā)的事故進行分析，再將事件樹轉化為貝葉斯網絡拓撲結構。

2.1.1 事件樹的構建

事件樹是將某一初始事件可能導致的事故場景和產生的多個后果加以圖形化的模型，是一種從原因到結果的過程分析，其基本原理是任何事物從初始原因到最終結果所經歷的每一個中間環(huán)節(jié)都有成功或失敗兩種可能或分支。 如果將成功作為上分支，將失敗作為下分支，再分別從這兩個狀態(tài)開始，仍按成功或失敗兩種可能分析，這樣一直分析下去，直到最后結果為止，最后即形成一個水平放置的樹狀圖。

依據這一基本原理，構建“正線列車執(zhí)行巡道作業(yè)”的事件樹，如圖2 所示。 其中，對各環(huán)節(jié)事件“成功”和“失敗”狀態(tài)進行了重新定義，將成功狀態(tài)定義為在該環(huán)節(jié)事件中地鐵駕駛員未出現(xiàn)不安全行為，而失敗狀態(tài)則定義為在該環(huán)節(jié)事件中地鐵駕駛員出現(xiàn)了不安全行為。

圖2 正線列車執(zhí)行巡道作業(yè)的事件樹Fig. 2 Event tree for mainline trains performing patrol operations

2.1.2 事件樹的轉化

事件樹向網絡拓撲結構的轉化主要有以下3 個步驟：

（1）事件樹中的每一個環(huán)節(jié)事件都對應著網絡拓撲結構中的一個根節(jié)點，根據環(huán)節(jié)事件的名字對相應的根節(jié)點進行命名，各根節(jié)點的狀態(tài)空間均為成功（Success）和失?。‵ail）。

（2）事件樹中的每一個事故后果都對應著網絡拓撲結構中的一個葉節(jié)點，根據結果的名字對相應的葉節(jié)點進行命名，各葉節(jié)點的狀態(tài)空間均為出現(xiàn)（Present）和未出現(xiàn)（Absent）。

（3）把上述步驟得到的根節(jié)點和葉節(jié)點用有向弧連接起來，有向弧箭頭由根節(jié)點指向葉節(jié)點。

依據上述轉化步驟，并利用專業(yè)的貝葉斯網絡分析軟件Netica，對正線列車執(zhí)行巡道作業(yè)的事件樹進行轉化，得到如圖3 所示的正線列車執(zhí)行巡道作業(yè)的貝葉斯網絡拓撲結構，圖中各節(jié)點的信度柵均為50，說明該貝葉斯網絡的概率參數還未確定。

圖3 正線列車執(zhí)行巡道作業(yè)的貝葉斯網絡拓撲結構Fig. 3 Bayesian network topology structure of main line trains performing patrol operation

2.2 概率參數的確定

初始貝葉斯網絡模型中概率參數的確定主要依據事件樹和專家知識經驗。 對于網絡拓撲結構中各根節(jié)點的先驗概率，通過地鐵行業(yè)內專家的分析和討論，確定接受調度命令（Phase1）、建立ATP 模式（Phase2）和執(zhí)行正線巡道任務（Phase3）的成功概率分別為92%、96%和90%，并將概率數值輸入網絡拓撲結構中；而各葉節(jié)點的條件概率，則依據事件樹的結構特性確定，并將確定的概率數值輸入各葉節(jié)點的條件概率表（CPT）中，具體各葉節(jié)點的條件概率表如圖4 所示。

最后，運用Netica 軟件的網絡整合功能，將構建的網絡拓撲結構和確定的概率參數進行整合，得到初始的貝葉斯網絡模型如圖5 所示。

圖4 各葉節(jié)點的條件概率表Fig. 4 Conditional probability table of each leaf node

圖5 正線列車執(zhí)行巡道作業(yè)的初始貝葉斯網絡模型Fig. 5 Initial Bayesian network model of main line trains performing patrol operation

3 貝葉斯網絡模型的修正

貝葉斯網絡模型的修正主要包括對于網絡拓撲結構和概率參數的修正。 由于初始貝葉斯網絡中根節(jié)點和葉節(jié)點之間有較為清晰的邏輯關系，因此在網絡拓撲結構上無需再進行修正，本文主要在確定的網絡拓撲結構基礎上，對其概率參數進行修正。概率參數的修正主要是依據訓練樣本數據庫對貝葉斯網絡進行訓練，貝葉斯網絡通過對訓練樣本數據的學習，完成對其概率參數的自我修正。

本文首先采用安全檢查表法采集地鐵駕駛員行車作業(yè)的現(xiàn)場數據，結合過往地鐵駕駛員行車作業(yè)人因事故案例相關分析數據，匯總成一個原始數據庫，再對原始數據庫進行數據預處理，預處理過程主要包括數據審核、數據篩選以及數據排序，經過一系列處理將原始數據轉換為適合貝葉斯網絡學習的數據，并將數據按不同作業(yè)項的訓練樣本數據集分類輸出，從而獲取整個訓練樣本數據庫。 獲取正線列車執(zhí)行巡道作業(yè)的訓練樣本數據集見表1，最上方有一行字符串“／ ／ ～- ＞［ CASE - 1 ］ - ＞～”，表明數據集格式為Case File Format。 本文對地鐵駕駛員行車作業(yè)中每一個作業(yè)項的訓練樣本數據量均定為500，為了突出模型普適性，數據預處理時保留了少量有數據缺失的樣本，樣本缺失率設定為2%。表1 中，第一行為各節(jié)點的名稱，“IDnum”列為樣本編號，“?”即為缺失數據。

