城市交通系统安全运营状态风险评估_以北京市轨道交通为例_刘福泽
VIP免费
3.0
2024-06-14
0
0
1.71MB
9 页
1库币
海报
投诉举报
第32 卷第 7期管理评论 Vol. 32,No. 7
2020 年7月Management Review Jul.,2020
城市交通系统安全运营状态风险评估
———以北京市轨道交通为例
(1.中国科学院大学经济与管理学院,北京 100190;
2.北京市交通委员会,北京 100073;
3.北京交通大学交通运输学院,
北京 100044;
4.中国科学院数学与系统科学研究院预测科学研究中心,
北京 100190)
摘要:轨道交通是提供城市公共客运服务的运输系统,
它的风险管理是一项艰巨复杂的系统工
程。为了保障城市轨道交通系统运营安全,
提升管理部门应对突发事件能力,
需从技术应用综
合性和管理决策科学性等方面,
对轨道交通运营风险状态进行评价并制定相应管控措施。本文
以TEI@ I 方法论为基础,
建立轨道交通延误时长预测和风险评估的贝叶斯网络模型。首先,
分
析可能导致轨道交通延误的风险源及风险事件;其次,
采用对数正态、Weibull 和Gamma 分布统
计模型对延误时长的预测结果进行验证。在此基础上,
构建轨道交通延误时长的预测模型,
利
用统计分析方法计算风险事件发生的可能性,
研究轨道交通系统的风险状态。以北京市轨道交
通系统为例,
进行实证研究,
通过分析风险源可能诱发的典型风险事件,
对北京市轨道交通系统
安全运营状态进行风险评估。实证结果表明,
在所有风险事件类型中,
行车事故发生可能性最
大,
建议相关部门引起高度重视。
关键词:轨道交通;风险管理;系统工程;贝叶斯网络;TEI@ I 方法论
收稿日期:2019-08-05
基金项目:国家自然科学基金面上项目(71771208) ; 中央高校基本科研业务经费专项资金项目(2019JBM036)。
作者简介:刘福泽,
中国科学院大学经济与管理学院博士研究生,
北京市交通委员会安全监督与应急处处长;李娟,
北京交通大
学交通运输学院副教授,
博士生导师,
博士;范博松,
北京交通大学交通运输学院博士研究生;王珏(通讯作者) ,
中国
科学院数学与系统科学研究院预测科学研究中心研究员,
博士生导师。
引 言
随着社会与经济发展,
城市化已成为当今世界发展的重要趋势。在城市化历程中,
不同规模及发展阶段
的城市产生了不同的交通需求,
需要通过相应交通技术及运输工具加以满足。轨道交通以其运量大、
速度快
的技术优势已成为城市交通结构中不可缺少的组成部分,
较好地解决了大中城市交通供需矛盾,
满足了城市
化需求。
城市轨道交通处于较为封闭、
相对独立的空间,
一般受外界干扰较小,
但是作为一个复杂
“
巨系统”,
技术
应用不综合、
管理决策不科学及外部环境突变等系统问题可能引发难以预料的状况,
并且可能带来严重后果。
例如,
通过对北京市轨道交通系统突发事件统计分析,
发现事故原因有车辆系统、
通信系统、
供电系统等单一
系统或多种系统交互集成的技术故障,
也有管理决策部门信息沟通不通畅、
互联互通不及时等的管理决策问
题。各类突发事件,
轻则引起广泛社会关注、
带来不良社会影响,
重则造成人员伤亡及财产损失。轨道交通系
统的问题反映出城市轨道交通系统技术应用的综合性和管理决策的科学性仍需不断提升。为了贯彻
“
以人
为本”
发展理念,
深入落实
“
绿色、
安全、
高效”
出行观念,
有必要对城市轨道交通系统安全性进行研究。轨道
交通风险评估基于城市轨道交通系统的规划、
设计、
运营和维护等方面的内容,
将安全生产的工作重点和目标
从
“
事后事故处理”
转移到
“
事前风险防控”,
是一项艰苦复杂的系统工程。
目前对城市轨道交通系统风险分析的研究相对较少,
且主要集中在定量计算某一具体事故问题上,
因而
有必要进行多维度的交通风险分析,
并提出可行的避险方案。因此,
本文借鉴 TEI@ I 方法论的基本思想,
通
DOI:10.14120/j.cnki.cn11-5057/f.2020.07.019
218 管理评论 第 32 卷
过分析城市轨道交通运营风险,
实现对风险事件的定性与定量综合集成评估。本研究可以进一步提高城市轨
道交通系统安全生产水平和突发事件的应急处置水平,
也为城市轨道交通系统运行监管和运营部门提供科学
决策依据。
文献综述
城市轨道交通运营风险管理是通过识别系统中风险源,
并依据风险等级,
采取管控措施,
从而减少事故发
生的可能性及控制事故后果的严重程度。
目前国内外都有相应的城市轨道交通系统运营风险方面的管控措施。欧盟制定了会员国通用安全管理
规范,
其中 EN50126、EN50128、EN50129 针对城市轨道交通系统制定,
涉及轨道交通设计、
建设、
运营各阶段
的安全风险管理。美国实施的安全监理法规 CFR659,
对政府、
监理单位和城市轨道交通运营单位之间的关系
进行了明确说明,
并在实施细则中明确了进行风险管理作业的细节内容。日本采用 RAMS 概念进行城市轨道
系统安全风险管理,
