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

Sintesi Tecnica: Analisi Bayesiana Intelligente basata su Knowledge Graph e Reti Neurali a Grafo per il Rischio di Incendio nelle Metropolitane

Definizione del Problema
I sistemi metropolitani, caratterizzati da spazi stretti e folle dense, affrontano significative sfide in materia di sicurezza antincendio. Le metodologie di valutazione del rischio esistenti soffrono di distinte limitazioni:

1. Knowledge Graphs (KG): I KG tradizionali si affidano esclusivamente alla topologia nodo-arco, ignorando le correlazioni tra gli attributi delle entità, il che risulta in una scarsa capacità di ragionamento.
2. Reti Bayesiane (BN): Le BN classiche sono tipicamente costruite tramite la selezione manuale dei nodi da parte di esperti, introducendo un forte pregiudizio soggettivo e limitando l'adattabilità a sistemi complessi e dinamici.
3. Limitazioni Generali: Gli approoli attuali spesso mancano di una valutazione del rischio dinamica e basata sui dati in tempo reale, faticano con le relazioni implicite tra le entità e non riescono a costruire dinamicamente BN personalizzate per specifici incidenti di incendio nelle metropolitane.

Metodologia
Lo studio propone un framework integrato KG-GNN-BN che transita dall'estrazione di dati strutturati al ragionamento probabilistico attraverso quattro fasi chiave:

1. Costruzione del Knowledge Graph:

   • Fonti dei Dati: Sono stati analizzati i record storici degli incendi (1958–2025) e i documenti normativi.
   • Elaborazione NLP: L'elaborazione del linguaggio naturale (utilizzando la libreria Jieba) ha estratto 215 parole chiave caratteristiche degli incendi e definito 6 etichette di rischio (Evento/Anno, Sistema di Gestione, Comportamento Umano, Attrezzatura/Struttura, Ambiente/Flusso d'Aria, Conseguenze/Miglioramento).
   • Struttura del Grafo: È stato costruito un KG per gli incendi nelle metropolitane contenente 666 nodi e 931 archi, incorporando gli attributi di caratteristica e di etichetta nella topologia per formare un dataset completo.

2. Addestramento della Rete Neurale a Grafo (GNN):

   • Architettura: È stata impiegata una rete convoluzionale su grafo (GCN) a tre strati con connessioni residue e normalizzazione del batch.
   • Processo: Il modello ha eseguito l'estrazione dell'embedding dei nodi e l'apprendimento delle caratteristiche. Ha utilizzato un meccanismo di passaggio di messaggi per aggiornare iterativamente gli stati nascosti basandosi sull'aggregazione dei vicini.
   • Ottimizzazione: Il modello è stato addestrato utilizzando la perdita di entropia incrociata (cross-entropy loss) e l'ottimizzatore Adam con uno scheduler del tasso di apprendimento a annealing del coseno.

3. Selezione Automatica dei Nodi per la BN:

   • Confidenza e Clustering: La GNN addestrata ha generato gli embedding dei nodi. Un punteggio di confidenza è stato calcolato tramite normalizzazione Softmax. È stato applicato il clustering K-means (K=6, corrispondente alle categorie di tag) per garantire la diversità ed evitare bias di copertura delle caratteristiche.
   • Scoring: Una formula di punteggio completa ha integrato la confidenza di classificazione e la rappresentatività intra-cluster (distanza dal centroide del cluster).
   • Selezione: Sulla base di questi punteggi, sono stati selezionati automaticamente 22 nodi rappresentativi dai 666 nodi per formare la catena causale centrale della BN. Questo processo utilizza uno scoring automatizzato ma comporta l'aggiustamento manuale dei coefficienti di peso e delle soglie per bilanciare la rappresentatività e prevenire l'overfitting.

