风险演化研究综述及其在轨道交通领域的应用与探讨

Review of Risk Evolution Research and Its Application and Discussion in Rail Transit

摘要

风险内涵分析及风险演化机制是目前风险管理研究领域的热点问题。研究首先采用文献计量法与内容分析法，构建国内外风险演化研究的共现网络图，全面剖析了风险演化领域的研究特征、热点主题分布，发现风险演化主要围绕基于图论的风险分析与安全评估、基于系统论的风险评估、基于机器学习的风险预测与失效分析以及基于仿真与建模技术的风险传播与故障分析4个热点主题开展。其次，构建了风险管理框架，系统性分析并提出了风险演化方法体系。从系统论、因果逻辑、图论、建模仿真以及机器学习5方面详细阐述了风险演化研究方法。最后，研究剖析了轨道交通领域现阶段风险演化存在的问题与挑战，探究了未来研究趋势。研究可为安全生产中的风险防控理论体系构建及技术应用实践提供学术参考。

Abstract

Risk connotation analysis and risk evolution mechanism are currently hot issues in risk management research. In this study, the bibliometric method and content analysis were adopted to construct a co-occurrence network diagram of risk evolution at home and abroad, and the research characteristics and distribution of hot topics in risk evolution were comprehensively analyzed. The result shows that risk evolution mainly focused on four hot topics: risk analysis and safety assessment based on graph theory, risk assessment based on system theory, risk prediction and failure analysis based on machine learning, and risk transmission and fault analysis based on simulation and modeling. The risk management framework was constructed, and the risk evolution methodology was systematically analyzed and proposed. The risk evolution research method was elaborated from five aspects: system theory, causal logic, graph theory, modeling and simulation, and machine learning. Finally, the problems and challenges of the current risk evolution in rail transit were analyzed, and the future research trend was explored. The study can provide an academic reference for the construction of risk prevention and control theory systems and technology application practice in safety production.

Graphical abstract

关键词

风险演化 / 轨道交通 / 动态风险 / 图论 / 系统论 / 机器学习 / 仿真建模

Key words

Risk Evolution / Rail Transit / Dynamic Risk / Graph Theory / System Theory / Machine Learning / Simulation and Modeling

0　引言

在人类社会发展进程中，从经济危机到自然灾害，再到技术故障，风险的存在不仅会对个人和企业带来不良后果，还可能对整个社会和生态系统造成深远的影响。理解风险的内涵及其演化机理，预测其发展趋势，并制定有效的应对策略，对于减少生产活动中的不确定性和增强社会的韧性至关重要。风险演化是指影响系统状态的风险因素随时间、空间及环境变化而变化的动态过程。这一概念涵盖了从单一事件的风险评估到复杂系统风险管理领域。早在2005年，Barrera等^[1]通过对巴塞罗那地区洪水灾害数据的分析，探讨了洪水风险的演变。然而风险演化的研究并未受到广泛的关注。随着大数据、人工智能等技术的发展，自然灾害风险管理的研究实现了从单一灾害类型到多灾种综合风险评估，进而向系统性风险管理转变。研究方法呈现出多学科交叉融合的特征，涵盖了统计学、决策树算法^[2]、Copula函数^[3]、SIR模型^[4]、复杂网络^[5]等多元方法的应用。交通领域风险管理的研究包括道路交通的车辆追尾风险评估^[6]、驾驶风险预测^[7]、船舶搁浅风险量化^[8-11]、物流网络风险传播分析^[12]、轨道交通风险演化等方面，也逐渐向风险传播机理转变。其中，轨道交通建设期风险识别^[13-16]与风险评估建模^[17-20]主要聚焦于工程质量^[21-22]、风险耦合^[23-26]和风险缓解策略^[27-29]等方面，轨道交通运营期的风险研究则聚焦于控制与建模^[30-32]、评价与分级^[33-34]、演化与分析^[35-40]。

风险的随机性、复杂性和动态性特点决定了建立数学模型研究风险演化机理的挑战，对于轨道交通这一复杂巨系统更为突出。围绕风险演化研究议题，利用科学计量学工具，对近5年的风险演化文献进行可视化分析，从时间分布、研究作者分布、研究机构分布、风险演化热点等方面，揭示当前风险演化研究的趋势和模式，详细阐述风险演化研究中常用的方法，并分析轨道交通领域风险演化存在的问题和挑战，最后，结合风险演化的特点以及研究热点，提出轨道交通领域风险演化的研究方向，为丰富轨道交通领域风险管理和安全决策提供学术借鉴。

1　文献计量分析

1.1　研究方法

在探索风险演化领域的研究进展及其知识结构时，传统的定性分析方法往往难以全面揭示学科间的内在联系和发展趋势。为了更直观、系统地理解该领域的研究动态，本研究采用文献计量分析的方法，运用VOSviewer文献处理工具，构建风险演化领域共现网络，从发文作者、机构以及关键词等多角度分析风险演化在轨道交通领域研究现状。

1.2　数据来源

本研究以Web of Science数据库为基础，搜索与“风险演化”相关的核心文献数据库，设置检索策略为：(TS=(“risk evolution”OR“risk propagation”OR“risk prediction”OR“risk path”OR“scenario evolution”OR“evolutionary mechanism”OR“state transition”)) AND DOP=(2019-01-01/2024-09-20)；文献研究类型包括论文(Article)、综述文章(Review Article)以及会议论文(Proceeding Paper)；检索类别包括交通运输、交通科学技术、工业工程、地质工程等多类与交通领域有关的学科类别。通过上述文献检索方式，共检索出522篇风险演化研究的文章。为了深入了解轨道交通领域在风险演化方面的研究，新增检索策略为(TS=(“rail transit”OR“urban rail”OR“metro”OR“high-speed rail”OR“subway”OR“railway”OR“railroad”OR“mass transit”OR“rail traffic”OR“rail transport”OR“light railway transit”OR“commuter rail”OR“railways”)进行文献检索，得到25篇轨道交通风险演化文章。当前，在轨道交通领域的研究中，关于风险演化的探讨相对较少，体现了对风险演化进行持续深入研究的必要性。

2　风险演化研究分布特征分析

2.1　时间分布特征

基于Web of Science检索数据，近5年风险演化研究分布如图1所示。风险演化的研究从2019年到2022年逐年增长，且在2022年增长最快，随后逐渐稳定；同时，轨道交通领域风险演化研究逐渐受到学者关注并成为轨道交通领域新的焦点。

2.2　研究作者及机构分布特征

根据普赖斯定律M≈0.749×\sqrt[]{N_{\mathrm{m}\mathrm{a}\mathrm{x}}}(N_{\mathrm{m}\mathrm{a}\mathrm{x}}为研究领域发文量最大作者的论文数量，M为研究领域核心作者发文量阈值)计算可知^[41]，发文量大于阈值2.247篇即为相关研究领域核心作者。通过对检索得到的522篇文献的作者进行分析，结果显示，国内外共有61名风险演化研究领域核心作者。

风险演化研究学者涵盖700多家单位，如清华大学、中国科学院、德州农工大学等。近5年来，单机构最大发文量为23篇，根据普赖斯定律，发文量大于3的45个研究机构为该研究领域核心研究机构，风险演化发文量≥10的研究单位如表1所示。

在风险演化研究的700多家单位中，同济大学、武汉理工大学、东南大学、北京交通大学、中国矿业大学(北京)、南洋理工大学、长安大学等29所高校机构发文量≥5，在总发文量中占比超过30%，是国内外风险演化研究主题的主要机构。国内在风险演化研究方面，各高校机构之间相互合作，逐渐形成了3个核心研究群体，各高校研究机构合作网络如图2所示，分别是以北京交通大学为核心的轨道交通风险管理的研究群体、以大连海事大学为核心的海上运输风险管理的研究群体，以及以同济大学为核心的建筑工程风险管理的研究群体。

