(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210794372.0 (22)申请日 2022.07.07 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 马小平　陈菲　贾利民　王艳辉　 陈熙元　李曼　闫涵　赵汝豪　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 邹芳德 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06F 16/36(2019.01)G06F 16/901(2019.01) G06F 40/289(2020.01) G06F 40/216(2020.01) (54)发明名称 基于数据驱动 的轨道交通风险点预测方法 及系统 (57)摘要 本发明提供基于数据驱动的轨道交通风险 点预测方法及系统， 属于轨道交通技术领域， 提 取轨道交通事故特征， 获取事故致因模式， 构建 轨道交通事故解构范式， 构建轨道交通风险知识 图谱模式层； 构建轨道交通领域风险点 ‑风险词 库， 建立轨道交通风险知识库； 基于轨道交通风 险知识图谱模式层， 结合轨道交通风险知识库， 构建轨道交通风险知识图谱； 基于轨道交通风险 知识图谱， 计算 “风险点、 风险、 事件 ”三重网络耦 合机制下的风险点重要度， 确定各个风险点在事 故演化中的重要程度。 本发明保证了轨道交通运 营事故管理的高效性、 风险辨识提取的全面性、 客观性以及风险点量化评价的科学性， 实现了对 轨道交通主动安全防控效能的有效提升和防控 资源的合理利用。 权利要求书3页 说明书13页 附图4页 CN 115081918 A 2022.09.20 CN 115081918 A 1.一种基于数据驱动的轨道交通 风险点预测方法， 其特 征在于， 包括： 基于事故机理分析方法， 提取轨道交通事故特征， 分析引起事故的关键致因因素及其 关联关系， 获取事故致因模式， 构建基于 “风险点‑风险‑事件”的轨道交通事故解构范式， 构 建轨道交通 风险知识图谱 模式层； 基于所述轨道 交通事故解构范式， 构建轨道 交通领域风险点 ‑风险词库， 进行事故文本 规范化拆解， 构建事故因果链， 提取风险点、 风险信息并构建关联关系， 完成领域词库的修 正和更新， 建立轨道交通 风险知识库； 基于轨道交通风险知识图谱模式层， 结合轨道交通风险知识库， 采用图数据库以<实 体， 关系， 实体>作为标准元组结构， 对轨道交通系统事件、 风险、 风险点及其复杂内在关系 以知识的形式进行规范化、 可视化存 储， 构建轨道交通 风险知识图谱； 基于轨道 交通风险知识图谱， 计算 “风险点、 风险、 事件 ”三重网络耦合机制下的风险点 重要度， 通过加权层间关系， 确定各个风险点在事故演化中的重要程度。 2.根据权利要求1所述的基于数据驱动的轨道 交通风险点预测方法， 其特征在于， 构建 轨道交通 风险知识图谱 模式层， 包括： 定义轨道 交通风险知识图谱类概念， 即风险点、 风险、 事件、 事故四类概念； 定义轨道交 通风险知识图谱类关系， 即关联关系、 所属关系、 因果关系三类关系， 具体表现为风险点间 关联关系、 风险间关联关系、 事件 ‑风险点间所属关系、 事件 ‑风险间所属关系、 风险点 ‑风险 间所属关系、 事件间因果关系； 基于定义轨道交通风险知识图谱类概念及轨道交通风险知 识图谱类 关系， 结合protege本体 建模工具构建轨道交通风险知识图谱模式层， 确定轨道交 通风险知识图谱数据存 储模式。 3.根据权利要求1所述的基于数据驱动的轨道 交通风险点预测方法， 其特征在于， 将轨 道交通事故解构范式与风险知识充分融合， 构建轨道交通领域风险点 ‑风险词库、 事件提取 规则、 风险点 ‑风险提取规则， 共同构成轨道交通事故致因因素提取规则， 从而完成国内外 轨道交通 运营事故案例实例提取， 建立轨道交通 风险知识库， 包括： 建立轨道 交通风险知识库， 具体包括： 按照 “轨道交通领域风险点 ‑风险词库、 事件提取 规则、 风险点 ‑风险提取规则 ”三个阶段共同构成轨道交通事故致因因素提取规则， 分别为： A阶段采用中文文本分词工具、 综合词 频算法及组分分析解构方法构建轨道交通领域风险 点‑风险词库； B阶段结合中文文本分割工具和中文文本关键词识别方法构建事件提取规 则， 规范化拆解事故报告， 构建事故因果链， 为风险 ‑风险点提取提供事实依据； C阶段构建 风险点‑风险提取规则， 通过结合A阶段轨道交通领域风险点 ‑风险词库实现对B阶段事件中 风险点、 风险信息提取及关系构建， 形成风险点链/网和风险链/网， 为风险点量化评价与分 析提供数据基础， 同时通过辨识新的风险点、 风险词汇完成领域词库不断修 正和更新。 