通过塑造安全文化、
建设安全管理系统、
采取避险方案、
配置安全设施,
达到安全管理目
标。韩国采用城市轨道交通运营安全风险评估系统(KRRI)进行风险控制,
提出包含风险辨识、
风险评估与减
缓风险发生等风险管理程序。国内城市轨道交通风险管理技术起步较晚,
但发展迅速。香港的风险管理系统
通过考虑轨道系统生命周期进行安全管理,
从城市轨道交通系统规划初期到运营阶段,
积极进行辨识并监控
安全风险。北京市轨道交通实行
“
人机环管”
四大要素和
“
治控救”
三道防线组成安全控制体系,
查找安全隐
患,
掌握运营状态,
并采取相应管控措施。上海市轨道交通建立安全风险评估系统和隐患数据库系统,
制定一
系列安全生产制度、
安全操作规程及相应的应急预案。广州市轨道交通建立运营安全风险管理平台,
实现全
路网数据采集处理、
预警分析、
决策支持等功能。
除了各国政府部门在风险管理系统方面的积极实践外,
国外的相关学者也在风险分析管理和评价领域做
了理论探索,
涉及案例推理、
指标评价体制、
网络拓扑模型及延误模型等方法。案例推理(CBR)作为构建智
能计算机系统的一个范例,
是解决新问题的重要推理方法,
它通过记住以前类似的情况并重新调用在类似情
况下得到的信息和结果,
进行推理求解[1]。Balducelli 和Esposito 在相关研究基础上提出基于案例推理、
遗传
算法和数值模拟等方法来开展火灾风险管理的观点[2]。Kyriakidis 等提出安全成熟度模型和安全成熟度指标
体系[3],
并提出了绩效铁路运营指标(human performance railway index operational index,HuPeROI) ,
用以估计
城市轨道交通运营过程中个体犯错误的概率,
通过提出相应的缓解策略最大限度地降低地铁运营人员的经营
绩效下降现象[4]。Latora 和Marchiori 定义了度量波士顿地铁系统局部和全局网络效率的方法,
发现在该系统
中存在小世界行为[5]。Derrible 和Kennedy 探索了 30 个地铁系统的复杂性并讨论了拓扑特征对地铁系统鲁
棒性的影响。这些拓扑分析研究对保护地铁免受恐怖分子的进入具有可操作性[6]。除了针对城市轨道交通
系统事故模型的研究,
还有部分学者专注于因轨道交通事故导致的运营延误方面的研究。Louie 等对导致多
伦多轨道交通系统故障延误的因果与非因果关系进行建模,
运用改进的 AFT 方法,
对轨道交通系统不同突发
事件所导致的不同时长的延误进行分析[7]。Zilko 等利用耦合贝叶斯网络方法构造了延误时长预测模型,
通
过考虑多种可能导致轨道交通延误的影响因素,
得到了较好的预测结果[8]。
国内学者对我国交通安全风险评估方法也做了有益探索,
并取得一定成果。包括安全可靠性方法、
评价
指标方法、
特征参数分析以及 PRA 分析等方法。风险评估主要以安全科学、
可靠性、
系统工程为理论基础。
张羽和周国华[9]分别设定影响安全驾驶两类条件的直接因素和间接因素,
通过突发事件的后果对安全驾驶
给出评估建议。苑盛成等[10]以实时交通数据进行了大规模的交通疏散仿真,
可以提高应急状态下交通仿真
系统的预测准确性,
并提供多种突发事件的可能发生方向,
为交通疏散应急管理评估提供决策支持。马寿峰
等[11]利用数理统计方法,
从风险角度提出一种交通网络可靠性分析方法———基于风险的交通可靠性,
对于开
展交通网络的风险评估提供了较为可靠的方法。结合具体城市轨道交通情况,
学者们建立了轨道交通系统安
全评价指标体系。贺阳[12]建立了设施、
管理、
故障三大指标,
并给出了具体衡量指标。代宝乾等[13,14]从系统
工程角度出发,
从系统外部因素、
指挥因素、
设备因素和运营管理 4个方面,
建立地铁运营系统安全综合评价
指标体系。苏明旭等[15]从人机环管四个层面建立指标体系。Yu 等[16]考虑随机效应模型中潜藏的异质性问
题,
利用贝叶斯半参数估计的方法对突发事件数据进行分析,
挖掘关键影响因素并给出突发事件的成因机理。
第7期219
Li 等[17]考虑风险的相关性,
基于 MOID 和专家数据,
对风险演化网络的 7个特征参数进行分析,
参数的计算
结果反映了网络具有较好的传递效率。Yang 等[18]利用交叉熵、
类间方差等理论得到发生突发事件的最优临
界值,
并采用 K折算法等多种方法进行交叉验证。评价指标方法和特征参数分析大多涉及层次分析法、
熵权
法、
模糊综合评价、
网络层次分析法、
逼近理想解、
解释结构模型、
贝叶斯网络等[19],
这些方法使评价结果量
化,
也更加客观。除了以上研究方法,
也有学者探索 PRA 分析方法的应用,
识别潜在危险以及评估其可能性
和后果严重性来评估风险。Pan 等采用 FTA 方法分析信号控制系统故障对碰撞事件的影响[20]。Qin 等利用
不同的模型,
综合考虑人、
机、
环、
管因素,
将复杂不确定性放到地铁站的动态风险评估中,
对地铁站的安全状
况进行了分析[21-23]。
但大多数风险评估研究集中在风险的确认和量化计算上,