2.3　风险演化研究热点主题

进一步使用VOSviewer可视化分析工具，对样本文献集中的关键词进行提取，并将语义相同关键词进行合并，得到2 720个语义相对独立的关键词样本。在此基础上，综合考虑文献数量、关键词数量以及普赖斯指数，选择词频为5次及以上的109个高频关键词作为研究数据集，构建国内外风险演化研究的关键词共现网络图，风险演化研究高频关键词共现网络如图3所示，矩形框的大小表示关键词的共现频次，反映了该研究领域的研究热点；关键词之间的连线粗细表示在同一文献中出现的频次，反映了研究热点间的关联程度。此外，矩形框的颜色表示主题的聚类结果。

结果表明，风险预测(Risk Prediction)、机器学习(Machine Learning)、风险传播(Risk Propagation)、模型(Model)、安全(Safety)、管理(Management)等高频词汇构成了各区域风险演化研究的核心词汇。根据VOSviewer的聚类结果，2019—2024年期间国内外风险演化研究内容被聚类为4项研究主题：基于图论的风险分析与安全评估(对应图3中的区域1)、基于系统论的风险评估(对应图3中的区域2)、基于机器学习的风险预测与失效分析(对应图3中的区域3)、基于仿真与建模技术的风险传播与故障分析(对应图3中的区域4)。风险演化研究主题聚类分析结果及典型文献如表2所示。

关于风险演化的研究主要经历了3个阶段：早期以概率统计学为主要研究方法的风险管理研究、中期以机器学习为主要研究方法的风险预测和后期以图论(动态贝叶斯、Bow-tie、动态事故数)为主要研究方法的多领域(交通、物流、供应链、信息等)风险传播研究。风险演化的研究实现了由笼统到精细、定性到定量、后果到机理的转变，深入探索风险产生的机理以及风险状态的转变。

3　风险演化现状分析

3.1　风险管理框架

风险不是静态的，而会随时间、环境和条件的变化而变化。风险演化在风险管理中扮演着至关重要的角色^[100]，涉及到风险辨识、评价、分级、管控的连续过程。对风险演化的研究是对风险的随机性、复杂性和动态性建模的过程，例如在风险防控过程中，每一个措施的实施都会对风险传播的路径产生影响，进而导致风险演化结果发生变化，风险管理框架如图4所示。

风险演化强调了风险管理是一个动态的过程，需要不断地监控和调整风险控制措施，以确保能够有效地应对当前和未来的风险状况，风险演化是实现有效风险管理的关键。

3.2　风险演化研究理论方法

目前学术界形成了以图论、系统论、机器学习和建模仿真为基础的风险演化方法体系，风险演化方法体系如图5所示。

运用系统论对各领域风险演化进行分析，得到风险演化要素集，为风险演化路径分析提供整体框架。结合因果逻辑和图论，分析风险因素之间的相互关系，得到风险演化的路径网络，构建风险演化模型，并利用风险因素特征和历史数据对风险进行预测。最后，根据建模与仿真结果，动态调节风险演化路径网络，优化风险演化要素集。这些方法相互补充，共同构成全面的风险演化方法体系，使风险管理者能够从不同角度理解和实践。

3.2.1　基于系统论的风险演化研究方法

在风险演化分析中，基于系统论的技术方法也广泛应用于风险演化的研究来揭示风险因素之间的内在联系和相互作用，如事故映射地图(Accident Analyse Mapping，Accimap)、人因分析与分类系统(Human Factors Analysis and Classification System，HFACS)、系统理论事故模型与过程(Systems Theoretic Accident Modeling and Process，STAMP)、功能共振分析方法(Functional Resonance Analysis Method，FRAM)、系统理论过程分析(Systems Theoretic Process Analysis，STPA)、认知可靠性误差分析方法(Cognitive Reliability and Error Analysis Method，CREAM)、保护层分析等。Accimap从事故本身出发，反映致因因素与致因结果，最终形成致因链。Zhang等^[101]用Accimap描述了整个系统的故障、整个事故的轨迹以及他们之间的关系。对于系统而言，风险因素之间存在主次区分，不同系统中的相同因素对整个系统的影响可能存在很大差别，而Accimap并未考虑这一点。对于风险因素对整个系统的影响强度，又出现了多种系统论的风险演化方法。HFACS和CREAM将人为因素视为组织过程中最大的问题，而非事故本身，强调了人为因素对系统的影响。Chauvin等^[102]结合海事环境对人为因素分析和分类系统进行创新，用于分析海事事故和调查处(英国)和运输安全委员会(加拿大)报告的碰撞中的人为和组织因素；Zhan等^[103]基于大量的事故数据，提出了HFACS-铁路事故框架，识别和分类铁路事故中涉及的人为因素和组织因素。STPA与STAMP认为系统的安全问题与系统的控制直接相关。Khastgir等^[104]运用STPA方法来识别自动驾驶系统的测试场景。Johansen等^[105]将STPA和贝叶斯信念网络结合作为在线风险模型的基础，提高自动驾驶船舶智能性并增强自主系统的安全运行。随着对系统的深入研究，系统功能间的耦合关系逐渐成为学者们的研究重点，FRAM不再是仅考虑单一系统，而是分析系统之间功能的耦合性。Patriarca等^[106]对传统的FRAM进行了改进，提出了一种基于蒙特卡罗模拟的创新半定量框架用于评估复杂系统中的性能变化。综上所述，系统论方法在风险演化研究中的重要性体现在其能够揭示风险因素之间的内在联系和相互作用，帮助研究者和实践者从宏观角度把握风险的整体状况，从而制定更为有效的风险管理策略。

3.2.2　基于因果逻辑的风险演化研究方法

基于因果逻辑的风险演化方法是一种分析风险因素之间因果关系的方法，研究者使用因果逻辑来分析复杂系统中的风险因素如何相互作用，以及这些相互作用如何影响系统的整体风险，如贝叶斯推理、动态逻辑分析等。Xu等^[107]提出了一种混合因果逻辑模型，估算沿东北航道进行护航行动期间破冰船与船只在冰道中相撞的概率；王景哲等^[108]基于因果分析-模糊逻辑综合评价法，结合藤州浔江特大桥索塔施工安全风险评估进行了应用研究，为同类型公路水运工程施工安全风险评估提供了有效途径；郭梨等^[109]提出了一种基于混合因果逻辑的尾矿坝事故知识图谱构建与应用方法，用于解决尾矿坝事故风险分析的复杂性和不确定性；张锴^[110]运用混合因果逻辑法，对第III等级自主船的航行事故、设备可靠性、岸基控制中心人因失误等风险进行了深入研究。综上所述，由于因果逻辑分析法为定性分析方法，且需要大量的历史数据来支持因果关系的分析，因此通常将该方法与其他量化方法结合使用。

3.2.3　基于图论的风险演化研究方法

过去，风险研究主要聚焦于为决策者提供风险评估结果，风险分析通常采用直观且易于理解的数据，但由于不同阶段风险因素之间耦合关联，风险的载体相互链接形成网络，这种方法往往难以揭示风险演化的动态特性^[111]。随着学者们越来越关注工程风险场景中风险的动态演化过程，图论作为一种能够有效处理此类复杂关系的工具，逐渐受到研究者的青睐。