4.根据权利要求3所述的基于数据驱动的轨道 交通风险点预测方法， 其特征在于， 将轨 道交通事故解构范式与风险知识充分融合， 结合轨道交通领域风险点 ‑风险词库实现对事 件中风险点、 风险信息提取及关系构建， 并形成风险点链/网和风险链/网， 具体包括： 结合A阶段构建的轨道交通领域风险点 ‑风险词库， 对B阶段中提取的事件进行风险点 及风险信息的识别及提取； 将所提取的信 息按照致因因素间的所属关系完成关系构建， 包括： <事件， 所属关系， 风 险点>、 <事件， 所属关系， 风险>、 <风险点， 所属关系， 风险>、 <风险， 所属关系， 风险点>； 同权　利　要　求　书 1/3 页 2 CN 115081918 A 2理， 将所提取的信息按照致因因素间的关联关系完成关系构建， 包括： <风险点， 所属关系， 风险点>、 <风险， 所属关系， 风险>， 风险点间和风险间直接或者间接的作用关系与事件间传 播关系相互映射， 形成风险点链(网)和风险链(网)； 当所提取的风险点、 风险信息未包含于轨道 交通领域风险点 ‑风险词库中， 须对具体事 件下风险点、 风险信息进 行规范化判别、 描述及总结， 其后将概念结果导入领域词库中完成 知识的修 正和更新。 5.根据权利要求1所述的基于数据驱动的轨道 交通风险点预测方法， 其特征在于， 计算 “风险点、 风险、 事 件”三重网络耦合机制下的风险点重要度， 包括： 构建“风险点、 风险、 事件 ”三重网络耦合机制下的风险点重要度计算表达式， 具体解析 如下： Cd(x)＝∑ αi*Cdi(x)＝α1Cd1(x)+α2Cd2(x)+α3Cd3(x) α1+α2+α3＝1 其中， αi是权重系数代表层间权值关系， 包含α1、 α2、 α3分别表示风险点间关联关系权值、 风险点‑风险间所属关系权值以及 事件‑风险点间所属关系权值， 系数具体取值由不同层间 关系对风险点重要度的影响程度来决定； Cdi(x)代表层间联系紧密程度； Cd(x)值越大， 说明该风险点在事故演化中的发挥的作用越大， 越应该加大对其防控监 管力度。 6.根据权利要求5所述的基于数据驱动 的轨道交通风险点预测方法， 其特征在于， Cd1 (x)、 Cd2(x)、 Cd3(x)具体解析如下： Cd1(x)＝β1a(x)+β2b(x)(i＝1,2) β1+β2＝1 其中， Cd1(x)代表风险点层内部的联系紧密程度， a(x)代表风险点x被其他风险点连接 的频次， b(x)代表风险点x连接其他风险点连接的频次； β1和β2表示权重系数， 用来调节不同 作用关系 对风险点重要度计算的影响程度； Cd1(x)值越高， 说明该风险点x在事故中与其他 风险点间的耦合度较高； a(x)值越大， 说明该风险点x越容易受到其他风险点影响， 一般控 制的难度也较大； b(x)值越大,说明该风险点x越容易干扰其他风险点， 一般造成的影响也 越大； Cd2(x)＝c(x)； 其中， Cd2(x)用来表示风险点与风险间的联系紧密程度， c(x)代表风险点x与不同类型 风险间的连接频次； Cd2(x)越高， 即c(x)值越大， 说明风险点x在发生状态转移的可能性越 高， 对于诱 导事故发生越关键； Cd3(x)＝d(x)； 其中， Cd3(x)用来表示风险点与事件间的联系紧密程度， d(x)代表风险点x与事件间的 连接频次； Cd3(x)越高， 即d(x)值越大， 说明风险点x在事故中参与度较高， 对于参与事故的 发生越频繁 。 7.一种基于数据驱动的轨道交通 风险点预测系统， 其特 征在于， 包括： 第一构建模块， 用于基于事故机理分析方法， 提取轨道 交通事故特征， 分析引起事故的 关键致因因素及其关联关系， 获取事故致因模式， 构建基于 “风险点‑风险‑事件”的轨道交 通事故解构范式， 构建轨道交通 风险知识图谱 模式层；权　利　要　求　书 2/3 页 3 CN 115081918 A 3