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

技術要約：知識グラフとグラフニューラルネットワークに基づく地下鉄火災リスクのインテリジェントなベイズ解析

問題提起
狭隘な空間と密集した群衆を特徴とする地下鉄システムは、重大な火災安全上の課題に直面している。既存のリスク評価手法には、以下のような明確な限界が存在する：

1. 知識グラフ (KG): 従来のKGはノードとエッジのトポロジーのみに依存しており、エンティティの属性相関を無視しているため、推論能力が低い。
2. ベイジアンネットワーク (BN): 古典的なBNは通常、専門家による手動のノード選択によって構築されるため、強い主観的バイアスが生じ、複雑で動的なシステムへの適応性が制限される。
3. 全般的な限界: 現在のアプローチは、リアルタイムかつデータ駆動型の動的なリスク評価に欠けていることが多く、エンティティ間の暗黙的な関係性の把握に苦慮しており、特定の地下鉄火災事故に特化したBNを動的に構築することができない。

手法
本研究では、構造化データの抽出から確率的推論へと移行する、統合的なKG-GNN-BNフレームワークを提案する。これは以下の4つの主要段階からなる：

1. 知識グラフの構築:

   • データソース: 1958年から2025年までの過去の火災記録および規制文書を分析した。
   • NLP処理: 自然言語処理（Jiebaライブラリを使用）を用いて215個の火災特性キーワードを抽出し、6つのリスク事故ラベル（事象/年、管理体制、人間行動、設備/構造、環境/気流、事後/改善）を定義した。
   • グラフ構造: 666個のノードと931個のエッジを含む地下鉄火災KGを構築し、特徴量とラベル属性をトポロジーに埋め込むことで、完全なデータセットを形成した。

2. グラフニューラルネットワーク (GNN) の学習:

   • アーキテクチャ: 残差接続とバッチ正規化を備えた3層のグラフ畳み込みネットワーク (GCN) を採用した。
   • プロセス: モデルはノード埋め込みの抽出と特徴学習を実行した。メッセージパッシング・メカニズムを利用して、近傍の集約に基づき隠れ状態を反復的に更新した。
   • 最適化: モデルは、クロスエントロピー損失と、コサインアニーリング学習率スケジューラを用いたAdamオプティマイザを使用して学習された。

3. BNのための自動ノード選択:

   • 信頼度とクラスタリング: 学習済みGNNはノード埋め込みを生成した。Softmax正規化を介して信頼度スコアを算出した。特徴量のカバー範囲の偏りを避け、多様性を確保するために、K-meansクラスタリング（K=6、タグカテゴリに一致）を適用した。
   • スコアリング: 分類信頼度とクラスター内代表性（クラスター重心への距離）を統合した包括的なスコアリング式を用いた。
   • 選択: これらのスコアに基づき、666個のノードから22個の代表的なノードを自動的に選択し、BNのコアとなる因果鎖を形成した。このプロセスは自動スコアリングを利用しているが、代表性と過学習防止のバランスを取るために、重み係数と閾値の手動調整が含まれる。

4. ベイジアンネットワークのパラメータ化:

   • 構造: 選択された22個のノードがBNの構造を形成した。
   • 確率: 事前確率および条件付き確率は、17名の地下鉄火災安全専門家からのフィードバックを集約したデルファイ法を用いて決定された。整合性は、クロンバックのアルファ係数（>0.8）および変動係数を用いて検証された。

主な結果

• モデルの性能: GNNは高い学習精度（1.0に接近）と検証精度（約0.9で安定）を達成し、強力な汎化性能を示した。混同行列は、6つのタグカテゴリにわたる高い識別能力を示した。
• 感度分析: Neticaを用い、重要なリスクノードを特定した。
  • 人的被害: 「初期警報」ノードが最も高い感度係数（2.05）を示し、次いで「避難効率」（1.9）であった。
  • 因果鎖: 「火災の拡大」は「材料の難燃性」の影響を最も強く受け、「煙の拡散」は「火災発生」の影響を、「初期警報」は「勤務体制」の影響をそれぞれ受けた。
• シナリオシミュレーション:
  • ベースライン状態では、深刻な人的被害が発生する確率は**6.58%**であった。
  • 複合リスクシナリオ（悪意のある行動、設備の故障、警報の遅延を伴う2003年の大邱放火事件をシミュレートしたもの）では、深刻な人的被害が発生する確率は**53.2%**へと急増した。
  • 高故障状態における「煙の拡散」は、人的被害の確率を最も大きく増大させた（低被害確率が77.8%から47.7%へ低下）。
• 逆方向の追跡: 分析により、「初期警報」、「避難効率」、「火災の拡大」がコアとなるリスク伝播鎖であることが特定され、その変動値は13%を超えた。「乗客の行動」は「火災発生」の主要な要因として特定された。

意義と主張
本論文は、提案されたKG-GNN-BNモデルが、BN構築の客観性を高めるデータ駆動型のパイプラインを提供すると主張している。その意義は以下の通りである：

• 客観性: 自動化されたGNN学習によるスコアリング手法を用いることで、従来の典型的な手動ノード選択による主観性を軽減している。ただし、最終的な選択には手動の閾値調整が含まれ、確率パラメータは依然としてデルファイ法による専門家のスコアリングに依存している。
• 統合: 構造化された規制セマンティクスと過去の事故データを、確率的推論ネットワークへとシームレスに変換する。
• 適用可能性: 本モデルは、動的な予測および地下鉄火災リスクの遡及的な分析の両方に対して定量的なツールを提供する。これは一般的なリスク分析だけでなく、特定の運用コンテキストに応じたカスタマイズ可能なKGの構築もサポートする。
• 戦略的洞察: 本研究は、データに基づいた具体的な予防戦略を提供しており、高リスク事象を軽減するために、迅速な警報応答、安定した避難効率、および制御された煙の拡散を優先する必要性を強調している。

認められた限界
著者らは、現在のKGの規模が制約されており、主にウェブクローラー、文献、および規制文書に依存しており、特定の地下鉄プロジェクトからのリアルタイムの運用データには基づいていないことを指摘している。その結果、現在のモデルには、機器の状態、人員の行動、および環境パラメータに関するリアルタイムの動的モニタリング機能が欠けている。