在风险演化研究上，事件树分析法(Event Tree Analysis，ETA)和事故树分析法(Fault Tree Analysis，FTA)是早期基于图论的风险分析方法。然而，基本事件发生的概率和事件间的不确定性关系加大了量化风险分析的难度。虽然Ferdous等^[112]通过模糊集理论和证据理论来描述输入事件可能性中的不确定性且通过运用一种基于依赖系数的方法来表示ETA和FTA中事件间的相互依赖关系，但是该方法在确定基本事件概率时主观性较强。随着对风险量化需求的增加，基于图论的风险演化方法逐渐出现，如Bow-tie、贝叶斯网络(Bayesian Network，BN)、复杂网络(Complex Network，CN)、Petri网等，由于Bow-tie是由FTA和ETA组成，在风险演化研究中，同样具有相同的局限性，通常侧重于定性分析^[113]。而BN相较于ETA，FTA和Bow-tie的分析，不仅能体现节点之间的因果关系，而且能够体现节点间的依赖关系并通过概率量化节点之间的变化。Li等^[114]采用Bow-tie法来构建管道泄漏与潜在事故场景之间的因果关系，利用BN映射来缓解Bow-tie的局限性。Li等^[115]运用Bow-tie模型识别易燃液体道路运输系统中的危险，并显示了道路罐车运输的风险演变，进而确定了BN的框架，实时更新道路罐车风险。Li等^[116]在对城市天然气管道的外部活动进动态风险分析中，将Bow-tie模型和BN结合，表示蓄意破坏和意外危险引起的管道事故的演变过程。在轨道风险演化研究上，Huang等^[117]基于文本挖掘技术和Bow-tie模型，提出了一种新的因果模型方法框架，系统地研究了铁路入侵风险，总结出铁路入侵的因果链，并在风险演变过程中降低安全风险；Li等^[118]借鉴复杂网络和事故因果关系理论，探讨了城市轨道交通风险的产生和传播，并预测了城市轨道交通风险的传播路径和规律。马尔可夫链(Markov Chain，MC)与BN相似，都需要知道某一时刻某一节点的转移概率，但MC中节点下一时刻的状态只与当前状态有关，与其他节点无关。然而，对于规模较大的系统而言，风险演化路径十分复杂，节点间的关系较多，BN和MC很难对其量化。CN因其不仅能够定量描述系统中研究对象之间的相互作用，而且能够捕捉和描述节点之间丰富多样的连接模式而具有广泛的适用性，如生态网络^[119-120]、交通网络^[121]等。Deng等^[122]基于CN构建了我国沿海海上交通事故的网络模型，根据节点介数中心性和PageRank值进行网络鲁棒性分析，识别海上事故演化的关键因素，有效地遏制风险的演变。Xu等^[123]通过调整CN复杂网络的接近中心性，对洪水灾害社会稳定风险的演变进行分析，构建了洪水社会稳定风险演化的拓扑图。综上所述，基于图论的方法能够通过将复杂的现实问题映射到图网中，进而揭示风险因素之间的依赖性和传播路径，评估关键节点风险在网络中的传播可能性和影响范围。然而，随着网络规模的增大，准确的网络结构和参数数据使得计算量呈指数级增长，研究学者通常为了确保计算的可行性，降低计算复杂度，风险演化模型可能过度简化，忽略了某些关键因素。因此，未来在基于图论的风险演化研究上，应进一步探索如何优化算法，处理大规模网络，以及如何结合实际数据提高模型的准确性和实用性等。

3.2.4　基于建模仿真的风险演化研究方法

风险演化的过程具有高度复杂性，风险状态往往受到多种因素的共同影响，其变化具有随机性，传统方法难以对其进行有效分析，因此，建模仿真技术经常被用于挖掘风险状态变化的规律，模拟风险事件的发生、发展和后果，从而帮助研究者和决策者更好地理解和管理风险。Xia等^[124]提出了煤自燃和燃气爆炸危险的形成标准和气体开采安全指标，通过模拟技术研究了不同气控、矿面开采和通风参数下采气引起的矿气迁移、煤自热及其共生风险演化；Li等^[125]通过双向长-短期记忆神经网络(Bi-LSTM)和自我注意机制的整合，提出了一种名为Att-Bilstm的混合深度学习模型，能够动态、准确地对邻近建筑物的风险进行预测。随着大数据、人工智能、深度学习等技术的突破，建模仿真技术更加智能化和自动化，其方法也得到了进一步发展；Ouyang^[126]基于研究重点、建模原理和分析方法将现有的建模和模拟方法大致归纳为6种类型：实证方法、基于主体的方法、基于系统动力学的方法、基于经济理论的方法、基于网络的方法和其他方法。在风险演化的模拟上，通常采用基于网络和基于系统动力学的方法，例如蒙特卡罗、元胞自动机等。

蒙特卡罗仿真(Monte Carlo Simulation，MC)通过随机抽样和概率分布来模拟不确定性因素，预测各种可能的风险结果及其概率，能模拟高度复杂和非线性的风险演化过程，常用于模拟和分析风险随时间的演变过程。Zhi等^[127]在对船舶微电网进行风险分析时，建立了微电网网络拓扑的风险评估模型，并利用MC方法对异常状态下的电流进行反复模拟分析。在交通领域，对碰撞风险的预测能够大规模降低重大交通事故的发生。Wang等^[128]将MC与船舶轨迹估计器结合，量化碰撞概率；Qin等^[129]采用MC来估计碰撞危险包络线，避免了卡车尺寸、侵占和车辆方向角的不确定性问题。为了降低机队的故障风险，赵洪利等^[130]基于蒙特卡罗模拟技术，提出了航空发动机故障风险预测方法，用于评估发动机各个部件在未来发生故障的可能性。然而，由于MC结果的准确性严重依赖于模拟次数和数据模型的输入，而且对于复杂系统，如突发自然灾害引起的多米诺现象、轨道交通级联失效事故等，刻画风险状态难度较大，风险状态预测的时效性和准确性会较低，影响决策者对风险的管控，甚至会进一步恶化灾情。

元胞自动机(Cellular Automata，CA)通常用于模拟具有明确空间结构和局部相互作用的系统的风险传播和演化，如传染病的传播、森林火灾的扩散、交通拥堵的发展等。Kuang等^[131]基于改进的CA模拟昆士兰州太平洋高速公路上的饱和交通来研究不同强度扰动引起的碰撞风险传播。在复杂网络风险传播趋势的研究中，李钊等^[132]基于元胞自动机建立复杂信息系统安全风险传播模型；王红春等^[133]将供应链网络映射至元胞空间，考虑了中断风险下节点企业运营能力的状态差异以及邻居间元胞状态的相互影响关系，构建了一种基于元胞自动机和SEIRD传染病模型的风险传播趋势仿真模型。在风险演化仿真过程中，研究者需要根据研究对象的实际情况，设计合理的状态更新规则，但是由于风险状态是一个抽象的概念，这些规则很难从实际复杂系统中直接获得，因此，通常在使用CA过程中都会结合其他模型一起使用。CA在风险演化研究中的优势在于其能够模拟复杂系统的时空动态和自组织行为，而MC的优势则在于其处理不确定性和进行概率预测的能力。

3.2.5　基于机器学习的风险演化研究方法

风险预测是风险演化研究中的核心组成部分，涉及到对潜在风险事件的发生概率、影响程度以及可能造成的后果进行预估和分析，对于制定风险管理策略、优化资源配置、减少潜在损失以及提高决策质量都至关重要。随着大数据和计算能力的提升，越来越多的学者将机器学习和人工智能引入医学^[134-136]、经济学^[137]、建筑工程^[138]、交通运输^[139-140]等领域中，构建风险预测模型。轨道交通系统是一个复杂的动态网络，包括车辆、轨道、信号系统等多个组成部分，这些系统的相互作用和外部环境因素的变化，使得风险预测面临巨大的挑战。机器学习作为一种从数据中自动学习和预测的技术，能够处理和分析轨道交通系统产生的大量数据，包括乘客流量^[141-142]等。目前，机器学习在轨道交通风险演化研究中的应用主要集中在以下3个方面：建设安全风险评估、故障预测和健康管理、乘客行为分析。Liu等^[143]提出了一种称为基于多注意力层的多实例学习模型来预测高速铁路沿线的强风风险；李曼等^[144]结合自适应聚类算法，利用校准标签排名，对机车牵引系统故障进行预测，有效提高了故障维修方式预测准确率；黄金华^[145]将PID控制和神经网络智能算法结合运用于城市轨道交通的客流控制上，建立了短期客流预测模型并利用历史数据进行检验，对上海市轨道交通高峰期的大客流进行了安全控制。综上所述，无论是在轨道交通运营期还是建设期，通过机器学习模型，可以识别潜在的风险模式和演化趋势，从而提前采取措施，减少事故发生的可能性。然而，基于机器学习的风险演化技术对数据的质量和数量要求较高，且模型可解释性较差，因此在需要高度可靠性的轨道交通领域，基于机器学习的风险演化技术的应用是一个巨大挑战。

