陳 丹， 邵麗萍， 黃 磊， 李雪巖， 祝 歆， 李 靜*

(北京交通大學(xué)經(jīng)濟(jì)管理學(xué)院1，北京 100044；北京聯(lián)合大學(xué)經(jīng)濟(jì)管理學(xué)院2，北京 100101)

城市地面公交具有容量大、覆蓋面廣、機(jī)動(dòng)靈活等優(yōu)點(diǎn)，已成為城市居民出行首選的交通方式。隨著城市公交保有量、運(yùn)營強(qiáng)度的不斷增加，城市公交在大負(fù)荷、高強(qiáng)度運(yùn)行環(huán)境下的應(yīng)急突發(fā)事件問題凸顯。公交運(yùn)營突發(fā)事件可由多種危險(xiǎn)源引起，如公交車發(fā)生機(jī)械事故冒煙著火、極端天氣、群體性事件等造成公交車輛無法正常提供運(yùn)營服務(wù)，帶來運(yùn)營損失的同時(shí)威脅著社會(huì)公共安全。目前在公交運(yùn)營企業(yè)和其他公交主管部門雖然已存在一些應(yīng)急管理信息系統(tǒng)對(duì)公交運(yùn)營突發(fā)事件進(jìn)行預(yù)防和處置，但各應(yīng)急信息系統(tǒng)之間尚未針對(duì)某一種危險(xiǎn)源引發(fā)的應(yīng)急事件形成系統(tǒng)協(xié)同機(jī)制，應(yīng)急預(yù)案和處置缺乏針對(duì)性。

當(dāng)前，預(yù)防和處置不同危險(xiǎn)源引發(fā)的公交突發(fā)事件時(shí)已開始利用不同的信息系統(tǒng)傳遞應(yīng)急信息。為做到重點(diǎn)預(yù)防、監(jiān)測和處置，并考慮到應(yīng)急指揮信息化協(xié)同體系構(gòu)建的復(fù)雜性，亟待依據(jù)城市實(shí)際應(yīng)急數(shù)據(jù)和信息系統(tǒng)建設(shè)情況計(jì)算確定與公交應(yīng)急協(xié)同活動(dòng)關(guān)聯(lián)度最高的關(guān)鍵危險(xiǎn)源，并據(jù)此進(jìn)行應(yīng)急指揮信息化協(xié)同體系示范設(shè)計(jì)。

安全事故危險(xiǎn)源辨識(shí)研究中存在多種危險(xiǎn)源辨識(shí)方法。文獻(xiàn)[1]把灰色關(guān)聯(lián)度分析和離差最大化相結(jié)合對(duì)高速公路施工標(biāo)段的危險(xiǎn)源進(jìn)行了辨識(shí)。文獻(xiàn)[2]采用層次分析法對(duì)儲(chǔ)罐區(qū)特大安全事故進(jìn)行危險(xiǎn)源辨識(shí)，確定相關(guān)因素權(quán)重。由于灰色關(guān)聯(lián)度分析和層次分析法存在主觀性，無法實(shí)現(xiàn)精確、科學(xué)地確定關(guān)鍵危險(xiǎn)源，因此具有一定局限性。文獻(xiàn)[3]將事故樹法運(yùn)用到現(xiàn)代有軌電車安全運(yùn)行中，識(shí)別危險(xiǎn)源，確定風(fēng)險(xiǎn)因素。事故樹法作為一種常用的事故分析方法被普遍運(yùn)用在安全分析各個(gè)領(lǐng)域內(nèi)，但是事故樹法只能進(jìn)行簡單的因果推理，不適用于復(fù)雜的系統(tǒng)分析。文獻(xiàn)[4]將貝葉斯網(wǎng)絡(luò)方法引入鐵路客運(yùn)站安全風(fēng)險(xiǎn)識(shí)別，基于事故樹構(gòu)建了貝葉斯網(wǎng)絡(luò)模型，根據(jù)模糊不確定性理論計(jì)算根節(jié)點(diǎn)的先驗(yàn)概率。

