張智賢， 李 健， 劉志鋼， 朱 琳

（上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院， 上海 201620）

0 引 言

近年來，由于國家政策的正確指導(dǎo)和相關(guān)城市對(duì)規(guī)劃建設(shè)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(shè)地鐵的同時(shí)，運(yùn)營事故的發(fā)生率卻也在逐年上升，保證地鐵運(yùn)營安全成為了當(dāng)下社會(huì)關(guān)注的焦點(diǎn)和行業(yè)內(nèi)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(yùn)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(guān)系到人民群眾的生命和財(cái)產(chǎn)安全，進(jìn)而影響到地鐵行業(yè)的經(jīng)營效益和社會(huì)的穩(wěn)定。 所以，對(duì)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(gè)龐大的系統(tǒng)，涉及的崗位眾多，每個(gè)崗位所承擔(dān)的作業(yè)項(xiàng)數(shù)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(diào)查對(duì)象，并對(duì)其行車作業(yè)進(jìn)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(xiàng)數(shù)量最多的，各崗位作業(yè)項(xiàng)數(shù)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(duì)象展開研究。

圖1 地鐵行車作業(yè)中各崗位作業(yè)項(xiàng)數(shù)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(xiàng)數(shù)量大，在行車作業(yè)時(shí)偶爾會(huì)出現(xiàn)操作差錯(cuò)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(shí)間都需要獨(dú)自在空間狹窄且光線昏暗的駕駛室里，對(duì)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(xiǎn)源辨識(shí)中被定義為第二類危險(xiǎn)源中的人為因素，使得行車作業(yè)存在發(fā)生地鐵運(yùn)營事故的風(fēng)險(xiǎn)。 所以，本文旨在對(duì)地鐵駕駛員行車作業(yè)中人為因素所帶來的風(fēng)險(xiǎn)進(jìn)行分析。

國內(nèi)外學(xué)者對(duì)于地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)分析的研究大多停留在對(duì)于人因風(fēng)險(xiǎn)的定性分析，常見的分析方法有經(jīng)驗(yàn)分析法、類比法、安全檢查表法以及事故統(tǒng)計(jì)分析法，其分析過程受研究人員主觀認(rèn)識(shí)的影響較大，且由于地鐵駕駛員行車作業(yè)涉及內(nèi)容繁多，運(yùn)用例如安全檢查表、事故統(tǒng)計(jì)分析法等方法進(jìn)行風(fēng)險(xiǎn)分析時(shí)，往往要靠人工對(duì)大量數(shù)據(jù)進(jìn)行分析研究，不僅效率低，還容易出錯(cuò)，致使得出的結(jié)果產(chǎn)生偏差。 基于此，本文提出一種基于貝葉斯網(wǎng)絡(luò)的地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)分析方法。

1 貝葉斯網(wǎng)絡(luò)

1.1 貝葉斯網(wǎng)絡(luò)簡(jiǎn)介

貝葉斯網(wǎng)絡(luò)（Bayesian Network）也被稱為置信網(wǎng)絡(luò)（ Belief Networks），是依據(jù)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(guān)系和概率關(guān)系，利用概率推理技術(shù)進(jìn)行數(shù)據(jù)挖掘和不確定性推理的一種理論模型，被認(rèn)為是目前不確定知識(shí)表達(dá)和推理領(lǐng)域最有效的理論模型之一。 貝葉斯網(wǎng)絡(luò)具體表現(xiàn)為一個(gè)由節(jié)點(diǎn)變量、有向連接邊和條件概率表構(gòu)成的有向非循環(huán)網(wǎng)絡(luò)，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(jié)合的產(chǎn)物。