而对风险源、
风险事件以及风险事件可能导致
的后果三者之间的内在关系鲜有涉及。城市轨道交通系统作为复杂巨系统,
风险源与风险事件种类多、
量级
高,
关系复杂。本文通过建立贝叶斯网络,
挖掘风险源、
风险事件以及风险事件可能导致的后果之间的关系,
并根据风险事件与突发事件的关系计算风险事件发生的可能性,
从更加细致的层面进行风险分析,
从而为风
险管控提供支持。
研究方法
1、TEI@ I 方法论
TEI@ I 方法论是汪寿阳等[24,25]提出的一种解决复杂系统预测的方法论。基于
“
文本挖掘(text mining)+
经济计量(economics)+智能技术(intelligence)”
的集成技术,
将文本挖掘、
统计计量分析和人工智能的技术
方法集成组合。
近年来,
国内的许多学者纷纷就 TEI@ I 方法论进行了有效尝试。田歆等[26-28]以TEI@ I 方法论为指导,
通过集成季节 ARIMA 和VAR 等计量经济模型、
径向基神经网络技术以及不规则事件的量化方法,
建立了具
有较好预测精度和稳健性的集成预测模型,
对香港港的吞吐量进行了实证预测,
并有效解决了物流系统绩效
测度与评价问题。郭琨等[29]基于 TEI@ I 方法论,
通过对比
“
京十二条”
调控政策对北京以及其他一线城市期
房和现房交易额的影响,
得到调控政策对北京市影响显著的结论。
本文借鉴 TEI@ I 方法论的基本思想,
采用文本挖掘的方法分析城市轨道交通系统的风险因素和风险源,
构建统计分布模型预测系统的变化趋势,
利用贝叶斯网络的手段分析风险事件发生的可能性,
最后根据系统
集成的思想从总体对系统进行综合分析。研究框架如图 1所示。
图1基于 TEI@ I 的轨道交通运营风险研究框架
2、
贝叶斯网络
贝叶斯网络(Bayesian network,BN)建立的依据是贝叶斯理论。贝叶斯统计学是托马斯
·
贝叶斯爵士创
220 管理评论 第 32 卷
立的理论,
其前提是任何已知信息(先验)可以与随后的测量数据(后验)相结合,
在此基础上去推断事件的概
率。与传统统计理论不同的是,
古典概率取决于客观证据,
而贝叶斯统计并未假定所有的分布参数为固定值,
而是设定这些参数为随机变量。贝叶斯理论的基本表达如式(1)所示。
P(X /Y)=P(X)P(Y /X)
P(Y)(1)
其中,P(X)———事件 X的概率;P(X|Y)———在事件 Y发生的情况下,
事件 X的概率。
贝叶斯网络是一种概率图模型,
可以使用有向无环图(directed acyclic graph,DAG)得到一组随机变量及
其条件概率。网络包括代表随机变量的节点和连接父节点与子节点的有向连线。
假设贝叶斯网络由 n个变量组成,X1,X2,X3,…,Xn联合分布可表示为:
P(X1,X2,X3,...,Xn)=∏
n
i=1
P(Xi| Xi+1,...,Xn) ( 2)
贝叶斯网络通过描述一个问题域的随机变量是如何相互依存,
认识事件的因果关系。构建贝叶斯网络的
核心是确定节点、
节点取值以及节点的概率分布。
用贝叶斯网络模型分析轨道交通行业风险事件可能性的优势在于:可以将行业经验作为先验知识加入网
络模型;能利用客观信息解决问题,
避免求解解析解的复杂过程;能较好地估计出小概率事件发生的可能性;
根据风险事件发生概率的可变特性,
可以计算风险预警指标。
实证分析
1、
数据分析
本文选取北京市轨道交通系统作为运营风险评估对象,
并通过北京市 2014—2017 年轨道交通路网运行信息
的提炼,
构建风险分析原始数据。以下分别从路网结构、
客流量、
列车班次以及突发事件情况进行现状分析。
(1)路网结构
北京市轨道交通经过多年大力建设发展后,
截至 2017 年12 月31 日,
总运营里程达到 608 千米,
运营线
路有 22 条,
运营车站共 370 座,
换乘站有 56 座。
(2)客流情况
2017 年,
北京市轨道交通路网客运量达 37. 78 亿人次,
日均 1035. 07 万人次,
同比增长 3. 53%,
其中工作
日日均 1168. 69 万人次,
同比增长 4. 07%,
日最高客运量 1294. 02 万人次,
发生在 7月7日;进站量 19. 91 亿
人次,
日均 545. 53 万人次(工作日日均 617. 69 万人次,
同比增长 3. 45%) ,
同比增长 2. 98%;换乘量 17. 87 亿
人次,
日均 489. 54 万人次(工作日日均 551. 00 万人次,
同比增长 4. 78%) ,
同比增长 4. 14%;路网换乘系数
1. 90,
同比上年同期增长 1. 00%。各项指标如表 1所示。
表1北京市轨道交通路网年度客运量对比表(单位:万人次)
时间 总客运量 日均客运量 日均同比(%)最高日客运量 发生日期
2014 年338668. 21 927. 86 5. 68 1155. 95 2014-04-30
2015 年332380. 82 910. 63 -1. 86 1165. 81 2015-12-31
