面向大型活动的交通应急预案快速生成与动态优化方法*

沈 凌 陆 建 王成晨

（东南大学交通学院 南京210096）

0 引 言

2022年北京冬季奥运会、2022年杭州亚运会、2023年男足亚洲杯等众多国际性赛事计划在我国的相继确定，体现了大型活动的正向效益及国家对大型活动举办的重视程度和积极态度。大型活动的举行会导致在举办场地及其周边区域，较短时间集中大量人群和车辆。加之各种不确定因素的存在，突发事件时有发生。大型活动突发事件与一般突发事件的应急需求不同，它对安全性和时效性的要求更高，且应急响应的对象分层分级。所以，当大型活动发生突发事件时，必须在短时间内生成有针对性的交通应急预案，以保证突发事件发生后，交通应急救援工作能够快速维持交通正常运行，保障活动参与人群的安全性并且确保大型活动按计划进行。

国外对应急预案的研究多注重于数字化应用，Ren等[1]提出交通应急管理系统是1个有机整体，通过大数据支持系统，从专业技术、管理技术、行为规范等对城市突发事件政府应急管理系统进行建设。具体应用方面，Amailef等[2]提出应急响应的系统框架，通过移动智能技术，能够快速传播信息，以此提高应急救援能力；Cristina等[3]使用实际案例研究，对组织框架进行建模，并分析其通信和命令链网络结构。我国对突发事件应急预案研究工作一般分为4个重点，分别是应急预案体系研究[4-5]、应急预案编制研究[6-7]，应急预案评估研究[8]和应急预案管理研究[9-10]。

面向大型活动的预案生成，顾加额[11]根据危机管理的概念和原则，编写了预案编制时的步骤和策略。Zagidullin等[12]则对大型活动预案中的道路网效率和特性进行了定义。考虑到应急预案具有社会科学属性，众多学者利用认知科学领域的成果对预案生成做出了深入研究。Omidvari等[13]基于火灾历史数据库以层次分析法量化风险制定避险预案。Yan等[14]提出1种基于案例的模式分类推理方法，即以学习伪度量（learning pseudo metrics，LPM）代替，以测量目标案例与每个源之间的接近度；赵勇[15]提出将案例式推理（Case-based Reasoning，CBR）和基于规则的推理（Rule-based Reasoning，RBR）结合，对公路应急指挥预案生成技术进行研究；黄敏敏[16]对突发事件特征进行分析，对特征属性进行分类，并基于置信混合相似度匹配算法分别实现不同类型特征属性的相似度计算方法；在此基础上，Chuang[17]提出将粗糙集理论与CBR结合，解决使用CBR处理太多属性时，准确性和有效性降低问题。

基于上述研究可以发现，面向大型活动的突发事件应急响应研究多集中在体系、编制、管理方面。基于认知科学领域的预案生成研究较为深入，然而大型活动突发事件由于其特殊性，对于应急预案的要求区别于其他应急预案，尤其在出行优先级方面和突发事件属性缺失情况下，需根据大型活动突发事件的应急需求，考虑多维度、多方面的交通应急救援措施。因此本文就构架大型活动交通应急预案，建立推理知识库和规则库，对适用于大型活动交通应急预案快速生成与动态优化的系统展开研究。

1 应急预案动态匹配和快速优化

1.1 突发事件的特征属性

在大型活动突发事件交通应急预案的进行构建之前，需要对突发事件特征属性进行提取。针对大型活动特殊性，将出行优先级、突发事件人员重要性等因素纳入考虑范围。相关突发事件特征属性的具体定义见表1。

表1 突发事件特殊属性定义Tab.1 Definition of characteristic attributes of emergencies

其中，T1/T2/T3/IF/IPSF为大型活动出行服务级别，以大型体育活动为例，将活动中需要提供交通服务的人群划分为6类（除普通观众以外）具体含义见表2。

表2 服务级别定义Tab.2 Definition of service levels

1.2 基于案例推理和朴素贝叶斯分类快速的预案生成

认知科学中案例推理被广泛用于预案生成。CBR基于历史案例，通过重用或修改以前解决相似问题的方案来实现动态知识库和增量学习的目的。CBR来源自人类的认知心理，其定性分析部分往往难以界定。朴素贝叶斯则是有成熟应用的数理统计方法，并具有良好的鲁棒性。基于此，利用朴素贝叶斯的先验概率和后验概率结合，避免了CBR中的先验概率的主观偏见。基于案例推理和朴素贝叶斯分类快速生成的初始交通应急预案生成流程见图1。

