一种用于多源融合识别以及铁路沿线定居目标区域时空概率预测的新方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A novel method for multi-source fusion identification and spatio-temporal probability prediction of settlement target zones along railway lines

沉降目标区多源融合识别与时空概率预测模型构建及不确定性量化研究，提出融合InSAR、TQI、UAV和地质勘探数据的多源监测方法，利用LSTM-GCN网络提取时空特征，通过改进Bootstrap算法量化预测不确定性，建立基于可靠性理论的STZ稳定性评估体系。

　　

邓志兴|徐林荣|何远星子

中南大学土木工程学院，中国长沙410075

摘要

早期识别和预测铁路线沿线的沉降危害对于确保其安全运行至关重要。然而，目前存在铁路线沉降目标区域（STZ）识别不准确以及传统预测方法可靠性较低的问题。因此，本研究提出了一种新的方法，用于多源融合识别和铁路线沉降目标区域的时空概率预测。首先，整合多源监测平台以实现铁路状态的多维感知和融合分析，从而进行全面的目标区域识别。然后，利用目标区域数据通过模型训练和测试确定最佳时空预测模型。此外，使用改进的Bootstrap算法量化该最佳模型的不确定性，并基于可靠性理论对目标区域的不稳定性概率进行分析。多源融合分析的结果将区域A和B识别为沉降目标区域。在不同置信水平下的案例研究和比较分析表明，基于综合覆盖宽度的评估指标显示出较低的值，表明时空概率预测具有较高的可靠性和清晰度。目标区域内的不稳定概率值及其空间分布在不同时刻会有所变化。应特别关注显示异常不稳定概率值的特征点。

引言

尽管不断扩展的铁路网络满足了客运和货运运输的发展需求[1]，但不断增加的交通流量、频繁的极端事件以及负面人为因素导致了严重的铁路沉降危害。例如，铁路路基的不均匀沉降[2]、沉降[3]和坍塌[4]对人类生命和财产安全造成了巨大损失。铁路沉降危害与运营安全要求之间的矛盾日益突出。铁路沉降为评估路基结构及其周围地质条件的稳定性提供了关键数据支持，同时也作为识别潜在地质灾害风险的重要指标[5,6]。因此，识别潜在沉降区域并进行预测建模对于减轻和控制与沉降相关的危害是必要的。

人工现场检查、精确的水准测量和全球导航卫星系统（GNSS）构成了监测铁路沿线沉降危害的常用方法[7,8]。尽管这些方法可以提供高精度的沉降数据，但它们也存在检查范围小、监测成本高和空间采样密度低的缺点。与传统方法相比，干涉合成孔径雷达（InSAR）具有高精度、成本效益高和广泛空间覆盖等优点[9,10]。这项技术能够长期、大规模地监测地表沉降，并成为识别潜在沉降危害区域的关键工具[11,12]。例如，吴等人[13]使用多时相InSAR监测了香港国际机场20年间的沉降情况，揭示了沉降的时空模式。王等人[14]利用小基线子集干涉合成孔径雷达（SBAS-InSAR）技术监测并分析了矿区地表沉降，并据此提出了一种早期识别沉降危害的方法。所有上述研究为沉降监测和危害识别提供了有用的参考。然而，铁路危害的特点是影响范围广、隐蔽性强，并且具有“一个点受影响，整条线路可能受到影响”的特性[15,16]。因此，仅依赖单一InSAR技术难以准确识别铁路线沿线的沉降目标区域（STZ），从而影响监测结果的可靠性和精度。轨道质量指数（TQI）是一种专门用于铁路领域的疾病检测工具，它作为评估轨道整体质量状态的综合性指标，主要反映轨道不平顺情况，并作为路基沉降的辅助指标[17]。目前，许多国家使用TQI来评估铁路轨道的质量，全球的实际案例表明其在确保列车运行安全方面发挥着重要作用[18]。此外，无人机（UAV）飞行可以快速捕捉铁路沿线的活动情况[19]，而地球物理勘探方法能够无损检测铁路路基中的隐患点。因此，面对频繁发生的铁路沉降危害，有必要将InSAR技术与TQI、UAV和地球物理勘探等多源监测方法结合进行融合分析，以提高STZ识别的可靠性和准确性。