貝葉斯網(wǎng)絡(luò)提供了一種自然地表示因果信息的方法，用來發(fā)現(xiàn)數(shù)據(jù)間的潛在關(guān)系，具有描述系統(tǒng)多態(tài)性和復(fù)雜邏輯關(guān)系的能力，既能夠?qū)Σ淮_定性和概率性事件進(jìn)行預(yù)測(cè)，還能夠分析其關(guān)鍵致因，十分適合用于可靠性、安全性的分析與評(píng)價(jià)。 因此，貝葉斯網(wǎng)絡(luò)被廣泛應(yīng)用于處理和解決具有內(nèi)在不確定性的推理和決策的問題上，例如：故障檢測(cè)和診斷、風(fēng)險(xiǎn)分析、概率專家系統(tǒng)、計(jì)算機(jī)視覺、交通管理和數(shù)據(jù)挖掘等。

1.2 貝葉斯網(wǎng)絡(luò)的數(shù)學(xué)理論基礎(chǔ)

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(yàn)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(yàn)概率；(B) 表示事件B發(fā)生的概率，被稱為事件B的先驗(yàn)概率。

從公式（1）不難看出，在已知事件B的先驗(yàn)概率和與之對(duì)應(yīng)的事件的后驗(yàn)概率（又稱條件概率）的情況下，可以求得事件的先驗(yàn)概率，進(jìn)而可以利用事件的先驗(yàn)概率反過來去推算事件B的后驗(yàn)概率，這就是貝葉斯網(wǎng)絡(luò)核心的數(shù)學(xué)計(jì)算邏輯，依據(jù)貝葉斯公式對(duì)其網(wǎng)絡(luò)結(jié)構(gòu)中各結(jié)點(diǎn)的概率進(jìn)行推理和計(jì)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(wǎng)絡(luò)優(yōu)秀的正向和逆向推理能力，選取貝葉斯網(wǎng)絡(luò)理論模型，對(duì)地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)這一不確定性較強(qiáng)且復(fù)雜的問題進(jìn)行分析。

1.3 貝葉斯網(wǎng)絡(luò)的優(yōu)勢(shì)

通過對(duì)比分析其他風(fēng)險(xiǎn)分析模型，總結(jié)出貝葉斯網(wǎng)絡(luò)的4 點(diǎn)優(yōu)勢(shì)：

（1）貝葉斯網(wǎng)絡(luò)具有強(qiáng)大的處理不確定性問題的能力。 可以用條件概率表和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)來表示網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的相互關(guān)系，根據(jù)需要完成對(duì)風(fēng)險(xiǎn)分析對(duì)象正向和反向推理，計(jì)算風(fēng)險(xiǎn)存在可能引起各種事故發(fā)生的概率，推理出各種因素導(dǎo)致事故發(fā)生的概率，從而為風(fēng)險(xiǎn)管控和事故診斷分析提供幫助。

（2）貝葉斯網(wǎng)絡(luò)具有較強(qiáng)的數(shù)據(jù)分析處理能力。 傳統(tǒng)風(fēng)險(xiǎn)分析模型在面對(duì)數(shù)據(jù)量較大的分析對(duì)象時(shí)，暴露出其分析處理數(shù)據(jù)能力較弱的問題，而貝葉斯網(wǎng)絡(luò)卻可以利用先進(jìn)的計(jì)算機(jī)技術(shù)高效地分析和處理數(shù)據(jù)，大大縮短了風(fēng)險(xiǎn)分析的時(shí)間，也降低了因數(shù)據(jù)量較大導(dǎo)致數(shù)據(jù)處理過程出錯(cuò)的概率，提高了風(fēng)險(xiǎn)分析的精度。

（3）貝葉斯網(wǎng)絡(luò)具有動(dòng)態(tài)性和可調(diào)整性。 貝葉斯網(wǎng)絡(luò)已經(jīng)成為人工智能研究中不確定性知識(shí)表示和推理的重要工具，結(jié)合先進(jìn)的計(jì)算機(jī)技術(shù)，可以對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過對(duì)訓(xùn)練樣本數(shù)據(jù)庫的學(xué)習(xí)，修正網(wǎng)絡(luò)中各節(jié)點(diǎn)的概率參數(shù)，使模型得到調(diào)整和更新，與其他靜態(tài)風(fēng)險(xiǎn)分析模型相比，這種具有動(dòng)態(tài)性的風(fēng)險(xiǎn)分析模型所分析出來的結(jié)果更加具有時(shí)效性和準(zhǔn)確性。

