基于BP神经网络的高速铁路应急演练评价研究

任龙龙，郭 松，孙鹏举，罗玉屏，胡大欣

REN Longlong1, GUO Song2, SUN Pengju3, LUO Yuping1, HU Daxin4

（1.石家庄铁道大学 交通运输学院，河北 石家庄 050043；2.中国铁路成都局集团有限公司 运输部，四川 成都 610000；3.中国铁道科学研究院集团有限公司 运输及经济研究所，北京 100081；4.中国铁路沈阳局集团有限公司 运输部，辽宁 沈阳 110000)

(1.School of Traffic and Transportation, Shijiazhuang Tiedao University, Shijiazhuang 050043, Hebei, China； 2.Department of Transportation, China Railway Chengdu Group Co., Ltd., Chengdu 610000, Sichuan, China; 3.Transportation & Economic Research Institute, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China)

高速铁路应急处置预案是对典型故障、突发事件、抢险维修、灾害天气等场景的应急管理、指挥和救援计划，能够提高高速铁路突发事件的应急响应能力，保证高速铁路行车安全[1]。高速铁路应急演练不仅是对应急预案的完善和修正，而且是对运营人员故障处置和应急响应能力的检验。通过分析高速铁路应急演练的影响因素，构建高速铁路应急演练定量化评价方法，实现高速铁路应急演练定量化评价，能够验证预案的适应性和检验人员应急响应能力，积累突发事件应急救援经验，从而促进运营单位应急处置能力的提升。

1 高速铁路应急演练评价指标体系构建

1.1 评价影响因素分析

制定适合于高速铁路应急演练的评价指标体系，需要预先对高速铁路应急演练相关评价影响因素进行分析，主要体现在以下方面。

（1）高速铁路应急救援坚持以人为本和安全优先的原则，准确规范的处置是确保安全的必要条件，高速铁路应急演练的评价需要能够检验操作人员处置故障的能力，对作业流程是否符合规范，有无违反《铁路技术管理规程》等规章做出评判[2]。

（2）高速铁路吸引旅客的重要因素是运行速度快和发车间隔短，这也导致高速铁路运行密度大，一旦发生故障将会引发一系列的列车晚点，高速铁路应急演练的评价需要能够对故障处理的时长做出评判[3]。

（3）高速铁路的运营是复杂的综合体系，故障的处理需要“车、机、工、电、辆、供、通、客”系统中全部或部分协调配合，并且高速铁路桥梁隧道密集，增加了应急救援难度，因而应急演练的评价应对各个工种的配合程度做出评判[4]。

（4）高速铁路应急演练应切实提升高速铁路作业人员应急处置的能力，演练过程中故障是否实际处理，作业过程中有无其他人员指导，是否在非预知的情况下进行也是影响应急演练效果的重要条件，在应急演练评价中需要综合考虑这些因素。

1.2 评价指标体系构建方法

评价指标体系的构建需要能反映高速铁路应急演练的效果，考虑高速铁路应急演练的影响因素及指标的可量化能力，应满足其合理性和全面性。德尔菲法[5]能充分发挥各位专家的作用，把专家意见的分歧表达出来，取各家之长，避各家之短，较为全面地探究高速铁路应急演练场景的评价指标内容，在此运用德尔菲法对评价准则层指标进行确定，其步骤如下。①确定高速铁路应急演练评价内容，准备相关调研的高速铁路应急演练材料及各项说明要求。②成立专家小组，邀请高速铁路应急方面有资深研究的专家，向专家提供调研内容、相关要求及必要材料。③专家通过相关材料和自身认知，填写高速铁路应急演练评价指标调查表。④分析整理返回的调查表，根据专家意见制定第二次专家调查表，连同前一次的意见反馈给专家。⑤再次对回收的调查表分析整理，往复进行，直到专家意见不改变为止。

1.3 高速铁路应急演练评价指标体系构建

1.3.1 准则层指标确定

通过调研，充分考虑科学、独立和完整的原则[6]，以高速铁路应急演练预案优化和效果体现为目标，提出高速铁路应急演练评价指标体系的初始准则为规范性、协作性、合理性、全面性、时效性、适应性、岗位表现和场景设置8项[7]，采用德尔菲法确定演练评价的准则层指标，具体如下。