2016 年365933. 81 999. 82 9. 79 1270. 23 2016-04-29
2017 年377801. 09 1035. 07 3. 53 1294. 02 2017-07-07
(3)运行线路
2017 年路网列车运行里程 56845. 29 万车公里,
运营里程 56661. 95 万车公里,
里程利用率 99. 68%。图2
为2017 年北京市轨道交通路网线路运行里程示意图。
(4)突发事件
2014—2017 年北京市轨道交通系统共发生突发事件(引起列车延误)7805 次,
其中,2014 年1417 车
次,2015 年2323 车次,2016 年2350 车次,2017 年1715 车次。统计分析表明,
信号突发事件次数最高,
占
突发事件总数的 66. 13%;其次为车辆突发事件,
占突发事件总数的 30. 07%;屏蔽门突发事件占突发事件
总数的 2. 2%,
其他占突发事件总数的 1. 6%
第7期 刘福泽,
等:城市交通系统安全运营状态风险评估 221
图2 2017 年轨道交通路网线路运行里程示意图
北京市轨道交通系统突发事件整体分布情况如图 3所示,2号线环线部分,4号线中关村段,5号线全线
以及 10 号线西南段和东段都是突发事件发生的聚集区段。
图3北京市轨道交通列车延误事件分布热力图
2、
模型构建
本文采用定量分析方法———贝叶斯网络模型,
预测风险事件的延误分布并计算风险事件的可能性。构建
贝叶斯网络的核心是确定节点,
包括节点取值和概率分布。根据构建风险源、
风险事件以及风险事件可能导
致的后果之间关系的思路,
从数据集中筛选出与网络构建关系密切的 7个变量作为网络模型的节点,
包括 4
个对风险源的产生有较大影响的风险要素节点,1个风险源节点,1个风险事件节点以及 1个延误时长节点。
各变量定义及可能状态如表 2所示,
其中,
早高峰选取 7—9时,
晚高峰选取 17—19 时。
表2贝叶斯网络模型变量描述
节点 变量名称 变量取值
1风险源 人员,车辆,线路,房建,机电设备,供电系统,
信号系统,通信系统,环境
2客流量/万人次
≤600,601 ~ 650,651~ 700,701~ 750,751~ 800,801~ 850,
851~ 900,901~ 950,951~ 1000,1001 ~ 1050,1051~ 1100,
1101~ 1150,1151~ 1200,1201~ 1250,1251~ 1300
3天气 雾霾,小雨,小雪,中/大雨,晴,雷阵雨,扬沙,大风
4时段 早高峰,晚高峰,平峰
5线路 机场线,13 号线,14 号线(东) ,14 号线(西) ,15 号线,
16 号线(北) ,昌平线,房山线,亦庄线
6风险事件 行车事故,
意外伤害,
拥挤踩踏,
乘客侵入限界,
社会安全事件,
异物侵入限界,
火灾爆炸
7延误 /分钟 0-1,2-3,4-7,8-15,16-31,32-63,64-127,128-255,256-511,
≥512
以风险源为核心,
向上筛选出与之相关的因素作为网络的第一层,
向下延伸到风险事件以及因风险事件
导致的延误,
共4层7个节点,
利用各层级关系搭建出贝叶斯网络模型,
如图 4所示。
222 管理评论 第 32 卷
图4贝叶斯网络模型
采用贝叶斯网络基于条件概率进行不确定性推理。首先,
确定节点取值,
根据轨道交通实际运营数据,
对
变量取值进行限定。其次,
确定节点间的概率分布,
基于突发事件形成过程及网络结构学习的结果,
用箭头将
各节点相连,
描述节点间因果关系;最后,
对网络进行更直观的数据展示,
实现可视化的动态预测。
如图 5所示,
贝叶斯网络模型作为一种图形概率模型,
可以直观地展示各节点(变量)状态概率值大小、
不同节点间的关系。由此可进一步计算轨道交通行业风险事件的可能性。
图5贝叶斯网络动态预测模型
3、
模型验证
选取 2014—2016 年北京市轨道交通突发事件的延误数据作为训练集,
将2017 年的延误数据作为测试
集,
并筛选出限制条件为
“
线路节点:13 号线
”“
时段节点:早高峰
”“
客流节点:大于 1000 万人次的各个区间”
的延误数据。在对延误数据做处理时,
根据延误数据的分布情况,
取2的n次幂作为各个区间的左边界点,
取
2的n+1次幂减 1作为各个区间的右边界点,
考虑到所有延误时长都是非负整数,
因此设定 0,[0+,1],[2,
3],[4,7],[8,15],[16,31],[32,63],[64,127],[128,255],[256,511],[512,+∞]11 个区间,
并得到对应区间所包含的延误事件数。
为了给预测模型输入先验延误分布,
首先选取先验分布。将2014—2016 年三年的数据分别利用对数正
第7期 刘福泽,
等:城市交通系统安全运营状态风险评估 223
态、Weibull、Gamma 三种分布进行拟合,
根据拟合结果再把最优的分布作为先验分布输入预测模型。拟合结
果如表 3所示。
表3 2014—2016 年延误数据的拟合优度检验
评价指标 分布 2014 年2015 年2016 年
