吉林大学学报(工学版) ›› 2024, Vol. 54 ›› Issue (2): 427-435.doi: 10.13229/j.cnki.jdxbgxb.20220352

• 交通运输工程·土木工程 • 上一篇    

城市轨道交通突发事件风险等级判别方法

范博松1,2(),邵春福2,3()   

  1. 1.中国人民公安大学 交通管理学院，北京 100038
    2.北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044
    3.新疆大学 交通运输工程学院，乌鲁木齐 830046
  • 收稿日期:2022-03-31 出版日期:2024-02-01 发布日期:2024-03-29
  • 通讯作者: 邵春福 E-mail:fanbosong@bjtu.edu.cn;cfshao@bjtu.edu.cn
  • 作者简介:范博松（1996-），男，博士研究生. 研究方向：交通安全.E-mail：fanbosong@bjtu.edu.cn
  • 基金资助:
    国家重点研发计划“交通载运装备与智能交通技术”重点专项项目(SQ2023YFB4300098);国家自然科学基金项目(52072025)

Urban rail transit emergency risk level identification method

Bo-song FAN1,2(),Chun-fu SHAO2,3()   

  1. 1.School of Traffic Management，People's Public Security University of China，Beijing 100038，China
    2.Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport，Beijing Jiaotong University，Beijing 100044，China
    3.School of Transportation Engineering，Xinjiang University，Urumqi 830046，China
  • Received:2022-03-31 Online:2024-02-01 Published:2024-03-29
  • Contact: Chun-fu SHAO E-mail:fanbosong@bjtu.edu.cn;cfshao@bjtu.edu.cn

RICH HTML

 0   

PDF (PC)

42

摘要：

为提升风险等级判别的准确性，破解城市轨道交通系统风险实时管控和事件应急处理的关键问题，构建了改进的特征选择算法（Im-F-score+XGB）对突发事件风险因素的特征进行筛选，通过分析城市轨道交通突发事件的基础数据，计算各风险特征的重要度，挖掘不同特征对突发事件风险等级的影响程度，得到突发事件风险等级判定的重要特征；同时，采用多时间窗循环扫描方法和加权级联残差森林模型相融合的思路，获得突发事件风险等级与风险特征的映射关系，建立了改进的突发事件风险等级判别模型（Im-F-GCF）。通过与RF、HGBDT、GCF、LightGBM 4个代表模型对比分析，显示出本文提出的Im-F-GCF模型的有效性。

关键词: 交通运输规划与管理, 城市轨道交通, 突发事件, 风险等级, 特征选择, 加权级联残差森林

Abstract:

In order to promote the accuracy of risk level identification， to solve the real-time risk control and emergency treatment problems of urban rail transit system， an improved feature selection algorithm （Im-F-score+XGB） on filtering features of the risk factors for emergencies was proposed. Through the analysis of the basic data of urban rail transit emergency， the feature importance degree of each risk feature was calculated， the influence degree of different features on the risk of emergencies was excavated， and the important features for determining the risk level of emergencies was obtained. Besides， the cyclic multi-time window scanning method and the weighted cascade residual forest model were used to obtain the mapping relationship between the emergency risk grade and the feature of risk features， and an improved emergency risk level identification model （Im-F-GCF） was established. Compared with RF， HGBDT， GCF and LightGBM models， the validity of the proposed model is verified.

Key words: transportation planning and management, urban rail transit, emergency, risk level, feature selection, weighted cascade residual forest

中图分类号: 

  • U121

图1

Im-F-GCF 判别模型框架"

表1

30个风险特征描述"

变量名称变量描述
日路网客运量/万人次每日轨道交通路网客运量
实际开行列数/列每日路网实际开行列车数
列车兑现率/%每日路网实际与计划开行列车比值
延误时长/min每起突发事件延误时间长度
2分晚点列车数/列每日路网晚点超过2 min的列车数
正点率/%每日路网实际开行列车正点到达比率
加开临客列车/列每日路网加开临时列车数量
工作日工作日、非工作日取值：0、1
天气恶劣天气、非恶劣天气取值：0、1
线路突发事件所发生的线路
专业类别突发事件所属的类别（信号故障、车辆故障等）
1号线断面满载率/%每日高峰时段各条线路断面满载率平均值
2号线断面满载率/%
5号线断面满载率/%
6号线断面满载率/%
7号线断面满载率/%
8号线断面满载率/%
9号线断面满载率/%
10号线断面满载率/%
13号线断面满载率/%
15号线断面满载率/%
昌平线断面满载率/%
房山线断面满载率/%
亦庄线断面满载率/%
八通线断面满载率/%
机场线断面满载率/%
4-大兴线断面满载率/%
14号线（西段）断面满载率/%
14号线（东段）断面满载率/%
16号线断面满载率/%

