基于DNN神經(jīng)網(wǎng)絡(luò)的地鐵洪澇災(zāi)害評估研究

李輝山,白 蓮,劉 平

(蘭州理工大學(xué)土木工程學(xué)院,蘭州 730050)

1 研究背景

正逢“十四五”開局之年，我國城市軌道交通步入新的建設(shè)和運營階段，區(qū)域發(fā)展一體化大力推動了城市軌道交通的全面融合。地鐵作為城市區(qū)域發(fā)展的運載體，在城市地理和經(jīng)濟活動中起到至關(guān)重要的作用。

由于地鐵線路需求量增多，運營質(zhì)量和運營階段的安全問題日益凸顯。這些問題主要體現(xiàn)在3個方面：(1)地鐵設(shè)備本身出現(xiàn)故障造成運營質(zhì)量降低，引發(fā)地鐵列車延誤或停運；(2)人為原因造成地鐵突發(fā)事件影響乘客的正常出行和乘車安全；(3)由于自然災(zāi)害所產(chǎn)生的不可抗力造成地鐵重大突發(fā)事件，使乘客的生命安全和財產(chǎn)受到嚴(yán)重威脅，如地震洪澇災(zāi)害等。據(jù)2018年世界經(jīng)濟論壇發(fā)布的《全球風(fēng)險報告中》指出，受到極端氣候影響和自然災(zāi)害等環(huán)境類風(fēng)險是當(dāng)前全球兩大風(fēng)險，且自2013年起，極端氣候事件和自然災(zāi)害類事件在全球五大風(fēng)險排名中逐步上升[1]。導(dǎo)致自然災(zāi)害發(fā)生的原因主要是自然要素變異作用于人類社會，造成人員傷亡、經(jīng)濟損失和資源環(huán)境損害[2-3]。中國由于地形復(fù)雜、氣候變化以及過度城鎮(zhèn)化聚集性等原因，致使自然災(zāi)害損失更為嚴(yán)重[4-5]。自然災(zāi)害對地鐵運營質(zhì)量和運營階段安全影響較大[6]，其中，洪澇災(zāi)害更為突出，2021年7月河南省洪澇災(zāi)害共有超過1 481萬人受災(zāi)，近300人遇難，造成直接經(jīng)濟損失逾1 337億元，鄭州市地鐵全線停運，地鐵5號線積水沖垮出入場線擋水墻進(jìn)入正線區(qū)間，造成5號線一列車在沙口路站—海灘寺站區(qū)間內(nèi)迫停，500余名乘客被困，最終造成12死5傷的重大事故[7]。截至2021年上半年，全國自然災(zāi)害直接損失408.6億元，共造成2 801.9萬人次受災(zāi)，其中，洪澇災(zāi)害方面，全國共發(fā)生20次強降水過程，洪澇災(zāi)害造成27個省(區(qū)、市)908萬人次受災(zāi)，占總受災(zāi)人數(shù)的1/3[8]。

洪澇災(zāi)害對于社會的損害已不容忽視，國內(nèi)外眾多學(xué)者都積極開展了對于洪澇災(zāi)害的相關(guān)研究，主要集中在洪澇災(zāi)害風(fēng)險研究、災(zāi)害防治、致災(zāi)因素和危險性分析等方面。近年來，城市化大力發(fā)展也讓城市地鐵交通成為洪澇災(zāi)害的承災(zāi)體，而目前我國學(xué)者對城市地鐵交通洪澇災(zāi)害研究還不夠充分，尤其在發(fā)生地鐵交通洪澇災(zāi)害預(yù)測方面鮮有研究，若能提前預(yù)警即將發(fā)生地鐵洪澇災(zāi)害，則可適當(dāng)減少洪澇災(zāi)害帶來的影響和損失。因此，針對城市地鐵交通洪澇災(zāi)害研究的不足，選取地鐵洪澇災(zāi)害作為研究對象，采用DNN神經(jīng)網(wǎng)絡(luò)的方法預(yù)測在致災(zāi)因素影響下是否會發(fā)生地鐵洪澇災(zāi)害，為決策者準(zhǔn)確判定地鐵洪澇災(zāi)害發(fā)生的可能性提供評估依據(jù)。