AD
对数正态分布 1. 302 1. 471 1. 662
Weibull 分布 1. 576 1. 998 1. 687
Gamma 分布 1. 799 1. 584 1. 674
P值
对数正态分布 <0. 005 <0. 005 <0. 005
Weibull 分布 0. 040 <0. 010 <0. 010
Gamma 分布 0. 047 <0. 005 <0. 005
表3中,AD 代表的是实际值与理论值的平均误差,P值代表的是实际数据不可由理论分布拟合的概率。
如表 3所示,
对数正态分布表现出最好的拟合效果,
因此取对数正态分布作为预测模型的先验分布。
将对数正态分布代入贝叶斯网络模型的延误节点,
取2017 年延误数据作为测试数据输入模型。同时将
3个重要的突发事件影响因素节点的先验值分别设定为
“
线路节点:13 号线
”“
时段节点:早高峰
”“
客流节点:
大于 1000 万人次的各个区间”。预测值与实际值对比关系如图 6所示。
图6延误时间累积概率
采用 KS 检验对模型预测结果的可行性进行验证,
得到的验证结果为:P值=0. 0170。由假设检验可知,
P值<0. 05,
所以有 95%的概率认为两者服从相同的分布。预测结果符合要求,
从而验证了模型的可行性。
结果分析
风险事件的概率值表示已知发生一起突发事件,
各风险事件的概率大小,
即P(风险事件 X|突发事件)。
统计数据集中突发事件总数,
计算突发事件平均影响时间;以日平均影响时间占全天时长的比例,
表示平均每
天突发事件发生概率,
即P(突发事件)。由贝叶斯公式可得风险事件 X发生的可能性:
P(风险事件 X)=P(风险事件 X | 突发事件)×P(突发事件) ( 3)
如表 4所示,
风险事件发生的可能性如下:
行车事故发生的可能性最大,
为5. 45%,
远大于其他风险事件发生概率,
与实际情况一致。行车事故通
常由多种因素引起,
属于运营中常见风险事件,
但容易产生负面社会舆论,
相关部门需注意防控。
意外伤害发生概率为 1. 15%,
是仅次于行车事故的第二高发风险事件。运营过程中,
尤其是早晚高峰时
段,
个别车站容易出现乘客较多的情况,
同属于常见风险事件,
一旦发生需果断采取措施,
避免引发拥挤踩踏
事件。
异物侵入限界、
乘客侵入限界发生可能性较低。虽然发生可能性不高,
但此类事件往往没有前兆,
难以预
测。且乘客侵入事件的社会关注度较高,
因而需加强管理。
意外伤害、
拥挤踩踏、
火灾爆炸的发生概率较小,
但是事件发生的后果通常很严重,
甚至导致巨大的生命、
财产损失。因此需要加强监控,
一旦有发生迹象或前兆,
应及时、
果断采取措施。
综上所述,
所有风险事件发生概率之和小于 6%,
说明北京城市轨道交通系统大部分时间处在安全运营
224 管理评论 第 32 卷
状态,
风险事件发生的可能性较小。但这并不等同于绝对安全,
为避免风险事件发生,
需进一步做好风险预
防、
识别、
评价、
管控等工作。
表4风险事件发生可能性
风险事件 P(风险事件|突发事件)P(突发事件)P(风险事件)/%
行车事故 0. 7591 0. 0718 5. 4488
意外伤害 0. 1604 0. 0718 1. 1514
拥挤踩踏 0. 0652 0. 0718 0. 4680
乘客侵入限界 0. 0089 0. 0718 0. 0639
社会安全事件 0. 0031 0. 0718 0. 0223
异物侵入限界 0. 0037 0. 0718 0. 0266
火灾爆炸 0. 0008 0. 0718 0. 0057
结 论
城市轨道交通系统复杂,
风险源多样,
承载体之间关联紧密。本文采用 TEI@ I 方法对城市轨道交通系统
风险事件的延误时长分布进行集成预测。以风险源为核心,
通过考虑技术应用的综合性和管理决策的科学性
来选定节点,
并挖掘节点之间的关联规则,
构建贝叶斯网络,
对轨道交通运营风险状态进行评价并制定相应管
控措施。对比对数正态分布、Weibull 分布、Gamma 分布的拟合效果,
选取对数正态分布作为延误的先验分
布,
结果验证了模型有效性。
通过对北京市轨道交通系统的实例分析得出:所有风险事件发生概率之和小于 6%,
表明北京市轨道交
通系统安全运营状态良好,
风险等级为可接受状态。关键性影响因素为通信信号和客流量,
行车事故和意外
伤害发生的可能性最大。评估和预测结果可以为城市轨道交通系统运行监管和运营部门提供了科学决策依
据,
同时也可以提高北京市轨道交通系统安全生产水平和突发事件的应急处置水平。
针对行车事故和意外伤害,
需要加强车辆及运行状态监控,
做好日常维护和维修;对列车驾驶员、
维修人
员和特殊设备作业人员定期培训,
避免出现意外事件;加大安全宣传,
设置安全警示标志;合理引导乘客出行,
维持乘车出行秩序。
参考文献:
[1]Aamodt A.,Plaza E. Case-based Reasoning:Foundational Issues,Methodological Variations,and System Approaches[J]. AI