表2

某日路网及各条线路列车调整的数量"

运营企业及线路列车调整
停运通过清人掉线中折
路网81846
北京地铁1号线
2号线
5号线12
6号线7166
7号线
8号线
9号线
10号线22
13号线
15号线
昌平线
房山线
亦庄线
八通线
机场线
S1线
小计81846
京港地铁4-大兴线
14号线（西段）
14号线（东段）
16号线（北段）
小计

图2

突发事件特征重要度与累积贡献度（Im-F-score 模型）"

表3

重要风险特征"

变量名称变量描述
日路网客运量每日轨道交通路网客运量
实际开行列数每日轨道交通运营管理部门实际开行列车数
列车兑现率每日路网实际开行列车数与计划开行列车数比值
延误时长突发事件从产生影响到影响结束的持续时间
机场线断面满载率每日高峰时段各条线路断面满载率平均值
4-大兴线断面满载率
16号线断面满载率

表4

各风险等级判别结果的分类矩阵"

实际情况判别结果
正类负类
正类TPFN
负类FPTN

表5

实验结果"

模型

Acc/

%

Pre/

%

Rec/

%

Spe/

%

F1/

%

Kap/

%

Im-F-GCF训练90.8694.7693.1383.7093.9487.78
测试89.7093.7792.5081.0793.1386.24
RF84.5089.7688.7173.4789.2379.59
HGBDT86.2590.7790.7373.3090.7581.76
GCF88.2492.5991.6977.7692.1484.40
Light GBM88.6593.5891.0581.5292.3084.88

图3

各模型ROC曲线图"