2 地鐵洪澇災(zāi)害致災(zāi)因素識別與構(gòu)建

近年來，受氣候變暖和城市化影響，城市洪澇災(zāi)害日益頻發(fā)[9-10]，地鐵系統(tǒng)在長期運營過程中也發(fā)生了大量的洪澇災(zāi)害事故，從相關(guān)事故案例的檢索可以得出，國內(nèi)發(fā)生過地鐵洪澇災(zāi)害的地區(qū)包括北京、深圳、廣州、上海、武漢、成都、青島、杭州、南寧、西安、大連、南京、長沙、石家莊、鄭州等多個城市，假設(shè)采用DNN神經(jīng)網(wǎng)絡(luò)方法，從這些事故案例中提取相似致災(zāi)因素并進(jìn)行分析與建模預(yù)測，得到在相似致災(zāi)因素情況下某地鐵發(fā)生洪澇災(zāi)害的可能性，將大大提高地鐵防災(zāi)風(fēng)險管理效率。

已發(fā)生地鐵洪澇災(zāi)害事件對識別與構(gòu)建洪澇致災(zāi)因素非常重要，通過文獻(xiàn)檢索歷來學(xué)者對地鐵洪澇災(zāi)害事件研究可以發(fā)現(xiàn)，多數(shù)學(xué)者認(rèn)為影響洪澇災(zāi)害發(fā)生的原因主要是內(nèi)部原因和外部原因兩大類，內(nèi)部原因體現(xiàn)在系統(tǒng)自身防汛能力等方面，外部原因體現(xiàn)在自然因素和地理特征等方面。湯書明等[11]認(rèn)為地鐵車站防洪關(guān)鍵之一是地鐵車站洪澇設(shè)計水位是否合理，并針對城市地形、自然地面和雨水管網(wǎng)同時匯流的情景，提出了地鐵車站洪澇設(shè)計水位計算方法；陳峰等[12]認(rèn)為外部防汛環(huán)境是導(dǎo)致地面洪水侵入地下空間的首要因素，具體分析了區(qū)域自然因素和防汛能力，并采用數(shù)值模擬與物理模型相結(jié)合研究浸水對策；呂海敏[13]通過SWMM與GIS之間數(shù)據(jù)轉(zhuǎn)換來模擬不同暴雨情景的地表積水深度，判斷不同暴雨情景下地鐵車站是否會發(fā)生雨水倒灌；徐宗學(xué)等[14]認(rèn)為極端降水是引發(fā)洪澇災(zāi)害最直接的驅(qū)動要素，排水管道設(shè)計不合理也加劇了災(zāi)害發(fā)生的可能性。上述研究為地鐵洪澇災(zāi)害致災(zāi)因素識別提供了一定的理論基礎(chǔ)，但還需對實際發(fā)生的地鐵洪澇災(zāi)害事件進(jìn)行調(diào)查分析，獲得該災(zāi)害發(fā)生的原因及相關(guān)信息。