Communications,1994,7(1) : 39-59
[2]Balducelli C.,D’Esposito C. Genetic Agents in an EDSS System to Optimize Resources Management and Risk Object Evacuation
[J]. Safety Science,2000,35(1-3) : 59-73
[3]Kyriakidis M.,Hirsch R.,Majumdar A. Metro Railway Safety:An Analysis of Accident Precursors[J]. Safety Science,2012,50
(7) : 1535-1548
[4]Kyriakidis M.,Majumdar A.,Grote G. Development and Assessment of Taxonomy for Performance-shaping Factors for Railway
Operations[J]. Transportation Research Record:Journal of the Transportation Research Board,2012,2289(1) : 145-153
[5]Latora V.,Marchiori M. Is the Boston Subway a Small-world Network? [J]. Physica A:Statistical Mechanics and Its Applications,
2002,314(1) : 109-113
[6]Derrible S.,Kennedy C. The Complexity and Robustness of Metro Networks[J]. Physica A:Statistical Mechanics and Its Applica-
tions,2010,389(17) : 3678-3691
[7]Louie J.,Shalaby A.,Habib K. Modelling the Impact of Causal and Non-causal Factors on Disruption Duration for Toronto’s Sub-
way System:An Exploratory Investigation Using Hazard Modelling[J]. Accident Analysis & Prevention,2017,98(Jan.) : 232-240
[8]Zilko A.,Kurowicka D.,Goverde R. Modeling Railway Disruption Lengths with Copula Bayesian Networks[J]. Transportation
Research Part C:Emerging Technologies,2016,68(Jul.) : 350-368
[9]张羽,
周国华.道路交通安全监管行为主观博弈分析[J].管理评论,2014,26(7) : 55-61
[10]苑盛成,
王刚桥,
马晔风,
等.实时数据的应急交通疏散仿真方法研究
[J].系统工程理论与实践,2015,35(10) : 2484-2489
[11]马寿峰,
贺正冰,
张思伟.基于风险的交通网络可靠性分析方法[J].系统工程理论与实践,2010,30(3) : 550-556
[12]贺阳.北京地铁运营的安全评价及其信号系统评定分析[D].北京化工大学硕士学位论文,2006
[13]代宝乾,
汪彤,
蒋玉琨.地铁运营系统安全综合评价指标体系研究[J].中国安全科学学报,2006,16(12) : 9-14
第7期225
[14]代宝乾,
汪彤.基于事故理论的城市轨道交通风险评价模型研究[J].中国安全科学学报,2007,17(10) : 156-159
[15]苏旭明,
王艳辉,
祝凌曦.改进的故障模式及影响分析在城市轨道交通运营安全评价中的应用[J].城市轨道交通研究,
2011,14(5) : 65-69
[16]Yu R. J.,Wang X. S.,Yang K.,et al. Crash Risk Analysis for Shanghai Urban Expressways:A Bayesian Semi-parametric Mod-
eling Approach
[J]. Accident Analysis & Prevention,2016,95(Pt.B) : 495-502
[17]Li Q. M.,Song L. L.,List G.,et al. A New Approach to Understand Metro Operation Safety by Exploring Metro Operation Haz-
ard Network(MOHN) [J]. Safety Science,2017,93(Complete) : 50-61
