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

Résumé Technique : Analyse Bayésienne Intelligente Basée sur un Graphe de Connaissances et un Réseau de Neurones sur Graphe pour le Risque d'Incendie dans le Métro

Énoncé du Problème
Les systèmes de métro, caractérisés par des espaces étroits et des foules denses, font face à des défis importants en matière de sécurité incendie. Les méthodologies d'évaluation des risques existantes souffrent de limitations distinctes :

1. Graphes de Connaissances (KG) : Les KG traditionnels reposent uniquement sur la topologie des nœuds et des arêtes, ignorant les corrélations entre les attributs des entités, ce qui entraîne des capacités de raisonnement médiocres.
2. Réseaux Bayésiens (BN) : Les BN classiques sont généralement construits via une sélection manuelle de nœuds par des experts, introduisant un fort biais subjectif et limitant l'adaptabilité aux systèmes complexes et dynamiques.
3. Limitations Générales : Les approches actuelles manquent souvent d'une évaluation des risques dynamique et pilotée par les données en temps réel, peinent à traiter les relations implicites entre les entités et ne parviennent pas à construire dynamiquement des BN adaptés à des incidents d'incendie de métro spécifiques.

Méthodologie
L'étude propose un cadre intégré KG-GNN-BN qui passe de l'extraction de données structurées au raisonnement probabiliste à travers quatre étapes clés :

1. Construction du Graphe de Connaissances :

   • Sources de Données : Les archives historiques d'incendies (1958–2025) et les documents réglementaires ont été analysés.
   • Traitement NLP : Le traitement du langage naturel (utilisant la bibliothèque Jieba) a extrait 215 mots-clés de caractéristiques d'incendie et défini 6 étiquettes d'accidents à risque (Événement/Année, Système de Gestion, Comportement Humain, Équipement/Structure, Environnement/Flux d'Air, Conséquences/Amélioration).
   • Structure du Graphe : Un KG d'incendie de métro a été construit, contenant 666 nœuds et 931 arêtes, intégrant les attributs de caractéristiques et d'étiquettes dans la topologie pour former un ensemble de données complet.

2. Entraînement du Réseau de Neurones sur Graphe (GNN) :

   • Architecture : Un réseau de neurones convolutifs sur graphe (GCN) à trois couches avec des connexions résiduelles et une normalisation par lots a été employé.
   • Processus : Le modèle a effectué l'extraction d'embeddings de nœuds et l'apprentissage de caractéristiques. Il a utilisé un mécanisme de passage de messages pour mettre à jour de manière itérative les états cachés par agrégation de voisinage.
   • Optimisation : Le modèle a été entraîné à l'aide de la perte d'entropie croisée et de l'optimiseur Adam avec un ordonnanceur de taux d'apprentissage par recuit de cosinus (cosine annealing).

3. Sélection Automatique de Nœuds pour le BN :

   • Confiance et Clustering : Le GNN entraîné a généré des embeddings de nœuds. Un score de confiance a été calculé via une normalisation Softmax. Le clustering K-means (K=6, correspondant aux catégories d'étiquettes) a été appliqué pour assurer la diversité et éviter le biais de couverture des caractéristiques.
   • Scoring : Une formule de score complète intègre la confiance de classification et la représentativité intra-cluster (distance au centroïde du cluster).
   • Sélection : Sur la base de ces scores, 22 nœuds représentatifs ont été automatiquement sélectionnés parmi les 666 nœuds pour former la chaîne causale centrale du BN. Ce processus utilise un scoring automatisé mais implique un ajustement manuel des coefficients de poids et des seuils pour équilibrer la représentativité et prévenir le surapprentissage.

4. Paramétrage du Réseau Bayésien :

   • Structure : Les 22 nœuds sélectionnés forment la structure du BN.
   • Probabilités : Les probabilités a priori et conditionnelles ont été déterminées via la méthode Delphi, agrégeant les retours de 17 experts en sécurité incendie de métro. La cohérence a été vérifiée par l'alpha de Cronbach (>0,8) et le coefficient de variation.

Résultats Clés

• Performance du Modèle : Le GNN a atteint une précision d'entraînement élevée (proche de 1,0) et une précision de validation (se stabilisant autour de 0,9), démontrant une forte capacité de généralisation. La matrice de confusion indique une haute capacité de discrimination à travers les 6 catégories d'étiquettes.
• Analyse de Sensibilité : En utilisant Netica, l'étude a identifié des nœuds de risque critiques.
  • Victimes : Le nœud 'Alarme Initiale' présente le coefficient de sensibilité le plus élevé (2,05), suivi de 'Efficacité de l'Évacuation' (1,9).
  • Chaînes Causales : La 'Propagation de l'Incendie' est le plus influencée par la 'Résistance au Feu des Matériaux' ; la 'Diffusion de la Fumée' par l''Occurrence d'un Incendie Ouvert' ; et l''Alarme Initiale' par l''Organisation des Services'.
• Simulation de Scénarios :
  • Dans un état de référence, la probabilité de victimes graves est de 6,58 %.
  • Dans un scénario de risque composite (simulant l'incendie criminel de Daegu en 2003 avec comportement malveillant, défaillance d'équipement et alarme retardée), la probabilité de victimes graves grimpe à 53,2 %.
  • La 'Diffusion de la Fumée' dans un état de défaillance élevée provoque l'escalade la plus significative de la probabilité de victimes (la faible probabilité de victimes chute de 77,8 % à 47,7 %).
• Traçage Inverse : L'analyse a identifié l''Alarme Initiale', l''Efficacité de l'Évacuation' et la 'Propagation de l'Incendie' comme la chaîne de transmission de risque centrale, avec des valeurs de variation dépassant 13 %. Le 'Comportement des Passagers' a été identifié comme le principal moteur de l''Occurrence d'un Incendie Ouvert'.

Signification et Revendications
L'article affirme que le modèle KG-GNN-BN proposé offre un pipeline piloté par les données qui améliore l'objectivité de la construction du BN. Sa signification réside dans :

• Objectivité : Il réduit la subjectivité de la sélection manuelle traditionnelle des nœuds en utilisant une approche de scoring automatisée entraînée par GNN, bien que la sélection finale implique un réglage manuel des seuils, et que les paramètres de probabilité dépendent toujours de l'évaluation par les experts via la méthode Delphi.
• Intégration : Il transforme de manière fluide la sémantique réglementaire structurée et les données d'accidents historiques en un réseau de raisonnement probabiliste.
• Applicabilité : Le modèle fournit un outil quantitatif pour la prédiction dynamique et l'analyse rétrospective des risques d'incendie dans le métro. Il soutient non seulement l'analyse des risques généraux, mais aussi la construction de KGs personnalisés pour des contextes opérationnels spécifiques.
• Aperçu Stratégique : L'étude fournit des stratégies de prévention spécifiques basées sur les données, soulignant la nécessité de prioriser la réponse rapide à l'alarme, la stabilité de l'efficacité de l'évacuation et le contrôle de la diffusion de la fumée pour atténuer les risques à conséquences élevées.

Limites Reconnues
Les auteurs notent que l'échelle actuelle du KG est limitée, reposant principalement sur des outils de collecte web, la littérature et les documents réglementaires plutôt que sur des données opérationnelles en temps réel provenant de projets de métro spécifiques. Par conséquent, le modèle manque actuellement de capacités de surveillance dynamique en temps réel pour l'état des équipements, le comportement du personnel et les paramètres environnementaux.