图1 交通应急预案生成流程图Fig.1 Flow of generating traffic emergency plans

其中依据贝叶斯分类算法所得后验概率得到的最佳匹配预案的方法为：假设大型活动突发事件为X，能够采集到的部分属性为X={x1，x2，…，x n}，属性值为{a1，a2，…，a n}，则匹配分为以下2个步骤。

1）确定突发事件X所属的类型。首先根据突发事件类型，将案例划分为{C1，C2，…，Cn}几个类型，其中每个类型又包括若干个典型案例，如Ci={ci1，ci2，…，cim}(m＞0)，则根据突发事件类型属性确定突发事件所属类别为Ci。

2）计算后验概率。根据朴素贝叶的假设条件，特征属性之间是相互独立的，即各条件属性之间不存在依赖关系，则计算每一个经典案例的条件概率。

式中：m为类型Ci下经典案例的个数；nij为案例库中典型案例cij作为最佳匹配案例的次数；N为案例库中案例的总数，则有

式中：x z为突发事件X的特征属性；A z为Ci的特征属性；nij(x z)为当cij为最佳匹配案例时，A z与x z值相等的样本量。则求取条件概率最大的典型案例的计算见式（6）。

1.3 基于规则推理的决策优化

需要注意的是交巡警部门应急资源配置规则推理由现场处置措施和重要参与人员影响数N、重要人员伤亡数M共同决定，示例见表3。

表3 交巡警部门应急资源配置规则参数Tab.3 Parameters of emergency resource-allocation rules for traffic-police departments

进行预案的动态优化需依靠交通应急预案库知识库的词条检索。针对大型活动的交通运行特点，构建交通应急知识库。具体包含响应机构知识库，救援配置知识库，应急组织措施知识库，应急处置知识库。其中，以编号XYJG表示相应机构知识库，并以1～10的序号表示应急指挥中心、交巡警部门、交通路政、卫生部门、消防部门、环保部门、军队武警、广电部门等不同相关部门的参与方案；以编号YJZY表示救援配置知识库，并以1～14序号表示不同情况下对交巡警部门出动巡查人员、事故调查人员、现场警戒与疏导人员、警车、示警桩的需求数量；以编号ZZCS表示应急组织措施知识库，并以1～6分别表示借道通行、专用道路通行、交通诱导、双向关闭、单向关闭、带道通行等组织措施；以编号HFCS表示交通恢复措施知识库，并以1～4表示严重程度，其中仅第1类需要应急指挥中心直接指挥，其余3类均在交巡警部门指挥下完成交通恢复；以编号CZCS表示应急处置知识库，并以1～40表示相应的具体应急处置情况，其中应急指挥中心负责调度管理和事件信息上报，交巡警部门负责不同级别人物转移和人车疏导，交通路政负责路面维护，卫生部门负责伤员救治，消防部门负责受困人员解救及相关灾害营救，军队武警负责安全维护。进行预案的动态优化需要依靠交通应急预案库规则库的词条检索，针对大型活动的交通运行特点，构建交通应急规则库。具体包含大型活动突发事件部门联动和现场处置的推理规则，交巡警部门应急资源配置规则推理，非交巡警部门应急资源配置规则推理，应急组织和交通恢复规则推理。其中大型活动突发事件部门联动和现场处置的推理规则的前置条件有“事件类型”“交通影响时间”“事发地点”“事发地点道路类型”“火灾情况”“爆炸情况”“翻车情况”“恐怖袭击”“路产损失”“T1/T2/T3时间紧急度”“运动员及随行官员时间紧急度”“IF/IPSF时间紧急度”“借道可行度”“专用车道可行度”“公交可行度”“轨道可行度”“T1/T2/T3人员伤亡”“运动员及随行官员人员伤亡”“IF/IPSF人员伤亡”“非重要人员伤亡”“T1/T2/T3车辆损坏”“运动员及随行官员车辆损坏”“IF/IPSF车辆损坏”“非重要人员车辆损坏”。并根据其前置条件在应急处理知识库CZCS中选取相应措施。基于应急处理知识库CZCS的反馈，给予交巡警部门应急资源配置规则推理、非交巡警部门应急资源配置、应急组织和交通恢复相应的推理规则。

知识库和规则库的存在目的为将突发事件的信息结构化，并根据产生式规则的一般形式。达到这一目的，需将属性与对策进行关联，从而实现交通应急预案优化。统筹知识库和规则库设计的预案优化流程具体见图2。

图2 应急预案优化流程Fig.2 Optimization process of emergency plans

1.4 基于模糊层法的预案评价体系

首先采用专家调查法，通过调查统计对单因素u i(i=1，2，…，n)做单因素评判，由此得到单因素ui对模糊评价子集v i(i=1，2，3，4，5)的隶属度为rij，进而可以得到单因素ui的评判集为：r i={ri1，ri2，ri3，ri4，ri5}。