（1）专家权威性。专家的权威程度通常由专家本身的学术造诣、指标判断的依据和研究内容的熟悉程度决定。通过计算专家权威度均符合要求。

（2）问卷结果分析。第一轮专家调查结果显示合理性、全面性和适应性的平均数低于5，部分专家认为应该将岗位表现和场景设置单独拿出来，在场景评价的整体层面上对演练进行折算。按照专家的意见进行第二轮问卷调查，专家认为应该将岗位表现和场景设置单独拿出来，在场景评价的整体层面上对演练进行折算，权重所占比例各为10%。

（3）准则层指标确定。专家认为岗位表现和场景设置虽不属于作业层面却对演练的整体效果有影响，因而在演练的作业层面不必考虑，但在演练的实际效果层面需要考虑其所带来的影响。在演练作业层面上以规范性、协作性、时效性3项指标作为演练评价的准则层指标，再以具体场景为研究对象，得到各准则层下相应的指标层指标，进而构建相应的评价指标体系。

1.3.2 指标层指标的选取原则

指标层指标的选取需要遵循一定的原则，具体如下。①规范性。以演练人员有无按规定进行处置、有无违反《铁路技术管理规程》等规章及处置作业是否符合规范等作为量化依据。②协作性。以各工种之间的配合程度及有无推诿扯皮等作为量化依据。③时效性。以各阶段完成时间所处的测度范围作为量化依据。

2 基于BP神经网络的高速铁路应急演练评价模型设计

2.1 评价模型特点分析

评价模型需要能结合构建的高速铁路应急演练评价指标体系对演练做出量化的评价。根据高速铁路应急演练的实际情况和影响因素，应急演练评价模型具备以下特点。

（1）非线性映射。高速铁路应急演练评价效果的基础性工作是评价指标模型的构建，实际评价过程中，各个评价指标之间相互影响，呈现复杂的非线性关系，因而需要建立非线性评价模型。

（2）大数据分析。高速铁路应急演练样本数量丰富，以往演练过程中存在的问题比较鲜明，重点卡控部位相对明确，具有很大的参考价值，在应急演练评价模型构建中，应尽可能利用量化的经验数据对演练效果进行客观、科学地分析评价。

（3）多层次结构。高速铁路应急演练评价模型是多层次系统，结构复杂，需要从多个层面来设计评价指标，并且演练流程之间具有关联性，需要考虑各评价项点权重的量化。

2.2 基于BP神经网络的高速铁路应急演练评价模型设计

BP神经网络评价法是一种交互式的定量化评价方法，通过模拟人脑神经系统，根据期望输出不断修改指标权值，直到用户满意为止。BP神经网络具有较强的非线性映射能力和柔性网络结构[8]，其通过分析大量样本数据之间的内在联系，解决人为选取权重的不精确和评价影响因素复杂的问题。结合基于具体场景的高速铁路应急演练评价指标体系，构建基于BP神经网络的高速铁路应急演练评价模型，具体步骤如下。

（1）评价模型隐含层数量。单隐含层网络结构可以映射所有连续函数，设置BP神经网络评价模型为3层，其中隐含层数为1层。

（2）评价模型隐含层节点数。评价模型隐含层节点的功能是从高速铁路应急演练场景样本数据中提取和存储内部规则。采用经验公式确定隐含层节点数范围，其中x为输入节点数，y为输出节点数，a是1至10之间的常数。使用试错法进行最佳隐含层节点数的确定。

（3）评价模型输入输出层。先以高速铁路应急演练场景的指标层指标作为神经网络的输入层，将准则层指标作为输出层，然后再用准则层指标作为神经网络的输入层，将演练场景预案优化及演练效果得分作为输出层。

（4）评价模型训练与检验。模型构建后，将高速铁路应急演练场景样本数据随机分成2部分用作训练和检验。

基于BP神经网络的高速铁路应急演练评价模型结构如图1所示。

图1 基于BP神经网络的高速铁路应急演练评价模型结构图Fig.1 Architecture of evaluation model of high-speed railway emergency drills based on BP neural network

3 案例分析

以“受电弓挂异物，随车机械师登顶处置”场景作为研究对象，选取近年来高速铁路开通运营前运行试验期间100条线路“受电弓挂异物，随车机械师登顶处置”场景的应急演练数据为基础数据，对其进行评价。

