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

技术摘要：基于知识图谱与图神经网络的地铁火灾风险智能贝叶斯分析

问题陈述
地铁系统具有空间狭窄、人员密集等特点，面临着严峻的消防安全挑战。现有的风险评估方法存在明显的局限性：

1. 知识图谱 (KG)： 传统的知识图谱仅依赖于节点-边拓扑结构，忽略了实体属性之间的相关性，导致推理能力较弱。
2. 贝叶斯网络 (BN)： 经典的贝叶斯网络通常通过专家的手动节点选择进行构建，这引入了较强的主观偏见，且难以适应复杂、动态的系统。
3. 普遍局限性： 当前的方法往往缺乏实时、数据驱动的动态风险评估能力，难以处理实体间的隐性关系，且无法针对特定的地铁火灾事件动态构建定制化的贝叶斯网络。

研究方法
本研究提出了一个集成的 KG-GNN-BN 框架，实现了从结构化数据提取到概率推理的四个关键阶段转换：

1. 知识图谱构建：

   • 数据来源： 分析了历史火灾记录（1958–2025年）及监管文件。
   • NLP 处理： 利用自然语言处理技术（使用 Jieba 库）提取了 215 个火灾特征关键词，并定义了 6 个风险事故标签（事件/年份、管理体系、人类行为、设备/结构、环境/气流、后果/改进）。
   • 图结构： 构建了一个包含 666 个节点和 931 条边的地铁火灾知识图谱，通过将特征和标签属性嵌入拓扑结构中，形成了一个完整的数据集。

2. 图神经网络 (GNN) 训练：

   • 架构： 采用了带有残差连接和批归一化（Batch Normalization）的三层图卷积网络（GCN）。
   • 流程： 模型执行节点嵌入提取和特征学习。它利用消息传递机制，通过邻域聚合迭代更新隐藏状态。
   • 优化： 使用交叉熵损失函数和带有余弦退火学习率调度器的 Adam 优化器对模型进行训练。

3. 贝叶斯网络自动节点选择：

   • 置信度与聚类： 训练后的 GNN 生成节点嵌入。通过 Softmax 归一化计算置信度得分。应用 K-means 聚类（K=6，与标签类别匹配）以确保多样性并避免特征覆盖偏差。
   • 评分机制： 综合评分公式整合了分类置信度和簇内代表性（到聚类中心的距离）。
   • 选择过程： 基于这些评分，从 666 个节点中自动选择了 22 个代表性节点，用以构成贝叶斯网络的核心因果链。此过程利用自动化评分，但涉及通过人工调整权重系数和阈值来平衡代表性并防止过拟合。

4. 贝叶斯网络参数化：

   • 结构： 选定的 22 个节点构成了贝叶斯网络的结构。
   • 概率确定： 先验概率和条件概率通过 德尔菲法（Delphi method） 确定，汇总了 17 位地铁消防安全专家的反馈。通过 Cronbach's alpha 系数（>0.8）和变异系数验证了其一致性。

核心结果

• 模型性能： GNN 实现了极高的训练准确率（接近 1.0）和验证准确率（稳定在 0.9 左右），展示了强大的泛化能力。混淆矩阵表明模型在 6 个标签类别上具有高判别能力。
• 敏感性分析： 利用 Netica 识别了关键风险节点。
  • 伤亡情况： “初始报警”节点的敏感性系数最高（2.05），其次是“疏散效率”（1.9）。
  • 因果链： “火灾蔓延”受“材料阻燃性”影响最大；“烟雾扩散”受“明火发生”影响最大；“初始报警”受“值班安排”影响最大。
• 场景模拟：
  • 在基准状态下，严重伤亡的概率为 6.58%。
  • 在复合风险场景下（模拟了包含恶意行为、设备故障和报警延迟的 2003 年大邱纵火案），严重伤亡的概率激增至 53.2%。
  • 在高故障状态下，“烟雾扩散”导致伤亡概率上升最为显著（低伤亡概率从 77.8% 下降至 47.7%）。
• 反向溯源： 分析确定了“初始报警”、“疏散效率”和“火灾蔓延”是核心风险传递链，其变异值超过 13%。同时，“乘客行为”被确定为“明火发生”的主要驱动因素。

意义与主张
本文声称所提出的 KG-GNN-BN 模型 提供了一种数据驱动的流水线，增强了贝叶斯网络构建的客观性。其意义在于：

• 客观性： 通过使用经过 GNN 训练的自动化评分方法，减少了传统人工节点选择的主观性，尽管最终的选择仍涉及人工阈值微调，且概率参数仍依赖于通过德尔菲法进行的专家评分。
• 集成性： 它将结构化的监管语义和历史事故数据无缝转化为概率推理网络。
• 适用性： 该模型为地铁火灾风险的动态预测和回顾性分析提供了定量工具。它不仅支持通用风险分析，还支持针对特定运营场景构建定制化知识图谱。
• 战略洞察： 研究提供了具体且有数据支撑的预防策略，强调需要优先保障快速报警响应、稳定的疏散效率以及受控的烟雾扩散，以缓解高后果风险。

局限性说明
作者指出，目前的知识图谱规模受限，主要依赖于网络爬虫、文献和监管文件，而非来自特定地铁项目的实时运行数据。因此，该模型目前尚缺乏对设备状态、人员行为和环境参数的实时动态监测能力。