1 Wang J, Yan W, Xu H, et al. Investigation of the probability of a safe evacuation to succeed in subway fire emergencies based on Bayesian theory[J]. KSCE Journal of Civil Engineering, 2018, 22(3): 877-886.
2 Yan H, Gao C, Elzarka H, et al. Risk assessment for construction of urban rail transit projects[J]. Safety Science, 2019, 118: 583-594.
3 Singh R, Hörcher D, Graham D J, et al. Decomposing journey times on urban metro systems via semiparametric mixed methods[J]. Transportation Research Part C: Emerging Technologies, 2020, 114: 140-163.
4 汪益敏, 罗跃, 于恒, 等. 人员密集型地铁车站安全风险评价方法[J]. 交通运输工程学报, 2020, 20(5): 198-207.
Wang Yi-min, Luo Yue, Yu Heng, et al. Evaluation method of security risk on crowded metro station[J]. Journal of Traffic and Transportation Engineering, 2020, 20(5): 198-207.
5 李炜, 周丙相, 蒋栋年, 等. 基于多状态时间序列预测学习的电源车故障预测方法[J]. 吉林大学学报:工学版, 2020, 50(4): 1532-1544.
Li Wei, Zhou Bing-xiang, Jiang Dong-nian, et al. Fault prediction of power supply vehicle based on multi-state time series prediction learning[J]. Journal of Jilin University (Engineering and Technology Edition), 2020, 50(4): 1532-1544.
6 郑宣传, 魏运, 秦勇, 等. 一种改进K-means模型的城市轨道交通突发事件分级方法[J]. 交通运输系统工程与信息, 2019, 19(3): 134-140.
Zheng Xuan-chuan, Wei Yun, Qin Yong, et al. Classification method of urban rail transit emergencies based on improved K-means algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(3): 134-140.
7 Mohanty S, Pozdnukhov A, Cassidy M. Region-wide congestion prediction and control using deep learning[J]. Transportation Research Part C: Emerging Technologies, 2020, 116: 1-21.
8 Yu B, Lee Y, Sohn K. Forecasting road traffic speeds by considering area-wide spatio-temporal dependencies based on a graph convolutional neural network (GCN)[J]. Transportation Research Part C: Emerging Technologies, 2020, 114: 189-204.
9 He D, Zou Z, Chen Y, et al. Obstacle detection of rail transit based on deep learning[J]. Measurement, 2021, 176: 109241.
10 Paltrinieri N, Comfort L, Reniers G. Learning about risk: machine learning for risk assessment[J]. Safety Science, 2019, 118: 475-486.
11 Zhou Z H, Feng J. Deep forest: towards an alternative to deep neural networks[C]∥IJCAI, Melbourne, Australia, 2017: 3553-3559.
12 Liu X, Tian Y, Lei X, et al. Deep forest based intelligent fault diagnosis of hydraulic turbine[J]. Journal of Mechanical Science and Technology, 2019, 33(5): 2049-2058.
13 Zhang Y, Xu T, Chen C, et al. A hierarchical method based on improved deep forest and case-based reasoning for railway turnout fault diagnosis[J]. Engineering Failure Analysis, 2021, 127: 105446.
14 姜万录, 李满, 张培尧, 等. 基于全矢增强深度森林的旋转设备智能故障诊断方法[J]. 中国机械工程, 2022, 33(11): 1324-1335.
Jiang Wan-lu, Li Man, Zhang Pei-yao, et al. Intelligent fault diagnosis method for rotating equipment derived from full vector enhanced deep forest[J]. China Mechanical Engineering, 2022, 33(11): 1324-1335.
15 邵怡韦, 陈嘉宇, 林翠颖, 等. 小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法[J]. 航空学报, 2021, 42(): 25-29.
Shao Yi-wei, Chen Jia-yu, Lin Cui-ying, et al. Gearbox fault diagnosis under small training samples: An improved deep forest based method[J]. Acta Aeronautica et Astronautica Sinica, 2021, 42(Sup.1): 25-29.
16 李志慧, 孙雅倩, 陶鹏飞, 等. 交通事故后的交通运行风险状态等级预测方法[J]. 吉林大学学报:工学版, 2022, 52(1): 127-135.
Li Zhi-hui, Sun Ya-qian, Tao Peng-fei, et al. Prediction method of traffic operation risk level after traffic accident[J]. Journal of Jilin University (Engineering and Technology Edition), 2022,52(1): 127-135.
[1] 郑长江,胡欢,杜牧青. 考虑枢纽失效的多式联运快递网络结构设计[J]. 吉林大学学报(工学版), 2023, 53(8): 2304-2311.
[2] 王殿海,胡佑薇,蔡正义,曾佳棋,姚文彬. 基于BPR函数的城市道路间断流动态路阻模型[J]. 吉林大学学报(工学版), 2023, 53(7): 1951-1961.
[3] 李艳波,柳柏松,姚博彬,陈俊硕,渠开发,武奇生,曹洁宁. 考虑路网随机特性的高速公路换电站选址[J]. 吉林大学学报(工学版), 2023, 53(5): 1364-1371.
[4] 胡莹,邵春福,王书灵,蒋熙,孙海瑞. 基于共享单车骑行轨迹的骑行质量识别方法[J]. 吉林大学学报(工学版), 2023, 53(4): 1040-1046.
[5] 王菁,万峰,董春娇,邵春福. 城市轨道交通站点吸引范围及强度建模[J]. 吉林大学学报(工学版), 2023, 53(2): 439-447.
[6] 张惠臻,高正凯,李建强,王晨曦,潘玉彪,王成,王靖. 基于循环神经网络的城市轨道交通短时客流预测[J]. 吉林大学学报(工学版), 2023, 53(2): 430-438.
[7] 王占中,蒋婷,张景海. 基于模糊双边界网络模型的道路运输效率评价[J]. 吉林大学学报(工学版), 2023, 53(2): 385-395.
[8] 王清永,曲伟强. 基于线性规划的城市轨道交通运行调度优化算法[J]. 吉林大学学报(工学版), 2023, 53(12): 3446-3451.
[9] 周丰丰,颜振炜. 基于混合特征的特征选择神经肽预测模型[J]. 吉林大学学报(工学版), 2023, 53(11): 3238-3245.
[10] 郭辉,付接递,李振东,严岩,李虓. 基于改进鲸鱼算法优化SVM参数和特征选择[J]. 吉林大学学报(工学版), 2023, 53(10): 2952-2963.
[11] 杨敏,张聪伟,李大韦,马晨翔. 基于贝叶斯网的空铁联程乘客出行满意度模型[J]. 吉林大学学报(工学版), 2023, 53(10): 2839-2846.
[12] 秦严严,杨晓庆,王昊. 智能网联混合交通流CO2排放影响及改善方法[J]. 吉林大学学报(工学版), 2023, 53(1): 150-158.
[13] 李佩泽,赵世舜,翁小辉,蒋鑫妹,崔洪博,乔建磊,常志勇. 基于多传感器优化的农药残留快速检测新方法[J]. 吉林大学学报(工学版), 2022, 52(8): 1951-1956.
[14] 周丰丰,朱海洋. 基于三段式特征选择策略的脑电情感识别算法SEE[J]. 吉林大学学报(工学版), 2022, 52(8): 1834-1841.
[15] 王斌,何丙辉,林娜,王伟,李天阳. 基于随机森林特征选择的茶园遥感提取[J]. 吉林大学学报(工学版), 2022, 52(7): 1719-1732.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发