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

तकनीकी सारांश: सबवे अग्नि जोखिम के लिए ज्ञान ग्राफ और ग्राफ न्यूरल नेटवर्क पर आधारित बुद्धिमान बेयसियन विश्लेषण

समस्या विवरण
सबवे प्रणालियाँ, जो संकीर्ण स्थानों और घनी आबादी की विशेषता रखती हैं, महत्वपूर्ण अग्नि सुरक्षा चुनौतियों का सामना करती हैं। मौजूदा जोखिम मूल्यांकन पद्धतियाँ विशिष्ट सीमाओं से ग्रस्त हैं:

1. ज्ञान ग्राफ (Knowledge Graphs - KG): पारंपरिक KG केवल नोड-एज टोपोलॉजी पर निर्भर करते हैं, जो एंटिटी विशेषता सहसंबंधों (entity attribute correlations) की अनदेखी करते हैं, जिसके परिणामस्वरूप कमजोर तर्क क्षमता (reasoning capabilities) होती है।
2. बेयसियन नेटवर्क (Bayesian Networks - BN): शास्त्रीय BN आमतौर पर विशेषज्ञों द्वारा मैन्युअल नोड चयन के माध्यम से निर्मित किए जाते हैं, जो तीव्र व्यक्तिपरक पूर्वाग्रह (subjective bias) पेश करते हैं और जटिल, गतिशील प्रणालियों के अनुकूलन को सीमित करते हैं।
3. सामान्य सीमाएँ: वर्तमान दृष्टिकोणों में अक्सर वास्तविक समय, डेटा-संचालित गतिशील जोखिम मूल्यांकन का अभाव होता है, वे संस्थाओं (entities) के बीच निहित संबंधों के साथ संघर्ष करते हैं, और विशिष्ट सबवे अग्नि घटनाओं के लिए अनुकूलित BN को गतिशील रूप से बनाने में विफल रहते हैं।

कार्यप्रणाली
यह अध्ययन एक एकीकृत KG-GNN-BN फ्रेमवर्क प्रस्तावित करता है जो चार प्रमुख चरणों के माध्यम से संरचित डेटा निष्कर्षण से संभावabilistic तर्क (probabilistic reasoning) तक संक्रमण करता है:

1. ज्ञान ग्राफ निर्माण (Knowledge Graph Construction):

   • डेटा स्रोत: ऐतिहासिक अग्नि रिकॉर्ड (1958-2025) और नियामक दस्तावेजों का विश्लेषण किया गया।
   • NLP प्रसंस्करण: नेचुरल लैंग्वेज प्रोसेसिंग (Jieba लाइब्रेरी का उपयोग करके) ने 215 अग्नि विशेषता कीवर्ड निकाले और 6 जोखिम दुर्घटना लेबल (घटना/वर्ष, प्रबंधन प्रणाली, मानवीय व्यवहार, उपकरण/संरचना, वातावरण/वायु प्रवाह, परिणाम/सुधार) को परिभाषित किया।
   • ग्राफ संरचना: एक सबवे अग्नि KG बनाया गया जिसमें 666 नोड्स और 931 एजेस शामिल थे, जिसने फीचर और लेबल विशेषताओं को टोपोलॉजी में समाहित करके एक पूर्ण डेटासेट बनाया।

2. ग्राफ न्यूरल नेटवर्क (GNN) प्रशिक्षण:

   • आर्किटेक्चर: रेसिडुअल कनेक्शन और बैच नॉर्मलाइजेशन के साथ एक तीन-स्तरीय ग्राफ कनवल्शनल नेटवर्क (GCN) का उपयोग किया गया।
   • प्रक्रिया: मॉडल ने नोड एम्बेडिंग निष्कर्षण और फीचर लर्निंग का कार्य किया। इसने पड़ोसी एकत्रीकरण (neighbor aggregation) के आधार पर हिडन स्टेट्स को पुनरावृत्त रूप से अपडेट करने के लिए एक मैसेज-पासिंग तंत्र का उपयोग किया।
   • अनुकूलन (Optimization): मॉडल को क्रॉस-एन्ट्रॉपी लॉस और कोसाइन एनिलिंग लर्निंग रेट शेड्यूलर के साथ एडम ऑप्टिमाइज़र का उपयोग करके प्रशिक्षित किया गया।

