本發明屬于鐵路調度管理，具體涉及一種基于因果推斷和異構圖神經網絡的鐵路調度安全風險評估方法。

背景技術：

1、鐵路調度系統作為現代交通運輸系統的重要組成部分，其安全性不僅直接影響到乘客和貨物的安全，還對整個鐵路網絡的高效運作起著關鍵作用。隨著鐵路運輸網絡規模的不斷擴展，調度系統的復雜性也在增加，導致鐵路調度安全管理面臨日益增多的挑戰。

2、在鐵路網絡規模擴展的背景下，調度過程中涉及的風險源和不確定性因素不斷增多，車站、列車以及信號機等關鍵實體之間的交互關系愈加復雜，且具有顯著的時空交互性。現有的鐵路調度安全管理方法主要依賴于預設規則和專家經驗，這些方法在早期相對簡單的鐵路調度系統中具有一定的有效性。然而，隨著現代鐵路調度場景日益復雜和突發事件的發生，傳統方法逐漸顯現局限。預設規則缺乏靈活性，難以應對動態變化的風險環境，專家經驗受限于個體知識，難以全面識別和覆蓋調度系統中的潛在風險因素，導致調度效率的下降和系統安全性的降低。

3、近年來，人工智能和大數據技術的快速發展，推動機器學習在鐵路調度領域的應用，通過數據驅動的方法識別系統中的潛在風險。現有的機器學習方法在處理鐵路調度系統中多層次、多類型節點之間的交互關系時仍存在一定局限，鐵路調度數據的異質性特點突出，不同類型的節點具有不同的特征和交互模式，傳統機器學習模型難以充分捕捉這些特性。此外，節點間的因果關系受到多種因素相互作用的影響，現有模型在因果關系的建立和解釋能力上存在不足，難以為鐵路調度安全管理提供可靠的決策支持。

4、因此，亟需一種能夠應對復雜多變調度環境、精準識別并量化風險等級，同時具備良好解釋性的鐵路調度安全風險評估方法。

技術實現思路

1、本發明的目的在于克服現有技術的不足，提供一種基于因果推斷和異構圖神經網絡(heterogeneous?graph?neural?network，hetgnn)的鐵路調度安全風險評估方法，結合因果推斷和異構圖神經網絡，提升調度系統中風險的識別和評估能力，優化調度決策，提高系統的運行效率和安全性。

2、為實現上述目的，本發明采用的技術方案是：

3、一種基于因果推斷和異構圖神經網絡的鐵路調度安全風險評估方法，包括以下步驟：

4、s1、基于鐵路調度系統中的歷史風險事件，構建得到鐵路調度風險指標體系，并得到多個關鍵風險變量；

5、s2、根據步驟s1得到的多個關鍵風險變量，構建得到風險事件因果圖；

6、s3、基于步驟s2得到的風險事件因果圖，計算得到因果效應權重；

7、s4、根據步驟s3得到的因果效應權重，通過將因果效應權重分別引入圖卷積網絡模塊和圖注意力網絡模塊，構建得到基于因果推斷的異構圖神經網絡模型；

8、s5、根據步驟s1得到的多個關鍵風險變量收集數據，并對數據進行預處理，得到多源異質數據，并將多源異質數據表示為特征向量；

9、s6、將步驟s5得到的多源異質數據特征向量輸入到步驟s4得到的基于因果推斷的異構圖神經網絡模型中，得到各關鍵風險變量及節點的風險等級。

10、優選的，步驟s1包括以下步驟：

11、s11、基于鐵路調度系統中的歷史風險事件，篩選并分類影響調度安全的不同風險因素，得到多個關鍵風險要素；

12、s12、根據步驟s11得到的多個關鍵風險要素，構建得到鐵路調度風險指標體系；

13、s13、對步驟s12得到的鐵路調度風險指標體系中的多個關鍵風險要素分別進行二級指標細化，得到多個關鍵風險變量。

14、優選的，步驟s2包括以下步驟：

15、s21、將步驟s1到的多個關鍵風險變量以及多個關鍵風險變量之間的因果關系輸入到異構圖神經網絡中，提取得到嵌入結果；

16、s22、根據步驟s21得到的嵌入結果通過節點的度中心性識別出在異構圖神經網絡中具有較高影響力的關鍵風險變量，得到重要關鍵風險變量，并生成重要關鍵風險變量影響路徑；