4. Parametrizzazione della Rete Bayesiana:

   • Struttura: I 22 nodi selezionati hanno formato la struttura della BN.
   • Probabilità: Le probabilità a priori e condizionate sono state determinate tramite il metodo Delphi, aggregando il feedback di 17 esperti di sicurezza antincendio nelle metropolitane. La coerenza è stata verificata tramite l'alfa di Cronbach (>0,8) e il coefficiente di variazione.

Risultati Chiave

• Prestazioni del Modello: La GNN ha raggiunto un'elevata accuratezza di addestramento (vicina a 1,0) e un'accuratezza di validazione (stabilizzata intorno a 0,9), dimostrando una forte capacità di generalizzazione. La matrice di confusione ha indicato un'elevata capacità discriminante tra le 6 categorie di tag.
• Analisi di Sensibilità: Utilizzando Netica, lo studio ha identificato i nodi di rischio critici.
  • Vittime: Il nodo 'Allarme Iniziale' ha mostrato il coefficiente di sensibilità più alto (2,05), seguito da 'Efficienza di Evacuazione' (1,9).
  • Catene Causali: La 'Propagazione dell'Incendio' è stata influenzata maggiormente dalla 'Ritardanza alla Fiamma dei Materiali'; la 'Diffusione del Fumo' dalla 'Occorrenza di Fuoco Aperto'; e l''Allarme Iniziale' dall''Organizzazione del Servizio'.
• Simulazione di Scenario:
  • In uno stato basale, la probabilità di vittime gravi era del 6,58%.
  • In uno scenario di rischio composito (simulando il caso di incendio doloso di Daegu del 2003 con comportamenti malevoli, guasti alle attrezzature e ritardi negli allarmi), la probabilità di vittime gravi è salita al 53,2%.
  • La 'Diffusione del Fumo' in uno stato di alto guasto ha causato l'escalation più significativa nella probabilità di vittime (la bassa probabilità di vittime è scesa dal 77,8% al 47,7%).
• Tracciamento Inverso: L'analisi ha identificato 'Allarme Iniziale', 'Efficienza di Evacuazione' e 'Propagazione dell'Incendio' come la catena principale di trasmissione del rischio, con valori di variazione superiori al 13%. Il 'Comportamento dei Passeggeri' è stato identificato come il driver primario per l''Occorrenza di Fuoco Aperto'.

Significatività e Rivendicazioni
L'articolo sostiene che il modello proposto KG-GNN-BN offre una pipeline guidata dai dati che migliora l'obiettività della costruzione della BN. La sua importanza risiede in:

• Obiettività: Riduce la soggettività della tradizionale selezione manuale dei nodi utilizzando un approccio di scoring automatizzato addestrato dalla GNN, sebbene la selezione finale comporti la regolazione manuale delle soglie e i parametri di probabilità dipendano ancora dallo scoring degli esperti tramite il metodo Delphi.
• Integrazione: Trasforma fluidamente la semantica strutturata delle normative e i dati storici degli incidenti in una rete di ragionamento probabilistico.
• Applicabilità: Il modello fornisce uno strumento quantitativo sia per la previsione dinamica che per l'analisi retrospettiva dei rischi di incendio nelle metropolitane. Supporta non solo l'analisi del rischio generale, ma anche la costruzione di KG personalizzati per specifici contesti operativi.
• Intuizione Strategica: Lo studio fornisce strategie di prevenzione specifiche supportate dai dati, sottolineando la necessità di dare priorità alla rapida risposta dell'allarme, alla stabilità dell'efficienza di evacuazione e al controllo della diffusione del fumo per mitigare i rischi ad alte conseguenze.

Limitazioni Riconosciute
Gli autori osservano che la scala attuale del KG è limitata, basandosi principalmente su web crawler, letteratura e documenti normativi piuttosto che su dati operativi in tempo reale provenienti da specifici progetti metropolitani. Di conseguenza, il modello attualmente manca di capacità di monitoraggio dinamico in tempo reale per lo stato delle attrezzature, il comportamento del personale e i parametri ambientali.