粗糙集是用于處理不確定、不完整信息的數(shù)學(xué)工具，粗糙集理論的一個(gè)重要應(yīng)用是屬性約簡[5-6]，即從若干屬性中把關(guān)鍵的因素篩選出來。在安全事故危險(xiǎn)源辨識(shí)領(lǐng)域已存在粗糙集的一些應(yīng)用，如文獻(xiàn)[7]利用粗糙集理論對(duì)建筑施工危險(xiǎn)因素進(jìn)行了識(shí)別，文獻(xiàn)[8]在進(jìn)行火災(zāi)危險(xiǎn)源識(shí)別時(shí)使用了粗糙集理論，克服了主觀確定權(quán)重的局限性。粗糙集方法作為一種定量分析方法，在危險(xiǎn)源識(shí)別研究中基于數(shù)據(jù)確定關(guān)鍵風(fēng)險(xiǎn)因素，相比其他方法更加客觀、準(zhǔn)確。但是用于屬性約簡的傳統(tǒng)粗糙集理論多依賴啟發(fā)式算法，包括基于屬性重要性的算法和基于可分辨矩陣的算法。啟發(fā)式算法在求解屬性約減問題時(shí)存在缺陷，其中，基于屬性重要度的算法多依賴于解析方法，并非對(duì)所有的信息系統(tǒng)都可以得出全局最優(yōu)解?；诳煞直婢仃嚨乃惴ㄓ?jì)算復(fù)雜度大，不適合處理海量數(shù)據(jù)[9]。

除了啟發(fā)式方法之外，還發(fā)展出了智能搜索算法用于粗糙集屬性約減，如遺傳算法[10-11]，粒子群算法[12-13]、人工魚群算法等[14]。與傳統(tǒng)的啟發(fā)式算法相比，智能搜索算法的尋優(yōu)性能更好，更容易取得問題的全局最優(yōu)解。遺傳算法是一種自適應(yīng)全局優(yōu)化搜索算法，具有全局尋優(yōu)能力，能在較短時(shí)間內(nèi)找到全局最優(yōu)解。已有研究將遺傳算法引入粗糙集處理屬性約簡問題，如文獻(xiàn)[15]將粗糙集和遺傳算法相結(jié)合應(yīng)用于虛擬企業(yè)伙伴選擇問題中，自適應(yīng)遺傳算法計(jì)算速度快，產(chǎn)生了很好的效果。遺傳算法適用性強(qiáng)、魯棒性好、具有隱含并行性和全局性，可以有效簡化判別規(guī)則[16]、減少計(jì)算復(fù)雜性得到最小約簡。雖然遺傳算法已經(jīng)在屬性約簡問題中得到了廣泛的應(yīng)用，但是多針對(duì)單決策屬性決策表，不適用于多決策屬性決策表的屬性約簡問題。其次，適應(yīng)度函數(shù)的設(shè)計(jì)也會(huì)影響遺傳算法的尋優(yōu)能力。

為此，把基于多決策屬性決策表的遺傳算法-粗糙集模型應(yīng)用于公交運(yùn)營突發(fā)事件危險(xiǎn)源篩選，把關(guān)鍵危險(xiǎn)源篩選問題看作一個(gè)屬性約簡問題，辨識(shí)出和公交應(yīng)急協(xié)同活動(dòng)最有關(guān)聯(lián)的關(guān)鍵危險(xiǎn)源。根據(jù)北京市公交的突發(fā)事件案例數(shù)據(jù)進(jìn)行了實(shí)例計(jì)算，把公交突發(fā)事件的危險(xiǎn)源作為條件屬性，應(yīng)急協(xié)同活動(dòng)中的多種信息系統(tǒng)作為決策屬性構(gòu)建了多決策屬性決策表，篩選出和應(yīng)急協(xié)同信息傳遞依賴度最高的關(guān)鍵危險(xiǎn)源，最后形成關(guān)鍵危險(xiǎn)源下的應(yīng)急指揮信息化協(xié)同體系示范設(shè)計(jì)。