了解异常沉降区域的沉降趋势对于预防铁路危害至关重要[20]。开发准确可靠的沉降预测模型是分析沉降趋势的基础。最近，许多学者使用机器学习方法深入挖掘InSAR沉降数据，并证明了该方法的有效性。正如陈等人[21]所展示的，利用北京首都国际机场2005-2010年的持久散射体干涉合成孔径雷达（PS-InSAR）获得的地表变形数据构建了长短期记忆（LSTM）预测框架来预测沉降演变。王等人[22]使用SBAS-InSAR技术和多种机器学习算法预测并分析了山东省德城县的地表沉降。现有研究为预测铁路沿线沉降提供了一些参考。然而，两个问题限制了沉降预测的普遍性和可靠性。首先，大多数预测模型在处理InSAR沉降数据时仅分析时间特征，未能考虑沉降特征点之间的空间相关性。铁路路基是典型的高风险工程结构，其沉降危害通常是空间过程，很少在单个监测点单独发生。因此，在大多数情况下，需要了解多个监测点在空间域中的沉降模式和整体变形行为。此外，大量研究表明，能够结合时空信息的模型通常在预测性能上优于仅建模单点时间序列的传统方法[23,24]。图神经网络（GNN）是一种专门设计用于处理图结构数据的深度学习方法，可以有效提取空间测量点的相关信息[25]。它已经应用于灾害识别[26]、工程爆破[27]和交通系统[28]等领域，并取得了良好的效果。因此，将现有的单时间序列预测模型与GNN结合使用，在实现高度泛化的时空沉降预测方面具有潜力。其次，也是目前最关键的问题是，现有研究仅限于确定性预测方法，因此难以有效量化沉降预测过程中的各种不确定性，导致预测结果不可靠，限制了其在工程中的应用。此外，评估特定工程结构的稳定性变得更加困难。因此，应用不确定性预测理论来修改沉降时空预测模型不仅代表了一种新的沉降概率分析方法，而且在提高铁路沿线沉降预测的可靠性方面也起着关键作用。

为了解决上述问题，提出了一种新的方法，用于铁路线沉降目标区域的多源融合识别和时空概率预测。首先，结合天空、车辆、空中和地面等多源监测平台，实现对铁路状态的多维感知和融合分析，从而全面识别目标区域。其次，基于目标区域的识别，使用长短期记忆（LSTM）和图卷积网络（GCN）提取沉降特征点的时间和空间特征。通过训练和测试确定最佳时空预测模型。最后，使用改进的Bootstrap算法量化该最佳模型的不确定性，并基于可靠性理论对目标区域的不稳定性概率进行分析。通过不同置信水平下的案例研究和比较分析，讨论了该方法的有效性以及基础模型对时空概率预测性能的影响。

本研究的重要性总结如下：早期识别和预测铁路线沿线的沉降危害对于确保其安全运行至关重要。然而，目前存在铁路线沉降目标区域（STZ）识别不准确以及传统预测方法可靠性较低的问题（研究局限性）。本研究提出了一种新的方法，用于铁路线沉降目标区域的多源融合识别和时空概率预测。首先，整合多源监测平台以实现铁路状态的多维感知和融合分析，从而全面准确地识别目标区域。然后，结合深度学习算法、改进的Bootstrap算法和可靠性理论，实现对目标区域的可靠预测和不稳定性评估（研究的进步）。研究结果为准确识别、可靠预测和评估铁路沿线沉降危害提供了有价值的见解，同时也为预防铁路路基危害的决策提供了新的视角和理论基础（研究发现）。

部分摘录

SBAS-InSAR和TQI监测技术

本研究采用小基线子集干涉合成孔径雷达（SBAS-InSAR）技术来监测铁路沿线路基沉降的时空分布特征。该技术是对持久散射体干涉合成孔径雷达（PS-InSAR）的改进，属于一种时序InSAR技术[29]。其优势在于减少了合成孔径雷达（SAR）图像数据的需求，并能有效

工程概述

最近，与沉降相关的铁路路基危害日益增加，严重影响了铁路的安全运行。本研究选择了一个典型的铁路段，该段在2020年至2023年间发生了十多次路基危害事件。图10展示了本研究基于的工程情况。这项调查重点关注广东省京广铁路的广州段。该段大部分属于路基

不同时空预测模型下的概率预测结果比较

为了验证铁路沉降的时空概率预测模型的性能，并研究基础模型对概率预测结果的影响，在不同距离阈值（代表不同的基础模型）下分析了评估结果，如图23所示。分析表明，在最佳距离阈值800米时，时空概率预测模型在$\stackrel{￣}{PI\mathrm{CP}}$和$\stackrel{￣}{\mathrm{MP}\mathrm{IP}}$之间保持了最佳平衡

结论

本研究提出了一种新的方法，用于铁路线沉降目标区域的多源融合识别和时空概率预测。首先，结合多源监测平台实现对铁路状态的多维感知和融合分析，从而全面识别目标区域。然后，基于目标区域的识别，使用LSTM和GCN提取沉降特征点的时间和空间特征，并

利益冲突声明

作者声明没有利益冲突。

CRediT作者贡献声明

邓志兴：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。徐林荣：撰写——审稿与编辑、监督、资源管理、项目协调、调查、资金获取。何远星子：验证、软件、调查、形式分析、数据管理。