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

Technische Samenvatting: Intelligente Bayesiaanse Analyse gebaseerd op Knowledge Graph en Graph Neural Network voor Brandrisico in Metrostations

Probleemstelling
Metrostelsels, gekenmerkt door nauwe ruimtes en dichte menigten, worden geconfronteerd met aanzienlijke uitdagingen op het gebied van brandveiligheid. Bestaande risicobeoordelingsmethodologieën lijden aan duidelijke beperkingen:

1. Knowledge Graphs (KG): Traditionele KGs vertrouwen uitsluitend op de topologie van knopen en randen, waarbij ze de correlaties tussen entiteitseigenschappen negeren, wat resulteert in zwakke redeneerkracht.
2. Bayesiaanse Netwerken (BN): Klassieke BNs worden doorgaans geconstrueerd via handmatige knoopselectie door experts, wat een sterke subjectieve bias introduceert en de aanpasbaarheid aan complexe, dynamische systemen beperkt.
3. Algemene Beperkingen: Huidige benaderingen missen vaak real-time, datagestuurde dynamische risicobeoordeling, worstelen met impliciete relaties tussen entiteiten en slagen er niet in om dynamisch BNs te construeren die specifiek zijn afgestemd op specifieke metrobrandincidenten.

Methodologie
De studie stelt een geïntegreerd KG-GNN-BN framework voor dat overgaat van gestructureerde data-extractie naar probabilistisch redeneren via vier sleutelfasen:

1. Constructie van de Knowledge Graph:

   • Databronnen: Historische brandverslagen (1958–2025) en regelgevende documenten werden geanalyseerd.
   • NLP-verwerking: Natural Language Processing (met behulp van de Jieba-bibliotheek) extraheerde 215 kenmerkwoorden voor brand en definieerde 6 risico-accidentlabels (Gebeurtenis/Jaar, Managementsysteem, Menselijk gedrag, Apparatuur/Structuur, Omgeving/Luchtstroom, Nasleep/Verbetering).
   • Grafstructuur: Er werd een metrobrand-KG gebouwd met 666 knopen en 931 randen, waarbij kenmerk- en labelattributen in de topologie zijn ingebed om een volledige dataset te vormen.

2. Training van het Graph Neural Network (GNN):

   • Architectuur: Er werd een drie-laagse Graph Convolutional Network (GCN) met residuele verbindingen en batch normalisatie toegepast.
   • Proces: Het model voerde node embedding extractie en feature learning uit. Het maakte gebruik van een message-passing mechanisme om verborgen toestanden iteratief bij te werken op basis van buuraggregatie.
   • Optimalisatie: Het model werd getraind met cross-entropy loss en de Adam-optimizer met een cosine annealing learning rate scheduler.

3. Automatische Knoopselectie voor BN:

   • Betrouwbaarheid & Clustering: Het getrainde GNN genereerde node embeddings. Een betrouwbaarheidsscore werd berekend via Softmax-normalisatie. K-means clustering (K=6, overeenkomend met de tag-categorieën) werd toegepast om diversiteit te waarborgen en bias in de dekking van kenmerken te voorkomen.
   • Scoring: Een uitgebreide formule voor scoring integreerde classificatiebetrouwbaarheid en intra-cluster representativiteit (afstand tot het clustercentrum).
   • Selectie: Op basis van deze scores werden 22 representatieve knopen automatisch geselecteerd uit de 666 knopen om de kernoorzakelijke keten van de BN te vormen. Dit proces maakt gebruik van automatische scoring, maar vereist handmatige aanpassing van gewichtscoëfficiënten en drempelwaarden om de balans tussen representativiteit en het voorkomen van overfitting te bewaren.

4. Bayesiaanse Netwerk Parameterisatie:

   • Structuur: De 22 geselecteerde knopen vormden de BN-structuur.
   • Kansen: Prior en conditionele kansen werden bepaald met behulp van de Delphi-methode, waarbij feedback van 17 experts op het gebied van brandveiligheid in metrostations werd geaggregeerd. Consistentie werd geverifieerd met de Cronbach's alfa (>0,8) en de variatiecoëfficiënt.

Belangrijkste Resultaten

• Modelprestaties: Het GNN bereikte een hoge trainingsnauwkeurigheid (naderend aan 1,0) en validatienauwkeurigheid (stabiliserend rond de 0,9), wat duidt op een sterke generalisatie. De confusion matrix gaf een hoge onderscheidingskracht aan over de 6 tag-categorieën.
• Gevoeligheidsanalyse: Met behulp van Netica identificeerde de studie kritieke risiconodes.
  • Slachtoffers: De node 'Initial Alarm' vertoonde de hoogste sensitiviteitscoëfficiënt (2,05), gevolgd door 'Evacuation Efficiency' (1,9).
  • Oorzakelijke Ketens: 'Fire Spread' werd het meest beïnvloed door 'Material Flame Retardancy'; 'Smoke Diffusion' door 'Open Fire Occurrence'; en 'Initial Alarm' door 'Duty Arrangement'.
• Scenario Simulatie:
  • Onder een baseline-toestand was de kans op ernstige slachtoffers 6,58%.
  • In een samengesteld risicoscenario (simulatie van de brandstichting in Daegu in 2003 met kwaadwillig gedrag, apparatuurdefecten en vertraagde alarmen) steeg de kans op ernstige slachtoffers naar 53,2%.
  • 'Smoke Diffusion' in een staat met veel defecten veroorzaakte de meest significante escalatie in de slachtofferwaarschijnlijkheid (de lage slachtofferwaarschijnlijkheid daalde van 77,8% naar 47,7%).
• Reverse Tracing: De analyse identificeerde 'Initial Alarm', 'Evacuation Efficiency' en 'Fire Spread' als de kern van de risicotransmissieketen, met variatiewaarden boven de 13%. 'Passenger Behavior' werd geïdentificeerd als de primaire drijfveer voor 'Open Fire Occurrence'.

Betekenis en Claims
Het artikel claimt dat het voorgestelde KG-GNN-BN model een datagestuurde pijplijn biedt die de objectiviteit van de BN-constructie verhoogt. De betekenis ligt in:

• Objectiviteit: Het vermindert de subjectiviteit van traditionele handmatige knoopselectie door een geautomatiseerde, door GNN getrainde scoring-aanpak te gebruiken, hoewel de uiteindelijke selectie nog steeds handmatige afstemming van drempelwaarden vereist en de probabilistische parameters nog steeds afhankelijk zijn van expert-scoring via de Delphi-methode.
• Integratie: Het transformeert gestructureerde regelgevende semantiek en historische ongevalldata naadloos naar een probabilistisch redeneernetwerk.
• Toepasbaarheid: Het model biedt een kwantitatieve tool voor zowel dynamische voorspelling als retrospectieve analyse van brandrisico's in metrostations. Het ondersteunt niet alleen algemene risicoanalyse, maar ook de constructie van op maat gemaakte KGs voor specifieke operationele contexten.
• Strategisch Inzicht: De studie biedt specifieke, op data gebaseerde preventiestrategieën, waarbij wordt benadrukt dat prioriteit moet worden gegeven aan snelle alarmrespons, stabiele evacuatie-efficiëntie en gecontroleerde rookdiffusie om risico's met grote gevolgen te beperken.

Erkende Beperkingen
De auteurs merken op dat de huidige schaal van de KG beperkt is en primair steunt op webcrawlers, literatuur en regelgevende documenten in plaats van real-time operationele data van specifieke metroprojecten. Hierdoor mist het model momenteel real-time monitoringcapaciteiten voor de status van apparatuur, menselijk gedrag en omgevingsparameters.