地铁火灾风险不再靠专家挑节点：知识图谱加图网络自动选出22个关键节点，伤亡高概率从6.58%升到53.2%
核心概要
地铁火灾风险评估长期依赖专家手工挑选贝叶斯网络节点，主观性强、难以随场景调整。这套方法先用自然语言处理从事故记录与消防规范中抽取215个火灾特征词和6类风险标签，建成含666个节点的知识图谱，再用三层图卷积网络做节点分类，结合置信度与K-means聚类自动选出22个代表节点搭建贝叶斯网络。在恶意乘客行为、排烟失效、报警延迟等风险耦合的场景下，伤亡节点的高风险概率由基线6.58%升至53.2%。
深度剖析
地铁火灾风险评估的贝叶斯网络节点改由数据驱动自动选出，不再完全依赖专家手工指定。 此前的贝叶斯网络由人工选定节点搭建，带有较强的主观偏差，也难以针对具体地铁火灾场景动态重构网络。 自动选节点流程从666个节点的知识图谱中选出22个代表节点，覆盖全部6类风险标签，并据此构成贝叶斯网络的主体框架。
选节点的依据是图神经网络对每个节点风险类别的分类结果及其可信程度。 三层图卷积网络在节点之间逐层聚合邻居信息，把215维特征映射为低维向量，再经Softmax输出6类标签的概率分布。 训练使用16起1958年至2025年间的地铁火灾事故记录和2份消防规范，节点按70%、15%、15%划分为训练、验证与测试集，训练500轮后验证准确率稳定在0.9左右。
贝叶斯网络的概率参数由专家打分补齐，使网络可以给出不同风险组合下的伤亡概率。 自动选出的节点只确定网络结构，各风险状态的发生概率仍需先验与条件概率来赋值。 17位地铁消防安全专家通过德尔菲法对27个核心问题打分，以变异系数衡量意见离散度、以Cronbach's alpha衡量整体一致性，alpha大于0.8时取均值作为最终概率参数。
启示与展望
这套模型面向地铁车站火灾风险的量化推演与事故回溯，输入是历史事故记录、消防规范文本和专家打分，输出是各风险节点的状态概率与伤亡概率变化。知识图谱的规模仍然有限，数据主要来自网络爬取、文献综述与地铁规范文档，缺少具体地铁工程的完整数据集和实时运行数据。
当前缺少对设备状态、人员行为和環境参数的实时动态监测能力，这限制了智能维护效率的提升。图谱规模受限、缺少具体地铁项目的完整数据集，是作者明确列出的条件。