基于可解释集成学习的UTR紧急情况风险预测推断与传播链挖掘：一种新的实时安全管理方法

《Reliability Engineering & System Safety》：Risk predictive deduction and propagation chain mining for URT emergencies based on interpretable ensemble learning: A new approach to in-time safety management

实时安全管理方法基于可解释集成学习与关键风险链挖掘，通过动态风险评估和SHAP解释机制，结合SMOTE数据增强和Optuna参数优化，有效提升城市轨道交通应急响应能力，北京地铁实测准确率达95.83%。

　　

朱宇宁|尚冠伟|陈俊杰|朱思宇|王伟杰|蔡白根

北京交通大学自动化与智能学院，中国北京 100044

摘要

为了提升城市轨道交通（URT）的应急响应能力，本文提出了一种基于解释性集成学习和关键风险链挖掘的实时安全管理方法。首先，设计了一个创新的实时安全管理框架。在此基础上，利用近年来北京地铁的历史事件数据来识别风险原因和影响范围。设计了一种基于解释性堆叠集成学习的动态风险评估和预测推理方法，该方法结合了合成少数样本过采样技术（SMOTE）进行样本平衡，并使用Optuna进行基础模型和元模型的超参数优化，从而实现了对风险影响水平的更高预测精度。然后，采用SHapley加性解释（SHAP）来识别关键风险原因并量化其对预测结果的影响。最后，改进了W-Apriori算法来挖掘关键风险传播链中的复杂关联，从而提供有针对性的应急响应策略。为了验证该方法的有效性，本文基于真实的运营紧急数据进行了模拟实验，结果表明所提出的模型在五个性能指标上均达到了95.83%的准确率，优于传统的机器学习方法，体现了从传统被动响应向主动预防和实时干预的转变。

引言

随着城市化的加速和人口快速增长，城市轨道交通（URT）逐渐成为一种典型的高容量公共交通工具[1]。然而，乘客流量与运输能力之间的不匹配问题日益突出。自2012年以来，北京地铁的列车间隔时间缩短了150倍以上。目前，已有十条线路的列车间隔时间缩短至两分钟以内，这得益于多样化的列车运行方案，这些方案不断释放运输潜力并提高网络效率，更好地满足了乘客的出行需求。

然而，由于URT系统的高乘客吞吐量和封闭的运行环境，列车间隔时间的持续压缩进一步降低了运营安全裕度，在乘客时空异质性的影响下，更容易发生连锁故障，从而给风险预防和控制带来了更大的挑战[2]。近年来，列车运行面临诸多安全威胁，紧急情况时有发生。因此，迫切需要开发实时安全管理方法。通过探索风险原因、耦合关系和演变过程，可以识别轨道交通运营中的薄弱环节，并为预测性预防和控制策略提供支持。

针对风险预测精度低、模型预测可解释性差以及预防和控制措施不完善等问题，本文首次提出了URT的实时安全管理系统。同时，基于近年来北京地铁的真实运营紧急数据，提出了一种基于解释性集成学习的 risk影响严重性预测推理方法和改进的W-Apriori关联规则挖掘算法。这些成果填补了URT实时安全管理和主动风险预防的空白。与传统方法相比，该方法强调主动风险控制，能够在事故发生前及时进行预测和干预，从而提高风险规避能力。主要贡献有三个方面：

(i) 首次设计了URT的实时安全管理框架，克服了传统事后安全管理方法的滞后性问题，强调在事故发生前的主动风险推理和干预，从而提升了主动风险预防的能力。

(ii) 提出了一种用于风险影响严重性预测的可解释性集成学习方法。该方法采用动态风险加权来描述风险累积演变，并对风险影响严重性进行分类。接着，利用堆叠集成学习模型结合SMOTE样本平衡和Optuna参数优化来提高预测精度。此外，还整合了SHAP来识别关键风险原因并量化其对预测的影响，确保了结果的可解释性和决策相关性。

(iii) 提出了一种改进的W-Apriori关联规则挖掘方法，用于揭示关键风险原因之间的复杂关联。通过结合动态风险度、最小风险支持度和SHAP特征重要性排序，可以有效识别传统Apriori算法忽略的低频但高风险传播链。最后，通过近年来北京地铁的真实运营紧急数据验证了该方法的有效性。

本文的其余部分安排如下：第2节回顾了现有研究现状和挑战；第3节首次详细描述了URT的实时安全管理系统，包括动态风险评估、基于解释性集成学习的预测以及风险传播链中的复杂关联挖掘；第4节以北京地铁的真实运营紧急数据为例进行了详细分析；第5节阐述了该方法的有效性、局限性和实际应用前景；第6节总结了主要结论。

文献综述

风险是指在特定环境和时间内发生某种损失的可能性。2015年，美国国家航空航天局（NASA）首次提出了航空领域的实时安全管理概念[3]。其核心是准确识别风险因素并最小化风险事故的可能性，这一概念已在飞机[4]、[5]、[6]和车辆[7]、[8]、[9]等领域得到广泛研究。早期研究主要集中在……

方法论

实时安全管理的概念是指在风险情况发展成临界安全状态之前实施的一系列主动预防策略。本节首次提出了URT的实时安全管理框架（如图1所示）。我们分析了风险原因，提出了一种基于解释性集成学习和改进的W-Apriori关联规则挖掘算法的风险影响严重性预测推理方法，以实现主动风险控制。

案例研究

本文选用了近年来北京地铁运营紧急事件的真实数据作为研究材料。原始数据主要包括运营调度日志，涵盖了设备故障、运营中断、检查、演练等与轨道交通相关的各种事件。为了便于数据挖掘和处理，对原始数据进行了清洗。在总共6,196条记录中，选取了559条具有严重影响的紧急事件。

讨论

实时安全管理的核心在于早期发现风险源并迅速中断风险传播链中的关键环节。虽然所提出的集成模型在风险影响严重性预测方面的准确率达到96.04%，并能有效识别关键风险传播链，但其最终价值取决于这些分析结果如何转化为可操作的安全管理策略。本节讨论了我们的发现的实际意义。

结论

本文旨在提升URT应对紧急情况的能力。提出了一种基于解释性集成学习和关键风险链挖掘的实时安全管理方法。首先，首次设计了URT的实时安全管理框架。在此基础上，利用近年来北京地铁的真实运营紧急数据，通过堆叠集成学习提高了风险影响严重性的预测精度。

作者贡献声明

朱宇宁：撰写 – 审稿与编辑、初稿撰写、验证、方法论构建、概念化。尚冠伟：撰写 – 审稿与编辑、监督、项目管理。陈俊杰：撰写 – 审稿与编辑、验证、方法论构建。朱思宇：初稿撰写、可视化、数据整理。王伟杰：初稿撰写。蔡白根：监督、概念化。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。