（4）貝葉斯網(wǎng)絡(luò)是一種將多元知識(shí)圖解可視化的概率知識(shí)表達(dá)與推理模型。 與傳統(tǒng)風(fēng)險(xiǎn)分析模型不同，貝葉斯網(wǎng)絡(luò)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(dá)網(wǎng)絡(luò)節(jié)點(diǎn)變量之間的因果關(guān)系和條件相關(guān)關(guān)系，使風(fēng)險(xiǎn)分析過程變得形象化和可視化。

1.4 貝葉斯網(wǎng)絡(luò)的建模

運(yùn)用貝葉斯網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)分析，首先需構(gòu)建貝葉斯網(wǎng)絡(luò)模型，即確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)中各節(jié)點(diǎn)因素的條件概率分布，通常把貝葉斯網(wǎng)絡(luò)中所有節(jié)點(diǎn)因素的條件概率分布統(tǒng)稱為貝葉斯網(wǎng)絡(luò)的概率參數(shù)。 因此，貝葉斯網(wǎng)絡(luò)的建模包括一個(gè)確定拓?fù)浣Y(jié)構(gòu)的定性過程和一個(gè)確定概率參數(shù)的定量階段。 對(duì)于不同的問題，貝葉斯網(wǎng)絡(luò)的建模方式也各有不同，主要有以下3 種建模方式：

（1）手動(dòng)建模。 主要根據(jù)專家知識(shí)經(jīng)驗(yàn)，手動(dòng)建立模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并確定概率參數(shù)，具體步驟包括：

①選取和確定節(jié)點(diǎn)變量；

②嘗試?yán)L制網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

③定義節(jié)點(diǎn)狀態(tài)空間；

④確定各節(jié)點(diǎn)的條件概率分布。

（2）數(shù)據(jù)庫學(xué)習(xí)建模。 結(jié)合計(jì)算機(jī)技術(shù)，通過對(duì)訓(xùn)練樣本數(shù)據(jù)庫的學(xué)習(xí)自動(dòng)生成貝葉斯網(wǎng)絡(luò)模型，具體包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩個(gè)步驟。 結(jié)構(gòu)學(xué)習(xí)是綜合先驗(yàn)知識(shí)，并通過學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)庫，確定較為合適的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；而參數(shù)學(xué)習(xí)則是利用確定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，通過對(duì)訓(xùn)練樣本數(shù)據(jù)庫的學(xué)習(xí)，確定貝葉斯網(wǎng)絡(luò)中各節(jié)點(diǎn)的概率參數(shù)。

（3）兩階段建模。 綜合前兩種建模方式的優(yōu)點(diǎn)，結(jié)合專家知識(shí)經(jīng)驗(yàn)和對(duì)數(shù)據(jù)庫的學(xué)習(xí)進(jìn)行貝葉斯網(wǎng)絡(luò)建模。 建模的第一階段是基于專家對(duì)于場(chǎng)景的解釋和對(duì)事件之間因果關(guān)系的理解，建立初始的貝葉斯網(wǎng)絡(luò)模型，而建模的第二階段則是通過對(duì)訓(xùn)練樣本數(shù)據(jù)庫的學(xué)習(xí)，對(duì)貝葉斯網(wǎng)絡(luò)模型中各節(jié)點(diǎn)的概率分布進(jìn)行修正，使其更接近實(shí)際。 修正過程可以看成是機(jī)器學(xué)習(xí)理論中的一個(gè)學(xué)習(xí)任務(wù)，該學(xué)習(xí)任務(wù)的源信息包括初始貝葉斯網(wǎng)絡(luò)模型和數(shù)據(jù)集合，目標(biāo)是在此基礎(chǔ)上建立更好的貝葉斯網(wǎng)絡(luò)模型。

本文選取兩階段的建模方式構(gòu)建貝葉斯網(wǎng)絡(luò)模型，旨在構(gòu)建出更加科學(xué)的模型來分析地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)。