以近年來發(fā)生的地鐵洪澇災(zāi)害為例調(diào)查發(fā)現(xiàn)，第一，中國地理位置特殊，季風(fēng)氣候盛行，江淮流域和東部沿海地區(qū)會出現(xiàn)集中降雨現(xiàn)象，城市泄洪能力有限，且地鐵車站主體工程位于地表以下，處于城市建筑高程的最低處，其防洪減災(zāi)本質(zhì)是以防為主，自身排水系統(tǒng)主要依附市政排水系統(tǒng)，極端雨水天氣導(dǎo)致市政排水系統(tǒng)超負(fù)荷，引發(fā)洪澇災(zāi)害。第二，城市一體化建設(shè)中，由于路面硬化及路面不透水面積減少，周邊部分河道被填埋，導(dǎo)致城市調(diào)蓄能力下降引發(fā)內(nèi)澇，地鐵交通多數(shù)位于城市內(nèi)，內(nèi)澇超過地鐵車站防洪設(shè)計高程時，則會發(fā)生雨水倒灌。第三，從鄭州地鐵5號線的重大事故中，表現(xiàn)出極端天氣預(yù)警機制出現(xiàn)信息調(diào)動能力不足的情況，未及時做到中斷運輸、疏散撤離等措施，增大了災(zāi)害所造成的損失。根據(jù)以上地鐵洪澇災(zāi)害的文獻(xiàn)研究和已發(fā)生地鐵洪澇災(zāi)害實際案例分析，識別出以自然因素、周邊環(huán)境及防汛能力3個維度的致災(zāi)因素，構(gòu)建地鐵洪澇災(zāi)害致災(zāi)因素圖，如圖1所示。

圖1 地鐵洪澇災(zāi)害致災(zāi)因素

自然因素主要包括以下4個方面：①降雨量，極端性強降雨會導(dǎo)致城市排水能力和河道調(diào)蓄能力不足，直接出現(xiàn)城市內(nèi)澇和地下空間被淹等情況；②年降雨量，各地根據(jù)年降雨量的不同，在地鐵防洪設(shè)計與防洪措施方面具有一定的差異性；③地質(zhì)情況，地質(zhì)的差異會導(dǎo)致地面沉降，引起防汛措施和排水設(shè)施運行能力的降低；④地勢高程，若地鐵車站處于地勢低洼地區(qū)，則洪泛的概率更高。

周邊環(huán)境主要包括以下3個方面：①積水回灌，當(dāng)?shù)罔F周邊排水能力不足時，可能出現(xiàn)大量積水，造成積水回灌引起地鐵洪澇災(zāi)害；②周邊河道，在汛期暴雨時，周邊河道水位升高，可能引起河水倒灌現(xiàn)象；③市政管網(wǎng)，市政管網(wǎng)會直接影響到周邊排水能力強弱。

防汛能力主要包括以下6個方面：①信息調(diào)度能力，各地鐵車站對于防汛信息的應(yīng)急管理能力不同，信息傳遞時間有參差，因此，地鐵車站的防汛信息調(diào)度能力會出現(xiàn)偏差；②應(yīng)急排水能力，即在極端降雨時，地鐵車站對于其采取的應(yīng)急處理措施；③防洪高程設(shè)計；④雨水管道重現(xiàn)期，應(yīng)注意與地下空間排水標(biāo)準(zhǔn)和周邊市政排水標(biāo)準(zhǔn)匹配以提高防汛能力；⑤排水系統(tǒng)能力，盡量避免合流制排水模式并提升排水系統(tǒng)標(biāo)準(zhǔn)，以達(dá)到防汛標(biāo)準(zhǔn)要求；⑥車站形式，根據(jù)地鐵車站形式和深度合理規(guī)劃地下空間防汛能力。

3 DNN神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)(DNN)是實現(xiàn)“多層非線性變換”中最常用的一種方式，DNN網(wǎng)絡(luò)中提供非線性表達(dá)能力依靠激活函數(shù)。選用深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測發(fā)生地鐵洪澇災(zāi)害的可能性，具有以下優(yōu)勢：①DNN具有強大的非線性擬合能力，其精度可任意逼近非線性連續(xù)函數(shù)，而洪澇災(zāi)害致災(zāi)因素錯綜復(fù)雜，選用DNN模型精度可以得到一定的保障；②DNN具有強特征提取能力，DNN可通過學(xué)習(xí)主動提取數(shù)據(jù)間“合理規(guī)則”，使預(yù)測模型具有良好表達(dá)能力。