1 模型構(gòu)建

粗糙集理論是由Pawlak 教授提出的用于處理不確定、不完整信息的數(shù)學(xué)工具。粗糙集中很重要的一個(gè)定義是決策表。它是一個(gè)四元組S={U,A,F,D}，其中U表示論域，是一個(gè)非空有限對(duì)象集，A是條件屬性集合，F(xiàn)是對(duì)象的屬性值，D是決策屬性集合。傳統(tǒng)粗糙集理論中的決策表多是單決策表，即決策表中的決策屬性只有一列，只適用于簡單決策問題。在實(shí)際地面公交應(yīng)急指揮中往往涉及多種信息系統(tǒng)的支持和配合，傳統(tǒng)的粗糙集模型已不再適用，因此針對(duì)公交應(yīng)急指揮中的實(shí)際決策需求將基本粗糙集模型擴(kuò)展為多決策屬性粗糙集模型。

公交應(yīng)急指揮知識(shí)系統(tǒng)可表示為一個(gè)四元組：S={U,A,F,D}，其中，U={X1，X2，…，Xn}為論域，表示公交應(yīng)急事件集合；A={a1，a2，…，am}為條件屬性集合，表示公交應(yīng)急事件發(fā)生的危險(xiǎn)源；D={d1,d2,…，dd}為決策屬性集合，表示處置公交應(yīng)急事件涉及的信息系統(tǒng)；F為對(duì)象的屬性值。p1，p2，…，pd表示決策屬性與條件屬性的關(guān)聯(lián)程度。決策表結(jié)構(gòu)見表1。

表1 公交應(yīng)急指揮決策信息表

為了解決多決策屬性條件下的屬性約減問題，根據(jù)條件屬性依賴度篩選出和現(xiàn)有信息系統(tǒng)聯(lián)系最密切的應(yīng)急危險(xiǎn)源，為公交應(yīng)急指揮及系統(tǒng)協(xié)同提供了更加準(zhǔn)確的數(shù)據(jù)基礎(chǔ)和決策支持。

在公交應(yīng)急知識(shí)系統(tǒng)S={U,A,F,D}中，R?A，U={X1，X2，…，Xn}，危險(xiǎn)源條件屬性集R與決策屬性集D之間的依賴度表示為[17]

(1)

已有研究表明，遺傳算法在粗糙集屬性約簡方面已經(jīng)產(chǎn)生了一些應(yīng)用，且取得了良好的效果，因此利用遺傳算法的尋優(yōu)能力，將條件屬性集和決策屬性集的依賴度作為優(yōu)化目標(biāo)篩選出關(guān)鍵的應(yīng)急事件危險(xiǎn)源。本文中遺傳算法的染色體的編碼方式為二進(jìn)制編碼。將條件屬性進(jìn)行二進(jìn)制編碼，多個(gè)屬性構(gòu)成不同的染色體個(gè)體。將可能引發(fā)應(yīng)急事件的相關(guān)危險(xiǎn)源集合表示為A={a1，a2，…，am}，其中ai表示第i個(gè)條件屬性，如果ai=1，說明該染色體包含第i個(gè)條件屬性，否則不包含，如A1=(1,0,0,1,1,…)表示一種可能的條件屬性組合方式。適應(yīng)度函數(shù)采用式(1)的依賴度，條件屬性組合和決策屬性的依賴度越大，該染色體的適應(yīng)度越大，越容易被留在約簡結(jié)果中。

遺傳算法的操作步驟如下：

(1)形成初始種群。隨機(jī)生成若干長度為l的二進(jìn)制數(shù)列，l表示條件屬性的數(shù)量，每個(gè)數(shù)列都表示一個(gè)染色體個(gè)體。對(duì)于每個(gè)個(gè)體計(jì)算條件屬性組合和決策屬性組合的依賴度作為初始種群的適應(yīng)度。

(2)選擇個(gè)體。采用“輪盤賭”的方式選擇種群中適應(yīng)度較大的個(gè)體，保留在種群中。

(3)交叉操作。以某個(gè)交叉概率pc選擇兩兩交叉?zhèn)€體，采用單點(diǎn)交叉方法，隨機(jī)選取交叉點(diǎn)，在交叉點(diǎn)后將兩個(gè)體的條件屬性一一對(duì)換進(jìn)行條件屬性交叉，產(chǎn)生新的個(gè)體。

(4)變異操作。以某個(gè)變異概率pm選擇變異個(gè)體，對(duì)個(gè)體的某個(gè)基因進(jìn)行突變，如原基因(條件屬性)為1，現(xiàn)突變?yōu)?，產(chǎn)生新的個(gè)體。