2 初始貝葉斯網(wǎng)絡(luò)模型的構(gòu)建

本文構(gòu)建貝葉斯網(wǎng)絡(luò)模型旨在對(duì)地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)進(jìn)行分析，而地鐵駕駛員行車作業(yè)所涉及作業(yè)項(xiàng)數(shù)量多且復(fù)雜，若針對(duì)地鐵駕駛員行車作業(yè)整體構(gòu)建一個(gè)貝葉斯網(wǎng)絡(luò)模型，分析出來的結(jié)果過于籠統(tǒng)。 所以，本文嘗試針對(duì)每一個(gè)獨(dú)立的作業(yè)項(xiàng)構(gòu)建貝葉斯網(wǎng)絡(luò)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(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的構(gòu)建

風(fēng)險(xiǎn)是人們對(duì)于危險(xiǎn)源導(dǎo)致事故發(fā)生的可能性及后果嚴(yán)重程度的主觀評(píng)價(jià)，本文的作業(yè)中人因風(fēng)險(xiǎn)分析，本質(zhì)上是對(duì)作業(yè)中人因引發(fā)事故的可能性和后果嚴(yán)重程度進(jìn)行分析。 所以，在構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)前，先構(gòu)建 事故分析的主要技術(shù)手段“事件樹”，對(duì)作業(yè)中人因可能引發(fā)的事故進(jìn)行分析，再將事件樹轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

2.1.1 事件樹的構(gòu)建

事件樹是將某一初始事件可能導(dǎo)致的事故場(chǎng)景和產(chǎn)生的多個(gè)后果加以圖形化的模型，是一種從原因到結(jié)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(jié)果所經(jīng)歷的每一個(gè)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(gè)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(jié)果為止，最后即形成一個(gè)水平放置的樹狀圖。

依據(jù)這一基本原理，構(gòu)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(duì)各環(huán)節(jié)事件“成功”和“失敗”狀態(tài)進(jìn)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(zhuǎn)化

事件樹向網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的轉(zhuǎn)化主要有以下3 個(gè)步驟：

（1）事件樹中的每一個(gè)環(huán)節(jié)事件都對(duì)應(yīng)著網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的一個(gè)根節(jié)點(diǎn)，根據(jù)環(huán)節(jié)事件的名字對(duì)相應(yīng)的根節(jié)點(diǎn)進(jìn)行命名，各根節(jié)點(diǎn)的狀態(tài)空間均為成功（Success）和失?。‵ail）。

（2）事件樹中的每一個(gè)事故后果都對(duì)應(yīng)著網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的一個(gè)葉節(jié)點(diǎn)，根據(jù)結(jié)果的名字對(duì)相應(yīng)的葉節(jié)點(diǎn)進(jìn)行命名，各葉節(jié)點(diǎn)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(diǎn)和葉節(jié)點(diǎn)用有向弧連接起來，有向弧箭頭由根節(jié)點(diǎn)指向葉節(jié)點(diǎn)。

依據(jù)上述轉(zhuǎn)化步驟，并利用專業(yè)的貝葉斯網(wǎng)絡(luò)分析軟件Netica，對(duì)正線列車執(zhí)行巡道作業(yè)的事件樹進(jìn)行轉(zhuǎn)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(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，圖中各節(jié)點(diǎn)的信度柵均為50，說明該貝葉斯網(wǎng)絡(luò)的概率參數(shù)還未確定。

圖3 正線列車執(zhí)行巡道作業(yè)的貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig. 3 Bayesian network topology structure of main line trains performing patrol operation

2.2 概率參數(shù)的確定

初始貝葉斯網(wǎng)絡(luò)模型中概率參數(shù)的確定主要依據(jù)事件樹和專家知識(shí)經(jīng)驗(yàn)。 對(duì)于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中各根節(jié)點(diǎn)的先驗(yàn)概率，通過地鐵行業(yè)內(nèi)專家的分析和討論，確定接受調(diào)度命令（Phase1）、建立ATP 模式（Phase2）和執(zhí)行正線巡道任務(wù)（Phase3）的成功概率分別為92%、96%和90%，并將概率數(shù)值輸入網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中；而各葉節(jié)點(diǎn)的條件概率，則依據(jù)事件樹的結(jié)構(gòu)特性確定，并將確定的概率數(shù)值輸入各葉節(jié)點(diǎn)的條件概率表（CPT）中，具體各葉節(jié)點(diǎn)的條件概率表如圖4 所示。