4　结论与展望

4.1　结论

通过文献计量法和内容分析法对风险演化研究进行了分析，揭示了风险演化研究的主要特征、热点主题分布。根据风险演化研究主题，将风险演化研究按照系统论、因果逻辑、图论、建模仿真、机器学习的方法进行系统性分析，阐明各方法的适用条件与应用实例。

针对轨道交通领域风险管理与分析，研究重点主要聚焦在风险识别、风险评估、风险管理和风险演化。为防止施工期和运营期轨道交通事故的发生，“预警→响应→救援→恢复→反思→整改”成为轨道交通安全保障的重要环节，而对风险演化的研究贯穿于整个轨道交通系统，轨道交通领域风险演化研究如图6所示。

尽管许多学者在风险演化的研究中已经取得了一定的进展，但在研究过程中仍存在一些问题和挑战，主要概括为以下3方面。

（1）如何准确理解轨道交通系统风险内涵以及风险演化理论体系构建。轨道交通系统是一个复杂的巨系统，不同程度的风险存在于系统的各层级、各环节中，系统风险界定、分级辨识、全局风险评估是目前轨道交通系统安全保障面临的主要挑战。国内外对风险及风险演化定义的模糊性与理论框架的构建较为缺乏，对系统运行风险产生及演化机理不明、各粒度风险点辨识确认主要依赖经验和事故统计、风险管理缺乏系统性理论支撑，传统的轨道交通风险演化定义强调了单一系统或结构的风险因素的动态性和不确定性，以及这些因素对系统安全的影响，而轨道交通系统是由多个系统协同完成，各系统之间存在较强的耦合关系。因此，在轨道交通系统的风险演化研究上，需构建面向安全管理的风险管理理论框架，明确系统间风险演化关键要素的耦合性和影响机制，为后续研究提供研究基础和方向。

（2）如何对随机性、不确定性的动态系统进行风险演化行为建模。目前，轨道交通系统存在风险动态信息支撑不充分、风险感知按专业划分、监测项点布局缺乏科学支撑、风险因素的动态变化与分级预警的重要关系不明确等关键问题，尤其对于复杂运营环境下系统各粒度动态风险精准辨识与动态管控存在瓶颈。以事故因果逻辑链路分析为代表的既有研究通过从历史事故中提取数据，挖掘潜在的风险路径，并构建出完整的风险演化链路。然而，该过程通常涉及较强的主观因素，依赖于专家经验和历史数据的解释，缺乏统一标准、全面的本体结构来集成轨道交通领域的多源异构数据，而传统机器学习和深度学习方法需要大量人工标注数据，费时费力，构建成本高，并且模型训练后只适用于特定任务，缺乏通用的数理模型。因此，如何对随机性、不确定性的动态系统进行风险演化系统行为建模，挖掘风险产生的本质及风险演化的机制将有助于预测未知风险，为风险管理提供更有针对性的策略。

（3）风险演化在轨道交通风险智能监测预警中如何科学应用与实践。风险演化研究成果的应用对于轨道交通系统风险智能监测预控能力的提升尤为关键。目前轨道交通外部环境安全监测以人工巡检为主，无人机巡检、视频监控、地面传感设备监测等技防手段为辅，仍存在监测有盲区、智能化程度低、监测数据信息孤岛等不足，需围绕强化轨道交通沿线安全环境技防建设和智能监测需求，应用如卫星遥感技术、沿线铁塔视频的实时监控智慧识别技术、地面监测技术等研究考虑轨道交通系统与外部环境动态演化、联动的风险智能预警技术，基于风险演化关键要素监测清单研究风险检测/监测项点优化部署方法，构建空天地网一体化轨道交通系统风险智能预警体系，可应用于既有、新建、改建的轨道交通系统安全风险管控，大大提高状态监测系统的费效比，同时对于其他行业的安全风险管控具有一定的可移植性。

4.2　展望

结合文献综述，提出轨道交通风险演化未来研究的重点方向。

（1）基于大语言模型的风险演化分析与应用。轨道交通行业涉及结构化、文本类、图像视频类、数字高程等多模态数据，可利用大语言模型，通过数据与知识双轮驱动的方法，实现非结构化数据的特征分析及结构化数据的推理计算，整合处理不同类型数据，提高风险预测的准确性。同时，设计合适的提示策略，激发大语言模型对于识别轨道交通事故风险的求解能力，进而从文本数据中抽取出轨道交通风险知识实体，并利用自定义的知识结构进行组织，形成风险演化知识图谱进行存储，实现对轨道交通风险传播路径的智能查询。

（2）风险演化的动态建模与应用。从静态风险评估、动态风险管理、风险预警和持续跟踪4个机制入手构建安全风险管控体系，为轨道交通行业安全风险管理提供系统支撑。尤其对于系统风险演化的动态建模与应用部分，如何在分析辨识轨道交通系统组分及组分间关系风险属性基础上，通过风险属性的抽取和风险物理拓扑同构镜像，研究系统风险属性动态表征方法，揭示物理风险点特征与系统安全行为相互映射机理，突破轨道交通系统与外部环境动态联动的风险智能预警技术，为系统风险点分级、状态感知体系构建、定量化精准风险防控决策提供新的理论方法。

参考文献

[1] BARRERA A， LLASAT M C， BARRIENDOS M. Estimation Of Extreme Flash Flood Evolution in Barcelona County From 1351 To 2005[J]. Natural Hazards and Earth System Sciences，2006，6(4)：505-518.

[2] HOU L， WU X， WU Z，et al. Pattern Identification and Risk Prediction of Domino Effect Based on Data Mining Methods for Accidents Occurred in the Tank Farm[J]. Reliability Engineering & System Safety，2020，193：106646.

[3] DAI M， HUANG S， HUANG Q，et al. Assessing Agricultural Drought Risk and its Dynamic Evolution Characteristics[J]. Agricultural Water Management，2020，231：106003.

[4] WANG P， LI Y， YU P，et al. The Analysis of Urban Flood Risk Propagation Based on the Modified Susceptible Infected Recovered Model[J]. Journal of Hydrology，2021，603：127121.

[5] FENG J R， ZHAO M， Lu S. Accident Spread and Risk Propagation Mechanism in Complex Industrial System Network[J]. Reliability Engineering & System Safety，2024，244：109940.

[6] SONG X， SUN Y， TAO P.A Dynamic Bayesian Network Model for Real-Time Risk Propagation of Secondary Rear-End Collision Accident Using Driving Risk Field[J]. IEEE Access，2022，10：72429-72443.

[7] XIE Z， MA Y， ZHANG Z，et al.Real-Time Driving Risk Prediction Using a Self-Attention-Based Bidirectional Long Short-Term Memory Network Based on Multi-Source Data[J]. Accident Analysis & Prevention，2024，204：107647.

[8] MA X， DENG W， QIAO W，et al. A Novel Methodology Concentrating on Risk Propagation to Conduct a Risk Analysis Based on a Directed Complex Network[J]. Risk Analysis，2022，42(12)：2800-2822.

[9] MA X， DENG W， QIAO W，et al. A Methodology to Quantify the Risk Propagation of Hazardous Events for Ship Grounding Accidents Based on Directed CN[J]. Reliability Engineering & System Safety，2022，221：108334.

[10] ZHANG X， ZHAO S， MEI H. Analysis of Airport Risk Propagation in Chinese Air Transport Network[J]. Journal of Advanced Transportation，2022，2022(1)：9958810.

[11] LI J， YU A， XU B. Risk Propagation and Evolution Analysis of Multi-level Handlings at Automated Terminals Based on Double-layer Dynamic Network Model[J]. Physica A：Statistical Mechanics and its Applications，2022，605：127963.

[12] SHAN H， FEI J， SHI J，et al. Investigation of Risk Propagation and Control in Emergency Response Logistics Networks：A Cellular Automata Based Approach[J]. Computers & Industrial Engineering，2024，193：110267.

[13] 杨 洲，杜云鹏，司阳，等. 城市轨道交通工程建设施工的风险识别及防控措施[J]. 住宅与房地产，2019，18：253-254.

