《RELIABILITY ENGINEERING & SYSTEM SAFETY》:An interpretable multi-task TabNet framework for predicting multidimensional railway accident severity
编辑推荐:
•开发了一种可解释的多任务TabNet框架,用于铁路事故严重程度的多维预测。•引入了基于TVAE的数据增强方法,以增强不平衡表格数据中欠表示的联合结果模式。•提出了一种掩码感知的梯度投影策略,以缓解共享特征路由中的任务冲突。•结合TabNet的顺序掩码和SHAP归因,提供互补
- •
开发了一种可解释的多任务TabNet框架,用于铁路事故严重程度的多维预测。
- •
引入了基于TVAE的数据增强方法,以增强不平衡表格数据中欠表示的联合结果模式。
- •
提出了一种掩码感知的梯度投影策略,以缓解共享特征路由中的任务冲突。
- •
结合TabNet的顺序掩码和SHAP归因,提供互补的模型可解释性分析。
引言
铁路系统在客运和货运运输中发挥着核心作用,严重的铁路事故可能同时导致多种类型的后果,包括人员伤亡和财产损失 [1], [2], [3]。在实际的安全管理中,仅孤立地预测某一后果维度往往是不够的,因为由同一事件产生的不同事故结果通常是相关的,可能反映了共同的潜在风险结构 [4], [5], [6]。因此,多维事故严重程度预测是铁路风险评估和安全决策支持中的重要问题。
尽管数据驱动方法在事故分析中的应用日益增多,但多维铁路事故严重程度预测仍面临三个方面的挑战。首先,本研究考虑的后果维度——死亡、伤亡和财产损失——是相关但不完全相同的目标,需要一种既能利用共享结构又能保持任务特定判别能力的模型。其次,铁路事故记录是异质性的表格数据,包含连续的和分类的混合变量,这使得同时实现强预测性能和透明的模型行为变得困难。第三,严重后果,尤其是致死事故,非常稀疏,因此学习过程会受到类别不平衡和欠表示结果模式的强烈影响 [7], [8]。在这种情况下,整体准确率或加权F1分数等聚合指标可能被多数类主导,无法充分反映模型识别罕见但安全关键结果的能力。因此,在评估罕见事件事故严重程度预测时,需要进行按类别和宏观层面的评估。这些挑战使得构建一个既能有效进行多维后果预测,又能提供面向安全的解释性信息的统一框架变得困难。
为应对这些挑战,本研究基于联邦铁路管理局(FRA)铁路设备事故数据库,开发了一种用于多维铁路事故严重程度预测的可解释多任务学习框架。该框架并非以临时拼凑的方式组合多个组件,而是针对问题的三个方法论需求进行了设计。首先,由于死亡、伤亡和财产损失是相关但不同的后果维度,我们将铁路事故严重程度预测构建为共享表格架构内的统一三任务学习问题。其次,由于罕见但安全关键的结果严重欠表示,且共享的多任务学习可能遭受任务梯度冲突,我们将联合标签分层的基于TVAE的少数模式增强与掩码感知的梯度投影策略(MAGP)相结合,以改善欠表示结果模式的表达并缓解共享TabNet编码器中的特征路由冲突。第三,由于面向安全的应用需要超越单纯的预测准确率,我们将TabNet的顺序掩码与基于SHAP的局部归因相结合,从特征路由视角和预测归因视角来检验模型行为。可解释性分析旨在提供基于模型的解释证据和一致性检查。
如表1所示,先前的研究通常只解决问题的部分方面,如多任务建模、不平衡处理或可解释性分析。相比之下,所提出的框架旨在在铁路事故场景中联合解决这些需求。本研究的主要贡献总结如下。
首先,我们将多维铁路事故严重程度预测构建为统一三任务学习问题,并开发了一种多任务TabNet框架,用于从异质性表格事故记录中联合建模死亡、伤亡和财产损失结果。与孤立的单任务建模相比,这种构建方式使模型能够在利用共享事故上下文信息的同时,为不同后果维度保留任务特定的输出头。
其次,为应对罕见事件稀疏性和共享多任务学习中优化冲突的双重挑战,我们引入了两种互补的设计:联合标签分层的基于TVAE的增强策略,用于补充欠表示的严重程度组合模式;以及掩码感知的梯度投影策略(MAGP),用于缓解共享特征路由过程中的任务梯度冲突。与作用于所有共享参数的一般梯度投影方法不同,MAGP将投影限制在TabNet的掩码相关参数空间中,因为任务冲突在此处可以直接影响顺序特征选择。
第三,为提高面向安全应用中的透明度,我们开发了一种双视角可解释性分析,结合TabNet顺序掩码与SHAP局部归因,为理解共享特征路由和任务特定预测行为提供互补证据。所生成的解释被解读为经过一致性检查的模型证据,与工程知识相符,旨在支持风险筛查、专家评审和安全决策支持。
章节摘要
事故严重程度预测与多任务学习
事故严重程度预测已在运输安全和可靠性相关研究中得到了广泛研究。早期的工作主要依赖统计或概率模型来量化影响因素并估计特定运行条件下的严重程度等级 [7], [8]。随着大规模事故数据库的日益可得,后续研究逐渐转向数据驱动的机器学习方法,包括集成学习和非线性
方法论
本节以渐进的方式描述所提出框架的方法论,遵循从数据准备到模型解释的完整流程。由于铁路事故记录是具有严重后果不平衡的异质性表格数据,方法论从数据预处理、特征选择和基于TVAE的增强开始,以构建紧凑且可学习的输入空间。在此基础上,开发多任务TabNet模型以联合预测
实验设置
本研究中使用的实验数据集包含从联邦铁路管理局(FRA)获得的37,342条有效事故记录。为避免标签泄漏,在模型开发前排除了事后后果变量和任何直接编码目标结果的变量。数据集首先按8:2的比例划分为训练集和测试集。划分基于三个任务的联合严重程度标签组合以分层方式进行,以便
可解释性比较案例研究
虽然全局特征排名总结了模型学习的整体解释模式,但它们并不能完全揭示模型在单个事故记录上的行为。为了更详细地检验局部可解释性,我们首先比较了不同模型在特定严重事故案例上的基于SHAP的特征归因。表10报告了六个模型在三个并发任务上的预测标签和前五个SHAP归因特征。括号中的值表示
结论
本研究利用联邦铁路管理局铁路设备事故数据库,开发了一种用于多维铁路事故严重程度预测的可解释多任务框架。所提出的框架在共享表格学习架构中联合建模了三个相关的后果维度,即死亡严重程度、伤亡严重程度和财产损失严重程度。为应对异质性表格输入、稀疏高严重度结果等方法论挑战,以及
CRediT作者贡献声明
姬明阳:写作–审阅与编辑,写作–初稿撰写,验证,监督,软件,方法论,调查研究,形式化分析,概念化。官位:写作–审阅与编辑,监督,资金获取,概念化。彭聪:写作–审阅与编辑,监督,方法论,概念化。朱宇宁:写作–审阅与编辑,可视化,调查研究,数据整理。宫飞杰:写作–审阅与编辑,方法论,形式化
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些关系可能影响本文所述工作。
致谢
本研究得到北京自然科学基金(资助号 L231003)、国家自然科学基金(资助号 52272328)和北京市青年科学基金项目(资助号 JWZQ20240101010)的支持。所有作者均对本文所述工作做出了贡献,并已阅读并同意在本文志上发表。
姬明阳|官位|彭聪|朱宇宁|宫飞杰