如此循環(huán)往復(fù)，當(dāng)?shù)綌?shù)達(dá)到閾值或者適應(yīng)度達(dá)到最大值并且收斂后，算法停止。此時(shí)便可得到約簡后的關(guān)鍵條件屬性集合。

算法偽代碼：

算法步驟 基于遺傳算法的屬性約減1While not Termination Condition() do2 For each individual from 1 to population size3 The attribute combination of individual is coded by binary code4 Calculate the attribute dependability of individual’s at-tribute combination5 Establish the fitness function based on dependability6 End 7 Implement the roulette selection operator, a new-generation of individuals is obtained8 Let and be the crossover and mutation probability respectively9 The individuals exchange part of their binary code with a ran-dom individual with the probability of pc10 For each individual from 1 to population size11 If rand

2 實(shí)例計(jì)算與分析

2.1 樣本選取及多決策屬性決策表的建立

以北京市城市地面公交應(yīng)急事件為例，依據(jù)真實(shí)數(shù)據(jù)建立了公交應(yīng)急指揮決策表。公交應(yīng)急指揮知識(shí)系統(tǒng)可用一個(gè)四元組S={U,A,F,D}表示。A={a1，a2，…，am}是條件屬性集合，表示公交應(yīng)急事件危險(xiǎn)源的集合，危險(xiǎn)源的編碼及名稱見表2。D={d1,d2,…，dd}為決策屬性集合，表示處置公交應(yīng)急事件涉及的北京公交集團(tuán)信息系統(tǒng)，信息系統(tǒng)的編碼及名稱見表3。

表2 危險(xiǎn)源的編碼及名稱

表3 信息系統(tǒng)編碼及名稱

選取2015—2017年北京市207起公交突發(fā)事件案例作為樣本數(shù)據(jù)來構(gòu)建決策表，每個(gè)公交突發(fā)事件都對(duì)應(yīng)一種危險(xiǎn)源。不同危險(xiǎn)源的應(yīng)急響應(yīng)涉及的信息系統(tǒng)不同，即使同一種危險(xiǎn)源，由于事件發(fā)生時(shí)間和地點(diǎn)的不同，涉及的信息系統(tǒng)也會(huì)有所不同，因此通過北京市公交集團(tuán)的專家指導(dǎo)確定了每個(gè)決策屬性的取值，構(gòu)建的決策表如表4所示。決策表的每一行代表一個(gè)突發(fā)事件，用xi表示，i=1，2，…，207；每一列代表?xiàng)l件屬性和決策屬性，條件屬性aj表示突發(fā)事件的危險(xiǎn)源，j=1，2，…，8，決策屬性dp表示應(yīng)對(duì)突發(fā)事件涉及的信息系統(tǒng)，p=1，2，…，31。在決策表中，1代表發(fā)生，0代表不發(fā)生，如x1對(duì)應(yīng)的條件屬性a5取值為1，說明突發(fā)事件x1屬于電氣事故，否則x1不屬于電氣事故；x1對(duì)應(yīng)的決策屬性d1取值為1，說明處置突發(fā)事件x1時(shí)使用了北京公交大數(shù)據(jù)平臺(tái)，否則x1沒有用到該系統(tǒng)。由于篇幅有限，只列出了多決策屬性決策表的一部分。

2.2 計(jì)算結(jié)果與分析

用于屬性約簡實(shí)驗(yàn)的計(jì)算機(jī)配置情況如下：CPU為E5-1650、顯卡為華碩6 G GTX1060、主板為華碩Z9PA。屬性約減代碼的運(yùn)行環(huán)境是MATLAB R2016a，遺傳算法中的交叉概率參數(shù)設(shè)置為0.7，變異概率參數(shù)設(shè)置為0.01。為了驗(yàn)證屬性約減算法的穩(wěn)定性和可靠性，進(jìn)行了9次獨(dú)立重復(fù)的約減實(shí)驗(yàn)。盡管每次約減實(shí)驗(yàn)的篩選過程不同，但是約減結(jié)果a8在9次約減實(shí)驗(yàn)結(jié)果中出現(xiàn)了7次，因此氣象災(zāi)害最終被確定為關(guān)鍵危險(xiǎn)源。這說明基于粗糙集遺傳算法的約減結(jié)果是可靠的。9次約減實(shí)驗(yàn)的屬性篩選過程見表5。以第一次約減實(shí)驗(yàn)為例，經(jīng)過第一次篩選剩余a1，a4，a5，a7，a8五個(gè)屬性，在此基礎(chǔ)上進(jìn)行第二次篩選，剩余a4，a7和a8，第三次篩選剩余a7和a8，第四次篩選之后只剩余a8一個(gè)屬性，最初的8個(gè)條件屬性經(jīng)過四次篩選只剩余代表氣象災(zāi)害事故的a8。