3. BN के लिए स्वचालित नोड चयन:

   • कॉन्फिडेंस और क्लस्टरिंग: प्रशिक्षित GNN ने नोड एम्बेडिंग्स उत्पन्न कीं। सॉफ्टमैक्स नॉर्मलाइजेशन के माध्यम से एक कॉन्फिडेंस स्कोर की गणना की गई। विविधता सुनिश्चित करने और फीचर कवरेज पूर्वाग्रह से बचने के लिए K-मीन्स क्लस्टरिंग (K=6, टैग श्रेणियों के अनुरूप) लागू की गई।
   • स्कोरिंग: एक व्यापक स्कोरिंग फॉर्मूला ने वर्गीकरण आत्मविश्वास (classification confidence) और इंट्रा-क्लस्टर प्रतिनिधित्व (सेंट्रॉइड से दूरी) को एकीकृत किया।
   • चयन: इन स्कोर के आधार पर, BN की मुख्य कारण श्रृंखला (causal chain) बनाने के लिए 666 नोड्स में से 22 प्रतिनिधि नोड्स को स्वचालित रूप से चुना गया। यह प्रक्रिया स्वचालित स्कोरिंग का उपयोग करती है लेकिन इसमें प्रतिनिधित्व और ओवरफिटिंग को रोकने के लिए वेट कोएफिशिएंट और थ्रेशोल्ड के मैन्युअल समायोजन शामिल है।

4. बेयसन नेटवर्क पैरामीटराइजेशन:

   • संरचना: 22 चयनित नोड्स ने BN संरचना बनाई।
   • संभाव्यता: प्रायोर (Prior) और कंडीशनल प्रोबेबिलिटीज़ को डेल्फी पद्धति (Delphi method) का उपयोग करके निर्धारित किया गया, जिसमें 17 सबवे अग्नि सुरक्षा विशेषज्ञों के फीडबैक को एकत्रित किया गया। क्रोनबैक अल्फा (>0.8) और कोएफिशिएंट ऑफ वेरिएशन का उपयोग करके निरंतरता (consistency) को सत्यापित किया गया।

प्रमुख परिणाम

• मॉडल प्रदर्शन: GNN ने उच्च प्रशिक्षण सटीकता (1.0 के करीब) और सत्यापन सटीकता (लगभग 0.9 पर स्थिर) प्राप्त की, जो मजबूत सामान्यीकरण प्रदर्शित करती है। कन्फ्यूजन मैट्रिक्स ने 6 टैग श्रेणियों में उच्च विभेदात्मक क्षमता का संकेत दिया।
• संवेदनशीलता विश्लेषण (Sensitivity Analysis): नेटिका (Netica) का उपयोग करते हुए, अध्ययन ने महत्वपूर्ण जोखिम नोड्स की पहचान की।
  • हताहत (Casualties): 'प्रारंभिक अलार्म' (Initial Alarm) नोड ने उच्चतम संवेदनशीलता गुणांक (2.05) दिखाया, इसके बाद 'निकासी दक्षता' (Evacuation Efficiency) (1.9) का स्थान रहा।
  • कारण श्रृंखला (Causal Chains): 'अग्नि प्रसार' (Fire Spread) सबसे अधिक 'सामग्री ज्वाला मंदता' (Material Flame Retardancy) से प्रभावित था; 'धुआं प्रसार' (Smoke Diffusion) 'खुली आग की घटना' (Open Fire Occurrence) से; और 'प्रारंभिक अलार्म' 'ड्यूटी व्यवस्था' (Duty Arrangement) से प्रभावित था।
• परिदृश्य सिमुलेशन (Scenario Simulation):
  • एक बेसलाइन स्थिति के तहत, गंभीर हताहतों की संभावना 6.58% थी।
  • एक संयुक्त जोखिम परिदृश्य में (दुर्भावनापूर्ण व्यवहार, उपकरण विफलता और विलंबित अलार्म के साथ 2003 दागु (Daegu) अरासन मामले का अनुकरण), गंभीर हताहतों की संभावना बढ़कर 53.2% हो गई।
  • उच्च-विफलता अवस्था में 'धुआं प्रसार' ने हताहत की संभावना में सबसे महत्वपूर्ण वृद्धि दर्ज की (कम हताहत संभावना 77.8% से गिरकर 47.7% हो गई)।
• रिवर्स ट्रेसिंग (Reverse Tracing): विश्लेषण ने 'प्रारंभिक अलार्म', 'निकासी दक्षता' और 'अग्नि प्रसार' को मुख्य जोखिम संचरण श्रृंखला के रूप में पहचाना, जिसमें भिन्नता मान 13% से अधिक था। 'यात्री व्यवहार' को 'खुली आग की घटना' के प्राथमिक चालक के रूप में पहचाना गया।

