《Heliyon》：Pre-construction risk assessment of accident scenarios with a hierarchical transformer
编辑推荐：
建筑业尽管历经数十年的安全监管，事故率仍持续居高不下。预防此类事故的关键在于在特定类型工作开始之前，预知其可能发生的事故场景，然而多数数据驱动的安全研究依赖于施工现场图像或自由文本报告，而这些数据在规划阶段并不可用。本研究提出一种基于Transformer的方
建筑业尽管历经数十年的安全监管，事故率仍持续居高不下。预防此类事故的关键在于在特定类型工作开始之前，预知其可能发生的事故场景，然而多数数据驱动的安全研究依赖于施工现场图像或自由文本报告，而这些数据在规划阶段并不可用。本研究提出一种基于Transformer的方法，利用结构化事故记录进行施工前风险评估，其中施工类型、工作过程、事故对象及事故原因被联合记录。研究人员从韩国施工事故案例数据库（Construction Accident Cases Database, CACD）中通过一套有据可查的预处理流程，提取出8902条实例。该模型以施工类型和工作过程为输入，以层级化方式预测事故对象与事故原因，捕捉各字段间的相互依赖关系，并为每项工作描述赋予一个风险评分，该评分综合了在事故发生的条件下其排序场景的可能性，以及预测的死亡与受伤人数。与循环网络、注意力机制及传统机器学习基线模型相比，该模型在HIT@1与NDCG@30指标上取得最高值，在死亡与受伤人数预测误差上取得最低值，同时在HIT@30与MAP@30指标上与最强基线持平。针对代表性工作描述的风险评估案例展示了排序场景与评分如何为预防性规划提供信息。上述发现表明，结构化事故记录为在施工工作开始前预判事故场景及其严重程度提供了切实可行的基础。
一、研究背景与问题
建筑业是职业危害最为严重的行业之一，工人常面临高空作业、湿滑表面、重型设备操作及电气危害等风险，导致事故率长期居高不下。在美国，建筑业约占职业死亡事故的五分之一；在韩国，这一比例接近全部职业事故死亡人数的一半。除人员损失外，事故还给项目带来财务、运营和声誉负担，常导致工期延误、成本超支及投资意愿下降。
预防此类事故需要管理者在工作开始前预判风险。韩国法律明确要求雇主开展风险评估，首先识别每项工作活动的危害，再估计并降低风险。事故案例数据集日益可获取，但基于统计分析和传统机器学习（Machine Learning, ML）的方法只能捕捉总体趋势，无法揭示特定工作类型下各因素的组合可能性。深度学习（Deep Learning, DL）虽已被应用于安全监测和事故报告文本分析，但图像监测系统依赖已安装的摄像头，文本分析依赖事后撰写的报告，二者均无法支持施工前阶段的风险评估，此时施工类型和工作过程已知，但尚无图像或报告可用。
结构化事故记录为此类评估提供了基础。韩国国土基础设施安全管理厅的施工事故案例数据库（Construction Accident Cases Database, CACD）以分类字段记录每起事故的施工类型、工作过程、事故对象、事故原因及死亡和受伤人数。前两个字段在规划阶段已知，其与其余字段的历史共现关系可指示特定工作类型易产生的事故场景。由于事故对象和原因按层级记录且相互依赖，研究人员将各字段联合建模而非作为独立目标处理。
二、研究内容与结论
本研究在前期工作的共享嵌入Transformer基础上，扩展了层级化预测策略：以两个层级解码事故对象，按固定顺序解码事故原因，并通过统一概率向量重新评估可能的组合。研究人员进一步为每项工作描述定义了风险评分，综合其排序场景在事故发生条件下的可能性与预测的死亡和受伤人数。模型在CACD数据上训练和评估，并以代表性工作描述的风险评估案例展示其应用。
研究得出以下主要结论：所提出的模型在HIT@1（0.1048）和NDCG@30（0.2400）指标上取得最高值，在死亡均方误差（0.0744）和受伤均方误差（0.0794）上取得最低值；在HIT@30上与最优值（BERT，0.4732）仅差0.0012，在MAP@30上与最优值（MLP，0.3586）仅差0.0003。传统分类器在HIT@30上仅达到0.0140至0.0629，远低于深度模型，表明将三个字段关联起来的序列建模是场景排序可行的关键。组件分析显示，层共享将参数从3.79M降至1.95M且性能基本不变，共享嵌入恢复了NDCG@30并降低了伤亡误差，而跳跃连接虽提高HIT@30和MAP@30但降低了NDCG@30并增大了伤亡误差，因此最终模型不采用跳跃连接。