在每一次屬性約減過程中，個(gè)體適應(yīng)度都會(huì)隨迭代次數(shù)的增加而發(fā)生變化，某次屬性約簡的個(gè)體適應(yīng)度變化情況如圖1所示。遺傳算法的尋優(yōu)性能可以從算法收斂速度和適應(yīng)度大小這兩個(gè)方面考察，算法收斂速度越快、適應(yīng)度數(shù)值越大說明遺傳算法的性能越好。根據(jù)經(jīng)驗(yàn)，本文將遺傳算法的迭代次數(shù)設(shè)置為50，從適應(yīng)度變化情況圖中可以看出，算法在第21次迭代時(shí)達(dá)到收斂，適應(yīng)度函數(shù)取得了最優(yōu)解。

為了考察粗糙集遺傳算法的穩(wěn)定性，通過記錄每一次獨(dú)立重復(fù)約減實(shí)驗(yàn)的最大適應(yīng)度數(shù)值，做出如圖2所示的箱線圖。通過箱線圖可以看出9個(gè)適應(yīng)度中有一個(gè)異常值，箱線圖的形狀說明該粗糙集遺傳算法在求解最優(yōu)解時(shí)的穩(wěn)定性有所欠缺。

經(jīng)過遺傳篩選，個(gè)體的優(yōu)化結(jié)果為00000001，即在現(xiàn)有的信息系統(tǒng)建設(shè)環(huán)境下，氣象災(zāi)害事故這個(gè)危險(xiǎn)源和信息系統(tǒng)的關(guān)系最密切。氣象災(zāi)害事故發(fā)生頻率大，影響范圍也較大，是一種最常見的事故危險(xiǎn)源。針對(duì)這個(gè)危險(xiǎn)源設(shè)計(jì)信息系統(tǒng)之間的協(xié)同指揮流程有很大的實(shí)際意義和指導(dǎo)意義。

表4 公交應(yīng)急指揮多決策屬性決策表

表5 9次約減實(shí)驗(yàn)的屬性篩選過程

圖1 適應(yīng)度變化過程

圖2 9個(gè)適應(yīng)度的箱線圖

3 氣象災(zāi)害危險(xiǎn)源下公交應(yīng)急協(xié)同指揮體系構(gòu)建

氣象災(zāi)害作為一種突發(fā)事件危險(xiǎn)源，具有影響范圍大、監(jiān)控要素多的特點(diǎn)。氣象災(zāi)害包括雨雪、沙塵暴、大風(fēng)等惡劣天氣，一旦發(fā)生就會(huì)大面積地影響公共交通的正常運(yùn)營。此外，在應(yīng)對(duì)氣象災(zāi)害引發(fā)的突發(fā)事件時(shí)，涉及的監(jiān)控要素較多，如汛期既要獲取外部氣象臺(tái)的監(jiān)控?cái)?shù)據(jù)，同時(shí)還要防止次生災(zāi)害的影響。與其他類型的突發(fā)事件不同，氣象災(zāi)害事件往往有預(yù)先的處置方案，事故發(fā)生時(shí)在應(yīng)急預(yù)案的基礎(chǔ)上執(zhí)行應(yīng)急指揮。

氣象災(zāi)害應(yīng)急處置工作的順利開展離不開信息的傳遞，信息系統(tǒng)是信息流的載體，因此有必要在應(yīng)急工作流程圖的基礎(chǔ)上構(gòu)建信息系統(tǒng)協(xié)同關(guān)系圖。當(dāng)氣象災(zāi)害事故發(fā)生時(shí)，需執(zhí)行事前制定好的應(yīng)急預(yù)案，預(yù)案的執(zhí)行需要信息系統(tǒng)之間的協(xié)同。氣象災(zāi)害突發(fā)事件下的信息系統(tǒng)協(xié)同關(guān)系圖如圖3所示。

