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

Resumo Técnico: Análise Bayesiana Inteligente Baseada em Grafos de Conhecimento e Redes Neurais de Grafos para Risco de Incêndio em Metrôs

Definição do Problema
Os sistemas de metrô, caracterizados por espaços estreitos e multidões densas, enfrentam desafios significativos de segurança contra incêndios. As metodologias de avaliação de risco existentes sofrem de limitações distintas:

1. Grafos de Conhecimento (KG): Os KGs tradicionais dependem apenas da topologia de nós e arestas, ignorando as correlações de atributos das entidades, o que resulta em uma capacidade de raciocínio deficiente.
2. Redes Bayesianas (BN): As BNs clássicas são tipicamente construídas via seleção manual de nós por especialistas, introduzindo um forte viés subjetivo e limitando a adaptabilidade a sistemas complexos e dinâmicos.
3. Limitações Gerais: As abordagens atuais carecem frequentemente de avaliação de risco dinâmica baseada em dados em tempo real, lutam com relações implícitas entre entidades e falham em construir dinamicamente BNs adaptadas a incidentes específicos de incêndio em metrôs.

Metodologia
O estudo propõe um framework integrado KG-GNN-BN que transita da extração de dados estruturados para o raciocínio probabilístico através de quatro estágios principais:

1. Construção do Grafo de Conhecimento:

   • Fontes de Dados: Registros históricos de incêndios (1958–2025) e documentos regulatórios foram analisados.
   • Processamento de NLP: O Processamento de Linguagem Natural (usando a biblioteca Jieba) extraiu 215 palavras-chave de características de incêndio e definiu 6 rótulos de acidentes de risco (Evento/Ano, Sistema de Gestão, Comportamento Humano, Equipamento/Estrutura, Ambiente/Fluxo de Ar, Consequências/Melhoria).
   • Estrutura do Grafo: Um KG de incêndio em metrô foi construído contendo 666 nós e 931 arestas, incorporando atributos de características e rótulos na topologia para formar um conjunto de dados completo.

2. Treinamento de Rede Neural de Grafo (GNN):

   • Arquitetura: Foi empregada uma Rede Convolucional de Grafos (GCN) de três camadas com conexões residuais e normalização por lote (batch normalization).
   • Processo: O modelo realizou a extração de embedding de nós e aprendizado de características. Utilizou um mecanismo de passagem de mensagens para atualizar iterativamente os estados ocultos com base na agregação de vizinhos.
   • Otimização: O modelo foi treinado usando perda de entropia cruzada e o otimizador Adam com um agendador de taxa de aprendagem de recozimento de cosseno (cosine annealing).

3. Seleção Automática de Nós para BN:

   • Confiança e Agrupamento: A GNN treinada gerou embeddings de nós. Uma pontuação de confiança foi calculada via normalização Softmax. O agrupamento K-means (K=6, correspondendo às categorias de tags) foi aplicado para garantir diversidade e evitar viés de cobertura de características.
   • Pontuação: Uma fórmula de pontuação abrangente integrou a confiança de classificação e a representatividade intracluster (distância ao centroide do cluster).
   • Seleção: Com base nessas pontuações, 22 nós representativos foram selecionados automaticamente dos 666 nós para formar a cadeia causal central da BN. Este processo utiliza pontuação automatizada, mas envolve o ajuste manual de coeficientes de peso e limiares para equilibrar a representatividade e prevenir o sobreajuste (overfitting).

4. Parametrização da Rede Bayesiana:

   • Estrutura: Os 22 nós selecionados formaram a estrutura da BN.
   • Probabilidades: As probabilidades a priori e condicionais foram determinadas através do método Delphi, agregando o feedback de 17 especialistas em segurança contra incêndios de metrô. A consistência foi verificada usando o alfa de Cronbach (>0,8) e o coeficiente de variação.

Resultos Principais

• Desempenho do Modelo: A GNN alcançou alta precisão de treinamento (aproximando-se de 1,0) e precisão de validação (estabilizando em torno de 0,9), demonstrando forte generalização. A matriz de confusão indicou alta capacidade discriminativa entre as 6 categorias de tags.
• Análise de Sensibilidade: Usando o Netica, o estudo identificou nós de risco críticos.
  • Vítimas: O nó 'Alarme Inicial' mostrou o coeficiente de sensibilidade mais alto (2,05), seguido por 'Eficiência de Evacuação' (1,9).
  • Cadeias Causais: A 'Propagação do Fogo' foi mais influenciada pela 'Retardância de Chama de Materiais'; a 'Difusão de Fumaça' pelo 'Ocorrência de Fogo Aberto'; e o 'Alarme Inicial' pelo 'Arranjo de Serviço'.
• Simulação de Cenários:
  • Sob um estado de linha de base, a probabilidade de vítimas graves foi de 6,58%.
  • Em um cenário de risco composto (simulando o caso de incêndio criminoso de Daegu em 2003 com comportamento malicioso, falha de equipamento e alarmes atrasados), a probabilidade de vítimas graves saltou para 53,2%.
  • A 'Difusão de Fumaça' em um estado de alta falha causou a escalada mais significativa na probabilidade de vítimas (a probabilidade de baixa fatalidade caiu de 77,8% para 47,7%).
• Rastreamento Reverso: A análise identificou 'Alarme Inicial', 'Eficiência de Evacuação' e 'Propagação de Fogo' como a cadeia central de transmissão de risco, com valores de variação superiores a 13%. O 'Comportamento do Passageiro' foi identificado como o principal motor para a 'Ocorrência de Fogo Aberto'.

Significância e Alegações
O artigo afirma que o modelo KG-GNN-BN proposto oferece um pipeline orientado por dados que aumenta a objetividade da construção da BN. Sua significância reside em:

• Objetividade: Reduz a subjetividade da tradicional seleção manual de nós ao utilizar uma abordagem de pontuação treinada por GNN de forma automatizada, embora a seleção final envolva o ajuste manual de limiares e os parâmetros de probabilidade ainda dependam de pontuação de especialistas via método Delphi.
• Integração: Transforma de forma fluida a semântica regulatória estruturada e os dados de acidentes históricos em uma rede de raciocínio probabilístico.
• Aplicabilidade: O modelo fornece uma ferramenta quantitativa tanto para a previsão dinâmica quanto para a análise retrospectiva de riscos de incêndio em metrôs. Suporta não apenas a análise de risco geral, mas também a construção de KGs customizados para contextos operacionais específicos.
• Insight Estratégico: O estudo fornece estratégias de prevenção específicas e baseadas em dados, enfatizando a necessidade de priorizar a resposta rápida de alarme, a estabilidade da eficiência de evacuação e o controle da difusão de fumaça para mitigar riscos de alta consequência.

Limitações Reconhecidas
Os autores observam que a escala atual do KG é limitada, dependendo principalmente de rastreadores web, literatura e documentos regulatórios, em vez de dados operacionais em tempo real de projetos de metrô específicos. Consequentemente, o modelo atualmente carece de capacidades de monitoramento dinâmico em tempo real para o status de equipamentos, comportamento de pessoal e parâmetros ambientais.