模糊关系通过确定评价对象中指标集和评语集的映射关系。将指标权重w与模糊矩阵R合成，得到预案模糊综合评价指标B，即

式中:rij代表评价对象第i个评价指标ui在评价等级集合第j个等级v j上的对应情况，通常对其进行归一化处理以满足∑rij=1，此时模糊矩阵R无量纲。

根据模糊综合评价指标B和模糊评价等级集合，可以得到预案综合评价值，即

根据专家意见，将预案应急能力分为4个级别，划分标准见表4。

表4 预案应急能力评价划分标准Tab.4 Evaluation criteria of emergency-response apability

其中，应急能力水平和突发事件严重程度指标权重w，所得方式为：邀请20位交通领域和应急领域专家对阶段预案应急能力指标的重要性进行判断，对回收的表格进行整理，各指标相对重要性取20位专家的评分平均值，并建立各指标的判断矩阵。具体结果见表5。

表5 预案应急能力指标及权重Tab.5 Capability indices and weights of emergencies

其中，各项二级指标均通过判断矩W2阵的一致性检验，即各评价指标的权重指标具有合理性。

2 案例实践

研究基于2022冬奥会交通组织保障规划，故选取2022冬奥会举行期间作为案例背景，假设北京冬奥会某比赛日上午，前往奥运会场馆的参赛路径上发生1起交通事故，据现场搜集到的该突发事件X的不完备属性[18-19]见表6。

表6 突发事件的不完备属性Tab.6 Incomplete attributes of emergencies

从交通事故类型交通应急预案集合当中选择具有典型特征的3个事件，见表7。

表7 典型案例特征Tab.7 Characteristics of typical cases

依据式（3）计算每个交通事故典型案例的先验概率，即预案库中与该案例相似的案例总数/交通应急预案库中预案的总数，p(C11)，p(C12)和p(C13)的先验概率分别为0.355，0.214和0.132。

依据式（1）计算条件概率，即与最佳案例相似的历史案例中属性值与突发事件X属性值相同的预案总数/交通应急预案库中与最佳案例匹配的预案总数，以典型案例C11为例，计算在典型案例C11条件下，突发事件X各属性值的条件概率，见表8。

表8 突发事件属性值的条件概率Tab.8 Conditional probability of attribute values of emergencies

依据式（4）～（5），得到：p(X/C11)为3.0×10-4，p(X/C11)p(C11)为1.05×10-4，同理可得典型案例C12和C13的后验概率分别为0.88×10-4和0.96×10-4。

因为典型案例C11的后验概率最大，所以与突发事件X最匹配的案例是典型案例C11，即以典型案例C11作为突发事件X的初始交通应急预案。将典型案例C11作为突发事件X的初始交通应急预案并进行实施。当初始预案实施一段时间后，突发事件属性进行更新，得到新的属性值，见表9。

表9 更新后的突发事件属性Tab.9 Attribute values of updated emergencies

2.1 部门联动和现场处置

根据对部门联动和现场处置规则，进行规则推理。

IF“事件类型。交通事故”and“交通影响时间：1”and“事发地点：参赛路径”and“事发地点道路类型：城市主干道”and“火灾情况：无”and“爆炸情况：无”and“翻车情况：无”and“恐怖袭击：无”and“路产损失：有”and“T1/T2/T3时间紧急度：1”and“运动员及随行官员时间紧急度：3”and“IF/IPSF时间紧急度：0”and“借道可行度：0”and“专用车道可行度：0”and“公交可行度：0”and“轨道可行度：1”and“T1/T2/T3人员伤亡：0”and“运动员及随行官员伤亡：0”and“IF/IPSF人员伤亡：0”and“T1/T2/T3车辆损坏：0”and“运动员及随行官员车辆损坏：0”and“IF/IPSF车辆损坏：0”and“非重要人员伤亡：2”and“非活动车辆损坏：4”THEN“部门联动：XYJG7；YJZY1。”and“现场处置：CZCS1；CZCS3；CZCS11；CZCS14；CZCS32；CZCS34；CZCS37”。

2.2 交巡警部门应急资源配置

根据交巡警部门应急资源配置当现场措施为CZCS14，且影响运动员及随行官员为140人。IF“现场处置措施：CZCS14”and“运动员及随行官员影响人数为140”THEN“交通部门调动5辆公交车运送运动员及随行官员”。