[14] YANG Zhou， DU Yunpeng， SI Yang，et al. Risk Identification and Prevention and Control Measures for the Construction of Urban Rail Transit Projects[J].Housing and Real Estate，2019，18：253-254.

[15] 易 爽. 城市轨道交通工程建设施工的风险识别与分析[J]. 建筑技术开发，2020，47(12)：141-142.

[16] YI Shuang. Risk Identification and Analysis of Urban Rail Transit Engineering Construction[J]. Building Technology Development，2020，47(12)：141-142.

[17] 梁清帅. 城市轨道交通工程建设施工的风险识别[J]. 工程建设与设计，2020，22：224-225.

[18] LIANG Qingshuai. Risk Identification of Urban Rail Transit Project Construction[J]. Construction & Design for Engineering，2020，22：224-225.

[19] WU Y， ZHAO L Y， JIANG Y X，et al. Research and Application of Intelligent Monitoring System Platform for Safety Risk and Risk Investigation in Urban Rail Transit Engineering Construction[J]. Advances in Civil Engineering，2021，2021(1)：9915745.

[20] 卢 睿，孔文亚，方明亮. 基于贝叶斯网络的铁路“四电”工程质量安全风险研究[J].中国铁道科学，2020，41(5)：162-170.

[21] LU Rui， KONG Wenya， FANG Mingliang. Research on Quality and Safety Risk of Railway Electric/Electronic Systems Engineering Based on Bayesian Network[J]. China Railway Science，2020，41(5)：162-170.

[22] ZHOU Z， LIU S， QI H. Mitigating Subway Construction Collapse Risk Using Bayesian Network Modeling[J].Automation in Construction，2022，143：104541.

[23] WANG Q， ZHANG J， ZHU K，et al. The Safety Risk Assessment of Mine Metro Tunnel Construction Based on Fuzzy Bayesian Network[J]. Buildings，2023，13(7)：1605.

[24] 李晓健，陈雍君，邱 实，等. 复杂地区铁路工程建设风险知识图谱的建立与分析方法[J/OL]. 铁道学报[2024-10-31].

[25] LI M， WANG J. Intelligent Recognition of Safety Risk in Metro Engineering Construction Based on BP Neural Network[J]. Mathematical Problems in Engineering，2021，2021(1)：5587027.

[26] WU K， ZHANG J， HUANG Y，et al. Research on Safety Risk Transfer in Subway Shield Construction Based on Text Mining and Complex Networks[J]. Buildings，2023，13(11)：2700.

[27] 郭 峰，李媛媛，彭晓菁，等. 基于DEMATEL-AISM的铁路工程建设风险识别影响因素与优化策略研究[J].铁道科学与工程学报，2024，21(2)：802-811.

[28] GUO Feng， LI Yuanyuan， PENG Xiaoqing，et al. Research on Influencing Factors and Optimization Strategy of Railway Construction Risk Identification Based on DEMATEL-AISM[J]. Journal of Railway Science and Engineering，2024，21(2)：802-811.

[29] MA S， TIAN Q， ZOU C，et al. Quality Risk Evaluation of Urban Rail Transit Construction Based on AHP-FCE Method[J]. Advances in Civil Engineering，2023，2023(1)：2187071.

[30] SHAN Z， LIANG Y， YU Z，et al. Research on the Correlation of Safety Risk of Railway Bridge Construction Based on Meta-Analysis[J]. Applied Sciences，2024，14(8)：3155.

[31] HUO X， YIN Y， JIAO L，et al. A Data-Driven and Knowledge Graph-Based Analysis of the Risk Hazard Coupling Mechanism in Subway Construction Accidents[J].Reliability Engineering & System Safety，2024，250：110254.

[32] 彭晓菁. 复杂艰险地区铁路工程施工风险动态演化及防控研究[D]. 湘西：中南大学，2023.

[33] XU N， LIU Q， MA L，et al. A Hybrid Approach for Dynamic Simulation of Safety Risks in Mega Construction Projects[J]. Advances in Civil Engineering，2020，2020(1)：9603401.

[34] HAN Y， SHEN J， ZHU X，et al. Study on the Mechanism of Safety Risk Propagation in Subway Construction Projects[J]. Sustainability，2024，16(2)：796.

[35] 徐叶鹏. 铁路运输安全风险管控及评价体系构建[J]. 铁道运输与经济，2019，41(11)：105-110.

[36] XU Yepeng.A Construction of Risk Control and Evaluation System for Railway Transport Safety[J]. Railway Transport and Economy，2019，41(11)：105-110.

[37] ZHU J， SHI Q， LI Q，et al. Developing Predictive Models of Construction Fatality Characteristics Using Machine Learning[J]. Safety Science，2023，164：106149.

[38] YAN D， LI K， ZHU Q，et al. A Railway Accident Prevention Method Based on Reinforcement Learning-Active Preventive Strategy by Multi-Modal Data[J]. Reliability Engineering & System Safety，2023，234：109136.

[39] LIU K， ZHU J， WANG M. An Event-Based Probabilistic Model of Disruption Risk to Urban Metro Networks[J]. Transportation Research Part A：Policy and Practice，2021，147：93-105.

[40] MONTENEGRO P A， HELENO R， CARVALHO H，et al. A Comparative Study on the Running Safety of Trains Subjected to Crosswinds Simulated with Different Wind Models[J]. Journal of Wind Engineering and Industrial Aerodynamics，2020，207：104398.

[41] LYU M， SHUAI B， ZHANG Q，et al. Ripple Effect in China-Europe Railway Transport Network：Ripple Failure Risk Propagation and Influence[J]. Physica A：Statistical Mechanics and Its Applications，2023，620：128739.

[42] LI M， ZHOU X， WANG Y，et al. Modelling Cascade Dynamics of Passenger Flow Congestion in Urban Rail Transit Network Induced by Train Delay[J]. Alexandria Engineering Journal，2022，61(11)：8797-8807.

[43] 宋 哲，郭 湛，习年生，等. 基于概率分析的铁路安全风险传递网络模型研究[J]. 铁道运输与经济，2024，46(4)：142-152.

[44] SONG Zhe， GUO Zhan， XI Niansheng，et al. Research on Railway Safety Risk Transfer Network Model Based on Probability Analysis[J].Railway Transport and Economy，2024，46(4)：142-152.

[45] 范博松，邵春福，赵 丹，等. 城市轨道交通运营突发事件风险动态演化模型[J]. 交通信息与安全，2024，42(3)：122-130.

[46] FAN Bosong， SHAO Chunfu， ZHAO Dan，et al. Modelling on the Risk Dynamic Evolution of Urban Rail Transit Operation Emergency[J]. Journal of Transport Information and Safety，2024，42(3)：122-130.

[47] 汤洪霞，郑静萱，李梦笛，等. 城市轨道交通系统暴雨风险演化网络特性及韧性提升策略[J/OL]. 铁道标准设计[2024-10-31].

[48] 王青娥，荆浩飞，蔡超勋. 基于SNA的铁路工程技术创新双重风险网络特征及演化研究[J]. 铁道科学与工程学报，2024，21(10)：4288-4298.

[49] WANG Qing’e， JING Haofei， CAI Chaoxun. Research on the Characteristics and Evolution of Double Risk Network of Railway Engineering Technology Innovation Based on SNA[J]. Journal of Railway Science and Engineering，2024，21(10)：4288-4298.

[50] 杨红岩，潘 辉. 我国元宇宙研究领域的科学知识图谱分析[J]. 图书馆建设，2023，2：40-51.

[51] YANG Hongyan， PAN Hui. Analysis of Metaverse Research in China Based on Knowledge Mapping[J]. Library Development，2023，2：40-51.

[52] YIN J， XIONG T. Risk Evolution of Ship Oil Spill in the Three Gorges Reservoir Area[J]. Mathematical Problems in Engineering，2021，2021(1)：8197944.

[53] JIN Z， RUAN X， LI Y. Risk Evolution of On-Bridge Crowds through Region-Level Floor Field Model[J]. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems，Part A：Civil Engineering，2020，6(1)：04019021.