圖3 氣象災(zāi)害下信息系統(tǒng)協(xié)同關(guān)系圖

信息系統(tǒng)協(xié)同關(guān)系圖分為三層，從下到上分別是基礎(chǔ)設(shè)施層、支撐層和應(yīng)用層?；A(chǔ)設(shè)施層由一些基礎(chǔ)的信息設(shè)備組成，如語音對(duì)講、程控電話網(wǎng)絡(luò)等通訊設(shè)備，報(bào)警設(shè)備、監(jiān)控設(shè)備、車載信息設(shè)備等基礎(chǔ)設(shè)施。這些基礎(chǔ)設(shè)施屬于監(jiān)測中心，其主要作用是信息產(chǎn)生和信息收集，并向支撐層傳輸信息。支撐層主要包括涉及人、車、線、站等基礎(chǔ)信息的信息系統(tǒng)以及綜合性的數(shù)據(jù)轉(zhuǎn)發(fā)平臺(tái)。支撐層起到中間層的作用，將來自基礎(chǔ)設(shè)施層的基礎(chǔ)信息匯總整合，轉(zhuǎn)換為綜合性信息供應(yīng)用層的系統(tǒng)使用。應(yīng)用層由與應(yīng)急指揮直接相關(guān)的信息系統(tǒng)組成，如應(yīng)急管理系統(tǒng)、運(yùn)營可視化系統(tǒng)和智能調(diào)度系統(tǒng)。應(yīng)用層的系統(tǒng)在應(yīng)急處置的過程中起作用，產(chǎn)生的信息只在應(yīng)用層的系統(tǒng)之間傳遞，體現(xiàn)出協(xié)同指揮的特點(diǎn)。

基礎(chǔ)設(shè)施層的車載信息設(shè)備產(chǎn)生的車輛實(shí)時(shí)定位信息、IC(integrated crcuit card)卡信息以及車輛CAN(controller area network)數(shù)據(jù)綜合應(yīng)用平臺(tái)產(chǎn)生的CAN數(shù)據(jù)，都通過支撐層的車載實(shí)時(shí)數(shù)據(jù)轉(zhuǎn)發(fā)平臺(tái)進(jìn)行轉(zhuǎn)發(fā)。監(jiān)控設(shè)備和報(bào)警設(shè)備產(chǎn)生的監(jiān)控信息和報(bào)警信息都由圖像信息管理系統(tǒng)來接收、處理、轉(zhuǎn)發(fā)。氣象災(zāi)害發(fā)生后，為了防止次生災(zāi)害的影響，監(jiān)控設(shè)備和報(bào)警設(shè)備持續(xù)收集現(xiàn)場情況向圖像信息管理系統(tǒng)提供監(jiān)測信息，圖像信息管理系統(tǒng)接收后向應(yīng)急管理系統(tǒng)轉(zhuǎn)發(fā)。