2.3 非交巡警部门应急资源配置

根据非巡警部门应急资源配置的规则设置，当受伤人数为2，损坏车辆数为4时，根据以下规则进行推理：IF“现场处置措施：CZCS37”and“人员伤亡：2”and“受困人数：0”and“损坏车辆数：4”THEN“卫生部门出动10人、2辆救护车进行伤员救治。路政部门出动4辆清障车起吊与牵引车辆”。

2.4 交通组织和交通恢复

根据对交通组织和交通恢复措施的规则设置，交通影响时间为1.63 h，事件影响长度为1.2 km时，根据以下规则进行推理：IF“借道可行度：0”and“事故影响长度：中”and“交通影响时间：3”THEN“交通组织：ZZCS3。”and“交通恢复：HFCS1；HFCS2”。

根据规则推理对初始大型活动交通应急预案进行优化，得到优化后的预案见表10。

表10 优化后的交通应急预案Tab.10 Optimized traffic-emergency plans

由表10可以得出，优化后的大型活动交通应急预案，紧密结合当前阶段突发事件X的特征属性，更加具体化且具有针对性，提高预案的救援效率。

突发事件X的初始交通应急预案实施一段时间后，突发事件属性更新，为判断现阶段初始交通应急预案应急能力是否与更新后的突发事件严重程度相匹配，需要分别对交通应急预案应急能力和突发事件严重度进行评价。

依据应急能力划分标准，将评价等级划分为4个等级，即v=[90 70 50 30]=[很高，较高，一般，较低]，然后请专家组对现阶段交通应急预案的单个应急能力进行评价，确定其与评价对象集的隶属度，并建立相应的单因素模糊评价关系矩阵R1～R4。

根据式（8）可知

二级指标层应急预案评判集为

从而可知对一级指标层应急预案评判集为

所以，交通应急预案应急能力评价为

根据表4可知，这一阶段的交通应急预案应急能力为较高。对应应急能力划分标准，因此依据专家组对现阶段的突发事件的单个严重程度进行评价，确定其与评价对象集的隶属度，建立相应的单因素模糊评价关系矩阵，并分别计算一级、二级指标层严重度评判集，最终得到突发事件严重度为54.3。由此可见，这一阶段已实施的预案应急能力为较好。

场景试验面向2022北京冬奥会突发事件X，根据其表6的不完备属性和要求作出响应。通过其对案例库中典型案例的回溯，基于CBR和朴素贝叶斯完成了预案快速生成。关联知识库和规则库，运用正向推理完成了方案优化，迅速得到了成熟的交通预案（见表10）。为对结果进行评价，依据专家组对现阶段的突发事件的单个严重程度的评价，建立的单因素模糊评价关系矩阵，最终本次试验的预案表现较好。进而可以验证，本次面向大型活动的交通应急预案快速生成与动态优化方法具有针对性和可靠性，可以保证预案的救援效果和效率。

3 结束语

通过分析大型活动应急交通的特征，得到其与常规交通的区别，以及常规应急预案在此背景下的局限性。根据预案可操作性不高、部门协调性差、大型活动应急措施针对性不强等问题，提出了大型活动突发事件交通应急预案快速生成与动态优化方法

根据CBR的循环过程，提出初始预案快速生成的工作流程。考虑到大型活动突发事件的应急需求，扩展和细化大型活动突发事件特征属性。针对初始阶段突发事件属性缺失问题，将朴素贝叶斯分类应用于案例检索环节，并针对不同的突发事件类型，提出不同的特征属性索引，提高检索效率。针对突发事件动态变化，不同阶段应急预案与突发事件应急需求不匹配的问题，提出通过规则推理来实现预案的动态优化。首先根据规则推理的工作机制和预案主体，建立部门联动、应急处置、应急组织和交通恢复知识库，重点考虑不同出行级别人员的应急措施；其次根据突发事件特征信息和预案主体结构建立对应的优化规则。 针对预案优化的开启条件问题，提出基于模糊层次分析法对预案应急能力和突发事件严重度进行评价。

大型活动突发事件交通应急预案快速生成与优化研究涉及的领域众多，且大型活动突发事件比较复杂，本文的研究仍有许多方面存在不足还待完善：在基于规则推理的交通应急预案优化研究中，对于规则库和知识库的构建还有待完善，且缺少对规则的处理，可能造成规则库存在无效规则或重复规则的情况，影响优化效率。后续可以研究知识库和规则库的维护机制，提高规则推理的效率。本文采用模糊综合模型对预案交通应急能力和事件严重度进行评价，该方法一定程度上也借助于专家的经验，依赖于主观判断，且仅选择具有一定代表性的指标。随着研究工作的进一步深入，可以建立更加完善的指标体系，并改进模糊层次分析法减少专家的主观性。