最后，運(yùn)用Netica 軟件的網(wǎng)絡(luò)整合功能，將構(gòu)建的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和確定的概率參數(shù)進(jìn)行整合，得到初始的貝葉斯網(wǎng)絡(luò)模型如圖5 所示。

圖4 各葉節(jié)點(diǎn)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(wǎng)絡(luò)模型Fig. 5 Initial Bayesian network model of main line trains performing patrol operation

3 貝葉斯網(wǎng)絡(luò)模型的修正

貝葉斯網(wǎng)絡(luò)模型的修正主要包括對(duì)于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和概率參數(shù)的修正。 由于初始貝葉斯網(wǎng)絡(luò)中根節(jié)點(diǎn)和葉節(jié)點(diǎn)之間有較為清晰的邏輯關(guān)系，因此在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上無需再進(jìn)行修正，本文主要在確定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)基礎(chǔ)上，對(duì)其概率參數(shù)進(jìn)行修正。概率參數(shù)的修正主要是依據(jù)訓(xùn)練樣本數(shù)據(jù)庫對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行訓(xùn)練，貝葉斯網(wǎng)絡(luò)通過對(duì)訓(xùn)練樣本數(shù)據(jù)的學(xué)習(xí)，完成對(duì)其概率參數(shù)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(chǎng)數(shù)據(jù)，結(jié)合過往地鐵駕駛員行車作業(yè)人因事故案例相關(guān)分析數(shù)據(jù)，匯總成一個(gè)原始數(shù)據(jù)庫，再對(duì)原始數(shù)據(jù)庫進(jìn)行數(shù)據(jù)預(yù)處理，預(yù)處理過程主要包括數(shù)據(jù)審核、數(shù)據(jù)篩選以及數(shù)據(jù)排序，經(jīng)過一系列處理將原始數(shù)據(jù)轉(zhuǎn)換為適合貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的數(shù)據(jù)，并將數(shù)據(jù)按不同作業(yè)項(xiàng)的訓(xùn)練樣本數(shù)據(jù)集分類輸出，從而獲取整個(gè)訓(xùn)練樣本數(shù)據(jù)庫。 獲取正線列車執(zhí)行巡道作業(yè)的訓(xùn)練樣本數(shù)據(jù)集見表1，最上方有一行字符串“／ ／ ～- ＞［ CASE - 1 ］ - ＞～”，表明數(shù)據(jù)集格式為Case File Format。 本文對(duì)地鐵駕駛員行車作業(yè)中每一個(gè)作業(yè)項(xiàng)的訓(xùn)練樣本數(shù)據(jù)量均定為500，為了突出模型普適性，數(shù)據(jù)預(yù)處理時(shí)保留了少量有數(shù)據(jù)缺失的樣本，樣本缺失率設(shè)定為2%。表1 中，第一行為各節(jié)點(diǎn)的名稱，“IDnum”列為樣本編號(hào)，“?”即為缺失數(shù)據(jù)。

表1 正線列車執(zhí)行巡道作業(yè)的訓(xùn)練樣本數(shù)據(jù)集Tab. 1 Training sample data set of main line trains performing patrol operation

根據(jù)已獲取的正線列車執(zhí)行巡道作業(yè)的訓(xùn)練樣本數(shù)據(jù)集，對(duì)其初始貝葉斯網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練過程本質(zhì)上是貝葉斯網(wǎng)絡(luò)對(duì)數(shù)據(jù)自主學(xué)習(xí)的過程。本文首先將訓(xùn)練樣本數(shù)據(jù)集以文本文檔（.txt）格式導(dǎo)入Netica 軟件中，運(yùn)用Netica 軟件中的數(shù)據(jù)自主學(xué)習(xí)功能，完成了對(duì)導(dǎo)入數(shù)據(jù)的自主學(xué)習(xí)，同時(shí)也完成了對(duì)其概率參數(shù)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(wǎng)絡(luò)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(wǎng)絡(luò)模型Fig. 6 Revised Bayesian network model of main line trains performing patrol operation

