一种用于铁路事故因果识别的双成本敏感图注意力网络

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:A Dual Cost-Sensitive Graph Attention Network for Railway Accident Causation Identification

【字体: 大 中 小 】 时间:2026年04月28日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  王若进|马晓萍|贾丽敏|杨志强|陈希远 中国北京交通大学先进铁路自主运行国家重点实验室 **摘要** 铁路事故原因分析是制定事故预防策略和确保铁路系统安全运行的关键基础。然而,对于特定类型的铁路事故,不同场景元素组合下的原因往往存在显著不平衡。因此,传统的分类模型往

  王若进|马晓萍|贾丽敏|杨志强|陈希远 中国北京交通大学先进铁路自主运行国家重点实验室 **摘要** 铁路事故原因分析是制定事故预防策略和确保铁路系统安全运行的关键基础。然而,对于特定类型的铁路事故,不同场景元素组合下的原因往往存在显著不平衡。因此,传统的分类模型往往难以准确识别低频的关键原因。为了解决这一问题,本文提出了一种不平衡分类框架——双成本敏感图注意力网络(DCSGAT),该框架整合了双成本敏感机制来准确识别铁路事故的原因。首先,引入图论对事故场景进行建模,构建事故场景信息图以捕捉场景元素之间的关系,然后使用图注意力网络(GAT)作为基础分类器提取图结构特征。其次,设计了双成本敏感训练机制,该机制共同优化成本敏感分类层和特征距离分离层,以增强GAT在不平衡数据条件下的分类能力。最后,在多个不平衡的铁路事故数据集上的实验结果表明,该框架不仅保持了稳定的整体分类性能,还显著提高了低频关键原因的识别准确性,从而验证了所提出框架的有效性。 **引言** 随着列车速度和交通密度的不断提高,现代铁路系统变得越来越复杂,这得益于智能技术的进步[1]。因此,铁路事故不仅会导致基础设施损坏和设备故障,还会引发连锁反应,导致严重后果,如人员伤亡和线路中断[2]。因此,对铁路事故原因进行有效分析至关重要,这是制定有针对性的事故预防措施和提高列车运行安全性的关键步骤[3]。 本质上,铁路事故是由列车运行过程中多个场景元素的相互作用和随机组合引发的突发事件[4],这些元素包括机车运行状态、轨道和环境条件以及气象因素[5]。传统的事故原因分析通常将各种场景元素视为独立的变量进行统计分析[6,7]。这种传统方法的一个主要局限性在于它无法表征多个元素对事故发生之间的协同效应。实际上,即使是同类型的事故,具体原因也高度依赖于特定的场景元素组合。例如,在碰撞事故中,当场景包含“平交道”和“能见度差”等元素时,主要原因通常是“人为操作因素(如未观察到手势信号)”;而在“高温”和“满载货运列车”等元素的共同影响下,主要原因可能变为“机械和电气故障”。由于原因类别的动态性质会随不同场景组合而变化,基于宏观统计的预防策略难以实现准确预测和有针对性的干预。因此,迫切需要一种能够结合多个场景元素的事故原因识别模型。通过准确分类铁路事故的原因,该模型可以揭示不同元素组合与事故原因之间的内在关系。 近年来,基于图的事故建模方法为分析事故原因和制定事故预防措施提供了新的解决方案[8,9]。图神经网络(如图卷积网络、图注意力网络)可以以图结构的形式表示事故因素之间的关系。基于图的表示方式与事故发生的随机性和多因素特性相匹配,显示出在铁路事故原因分析中的强大潜力[10]。然而,在将GNN直接应用于不同事故场景的事故原因识别时,仍存在两个根本性挑战。 首先,核心挑战在于构建既合理又高度表达性的图结构。铁路事故场景非常复杂,其组成元素通常包含非线性、高维数据[4]。事故通常源于多个元素的耦合,这些因素之间存在复杂的非线性依赖关系。如果在构建图时忽略了元素之间的潜在依赖关系,将导致事故信息利用不足,从而削弱原因识别的准确性和模型的可解释性。因此,需要构建一个既能充分模拟多场景元素之间复杂依赖关系,又能为识别事故原因提供坚实基础的图结构。 其次,事故数据中的类别不平衡问题也是一个主要挑战。铁路事故数据集涵盖了脱轨和碰撞等多种事故类型。对于特定类型的事故,不同场景组合下的原因分布往往存在显著不平衡。例如,在脱轨场景中,“轨道几何缺陷”可能是高频原因,而“通信设备故障”可能是罕见诱因。如果在训练过程中未能有效解决这种原因分布的不平衡问题,分类模型可能会过度拟合高频原因,而忽视同一场景中的低频原因。因此,模型评估指标无法反映模型在所有类别上的平衡识别能力[11]。因此,即使模型整体准确率很高,也可能严重遗漏关键的低频原因,从而形成潜在的安全隐患。 当前的研究主要从数据、算法和模型三个层面来解决类别不平衡问题。在数据层面方法中,传统过采样所基于的局部线性插值假设在缺乏周期性模式的铁路事故数据中难以成立[12,13]。欠采样会导致由于样本量有限而造成的信息丢失[14]。生成对抗网络在样本极度稀缺的情况下会出现训练不稳定和模式崩溃[15]。在模型层面方法中,不平衡感知图神经网络主要设计用于节点级分类任务[16],难以适应本研究中的图分类任务。主流的对比学习方法通常需要在不引入标签信息的情况下定义合理的正负样本对,并且严重依赖大量负样本进行学习[17]。然而,本研究的数据规模有限,难以支持这种范式。因此,成本敏感学习逐渐成为解决不平衡分类问题的主流方法[[18], [19], [20]]。 因此,本研究提出了一种双成本敏感图注意力网络(DCSGAT),用于铁路事故原因的不平衡分类。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号