17、s23、基于步驟s22生成的重要關鍵風險變量影響路徑，構建得到風險事件因果圖。

18、優選的，步驟s22中，當節點的度中心性>0.7時，判定該節點為異構圖神經網絡中具有較高影響力的關鍵風險變量。

19、優選的，步驟s3中，因果效應權重通過步驟s2得到的風險事件因果圖結合因果推斷算法計算得到，因果效應權重的計算公式為：

20、τ＝ε[yj|do(xi＝x)]-ε[yj|do(xi＝x′)]

21、式中，τ為因果效應權重，x和x′均為干預變量，do(xi＝x)和do(xi＝x′)均為do操作，ε[yj|do(xi＝x)]表示在干預變量為x的條件下，結果變量yj的期望值，ε[yj|do(xi＝x′)]表示在干預變量為x′的條件下，結果變量yj的期望值。

22、優選的，步驟s4中，構建得到的基于因果推斷的異構圖神經網絡模型包括：

23、輸入模塊，用于根據輸入的多源異質數據特征向量生成特征矩陣，并將生成的特征矩陣傳至圖卷積網絡模塊和圖注意力網絡模塊；

24、圖卷積網絡模塊，用于根據生成的特征矩陣中的車站節點的空間鄰域結構，遍歷其鄰居節點，通過圖卷積操作聚合鄰居節點信息，逐層更新車站節點的特征和鄰域信息，得到更新后的車站節點的時空特征及鄰域信息；

25、圖注意力網絡模塊，用于根據生成的特征矩陣中的列車節點和信號機節點的動態交互特性，通過注意力機制自適應學習列車節點和信號機節點之間的關系，調整不同鄰居節點的注意力權重，得到更新后的列車節點和信號機節點之間的時空特征及鄰域信息；

26、因果推斷模塊，用于在圖卷積網絡模塊聚合鄰居節點信息時，通過步驟s3得到的因果效應權重調整鄰居節點信息的聚合方式，并在圖注意力網絡模塊調整不同鄰居節點的注意力權重時，通過步驟s3得到的因果效應權重調節鄰居節點對當前節點的影響程度；

27、風險評估模塊，用于將更新后的車站節點的時空特征及鄰域信息與更新后的列車節點和信號機節點之間的時空特征及鄰域信息輸入到多層感知器中，得到各個節點的風險等級，即得到各關鍵風險變量的風險等級。

28、優選的，多層感知器由第一層全連接層、第二層全連接層和輸出層組成；

29、第一層全連接層的輸入維度為節點嵌入維度，輸出維度為128，激活函數為relu，第二層全連接層的輸入維度為128，輸出維度為64，激活函數為relu，輸出層的輸入維度為64，輸出維度為風險等級數量，激活函數為softmax。

30、優選的，步驟s5中，多源異質數據包含車站節點數據以及列車節點和信號機節點之間的數據。

31、本發明與現有技術相比，其有益效果在于：

32、1.本發明將因果推斷和異構圖神經網絡相結合，針對鐵路調度系統中的復雜時空交互與節點因果關系建模分析，提升了風險識別的準確性和評估模型的精準性；

33、2.本發明通過構建因果關系圖的設計，解釋描述了系統中風險事件的因果鏈條，深入理解風險成因，從而使得調度人員能夠根據風險等級制定有針對性的調度措施，優化調度響應；

34、3.本發明為鐵路調度安全風險管理提供了全新視角，引入因果學習提升了異構圖神經網絡模型的解釋能力和泛化能力，不僅能更好地解釋風險的成因和影響，還具備較強的泛化能力，為在其他復雜網絡的應用提供參考和借鑒。