4 人因風(fēng)險(xiǎn)分析

本文主要依據(jù)構(gòu)建出的貝葉斯網(wǎng)絡(luò)模型，結(jié)合Netica 軟件對(duì)地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)進(jìn)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(wǎng)絡(luò)的地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)分析過程。

首先，通過對(duì)圖6 中的貝葉斯網(wǎng)絡(luò)模型各葉節(jié)點(diǎn)狀態(tài)空間分布進(jìn)行研究，對(duì)正線列車執(zhí)行巡道作業(yè)人因風(fēng)險(xiǎn)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(chǎn)生人因風(fēng)險(xiǎn)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(fēng)險(xiǎn)的概率為12.84%；根據(jù)人因風(fēng)險(xiǎn)帶來的事故類型對(duì)人因風(fēng)險(xiǎn)概率細(xì)分，其中人因風(fēng)險(xiǎn)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(diǎn)30 min 以上”事故（C4）的概率為6.2%。

其次，依據(jù)圖6 中的貝葉斯網(wǎng)絡(luò)模型并運(yùn)用Netica 軟件，針對(duì)各種情況下的人因風(fēng)險(xiǎn)作進(jìn)一步預(yù)測(cè)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(wǎng)絡(luò)中Phase2 節(jié)點(diǎn)變量狀態(tài)設(shè)置為“Fail ＝100%”，運(yùn)用Netica 軟件的更新功能對(duì)整個(gè)網(wǎng)絡(luò)的概率進(jìn)行更新，得到一個(gè)新的貝葉斯網(wǎng)絡(luò)如圖7 所示。 根據(jù)圖7 中各葉節(jié)點(diǎn)更新過后的概率，對(duì)該情況下的人因風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)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(diǎn)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(wǎng)絡(luò)模型Fig. 7 Updated Bayesian network model

從上述人因風(fēng)險(xiǎn)分析過程中不難看出，這種貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)分析模型不僅能夠?qū)σ话闱闆r下地鐵駕駛員行車作業(yè)存在的人因風(fēng)險(xiǎn)進(jìn)行定量化分析，還能夠?qū)Ω鞣N具有不確定性情況下的作業(yè)人因風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)分析，這種全面的人因風(fēng)險(xiǎn)分析能力可以為地鐵行業(yè)對(duì)行車作業(yè)人因風(fēng)險(xiǎn)的管控提供幫助。 不僅如此，通過對(duì)上述人因風(fēng)險(xiǎn)分析結(jié)果的探究，發(fā)現(xiàn)其與實(shí)際情況高度一致，證明了基于貝葉斯網(wǎng)絡(luò)的地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)分析方法的可行性和實(shí)用性。

5 結(jié)束語

本文提出一種基于貝葉斯網(wǎng)絡(luò)的地鐵駕駛員行車作業(yè)人因風(fēng)險(xiǎn)分析方法，以“正線列車執(zhí)行巡道作業(yè)”為例，從對(duì)貝葉斯網(wǎng)絡(luò)模型的構(gòu)建到依據(jù)模型的預(yù)測(cè)分析，詳細(xì)闡釋了人因風(fēng)險(xiǎn)分析的過程，證明了該方法的可行性和實(shí)用性，旨在為地鐵行業(yè)提供一種全新的人因風(fēng)險(xiǎn)分析思路。 通過構(gòu)建高效的貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)分析模型，運(yùn)用先進(jìn)的計(jì)算機(jī)技術(shù)進(jìn)行人因風(fēng)險(xiǎn)分析，保障地鐵運(yùn)營安全。 在后續(xù)研究中，將對(duì)構(gòu)建出的貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)進(jìn)行深入研究，嘗試通過結(jié)構(gòu)學(xué)習(xí)的方法進(jìn)一步優(yōu)化模型，得到更為科學(xué)的貝葉斯網(wǎng)絡(luò)模型。