[18]Yang K.,Yu R. J.,Wang X. S.,et al. How to Determine an Optimal Threshold to Classify Real-time Crash-prone Traffic
Conditions
? [J]. Accident Analysis & Prevention,2018,117(Aug.) : 250-261
[19]曾明华,
王旭,
王转敏,
等.基于模糊多态贝叶斯网络的地铁运营风险评估方法[J].城市轨道交通研究,2019,22(5) :
28-33
[20]Pan H. L.,Tu J. L.,Dong D. C. The FTA Based Safety Analysis Method for Urban Transit Signal System[C]. The Proceeding of
2011 9th International Conference on Reliability,Maintainability and Safety,Guiyang,China,2011
[21]Qin Y.,Zhang Z.,Chen B.,et al. Research on the Prediction Model for the Security Situation of Metro Station Based on PSO /
SVM[J]. Journal of Intelligent Learning Systems and Applications,2013,5(4) : 237-244
[22]Qin Y.,Zhang Z. Y.,Liu X. W.,et al. Dynamic Risk Assessment of Metro Station with Interval Type-2 Fuzzy set and TOPSIS
Method
[J]. Journal of Intelligent & Fuzzy Systems,2015,( 29) : 93-106
[23]Zhang Z. Y.,Cheng X. Q.,Zhu L.,et al. Metro Station Safety Status Prediction Based on GA-SVR[C]. The 2nd International
Conference on Electrical and Information Technologies for Rail Transportation,Zhuzhou,China,2015
[24]Wang S. Y. TEI@ I:A New Methodology for Studying Complex Systems[C]. The International Workshop on Complexity Science,
Tsukuba,Japan,2004
[25]余乐安,
汪寿阳,
黎建强.外汇汇率与国际原油价格波动与预测———TEI@ I 方法论[M].长沙:湖南大学出版社,2006
[26]田歆,
曹志刚,
骆家伟,
等.基于 TEI@ I 方法论的香港集装箱吞吐量预测方法[J].运筹与管理,2009,18(4) : 82-89
[27]田歆,
汪寿阳,
华国伟.零售商供应链管理的一个系统框架与系统实现[J].系统工程理论与实践,2009,29(10) : 45-52
[28]田歆,
余明珠,
罗春林,
等.基于 TEI@ I 方法论的零售物流系统绩效测度与综合评价方法[C].中国系统工程学会第十八
届学术年会论文集———A12 系统科学与系统工程理论在各个领域中的应用研究,2014
[29]郭琨,
崔啸,
王珏,
等.“
京十二条”
房地产调控政策的影响———基于 TEI@ I 方法论[J].管理科学学报,2012,15(4) : 4-11
Risk Analysis for Urban Transit
———An Empirical Study on the Beijing Rail Transit System
Liu Fuze1,2,Li Juan3,Fan Bosong3and Wang Jue4
(1.School of Economics and Management,University of Chinese Academy of Sciences,Beijing 100190;
2.Beijing Municipal Commission of Transport,Beijing 100073;
3.School of Traffic and Transportation,Beijing Jiaotong University,Beijing 100044;
4.Center for Forecasting Science,Academy of Mathematics and Systems Science,Chinese Academy of Sciences,Beijing 100190)