3.1 评价指标体系构建

结合“受电弓挂异物，随车机械师登顶处置”场景构建评价指标体系，其中规范性准则反映出受电弓挂异物后各个岗位人员处置的合理性及有无违反规定，协作性准则反映出列车调度员、司机、随车机械师和列车长之间的配合程度，时效性准则反映出从发现受电弓挂异物到紧急处置及故障处理完毕恢复正常运行所用时间，构建基于“受电弓挂异物，随车机械师登顶处置”场景的高速铁路应急演练评价指标体系如表1所示。

表1 基于“受电弓挂异物，随车机械师登顶处置”场景的高速铁路应急演练评价指标体系Tab.1 High-speed railway emergency drill evaluation index system based on the scenario of“the pantograph failure caused by intrusion and the on-board mechanic climbs to the train top to handle the failure”

3.2 基于BP神经网络的高速铁路应急演练评价模型构建

以演练场景的指标层作为神经网络的输入层，将演练场景的准则层作为输出层，然后再以3个准则层作为输入层，将演练场景预案优化及演练效果作为输出层。基于BP神经网络的高速铁路应急演练评价模型，包含3个基于准则层的BP神经网络评价模型和1个基于目标层的BP神经网络评价模型。邀请专家对以往该场景写实记录进行分析回顾，对评价指标层量化处理，给出准则层面分数，保留以往的最终效果得分，得到100组数据。将其中90组数据作为训练样本，剩余10组数据作为检测样本。对收集到的数据进行归一化处理，使样本的数值介于0和1之间。基于BP神经网络的高速铁路应急演练评价模型流程如图2所示。

神经网络的输入层节点数等于其下属指标数，采用MATLAB软件运算，通过试错法确定最佳隐含层节点数，构建各BP神经网络评价模型的网络结构如表2所示。

对样本进行训练，设置网络最大训练次数为10 000，精度е= 0.000 1，创建BP神经网络模型，将剩余10组的检测样本导入模型进行验证，得到各BP神经网络评价模型的检验结果如表3所示。

由表3可以看出，4个BP神经网络评价模型的自检正确率均为100%，检验正确率最低为99.45%，在可接受的范围内，说明训练效果较好，结果有效。因此，4个BP神经网络评价模型可以运用到“受电弓挂异物，随车机械师登顶处置”的高速铁路应急演练评价中。

选取近年来100条线路运行试验中“受电弓挂异物，随车机械师登顶处置”场景的数据作为研究对象，以其中10条线路中该场景数据进行检测分析，以过往评价组专家对该场景的评分作为期望输出，将指标层的指标值输入训练好的神经网络模型中，各BP神经网络评价模型的测试结果如表4所示。

图2 基于BP神经网络的高速铁路应急演练评价模型流程Fig.2 Process of evaluation model of high-speed railway emergency drills based on BP neural network

表2 各BP神经网络评价模型的网络结构 个Tab.2 Network structure of each BP neural network evaluation model

表3 各BP神经网络评价模型的检验结果Tab.3 Verification results of each BP neural network evaluation model

表4 各BP神经网络评价模型的测试结果Tab.4 Test results of each BP neural network evaluation model

通过比较3个基于准则层的神经网络评价模型可得，准则层规范性指标B1中列车调度员关于准许登顶手续的办理C13和车上工作人员关于登顶的准备及登顶作业C15相对重要；准则层协作性指标B2中司机与列车调度员C22的信息交互相对重要；准则层时效性指标B3中从随车机械师申请登顶到具备登顶条件所用时间C32和从具备登顶条件到故障处理完成所用时间C33相对重要。分析场景预案优化及演练效果评价模型中的失分部分，可得准则层规范性指标所占比重较大，如得分最低的场景6中随车机械师与司机关于登顶作业的申请C12和随车机械师、司机等工作人员关于登顶前的确认C14是本次演练的薄弱项点，需重点加强。

4 结束语

高速铁路应急演练能够验证高速铁路应急处置预案的适应性，检验相关人员的应急响应能力，促进运营单位应急处置能力的提升。基于BP神经网络的高速铁路应急演练评价研究，从准则层和目标层分别构建了BP神经网络模型，能够实现场景演练的定量化评价，反映出应急演练场景中的薄弱项点及演练效果，为实际演练场景的评判提供一个量化、可操作性的评判依据，进而优化高速铁路应急演练的预案和提高对高速铁路故障应急处置的效率。