[54] CHEN Y， WANG J， JIN L，et al. A Hybrid Approach Integrating Case Mining (CM) and the Copula Bayesian Network (CBN) for Accident Causation Probabilistic Reasoning of Building Construction Collapses[J]. Reliability Engineering & System Safety，2024，252：110469.

[55] GUO Y， JIN Y， HU S，et al. Risk Evolution Analysis of Ship Pilotage Operation by An Integrated Model of Fram and DBN[J]. Reliability Engineering & System Safety，2023，229：108850.

[56] LIU J， ZHANG J， YANG Z，et al. A Novel Data-Driven Method of Ship Collision Risk Evolution Evaluation During Real Encounter Situations[J]. Reliability Engineering & System Safety，2024，249：110228.

[57] HU S， LI W， XI Y，et al. Evolution Pathway of Process Risk of Marine Traffic with the STAMP Model and a Genetic Algorithm：A Simulation of LNG-Fueled Vessel In-and-Out Harbor[J]. Ocean Engineering，2022，253：111133.

[58] PRIMATESTA S， SCANAVINO M， GUGLIERI G，et al. A Risk-Based Path Planning Strategy to Compute Optimum Risk Path for Unmanned Aircraft Systems over Populated Areas[C]//2020 International Conference on Unmanned Aircraft Systems (ICUAS). New Jersey：IEEE，2020：641-650.

[59] LU Y， LIU J， YU W. Social Risk Analysis for Mega Construction Projects Based on Structural Equation Model and Bayesian Network：A Risk Evolution Perspective[J]. Engineering，Construction and Architectural Management，2024，31(7)：2604-2629.

[60] DO J， HAN K， CHOI S B. Lane Change-Intention Inference and Trajectory Prediction of Surrounding Vehicles on Highways[J]. IEEE Transactions on Intelligent Vehicles，2023，8(7)：3813-3825.

[61] LIU Q， TANG A， HUANG D，et al. Total Probabilistic Measure for the Potential Risk of Regional Roads Exposed to Landslides[J]. Reliability Engineering & System Safety，2022，228：108822.

[62] ZHANG J， JIN M， WAN C，et al. A Bayesian Network-Based Model for Risk Modeling and Scenario Deduction of Collision Accidents of Inland Intelligent Ships[J]. Reliability Engineering & System Safety，2024，243：109816.

[63] ZHU Q， XI Y， HU S，et al. Spatial-Temporal Analysis Method of Ship Traffic Accidents Involving Data Field：An Evidence from Risk Evolution of Ship Collision[J]. Ocean Engineering，2023，276：114191.

[64] AHMADABADI A A， HERAVI G. Risk Assessment Framework of PPP-Megaprojects Focusing on Risk Interaction and Project Success[J]. Transportation Research Part A：Policy and Practice，2019，124：169-188.

[65] FERNÁNDEZ P M G， LÓPEZ A J G， MÁRQUEZ A C，et al. Dynamic Risk Assessment for CBM-Based Adaptation of Maintenance Planning[J]. Reliability Engineering & System Safety，2022，223：108359.

[66] CHENG L， CAO D. Evolution Model and Quantitative Assessment of Risk Network in Housing Construction Accidents[J]. Engineering，Construction and Architectural Management，2024，31(1)：227-246.

[67] ZHANG G， WANG X， GAO Z，et al. Research on Risk Diffusion Mechanism of Logistics Service Supply Chain in Urgent Scenarios[J]. Mathematical Problems in Engineering，2020，2020(1)：5906901.

[68] JUNYUNG K I M， XINGANG Z， SHAH A U A，et al. System Risk Quantification and Decision Making Support Using Functional Modeling and Dynamic Bayesian Network[J]. Reliability Engineering & System Safety，2021，215：107880.

[69] ELBASHBISHY T S， HOSNY O A， WALY A F，et al. Assessing the Impact of Construction Risks on Cost Overruns：A Risk Path Simulation-Driven Approach[J]. Journal of Management in Engineering，2022，38(6)：04022058.

[70] LI W， CHEN W， HU S，et al. Risk Evolution Model of Marine Traffic via STPA Method and MC Simulation：A Case of MASS along Coastal Setting[J]. Ocean Engineering，2023，281：114673.

[71] ZHANG W， ZHANG Y， ZHANG C. Research on Risk Assessment of Maritime Autonomous Surface Ships Based on Catastrophe Theory[J]. Reliability Engineering & System Safety，2024，244：109946.

[72] CHEN D， QIAO Y， SUN Y，et al. Human Reliability Assessment and Risk Prediction for Deep Submergence Operating System of Manned Submersible under the Influence of Cognitive Performance[J]. Ocean Engineering，2022，266：112753.

[73] LIU A， CHEN K， HUANG X，et al. Dynamic Risk Assessment Model of Buried Gas Pipelines Based on System Dynamics[J]. Reliability Engineering & System Safety，2021，208：107326.

[74] WU Y， ZHANG S， ZHANG X，et al. Analysis on Coupling Dynamic Effect of Human Errors in Aviation Safety[J]. Accident Analysis & Prevention，2023，192：107277.

[75] ZHANG Y， HU H， DAI L. Real-Time Assessment and Prediction on Maritime Risk State on the Arctic Route[J]. Maritime Policy & Management，2020，47(3)：352-370.

[76] CHENG X， QIAO W， HE H. Study on Deep Learning Methods for Coal Burst Risk Prediction Based on Mining-Induced Seismicity Quantification[J]. Geomechanics and Geophysics for Geo-Energy and Geo-Resources，2023，9(1)：145.

[77] XIONG X， HE Y， GAO X，et al. A Multi-Level Risk Framework for Driving Safety Assessment Based on Vehicle Trajectory[J]. Promet-Traffic&Transportation，2022，34(6)：959-973.

[78] YAN Y， DAI Y， LI X，et al. Driving Risk Assessment Using Driving Behavior Data under Continuous Tunnel Environment[J].Traffic Injury Prevention，2019，20(8)：807-812.

[79] LI W， LIN K， ZHAO T，et al. Risk Assessment and Sensitivity Analysis of Flash Floods in Ungauged Basins Using Coupled Hydrologic and Hydrodynamic Models[J]. Journal of Hydrology，2019，572：108-120.

[80] AYDIN M， AKYUZ E， TURAN O，et al. Validation of Risk Analysis for Ship Collision in Narrow Waters by Using Fuzzy Bayesian Networks Approach[J]. Ocean Engineering，2021，231：108973.

[81] LI P， ABDEL-ATY M， YUAN J. Real-Time Crash Risk Prediction on Arterials Based on LSTM-CNN[J]. Accident Analysis & Prevention，2020，135：105371.

[82] HUANG T， WANG S， Sharma A. Highway Crash Detection and Risk Estimation Using Deep Learning[J]. Accident Analysis & Prevention，2020，135：105392.

[83] BAO J， LIU P， UKKUSURI S V. A Spatiotemporal Deep Learning Approach for Citywide Short-Term Crash Risk Prediction with Multi-Source Data[J]. Accident Analysis & Prevention，2019，122：239-254.

[84] JIN J， HUANG H， YUAN C，et al. Real-Time Crash Risk Prediction in Freeway Tunnels Considering Features Interaction and Unobserved Heterogeneity：A Two-Stage Deep Learning Modeling Framework[J]. Analytic Methods in Accident Research，2023，40：100306.

[85] MA J， LI W， JIA C，et al. Risk Prediction for Ship Encounter Situation Awareness Using Long Short-Term Memory Based Deep Learning on Intership Behaviors[J]. Journal of Advanced Transportation，2020，2020(1)：8897700.

[86] SHI X， WONG Y D， Li M Z F，et al. A Feature Learning Approach Based on XGBoost for Driving Assessment and Risk Prediction[J]. Accident Analysis & Prevention，2019，129：170-179.

[87] PENG Y， LI C， WANG K，et al. Examining Imbalanced Classification Algorithms in Predicting Real-Time Traffic Crash Risk[J]. Accident Analysis & Prevention，2020，144：105610.