三、关键技术方法
研究人员采用的主要技术方法包括：其一，从CACD数据库通过Selenium自动化爬取2019年7月3日至2022年9月28日间的14099起事故案例，经缺失字段剔除、多原因记录展开、其他类标签剔除等预处理步骤，最终得到8902条实例，并按8：2比例随机划分为训练集和留出集；其二，构建共享嵌入编码器-解码器Transformer架构，输入为施工类型（主要和次要层级）及工作过程，解码器三个输出位置按主事故对象、次事故对象、事故原因的顺序解码，各位置通过掩码自注意力关联前序位置；其三，在字段级分布之上增加场景级预测阶段，将三个字段分布拼接后经前馈层重新预测为场景集合上的统一概率分布，确保输出组合均来自CACD中实际记录的类别组合；其四，通过两个线性头在解码表示上估计预期死亡和受伤人数，并以交叉熵损失与均方误差联合训练；其五，定义严重度加权风险评分，综合前三十个排序场景的概率质量覆盖与归一化预期伤亡。
四、研究结果
施工前风险评估案例：模型对四个代表性工作描述输出前三十个排序场景及风险评分。每个场景均为有效组合，概率质量集中度因工作类型而异。钢筋组装在钢结构工作中，首要场景（钢结构构件与工人疏忽）占58.07%；钢筋混凝土工作中的材料搬运，前两个场景合计占45.5%；安装工作的概率质量分散于脚手架、材料、钢筋和工具等。四个案例的风险评分依次为82.10、43.44、30.60和18.69，反映概率质量集中度与预测伤亡的综合影响。
与基线模型比较：所提出模型在HIT@1和NDCG@30上最优，在死亡和受伤MSE上最低，在HIT@30和MAP@30上与最强基线持平。七个深度模型在排序指标上处于狭窄区间（HIT@30介于0.4585至0.4732，NDCG@30介于0.2264至0.2400），所提出模型在将记录场景置于首位和伤亡估计方面表现最佳。传统分类器因无法关联三个字段，排序能力极弱。
组件分析：层共享单独将参数从3.79M降至1.95M，HIT@30和MAP@30变化在0.003以内；加入共享嵌入后NDCG@30恢复至0.2400，两项伤亡误差降至表中最优；在此基础上加入跳跃连接虽使HIT@30和MAP@30升至表中最高（0.4732和0.3597），但NDCG@30降至0.2389且两项伤亡误差上升。最终模型因预期用途更重视记录场景的排序位置和伤亡估计，故省略跳跃连接。
五、讨论与结论
讨论部分：模型旨在支持施工前风险评估的危害识别步骤。安全管理者在施工开始前输入计划中的施工类型和工作过程，即可获得排序的事故对象和原因列表及反映预测严重程度的评分。该列表可直接填入风险评估表的危害识别栏，因每个排序场景均为CACD类别的记录组合。约半数留出实例中记录场景出现在前三十个候选中，因此列表用于缩小关注范围，需结合管理者对现场的了解使用。评分支持对工作描述排序，便于在项目各活动间分配预防资源。
研究存在若干局限：模型估计的是事故发生的条件场景分布，支持危害识别而非事故频率估计；场景集合仅含CACD中已记录的组合，无法提出未发生过的组合；结果为单次运行，深度模型间差异在0.001至0.005量级；留出集同时用于配置选择和结果报告，同一事故展开的实例可能分属两个集合；数据来自单一国家和单一时期，应用于其他记录前需重新训练。
结论部分：本研究解决了施工前阶段的风险评估问题，此时施工类型和工作过程已知但尚无现场图像或事故报告。利用公开CACD的结构化记录，研究人员记录了产生8902条实例的预处理流程，将前期工作的共享嵌入Transformer扩展为仅返回记录组合的场景级预测阶段，并定义了综合排序场景可能性与预测死亡和受伤人数的风险评分。在留出集上，模型在HIT@1和伤亡误差上优于对比模型，在更广泛的排序指标上与最强基线持平。应用于四个工作描述时，模型产生了可填入风险评估危害识别步骤的排序场景和评分。研究结果表明，公共机构已收集的事故记录无需额外传感或报告即可支持施工开始前的场景级风险评估。未来工作将采用事故级划分进行多次运行重复评估，对比层级化阶段与场景集合上的平面预测，并考察安全管理者在实践中如何使用排序场景。将记录表示为工作、对象和原因关系图可进一步通过链接预测提出尚未记录的有效组合。
