Intelligent Bayesian analysis Based on Knowledge Graph and Graph Neural Network for Subway Fire Risk

Technische Zusammenfassung: Intelligente Bayes-Analyse basierend auf Wissensgraph und Graph Neural Network für U-Bahn-Brandrisiken

Problemstellung
U-Bahn-Systeme, die durch enge Räume und hohe Menschendichte gekennzeichnet sind, stehen vor erheblichen Herausforderungen bei der Brandsicherheit. Bestehende Risikobewertungsmethoden leiden unter deutlichen Einschränkungen:

1. Wissensgraphen (KG): Traditionelle KGs verlassen sich ausschließlich auf die Knoten-Kanten-Topologie und ignorieren Korrelationen zwischen Entitätenattributen, was zu einer mangelhaften Argumentationsfähigkeit führt.
2. Bayessche Netze (BN): Klassische BNs werden typischerweise durch die manuelle Knotenauswahl durch Experten erstellt, was eine starke subjektive Verzerrung einführt und die Anpassungsfähigkeit an komplexe, dynamische Systeme einschränkt.
3. Allgemeine Einschränkungen: Derzeitige Ansätze lassen oft eine Echtzeit-, datengesteuerte dynamische Risikobewertung vermissen, haben Schwierigkeiten mit impliziten Beziehungen zwischen Entitäten und scheitern an der dynamischen Konstruktion von BNs, die auf spezifische U-Bahn-Brandereignisse zugeschnitten sind.

Methodik
Die Studie schlägt einen integrierten KG-GNN-BN-Framework vor, der von der strukturierten Datenextraktion zur probabilistischen Argumentation durch vier Schlüsselphasen übergeht:

1. Konstruktion des Wissensgraphen:

   • Datenquellen: Historische Brandaufzeichnungen (1958–2025) und regulatorische Dokumente wurden analysiert.
   • NLP-Verarbeitung: Die Verarbeitung natürlicher Sprache (unter Verwendung der Jieba-Bibliothek) extrahierte 215 Schlagwörter zu Brandcharakteristika und definierte 6 Risiko-Unfall-Labels (Ereignis/Jahr, Managementsystem, menschliches Verhalten, Ausrüstung/Struktur, Umgebung/Luftstrom, Nachwirkungen/Verbesserung).
   • Graphstruktur: Ein U-Bahn-Brand-KG wurde erstellt, das 666 Knoten und 931 Kanten enthält, wobei Feature- und Label-Attribute in die Topologie eingebettet wurden, um einen vollständigen Datensatz zu bilden.

2. Training des Graph Neural Network (GNN):

   • Architektur: Es wurde ein dreischichtiger Graph Convolutional Network (GCN) mit Residualverbindungen und Batch-Normalisierung eingesetzt.
   • Prozess: Das Modell führte die Extraktion von Knoten-Embeddings und das Feature-Learning durch. Es nutzte einen Message-Passing-Mechanismus, um verborgene Zustände durch Nachbarschaftsaggregation iterativ zu aktualisieren.
   • Optimierung: Das Modell wurde unter Verwendung von Cross-Entropy-Loss und dem Adam-Optimizer mit einem Cosine-Annealing-Lernraten-Scheduler trainiert.

3. Automatische Knotenauswahl für das BN:

   • Konfidenz & Clustering: Das trainierte GNN generierte Knoten-Embeddings. Ein Konfidenzwert wurde mittels Softmax-Normalisierung berechnet. K-Means-Clustering (K=6, passend zu den Tag-Kategorien) wurde angewendet, um Diversität zu gewährleisten und Bias in der Feature-Abdeckung zu vermeiden.
   • Bewertung: Eine umfassende Bewertungsformel integrierte die Klassifikationskonfidenz und die Intra-Cluster-Repräsentativität (Distanz zum Cluster-Zentroiden).
   • Auswahl: Basierend auf diesen Scores wurden 22 repräsentative Knoten aus den 666 Knoten automatisch ausgewählt, um die zentrale kausale Kette des BN zu bilden. Dieser Prozess nutzt eine automatisierte Bewertung, beinhaltet jedoch die manuelle Anpassung von Gewichtskoeffizienten und Schwellenwerten, um die Repräsentativität zu balancieren und Overfitting zu verhindern.