DNN深層神經(jīng)網(wǎng)絡(luò)組成有3個部分：DNN的拓?fù)浣Y(jié)構(gòu)、激活函數(shù)與損失函數(shù)、訓(xùn)練DNN算法[15]。DNN的拓?fù)浣Y(jié)構(gòu)是基于感知機的擴展，又被稱為多層感知機，通常由輸入層、隱藏層、輸出層組成，每一層的組成單元被稱為神經(jīng)元[16]，神經(jīng)元之間通過權(quán)值w相互連接，并內(nèi)置偏置值b。常用的激活函數(shù)有Sign、Sigmoid、Tanh、ReLU、Leaky-ReLU、Maxout等，損失函數(shù)是用于度量DNN輸出結(jié)果向量與樣本期望向量之間差距的函數(shù)，常用的損失函數(shù)有交叉熵、均方差、Log、L1 Loss、L2 Loss等。最后，DNN訓(xùn)練算法使用反向傳播算法和隨機梯度下降法，對連接權(quán)值與偏置值進(jìn)行調(diào)整，降低網(wǎng)絡(luò)輸出的誤差值，提高網(wǎng)絡(luò)輸出的準(zhǔn)確度，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 DNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在圖2所示網(wǎng)絡(luò)結(jié)構(gòu)中，x1，x2，…，xn為DNN神經(jīng)網(wǎng)絡(luò)輸入值；b為隱含層神經(jīng)單元的偏置值，w1，w2，…，wn為神經(jīng)單元連接的權(quán)值；y為神經(jīng)元輸出，可按照式(1)計算。

(1)

式中，g為神經(jīng)元激活函數(shù)，本文使用tanh、Sigmoid為激活函數(shù)，其公式為

(2)

(3)

4 地鐵洪澇災(zāi)害預(yù)測模型構(gòu)建

為實現(xiàn)地鐵洪澇災(zāi)害的精準(zhǔn)預(yù)測，提出DNN深度學(xué)習(xí)預(yù)測模型，相應(yīng)的預(yù)測模型訓(xùn)練流程如圖3所示。

圖3 DNN訓(xùn)練流程

具體的模型實現(xiàn)步驟如下。

(1)收集已發(fā)生地鐵洪澇災(zāi)害的樣本數(shù)據(jù)。

(2)樣本數(shù)據(jù)預(yù)處理，本文數(shù)據(jù)使用最值歸一化處理，將所有數(shù)據(jù)映射到0～1之間，消除樣本之間量級不同所造成的影響[17]，計算如下

(4)

式中，xscale為歸一化后的數(shù)據(jù)；x為原始數(shù)據(jù)；xmax、xmin分別為原始數(shù)據(jù)的最大、最小值。

(3)確定輸入、輸出變量。采用上述13個地鐵洪澇災(zāi)害致災(zāi)因素作為模型輸入變量，輸出變量為在13個致災(zāi)因素影響情況下某地鐵車站被淹的概率。

(4)訓(xùn)練集、驗證集和測試集劃分。首先用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型；再將訓(xùn)練好的模型進(jìn)行驗證，選擇準(zhǔn)確度最高的模型作為測試集模型；最后使用測試集驗證該模型的泛化能力。按照0.75，0.175，0.075的比例進(jìn)行數(shù)據(jù)劃分，即隨機抽取75%數(shù)據(jù)作為訓(xùn)練集，再隨機抽取17.5%數(shù)據(jù)作為驗證集，剩余數(shù)據(jù)作為測試集。

(5)評價指標(biāo)。選取精準(zhǔn)率P、召回率R、F1 Score(調(diào)和平均數(shù))、Accuracy(準(zhǔn)確率)等4個指標(biāo)作為模型評價指標(biāo)，計算公式如下

(5)

(6)

(7)

(8)

