ارائه روش یادگیری عمیق در مدل پیش‌بینی ایمنی در سیستم مترو (نمونه موردی: مترو شهر تبریز)

عامری, امیرحسین; بیگدلی راد, حمید; شاکر, حمید; عامری, محمود

doi:10.22119/jte.2021.264652.2507

ارائه روش یادگیری عمیق در مدل پیش‌بینی ایمنی در سیستم مترو (نمونه موردی: مترو شهر تبریز)

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ کارشناسی ارشد، گروه راه و ترابری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

² دانشجوی دکتری، گروه برنامه ریزی حمل و نقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران

³ دانشجوی دکتری، گروه راه و ترابری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

⁴ استاد، گروه راه و ترابری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

10.22119/jte.2021.264652.2507

چکیده

پیش‌بینی ایمنی سیستم حمل‌ونقل ریلی یک مشکل اساسی در مدل‌سازی و مدیریت حمل‌ونقل ریلی است. در این مقاله، یک مدل پیش‌بینی ایمنی بر اساس یادگیری عمیق برای ایمنی حمل‌ونقل ریلی پیشنهاد شد. این سیستم می‌تواند ویژگی‌های مؤثر برای پیش‌بینی حمل‌ونقل ریلی را به شیوه‌ یادگیری عمیق بدون نظارت یاد بگیرد. داده‌ها از شرکت عملیاتی مترو جمع‌آوری‌شده و در مورد فاکتورهای مدل پیش‌بینی تصمیم‌گیری شد. از این فاکتورها به‌عنوان ورودی DBN استفاده شد. ساختار داده ورودی، تعداد گره‌های هر لایه را تعیین می‌کند. نمونه داده‌های جمع‌آوری‌شده شامل انواع رویداد مستعد تصادف، اطلاعات اولیه قطار و اطلاعات عملیاتی شرکت می‌باشد. عوامل پیش‌بینی از طریق تجزیه‌وتحلیل این داده‌های جمع‌آوری‌شده انتخاب شد. برای نشاندادن صحت این مدل، یک مجموعه داده (مترو تبریز) به‌عنوان مطالعه موردی موردبررسی قرارگرفته است. آزمایش‌ها روی مجموعه داده‌ها عملکرد خوب پیش‌بینی مدل حاضر را نشان می‌دهد. پیش‌بینی ایمنی سیستم ریلی و ایمنی واقعی می‌توانند به‌خوبی باهم مطابقت داشته باشند. این نتایج نشان می‌دهد که یادگیری عمیق در یادگیری الگوهای یک سیستم ریلی مفید است. خطای پیش‌بینی و واقعیت بین 08/0 تا 08/0- معرفی شد. این‌یک خطای قابل‌قبول است و نمی‌تواند باعث ایجاد سطح ایمنی نادرست در سیستم شود. بازه متراکم ایمنی چه در وضع موجود و چه در مدل پیش‌بینی، در سطح دوم یعنی نسبتاً ایمن می‌باشد. این بازه متناسب با حد 8/0 تا 89/0 می‌باشد. البته که تمایل تراکم پس از سطح دوم به سمت سطح یک است تا سطح سوم. نکته قابل‌توجه آن است که مدل پیش‌بینی (در سطوح بالا) مقادیر بالاتر از ایمنی موجود را نشان داد.

کلیدواژه‌ها

20.1001.1.20086598.1401.13.4.3.7

عنوان مقاله [English]

Developing a deep learning method in safety prediction model in subway system (Case study: Tabriz subway)

نویسندگان [English]

Amirhossein Ameri ¹
hamid bigdeli rad ²
Hamid Shaker ³
mahmoud ameri ⁴

¹ Department of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

² Department of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

³ Department of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

⁴ Department of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

چکیده [English]

Predicting the safety of the rail transport system is a fundamental problem in modeling and managing rail transport. In this paper, a profound learning-based safety prediction model for rail transport safety is proposed. Data were collected from the subway operating company and decisions were made on the factors of the forecasting model. These factors were used as DBN input. The structure of the input data determines the number of nodes in each layer. Sample data collected include types of accident-prone events, basic train information, and company operating information. Predictive factors were selected by analyzing these collected data. The DBN was then created based on the processed data. To show the accuracy of this model, a data set (Tabriz subway) has been investigated as a case study. Experiments on the data set show good predictive performance of the present model. These results show that deep learning is useful in learning the patterns of a rail system. Prediction and reality error between 0.08 and -0.08 are introduced. This is an acceptable error and cannot cause an incorrect level of security in the system. The dense safety range, both in the current situation and in the forecast model, is at the second level, i.e. relatively safety. This range is in the range of 0.8 to 0.89. Of course, the tendency of density after the second level is towards the first level to the third level. It is noteworthy that the forecast model (at high levels) shows higher values than the existing safety.