4. Parametrisierung des Bayesschen Netzes:

   • Struktur: Die 22 ausgewählten Knoten bildeten die BN-Struktur.
   • Wahrscheinlichkeiten: A-priori- und bedingte Wahrscheinlichkeiten wurden mittels der Delphi-Methode bestimmt, wobei das Feedback von 17 Experten für U-Bahn-Brandsicherheit aggregiert wurde. Die Konsistenz wurde mittels Cronbachs Alpha (>0,8) und dem Variationskoeffizienten verifiziert.

Wichtigste Ergebnisse

• Modellleistung: Das GNN erreichte eine hohe Trainingsgenauigkeit (nahe 1,0) und eine Validierungsgenauigkeit (stabil bei etwa 0,9), was eine starke Generalisierungsfähigkeit demonstriert. Die Konfusionsmatrix zeigte eine hohe diskriminative Fähigkeit über die 6 Tag-Kategorien hinweg.
• Sensitivitätsanalyse: Unter Verwendung von Netica identifizierte die Studie kritische Risikoknoten.
  • Opferzahlen: Der Knoten „Initialer Alarm“ zeigte den höchsten Sensitivitätskoeffizienten (2,05), gefolgt von „Evakuierungseffizienz“ (1,9).
  • Kausalketten: „Brandausbreitung“ wurde am stärksten durch „Material-Flammhemmung“ beeinflusst; „Rauchdiffusion“ durch „Auftreten eines offenen Feuers“; und „Initialer Alarm“ durch „Dienstplanung“.
• Szenarienimulation:
  • Unter einem Basiszustand lag die Wahrscheinlichkeit schwerer Opfer bei 6,58 %.
  • In einem kombinierten Risikoszenario (Simulation des Brandfalls Daegu 2003 mit böswilligem Verhalten, Geräteversagen und verzögerten Alarmen) stieg die Wahrscheinlichkeit schwerer Opfer auf 53,2 %.
  • „Rauchdiffusion“ in einem Zustand mit hohem Versagen verursachte die signifikanteste Eskalation der Opferwahrscheinlichkeit (Niedrige Opferwahrscheinlichkeit sank von 77,8 % auf 47,7 %).
• Rückwärtsverfolgung (Reverse Tracing): Die Analyse identifizierte „Initialer Alarm“, „Evakuierungseffizienz“ und „Brandausbreitung“ als die zentrale Risikoübertragungskette, mit Variationswerten von über 13 %. „Passagierverhalten“ wurde als primärer Treiber für das „Auftreten eines offenen Feuers“ identifiziert.

Bedeutung und Ansprüche
Das Paper behauptet, dass der vorgeschlagene KG-GNN-BN-Modell eine datengesteuerte Pipeline bietet, welche die Objektivität der BN-Konstruktion erhöht. Seine Bedeutung liegt in:

• Objektivität: Es reduziert die Subjektivität der traditionellen manuellen Knotenauswahl durch einen automatisierten, GNN-trainierten Scoring-Ansatz, obwohl die endgültige Auswahl eine manuelle Abstimmung von Schwellenwerten erfordert und die Wahrscheinlichkeitsparameter weiterhin auf Expertenbewertungen via Delphi-Methode beruhen.
• Integration: Es transformiert strukturierte regulatorische Semantik und historische Unfalldaten nahtlos in ein probabilistisches Argumentationsnetzwerk.
• Anwendbarkeit: Das Modell bietet ein quantitatives Werkzeug sowohl für die dynamische Vorhersage als auch für die retrospektive Analyse von U-Bahn-Brandrisiken. Es unterstützt nicht nur die allgemeine Risikoanalyse, sondern auch die Konstruktion maßgeschneiderter KGs für spezifische operative Kontexte.
• Strategische Erkenntnis: Die Studie liefert spezifische, datengestützte Präventionsstrategien und betont die Notwendigkeit, der schnellen Alarmierung, der stabilen Evakuierungseffizienz und der kontrollierten Rauchdiffusion Priorität einzuräumen, um Hochrisikoereignisse abzumildern.

Anerkannte Limitationen
Die Autoren merken an, dass der Umfang des aktuellen KG begrenzt ist und primär auf Web-Crawlern, Literatur und regulatorischen Dokumenten basiert, statt auf Echtzeit-Betriebsdaten spezifischer U-Bahn-Projekte. Folglich fehlt dem Modell derzeit die Fähigkeit zur Echtzeit-dynamischen Überwachung von Gerätestatus, menschlichem Verhalten und Umweltparametern.