式中，P為精準(zhǔn)率，表示所有檢測出目標(biāo)中檢測正確的概率；R為召回率，表示所有正樣本中檢測正確的概率；TP為預(yù)測正確的正樣本數(shù)量；TN為預(yù)測正確的負(fù)樣本數(shù)量；FP為負(fù)樣本中錯誤預(yù)測為正樣本的數(shù)量；FN為正樣本中錯誤預(yù)測為負(fù)樣本的數(shù)量；F1為P和R的調(diào)和平均數(shù)，且可作為P和R的綜合評價指標(biāo)，F(xiàn)1越接近為1，說明模型表現(xiàn)越好。由于精準(zhǔn)率P和召回率R是此消彼長的，故選取F1 Score和Accuracy作為模型評價指標(biāo)。

5 實例應(yīng)用

5.1 地鐵洪澇災(zāi)害數(shù)據(jù)收集與預(yù)處理

為驗證本文所構(gòu)建的DNN深度學(xué)習(xí)預(yù)測模型的有效性，以中國所有已發(fā)生地鐵洪澇災(zāi)害的城市為例開展實例應(yīng)用研究，其數(shù)據(jù)信息來源依靠國家氣象信息中心、百度地形圖、城市軌道交通工程項目建設(shè)標(biāo)準(zhǔn)和防洪標(biāo)準(zhǔn)[18-20]等官方發(fā)布信息與國家規(guī)范，共收集到268組數(shù)據(jù)，其中，遭受洪澇災(zāi)害為140組數(shù)據(jù)，未遭受洪澇災(zāi)害為128組，正負(fù)樣本比率約為0.52∶0.48。

從所收集到的268組數(shù)據(jù)中進(jìn)行隨機處理，再根據(jù)隨機處理的數(shù)據(jù)進(jìn)行訓(xùn)練集、驗證集和測試集劃分，劃分比例按照0.75∶0.175∶0.075。最后，為提高模型后續(xù)預(yù)測的精度和效率，采用第3節(jié)中的預(yù)處理方法對收集到的268組數(shù)據(jù)進(jìn)行最值歸一化處理，消除數(shù)據(jù)間不同量級的影響。

5.2 DNN預(yù)測模型構(gòu)建

5.2.1 運行設(shè)備

本案例所使用的計算機配置和軟件環(huán)境如表1所示。

表1 運行設(shè)備配置

5.2.2 DNN神經(jīng)網(wǎng)絡(luò)模型

(9)

5.3 模型預(yù)測結(jié)果與分析

通過Accuracy(準(zhǔn)確率)和F1函數(shù)兩個評價指標(biāo)來衡量DNN模型，圖4為DNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練集、驗證集、測試集的Accuracy變化曲線。如圖4所示，3種樣本的準(zhǔn)確率隨著訓(xùn)練進(jìn)程而顯著提升，前100次迭代中訓(xùn)練集和驗證集的準(zhǔn)確率快速上升，而測試集的準(zhǔn)確率波動起伏較大，主要是因為測試集樣本數(shù)量較少導(dǎo)致，后100～400次迭代中，訓(xùn)練集和驗證集的準(zhǔn)確率穩(wěn)定在0.8～0.85之間，測試集的準(zhǔn)確率也在0.85處保持平穩(wěn)，表明了所構(gòu)建模型具有良好的預(yù)測精度和模型泛化能力。

圖5為DNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練集、驗證集、測試集的F1 Score變化曲線。如圖5所示，前150次迭代快速上升，最終訓(xùn)練集、驗證集和測試集F1 Score值穩(wěn)定在0.8～0.9之間，說明模型未過度擬合且表現(xiàn)良好。

圖4 DNN模型準(zhǔn)確率預(yù)測結(jié)果

圖5 DNN模型調(diào)和平均數(shù)曲線

6 結(jié)論及建議

6.1 結(jié)論

通過收集我國所有發(fā)生過地鐵洪澇災(zāi)害的相關(guān)信息，分析其洪澇災(zāi)害致災(zāi)因素，并通過DNN神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了地鐵洪澇災(zāi)害預(yù)測模型，預(yù)測了在致災(zāi)因素影響下地鐵車站是否會發(fā)生洪澇災(zāi)害。首先，對收集的洪澇災(zāi)害數(shù)據(jù)進(jìn)行最值歸一化處理；然后，按照一定的比例將數(shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集，對構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；最終，通過評價指標(biāo)選取最優(yōu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在進(jìn)行地鐵洪澇災(zāi)害分析預(yù)測時得到以下主要結(jié)論。