[88] XIN X， LIU K， YANG Z，et al. A Probabilistic Risk Approach for the Collision Detection of Multi-Ships under Spatiotemporal Movement Uncertainty[J]. Reliability Engineering & System Safety，2021，215：107772.

[89] LIU Z， MA Q， CAI B，et al. Risk Coupling Analysis of Subsea Blowout Accidents Based on Dynamic Bayesian Network and NK Model[J].Reliability Engineering & System Safety，2022，218：108160.

[90] XIE S， CHU X， ZHENG M，et al. Ship Predictive Collision Avoidance Method Based on an Improved Beetle Antennae Search Algorithm[J]. Ocean Engineering，2019，192：106542.

[91] CHEN T， SHI X， WONG Y D. Key Feature Selection and Risk Prediction for Lane-Changing Behaviors Based on Vehicles’ Trajectory Data[J]. Accident Analysis & Prevention，2019，129：156-169.

[92] XU R， LUO F. Risk Prediction and Early Warning for Air Traffic Controllers’ Unsafe Acts Using Association Rule Mining and Random Forest[J]. Safety Science，2021，135：105125.

[93] GUO M， ZHAO X， YAO Y，et al. A Study of Freeway Crash Risk Prediction and Interpretation Based on Risky Driving Behavior and Traffic Flow Data[J]. Accident Analysis & Prevention，2021，160：106328.

[94] JAHANGIRI M， SOLUKLOEI H R J， KAMALINIA M. A Neuro-Fuzzy Risk Prediction Methodology for Falling from Scaffold[J]. Safety Science，2019，117：88-99.

[95] CHEN W， ZHANG G， JIAO Y，et al. Unascertained Measure-Set Pair Analysis Model of Collapse Risk Evaluation in Mountain Tunnels and Its Engineering Application[J]. KSCE Journal of Civil Engineering，2021，25(2)：451-467.

[96] ADUMENE S， KHAN F， ADEDIGBA S，et al. Dynamic Risk Analysis of Marine and Offshore Systems Suffering Microbial Induced Stochastic Degradation[J]. Reliability Engineering & System Safety，2021，207：107388.

[97] PAN Y， ZHANG L.Mitigating Tunnel-Induced Damages Using Deep Neural Networks[J]. Automation in Construction，2022，138：104219.

[98] CONCETTI L， MAZZUTO G， CIARAPICA F E，et al. An Unsupervised Anomaly Detection Based on Self-Organizing Map for the Oil and Gas Sector[J]. Applied Sciences，2023，13(6)：3725.

[99] HAO W， RONG D， ZHANG Z，et al. Development of a Safety Prediction Method for Arterial Roads Based on Big-Data Technology and Stacked Autoencoder-Gated Recurrent Unit[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23(11)：20110-20122.

[100] NOURMOHAMMADI Z， NOURMOHAMMADI F， KIM I，et al. A Deep Spatiotemporal Approach in Maritime Accident Prediction：A Case Study of the Territorial Sea of South Korea[J]. Ocean Engineering，2023，270：113565.

[101] CHENG Z， YUAN J， YU B，et al. Crash Risks Evaluation of Urban Expressways：A Case Study in Shanghai[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23(9)：15329-15339.

[102] SONG X， QI L， LIU S，et al. Simple Analysis of Complex System Safety Based on Finite State Machine Network and Phase Space Theory[J]. Reliability Engineering & System Safety，2024，249：110205.

[103] YE Q， LI Y， NIU B. Risk Propagation Mechanism and Prediction Model for the Highway Merging Area[J]. Applied Sciences，2023，13(14)：8014.

[104] LAI X， CHEN Z， WANG X，et al. Risk Propagation and Mitigation Mechanisms of Disruption and Trade Risks for a Global Production Network[J]. Transportation Research Part E：Logistics and Transportation Review，2023，170：103013.

[105] LIN S， JIA L， ZHANG H，et al. Network Approach to Modelling and Analysing Failure Propagation in High-Speed Train Systems[J]. International Journal of Systems Science：Operations & Logistics，2022，9(4)：529-545.

[106] LI Y， ZOBEL C W. Exploring Supply Chain Network Resilience in the Presence of the Ripple Effect[J]. International Journal of Production Economics，2020，228：107693.

[107] LI Y， ZOBEL C W， Seref O，et al. Network Characteristics and Supply Chain Resilience under Conditions of Risk Propagation[J]. International Journal of Production Economics，2020，223：107529.

[108] YUE X， MU D， WANG C，et al. Topological Structure and COVID-19 Related Risk Propagation in TFT-LCD Supply Networks[J]. International Journal of Production Research，2023，61(8)：2758-2778.

[109] YUE X， MU D， WANG C，et al. Critical Risks in Global Supply Networks：A Static Structure and Dynamic Propagation Perspective[J]. Reliability Engineering & System Safety，2024，242：109728.

[110] HUANG X， WEN Y， ZHANG F，et al. A Review on Risk Assessment Methods for Maritime Transport[J]. Ocean Engineering，2023，279：114577.

[111] ZHANG J， ZHANG W， XU P，et al. Applicability of Accident Analysis Methods to Chinese Construction Accidents[J]. Journal of Safety Research，2019，68：187-196.

[112] CHAUVIN C， LARDJANE S， MOREL G，et al. Human and Organisational Factors in Maritime Accidents：Analysis of Collisions at Sea Using the HFACS[J]. Accident Analysis & Prevention，2013，59：26-37.

[113] ZHAN Q， ZHENG W， ZHAO B. A Hybrid Human and Organizational Analysis Method for Railway Accidents Based on HFACS-Railway Accidents (HFACS-RAs)[J]. Safety Science，2017，91：232-250.

[114] KHASTGIR S， BREWERTON S， THOMAS J，et al. Systems Approach to Creating Test Scenarios for Automated Driving Systems[J]. Reliability Engineering & System Safety，2021，215：107610.

[115] JOHANSEN T， BLINDHEIM S， TORBEN T R，et al. Development and Testing of a Risk-Based Control System for Autonomous Ships[J]. Reliability Engineering & System Safety，2023，234：109195.

[116] PATRIARCA R， DI GRAVIO G， COSTANTINO F. A Monte Carlo Evolution of the Functional Resonance Analysis Method (FRAM) to Assess Performance Variability in Complex Systems[J].Safety Science，2017，91：49-60.

[117] XU S， KIM E.Hybrid Causal Logic Model for Estimating the Probability of an Icebreaker-Ship Collision in an Ice Channel During an Escort Operation along the Northeast Passage[J]. Ocean Engineering，2023，284：115264.

[118] 王景哲，王 伟.基于因果分析-模糊逻辑的索塔施工安全风险评估应用研究[J]. 工程技术研究，2024，9(14)：23-25.

[119] WANG Jingzhe， WANG Wei.Research on the Application of Safety Risk Assessment of Cable Tower Construction Based on Causal Analysis-Fuzzy Logic[J]. Engineering and Technological Research，2024，9(14)：23-25.

[120] 郭 梨，高 元，吴 昊，等. 基于混合因果逻辑的尾矿坝事故知识图谱构建与应用[J/OL]. 金属矿山[2024-10-20].

[121] 张 锴. 基于混合因果逻辑的自主货物运输船舶风险辨识研究[D]. 武汉：武汉理工大学，2020.

[122] CUI B， MEILONG L， ZHU J. Review of the Network Risk Propagation Research[J]. Aeron Aero Open Access J，2019，3(2)：66-74.

[123] FERDOUS R， KHAN F， SADIQ R，et al. Fault and Event Tree Analyses for Process Systems Risk Analysis：Uncertainty Handling Formulations[J]. Risk Analysis：An International Journal，2011，31(1)：86-107.

[124] KHAKZAD N， KHAN F， AMYOTTE P. Dynamic Risk Analysis Using Bow-tie Approach[J]. Reliability Engineering & System Safety，2012，104：36-44.