在支撐層，為了支持氣象災(zāi)害發(fā)生后的調(diào)度任務(wù)，公交信息資源平臺(tái)接收來自人力資源系統(tǒng)、車輛技術(shù)管理系統(tǒng)、線網(wǎng)系統(tǒng)、宗地管理系統(tǒng)的人、車、線、站基礎(chǔ)信息以及結(jié)果性的業(yè)務(wù)數(shù)據(jù)，向大數(shù)據(jù)平臺(tái)、應(yīng)急管理系統(tǒng)轉(zhuǎn)發(fā)基礎(chǔ)信息。車載實(shí)時(shí)數(shù)據(jù)轉(zhuǎn)發(fā)平臺(tái)管理所有的車輛實(shí)時(shí)數(shù)據(jù)，向智能調(diào)度系統(tǒng)、應(yīng)急管理系統(tǒng)和大數(shù)據(jù)平臺(tái)轉(zhuǎn)發(fā)車輛實(shí)時(shí)數(shù)據(jù)。開放地理信息平臺(tái)將地理信息轉(zhuǎn)發(fā)到智能調(diào)度系統(tǒng)和應(yīng)急管理系統(tǒng)。業(yè)務(wù)實(shí)時(shí)數(shù)據(jù)轉(zhuǎn)發(fā)平臺(tái)管理所有的業(yè)務(wù)系統(tǒng)產(chǎn)生的實(shí)時(shí)業(yè)務(wù)數(shù)據(jù)，如來自智能調(diào)度系統(tǒng)的行車計(jì)劃和勞動(dòng)排班信息，來自運(yùn)營可視化管理系統(tǒng)的調(diào)度指揮業(yè)務(wù)數(shù)據(jù)和來自應(yīng)急管理系統(tǒng)的應(yīng)急管理業(yè)務(wù)數(shù)據(jù)。另外，業(yè)務(wù)實(shí)時(shí)數(shù)據(jù)轉(zhuǎn)發(fā)平臺(tái)接收大數(shù)據(jù)平臺(tái)的計(jì)算結(jié)果，再將數(shù)據(jù)分析結(jié)果如客流信息、路況信息推送給應(yīng)急管理系統(tǒng)。圖像信息管理系統(tǒng)管理所有的報(bào)警信息和視頻監(jiān)控信息向應(yīng)急管理系統(tǒng)推送。

應(yīng)用層的核心系統(tǒng)是應(yīng)急管理系統(tǒng)、智能化調(diào)度系統(tǒng)和運(yùn)營可視化系統(tǒng)。其中智能化調(diào)度系統(tǒng)供車隊(duì)一級(jí)使用，運(yùn)營可視化系統(tǒng)供分公司和集團(tuán)公司使用。在氣象災(zāi)害應(yīng)急事件中，應(yīng)急管理中心主導(dǎo)應(yīng)急工作，確定應(yīng)急預(yù)案，下達(dá)應(yīng)急指令給運(yùn)營可視化系統(tǒng)，再下達(dá)給智能調(diào)度系統(tǒng)，由智能調(diào)度系統(tǒng)將線路調(diào)整信息推送給乘客服務(wù)系統(tǒng)和客服系統(tǒng)。智能調(diào)度系統(tǒng)和運(yùn)營可視化管理系統(tǒng)共享調(diào)度信息和指揮信息，應(yīng)急管理系統(tǒng)和運(yùn)營可視化管理系統(tǒng)之間共享指揮信息和應(yīng)急信息。最后應(yīng)急管理系統(tǒng)匯總所有應(yīng)急事件信息上報(bào)交通委員會(huì)。

4 結(jié)論

如何科學(xué)確定導(dǎo)致城市地面公交應(yīng)急突發(fā)事件的關(guān)鍵危險(xiǎn)源，并針對(duì)關(guān)鍵危險(xiǎn)源設(shè)計(jì)應(yīng)急指揮協(xié)同方案是保障城市地面公交系統(tǒng)安全穩(wěn)定運(yùn)營的一項(xiàng)重要研究內(nèi)容。將遺傳算法-粗糙集模型應(yīng)用于公交運(yùn)營突發(fā)事件危險(xiǎn)源篩選，基于多決策屬性決策表和與其適應(yīng)的適應(yīng)度函數(shù)進(jìn)行屬性約簡。通過實(shí)例計(jì)算分析了北京市地面公交應(yīng)急突發(fā)事件的關(guān)鍵危險(xiǎn)源，氣象災(zāi)害被確定為北京市地面公交突發(fā)事件關(guān)鍵危險(xiǎn)源。得到以下結(jié)論。

(1)遺傳算法-粗糙集模型在公交運(yùn)營突發(fā)事件危險(xiǎn)源篩選問題上產(chǎn)生了良好的效果，具有準(zhǔn)確性和可靠性，但是穩(wěn)定性需要進(jìn)一步改進(jìn)。

(2)北京市地面公交運(yùn)營突發(fā)事件的關(guān)鍵危險(xiǎn)源是氣象災(zāi)害。

最后設(shè)計(jì)了北京市地面公交氣象災(zāi)害應(yīng)急指揮信息協(xié)同方案，為城市地面公共交通的應(yīng)急響應(yīng)提供新的思路和參考，對(duì)于保障公交穩(wěn)定運(yùn)營，提高應(yīng)急處突能力具有實(shí)際參考價(jià)值。