महत्व और दावे
यह शोध दावा करता है कि प्रस्तावित KG-GNN-BN मॉडल एक डेटा-संचालित पाइपलाइन प्रदान करता है जो BN निर्माण की वस्तुनिष्ठता को बढ़ाता है। इसका महत्व निम्नलिखित में निहित है:

• वस्तुनिष्ठता: यह स्वचालित, GNN-प्रशिक्षित स्कोरिंग दृष्टिकोण का उपयोग करके पारंपरिक मैन्युअल नोड चयन की व्यक्तिपरकता को कम करता है, हालांकि अंतिम चयन में मैन्युअल थ्रेशोल्ड ट्यूनिंग शामिल है, और संभाव्यता पैरामीटर अभी भी डेल्फी पद्धति के माध्यम से विशेषज्ञ स्कोरिंग पर निर्भर हैं।
• एकीकरण: यह संरचित नियामक अर्थशास्त्र (regulatory semantics) और ऐतिहासिक दुर्घटना डेटा को एक संभाव्यता तर्क नेटवर्क में निर्बाध रूप से परिवर्तित करता है।
• अनुप्रयोग क्षमता: मॉडल सबवे अग्नि जोखिमों के गतिशील पूर्वानुमान और पूर्वव्यापी विश्लेषण दोनों के लिए एक मात्रात्मक उपकरण प्रदान करता है। यह न केवल सामान्य जोखिम विश्लेषण बल्कि विशिष्ट परिचालन संदर्भों के लिए अनुकूलित KGs के निर्माण का भी समर्थन करता है।
• रणनीतिक अंतर्दृष्टि: अध्ययन विशिष्ट, डेटा-समर्थित रोकथाम रणनीतियों प्रदान करता है, जो उच्च-परिणाम वाले जोखिमों को कम करने के लिए तीव्र अलार्म प्रतिक्रिया, स्थिर निकासी दक्षता और नियंत्रित धुआं प्रसार को प्राथमिकता देने की आवश्यकता पर जोर देता है।

स्वीकृत सीमाएँ
लेखकों ने उल्लेख किया है कि वर्तमान KG का पैमाना सीमित है, जो विशिष्ट सबवे परियोजनाओं से वास्तविक समय के परिचालन डेटा के बजाय मुख्य रूप से वेब क्रॉलर्स, साहित्य और नियामक दस्तावेजों पर निर्भर करता है। फलस्वरूप, वर्तमान मॉडल में उपकरण की स्थिति, कर्मियों के व्यवहार और पर्यावरणीय मापदंडों के लिए वास्तविक समय की गतिशील निगरानी क्षमताओं का अभाव है।