(1)地鐵洪澇災(zāi)害致災(zāi)因素復(fù)雜，由于具有空間密閉性和狹小性特征，因而承災(zāi)環(huán)境較為脆弱，其災(zāi)害事故傳遞性較高，影響范圍較廣，因此，構(gòu)建地鐵洪澇災(zāi)害模型預(yù)測具有十分重要的意義。

(2)基于DNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型在實際地鐵洪澇災(zāi)害案例中的預(yù)測結(jié)果為Accuracy=85%，F(xiàn)1 Score=90%，模型準(zhǔn)確率較高，說明所提出的模型具有較好預(yù)測性能，能夠滿足是否發(fā)生地鐵洪澇災(zāi)害預(yù)測需求。

本文僅收集我國已發(fā)生地鐵洪澇災(zāi)害數(shù)據(jù)，后續(xù)可將國外發(fā)生地鐵洪澇災(zāi)害數(shù)據(jù)加入樣本中，進(jìn)一步對其進(jìn)行深入研究，提高模型的準(zhǔn)確率和泛化能力，完善地鐵洪澇災(zāi)害預(yù)測體系，為地鐵洪澇災(zāi)害防治提供輔助決策依據(jù)。

6.2 建議

根據(jù)研究結(jié)果，對影響發(fā)生地鐵洪澇災(zāi)害的因素提供如下三方面參考和建議。

(1)從地鐵洪澇災(zāi)害分析預(yù)測結(jié)論得出，在防汛能力和周邊環(huán)境方面，由于地鐵車站的空間密閉性導(dǎo)致其承災(zāi)環(huán)境較為脆弱且發(fā)生災(zāi)害后事故傳遞性廣，應(yīng)該重點關(guān)注各城市防洪能力提升和重視洪澇災(zāi)害孕災(zāi)環(huán)境的影響，具體措施有：在極端氣候情況下，城市化擴張過程中應(yīng)注意相應(yīng)防洪規(guī)劃堤防建設(shè)，及時調(diào)整防洪標(biāo)準(zhǔn)；地鐵車站選址應(yīng)避開洪澇災(zāi)害孕災(zāi)嚴(yán)重區(qū)，因地制宜，低洼地區(qū)注重排水能力和調(diào)蓄能力的提升。

(2)在洪澇災(zāi)害致災(zāi)因素數(shù)據(jù)收集過程中，地鐵運營管理能力和系統(tǒng)應(yīng)急能力表現(xiàn)不佳，導(dǎo)致洪澇災(zāi)害人員傷亡和財產(chǎn)損失較大。因此，在地鐵運營管理能力和系統(tǒng)應(yīng)急能力方面要汲取以往地鐵事故教訓(xùn)，增強地鐵運營過程中信息調(diào)度和洪澇災(zāi)害監(jiān)測與預(yù)警系統(tǒng)能力，并應(yīng)編制好相應(yīng)的洪澇災(zāi)害應(yīng)急預(yù)案，出現(xiàn)險情后地鐵系統(tǒng)及時按照應(yīng)急預(yù)案組織救援，將災(zāi)害損失降到最低。

(3)最后，在地鐵車站防御方面，應(yīng)考慮地鐵車站在面臨自然災(zāi)害時自身抗災(zāi)能力的強弱，對地鐵車站的設(shè)計盡量提高其自身的韌性和面臨自然災(zāi)害時的抗性，為地鐵發(fā)生洪澇災(zāi)害時自身抗災(zāi)能力提供一定保障。