表1 正線列車執(zhí)行巡道作業(yè)的訓練樣本數據集Tab. 1 Training sample data set of main line trains performing patrol operation

根據已獲取的正線列車執(zhí)行巡道作業(yè)的訓練樣本數據集，對其初始貝葉斯網絡模型進行訓練，訓練過程本質上是貝葉斯網絡對數據自主學習的過程。本文首先將訓練樣本數據集以文本文檔（.txt）格式導入Netica 軟件中，運用Netica 軟件中的數據自主學習功能，完成了對導入數據的自主學習，同時也完成了對其概率參數的自我修正，修正后的正線列車執(zhí)行巡道作業(yè)的貝葉斯網絡模型如圖6 所示。

圖6 修正后的正線列車執(zhí)行巡道作業(yè)的貝葉斯網絡模型Fig. 6 Revised Bayesian network model of main line trains performing patrol operation

4 人因風險分析

本文主要依據構建出的貝葉斯網絡模型，結合Netica 軟件對地鐵駕駛員行車作業(yè)人因風險進行分析，以“正線列車執(zhí)行巡道作業(yè)”為例，闡釋基于貝葉斯網絡的地鐵駕駛員行車作業(yè)人因風險分析過程。

首先，通過對圖6 中的貝葉斯網絡模型各葉節(jié)點狀態(tài)空間分布進行研究，對正線列車執(zhí)行巡道作業(yè)人因風險作初步分析。 在通常情況下，地鐵駕駛員順利完成正線列車執(zhí)行巡道作業(yè)（C1）且作業(yè)過程中未產生人因風險的概率為87.16%，將其定義為正線列車執(zhí)行巡道作業(yè)的安全概率，則正線列車執(zhí)行巡道作業(yè)中存在人因風險的概率為12.84%；根據人因風險帶來的事故類型對人因風險概率細分，其中人因風險引起“異物侵限”事故（C2）發(fā)生的概率為4.01%，引起“列車沖突、擠岔、撞軋”事故（C3）發(fā)生的概率為2.63%，引起“列車晚點30 min 以上”事故（C4）的概率為6.2%。

其次，依據圖6 中的貝葉斯網絡模型并運用Netica 軟件，針對各種情況下的人因風險作進一步預測分析。 例如，已知地鐵駕駛員在“建立ATP 模式”環(huán)節(jié)（Phase2）中存在不安全行為，則將貝葉斯網絡中Phase2 節(jié)點變量狀態(tài)設置為“Fail ＝100%”，運用Netica 軟件的更新功能對整個網絡的概率進行更新，得到一個新的貝葉斯網絡如圖7 所示。 根據圖7 中各葉節(jié)點更新過后的概率，對該情況下的人因風險進行預測分析：若地鐵駕駛員在“建立ATP模式”環(huán)節(jié)（Phase2）中存在不安全行為，則這些人為因素引起“列車沖突、擠岔、撞軋”事故（C3）發(fā)生的概率為93.8%，引起“列車晚點30 min 以上”事故（C4）發(fā)生的概率為6.2%。

圖7 更新后的貝葉斯網絡模型Fig. 7 Updated Bayesian network model

從上述人因風險分析過程中不難看出，這種貝葉斯網絡風險分析模型不僅能夠對一般情況下地鐵駕駛員行車作業(yè)存在的人因風險進行定量化分析，還能夠對各種具有不確定性情況下的作業(yè)人因風險進行預測分析，這種全面的人因風險分析能力可以為地鐵行業(yè)對行車作業(yè)人因風險的管控提供幫助。 不僅如此，通過對上述人因風險分析結果的探究，發(fā)現(xiàn)其與實際情況高度一致，證明了基于貝葉斯網絡的地鐵駕駛員行車作業(yè)人因風險分析方法的可行性和實用性。

5 結束語

本文提出一種基于貝葉斯網絡的地鐵駕駛員行車作業(yè)人因風險分析方法，以“正線列車執(zhí)行巡道作業(yè)”為例，從對貝葉斯網絡模型的構建到依據模型的預測分析，詳細闡釋了人因風險分析的過程，證明了該方法的可行性和實用性，旨在為地鐵行業(yè)提供一種全新的人因風險分析思路。 通過構建高效的貝葉斯網絡風險分析模型，運用先進的計算機技術進行人因風險分析，保障地鐵運營安全。 在后續(xù)研究中，將對構建出的貝葉斯網絡模型的結構進行深入研究，嘗試通過結構學習的方法進一步優(yōu)化模型，得到更為科學的貝葉斯網絡模型。