کلیدواژه‌ها [English]

Subway System
Safety Predicting
Deep Learning
Traffic Collision Modeling

مراجع

- Alawad, H., Kaewunruen, S., & An, M. (2020). A deep learning approach towards railway safety risk assessment. IEEE Access, 8, 102811-102832.

- Clarke, E. M., & Zuliani, P. (2011, October). Statistical model checking for cyber-physical systems. In International Symposium on Automated Technology for Verification and Analysis (pp. 1-12). Springer, Berlin, Heidelberg.

- Ding, L. Y., Yu, H. L., Li, H., Zhou, C., Wu, X. G., & Yu, M. H. (2012). Safety risk identification system for metro construction on the basis of construction drawings. Automation in construction, 27, 120-137.

- Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1, No. 2). Cambridge: MIT press.

- Heidarysafa, M., Kowsari, K., Barnes, L., & Brown, D. (2018, December). Analysis of Railway Accidents' Narratives Using Deep Learning. In 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 1446-1453). IEEE.

- Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

- Huang, S., An, M., Chen, Y., & Baker, C. (2007, October). Railway Safety Risk Assessment Using FRA and FAHP Approaches—A Case Study on Risk Analysis of Shunting at Waterloo Depot. In Proceedings of the 2007 2nd Institution of Engineering and Technology International Conference on System Safety, London, UK (pp. 22-24).

- Huang, W., Liu, Y., Zhang, Y., Zhang, R., Xu, M., De Dieu, G. J., ... & Shuai, B. (2020). Fault Tree and Fuzzy DS Evidential Reasoning combined approach: An application in railway dangerous goods transportation system accident analysis. Information Sciences, 520, 117-129.

- Huang, W., Song, G., Hong, H., & Xie, K. (2014). Deep architecture for traffic flow prediction: deep belief networks with multitask learning. IEEE Transactions on Intelligent Transportation Systems, 15(5), 2191-2201.

- Jafarian, E., & Rezvani, M. A. (2012). Application of fuzzy fault tree analysis for evaluation of railway safety risks: an evaluation of root causes for passenger train derailment. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 226(1), 14-25.

- Karagiannis, G., Olsen, S., & Pedersen, K. (2019, April). Deep learning for detection of railway signs and signals. In Science and Information Conference (pp. 1-15). Springer, Cham.

- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.

- Lee, H., Ekanadham, C., & Ng, A. (2007). Sparse deep belief net model for visual area V2. Advances in neural information processing systems, 20, 873-880.

- Li, J., Song, R., & Jiang, J. L. (2011). Safety evaluation of rail transit based on comprehensive fuzzy evaluation model. Journal of Transport Science and Engineering, 27(2), 91-95.

- Li, Q., Song, L., List, G. F., Deng, Y., Zhou, Z., & Liu, P. (2017). A new approach to understand metro operation safety by exploring metro operation hazard network (MOHN). Safety science, 93, 50-61.

- Kim, B., Kim, H., Kim, K., Kim, S., & Kim, J. (2019). Learning not to learn: Training deep neural networks with biased data. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9012-9020).

- Teh, Y. W., & Hinton, G. E. (2001). Rate-coded restricted Boltzmann machines for face recognition. Advances in neural information processing systems, 908-914.

- Ye, T., Wang, B., Song, P., & Li, J. (2018). Automatic railway traffic object detection system using feature fusion refine neural network under shunting mode. Sensors, 18(6), 1916.

- Zhang, X., Deng, Y., Li, Q., Skitmore, M., & Zhou, Z. (2016). An incident database for improving metro safety: The case of shanghai. Safety science, 84, 88-96.

- Zhang, Y. P., Xu, Z. J., & Su, H. S. (2013). Risk assessment on railway signal system based on fuzzy-FMECA method. Sensors & Transducers, 156(9), 203.

- Zhang, Y., Han, J., Liu, J., Zhou, T., Sun, J., & Luo, J. (2017, May). Safety prediction of rail transit system based on deep learning. In 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS) (pp. 851-856). IEEE.

- Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11), 3212-3232.