Abstract:Rail transit is a transportation system that provides urban public passenger services. Its risk management is an arduous and
complicated system engineering. In order to ensure the safety of urban rail transit system operation and improve the ability of management
departments to respond to emergencies,it is necessary to evaluate the risk status of rail transit operations and formulate corresponding
control measures from the aspects of comprehensive application of technology and scientific decision-making. Based on the TEI@ I meth-
odology,this paper proposes a delay duration prediction model. The delay time is predicted by establishing a Bayesian network model.
The statistical distribution model such as lognormal,Weibull and Gamma distribution is used to verify the prediction result of delay time.
Based on the results,a prediction model of subway delay time is constructed. This statistical analysis method is used to calculate the
probability of occurrence of the risk event,so as to analyze the risk status of the rail transit system. An empirical study on the Beijing rail
transit system shows that the urban rail transit system in Beijing has a good operational status and the possibility of risk events is small.
Among all types of risk events,driving accidents are most likely to occur,usually caused by a variety of factors,and the relevant depart-
ments should pay enough attention.
Key words:rail transit,risk management,system engineering,Bayesian network,TEI@ I
标签: #安全
摘要:
展开>>
收起<<
»«´»¿´»¯»»´»¿¿¿¿¿»«¿»¸´»«¿¦»¦´¦¿»´¦¿´»´¡»´¿
温馨提示:66文库网--作为在线文档分享平台,一直注重给大家带来优质的阅读体验;让知识分享变得简单、有价值;海量文档供您查阅下载,让您的工作简单、轻松而高效!
1. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
2. 66文库网仅提供信息存储空间,仅对广大用户、作者上传内容的表现方式做保护处理,对上传分享的文档内容本身不做任何修改或编辑,并不对下载的任何内容负责。
3. 广大用户、作者上传的文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
4. 本站不保证、不承担下载资源内容的准确性、安全性和完整性, 同时也不承担用户因使用下载资源对自己和他人造成任何形式的伤害或损失。
相关推荐
-
VIP免费2024-07-28 35
-
VIP免费2024-09-13 5
-
VIP免费2024-09-15 5
-
2024-09-26 8
-
VIP免费2024-09-29 8
-
VIP免费2024-09-29 2
-
VIP免费2024-10-02 2
-
VIP免费2024-10-04 2
-
2024-10-08 16
-
2024-10-16 10
分类:法规文献
价格:1库币
属性:9 页
大小:1.71MB
格式:PDF
时间:2024-06-14