[125] LI X， CHEN G， ZHU H. Quantitative Risk Analysis on Leakage Failure of Submarine Oil and Gas Pipelines Using Bayesian Network[J]. Process Safety and Environmental Protection，2016，103：163-173.

[126] LI Y， XU D， SHUAI J. Real-Time Risk Analysis of Road Tanker Containing Flammable Liquid Based on Fuzzy Bayesian Network[J].Process Safety and Environmental Protection，2020，134：36-46.

[127] LI X， ZHANG Y， ABBASSI R，et al. Dynamic Probability Assessment of Urban Natural Gas Pipeline Accidents Considering Integrated External Activities[J]. Journal of Loss Prevention in the Process Industries，2021，69：104388.

[128] HUANG Y， ZHANG Z， TAO Y，et al. Quantitative Risk Assessment of Railway Intrusions with Text Mining and Fuzzy Rule-Based Bow-Tie model[J]. Advanced Engineering Informatics，2022，54：101726.

[129] LI M， WANG Y， JIA L，et al. Risk Propagation Analysis of Urban Rail Transit Based on Network Model[J]. Alexandria Engineering Journal，2020，59(3)：1319-1331.

[130] XU W， WANG J， ZHANG M，et al. Construction of Landscape Ecological Network Based on Landscape Ecological Risk Assessment in a Large-Scale Opencast Coal Mine Area[J]. Journal of Cleaner Production，2021，286：125523.

[131] RUS K， KILAR V， KOREN D. Resilience Assessment of Complex Urban Systems to Natural Disasters：A New Literature Review[J]. International Journal of Disaster Risk Reduction，2018，31：311-330.

[132] YANG Y， LIU Y， ZHOU M，et al. Robustness Assessment of Urban Rail Transit Based on Complex Network Theory：A Case Study of the Beijing Subway[J]. Safety Science，2015，79：149-162.

[133] DENG J， LIU S， SHU Y，et al. Risk Evolution and Prevention and Control Strategies of Maritime Accidents in China’s Coastal Areas Based on Complex Network Models[J]. Ocean & Coastal Management，2023，237：106527.

[134] XU X， WANG C， CAI C，et al. Evolution and Coping Research for Flood Disaster Social Stability Risk Based on the Complex Network[J]. Natural Hazards，2015，77(3)：1491-1500.

[135] XIA T， ZHOU F， WANG X，et al. Safety Evaluation of Combustion-Prone Longwall Mining Gobs Induced by Gas Extraction：A Simulation Study[J]. Process Safety and Environmental Protection，2017，109：677-687.

[136] LI X， PAN Y， ZHANG L，et al. Dynamic and Explainable Deep Learning-Based Risk Prediction on Adjacent Building Induced by Deep Excavation[J]. Tunnelling and Underground Space Technology，2023，140：105243.

[137] OUYANG M. Review on Modeling and Simulation of Interdependent Critical Infrastructure Systems[J]. Reliability Engineering & System Safety，2014，121：43-60.

[138] PENGFEI Z， ZHIYU Z， WANLU Z. A MHMM Risk Prediction Assessment Method for the Ship Micro-Grid[C]//2018 37th Chinese Control Conference (CCC). New Jersey：IEEE，2018：8650-8655.

[139] WANG M， WANG Y， CUI E，et al. A Novel Multi-Ship Collision Probability Estimation Method Considering Data-Driven Quantification of Trajectory Uncertainty[J]. Ocean Engineering，2023，272：113825.

[140] QIN X， SHEN Z， WEHBE N. Predicting Collision Risk between Trucks and Interstate Overpasses[J]. Journal of Transportation Engineering，2016，142(8)：04016026.

[141] 赵洪利，刘宇文. 基于蒙特卡罗模拟的航空发动机故障风险预测[J].北京航空航天大学学报，2015，41(3)：545-550.

[142] ZHAO Hongli， LIU Yuwen. Forecasting for Aero-engine Failure Risk Based on Monte Carlo simulation[J]. Journal of Beijing University of Aeronautics and Astronautics，2015，41(3)：545-550.

[143] KUANG Y， QU X， WANG S.Propagation and Dissipation of Crash Risk on Saturated Freeways[J]. Transportmetrica B：Transport Dynamics，2014，2(3)：203-214.

[144] 李 钊，徐国爱，班晓芳，等. 基于元胞自动机的复杂信息系统安全风险传播研究[J]. 物理学报，2013，62(20)：1-10.

[145] LI Zhao， XU Guoai， BAN Xiaofang，et al. Complex Information System Security Risk Propagation Research Based on Cellular Automata[J].Acta Physica Sinica，2013，62(20)：1-10.

[146] 王红春，周子祥. 复杂供应链网络中断风险传播趋势建模与仿真[J/OL].复杂系统与复杂性科学[2024-09-27].

[147] WANG K， TIAN J， ZHENG C，et al. Interpretable Prediction of 3-year All-cause Mortality in Patients with Heart Failure Caused by Coronary Heart Disease Based on Machine Learning and SHAP[J]. Computers in Biology and Medicine，2021，137：104813.

[148] RYU S E， SHIN D H， CHUNG K. Prediction Model of Dementia Risk Based on XGBoost Using Derived Variable Extraction and Hyper Parameter Optimization[J]. IEEE Access，2020，8：177708-177720.

[149] COMITO C， PIZZUTI C.Artificial Intelligence for Forecasting and Diagnosing COVID-19 Pandemic：A Focused Review[J]. Artificial Intelligence in Medicine，2022，128：102286.

[150] SONG Y， PENG Y. A MCDM-Based Evaluation Approach for Imbalanced Classification Methods in Financial Risk Prediction[J].IEEE Access，2019，7：84897-84906.

[151] GONDIA A， SIAM A， EL-DAKHAKHNI W，et al. Machine Learning Algorithms for Construction Projects Delay Risk Prediction[J].Journal of Construction Engineering and Management，2020，146(1)：04019085.

[152] DENG Q， SÖFFKER D. A Review of HMM-Based Approaches of Driving Behaviors Recognition and Prediction[J]. IEEE Transactions on Intelligent Vehicles，2021，7(1)：21-31.

[153] SHI X， WONG Y D， CHAI C，et al. An Automated Machine Learning (AutoML) Method of Risk Prediction for Decision-making of Autonomous Vehicles[J]. IEEE Transactions on Intelligent Transportation Systems，2020，22(11)：7145-7154.

[154] 薛锋，吴林鸿，汪雯文，等. 基于MI-PSO-RBF神经网络的铁路客货运量预测研究[J]. 铁道运输与经济，2024，46(9)：123-135.

[155] XUE Feng， WU Linhong， WANG Wenwen，et al. Railway Passenger and Freight Volume Prediction Based on MI-PSO-RBF Neural Network[J]. Railway Transport and Economy，2024，46(9)：123-135.

[156] 王欣，王志飞，王煜. 基于迁移学习的轨道交通特殊OD客流预测研究[J]. 铁道运输与经济，2024，46(3)：182-188.

[157] WANG Xin， WANG Zhifei， WANG Yi.OD Rail Transit Passenger Flow Forecast for Special Sections Based on Transfer Learning[J]. Railway Transport and Economy，2024，46(3)：182-188.

[158] LIU H， LIU C， HE S，et al. Short-Term Strong Wind Risk Prediction For High Speed Railway[J]. IEEE Transactions on Intelligent Transportation Systems，2021，22(7)：4243-4255.

[159] 李 曼，宾紫嫣，周鑫燚，等. 改进CLR的预测算法在铁路机车牵引系统故障维修中的应用[J]. 铁道运输与经济，2024，46(3)：156-163，188.

[160] LI Man， Ziyan BIN， ZHOU Xinyi，et al. Application of Improved CLR Prediction Algorithm in Fault Maintenance of Railway Locomotive Traction System[J]. Railway Transport and Economy，2024，46(3)：156-163，188.

[161] 黄金华. 上海地铁客流安全风险预测研究[D]. 上海：上海应用技术大学，2018.

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(P2023T002-5)

中国铁道科学研究院集团有限公司铁道科学技术研究发展中心创新基金项目(2023YF002)