CN102722803B - 基于本体和规则的物流运输预警方法 - Google Patents

基于本体和规则的物流运输预警方法 Download PDF

Info

Publication number
CN102722803B
CN102722803B CN201210168728.6A CN201210168728A CN102722803B CN 102722803 B CN102722803 B CN 102722803B CN 201210168728 A CN201210168728 A CN 201210168728A CN 102722803 B CN102722803 B CN 102722803B
Authority
CN
China
Prior art keywords
early warning
class
rule
warning
attribute
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201210168728.6A
Other languages
English (en)
Other versions
CN102722803A (zh
Inventor
李国鼎
饶国政
冯志勇
刘锐光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201210168728.6A priority Critical patent/CN102722803B/zh
Publication of CN102722803A publication Critical patent/CN102722803A/zh
Application granted granted Critical
Publication of CN102722803B publication Critical patent/CN102722803B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流运输中的安全问题。为获得物流运输的安全预警级别和预警信息,进而采取相应的措施避免运输事故的发生,解决物流运输中的安全问题,为达到上述目的,本发明采取的技术方案是,基于本体和规则的物流运输预警方法,包括下列步骤:Step1,收集信息;Step2,将Step1所得到的数据计算分类;Step3,判断是否是多因素影响预警结果,假如是返回确定的预警信息,否则,转Step4;Step4,综合考虑多个因素对物流运输安全的影响进行预警,根据已经建立的领域本体和预警规则库,通过jena推理得出综合的预警结果,具体步骤包括:Step5,最后得到预警级别和预警信息。本发明主要应用于物流运输。

Description

基于本体和规则的物流运输预警方法
技术领域
本发明涉及物流运输中的安全问题,具体讲,涉及基于本体和规则的物流运输预警方法。
背景技术
预警(Early-warning)机制起源于军事,军事上的预警首先是通过预警飞机、预警雷达、预警卫星等先进工具来提前发现、分析和判断敌人的进攻信号,然后把进攻信号的威胁程度报告给相关的部门,用以提前采取应对措施。预警机制在社会政治、经济宏观管理以及环境保护等诸多领域都得到了广泛的应用。
物流运输预警系统的作用在于指导运输人员如何有效保证或提高其常规运输职能。①预警功能:通过设定各影响因素对物流运输产生影响的界限区域,对可能的错误行为或可能出现的运输失衡状态进行识别与警告,以此来预防运输事故的发生。②矫正功能:依照预警系统所提供的相关信息,对物流运输活动的非正常波动进行主动的预防控制,促成运输过程在非均衡状态下的自我均衡。物流运输预警系统是根据宏观物流运输安全的风险因子,建立预警模型,根据影响因素个数调用不同的模型,获得物流运输预警级别和预警信息。在定量分析的基础上结合定性分析,综合评价运输安全的发展变化趋势,当多数预警指标值临近警界线时应发出警报,从而采取相应的措施,有效避免物流运输受到严重损害。
发明内容
本发明旨在克服现有技术的不足,获得物流运输的安全预警级别和预警信息,进而采取相应的措施避免运输事故的发生,解决物流运输中的安全问题,为达到上述目的,本发明采取的技术方案是,基于本体和规则的物流运输预警方法,包括下列步骤:
Step1,收集信息,包括需要预测运输过程的相关的气象信息和交通信息,并将这些信息存入数据库;
Step2,将Step1所得到的数据计算分类;
Step3,判断是否是多因素影响预警结果,假如是单因素影响预警结果则运输预警系统则采用扩展的确定性模型,即给定输入条件,返回确定的预警信息,否则,转Step4;
Step4,综合考虑多个因素对物流运输安全的影响进行预警,根据已经建立的领域本体和预警规则库,通过jena推理得出综合的预警结果,具体步骤包括:
1、确定影响因素权重
1.1、构造判断矩阵
根据1-9标度构造判断矩阵U,其中uij表示ui对uj的相对重要性数值,在此采用专家打分法得出一级指标判断矩阵如表1所示。
表1判断矩阵
相对重要度uij 人的因素 车辆因素 道路状况 运行环境 运载品1 -->
人的因素 1 5 3 4 7
车辆因素 1/5 1 1/3 1/2 1
道路状况 1/3 3 1 1/2 3
运行环境 1/4 2 2 1 2
运载品类型 1/7 1 1/3 1/2 1
1.2、计算重要性排序
(1)利用和积法计算出判断矩阵的特征向量
A=(0.5000.0770.1730.1790.071)T
T代表转置;
(2)计算判断矩阵最大特征根λmax=5.172;
1.3、计算二级指标的相对权重和绝对权重
按照上面的计算方法可以分别计算出二级指标的相对权重和绝对权重,如表3所示,其中CR表示一致性比率:
表3二级指标的相对权重和绝对权重
2、构建预警领域本体
2.1、确定预警本体的范围并提取概念并建立信息词典
收集领域信息获取给定的领域知识,建立领域信息词典,表4是预警本体的信息词典列表:
表4预警本体信息词典
2.2、定义概念的层次结构
确定上一步中信息词典的所有概念的层次结构,主要通过类/子类的方式建立关系模型,主要包括三个步骤:
1,定义类和类的层次结构:先定义特殊的概念然后将这些概念进行泛化,聚合成综合性的概念;
2,定义类的属性和属性约束:属性通常应该定义为在拥有该属性的基类上,该类的所有子类都继承了该基类的属性,属性值的集合成为属性类,属性类也有属性,即属性约束,属性约束一般描述属性值的类型、属性值的基数、属性的定义域和取值范围;
3,创建实例,定义某个类的实例需要:确定一个类,创建该类的一个实例以及给这个类的属性添加赋值;
通过以上三个步骤,对概念层次中的每个类都进行约束和定义,就可以得到一个完整预警本体;
3、预警规则库的构建
在物流运输过程中,要遵循的运输规则为:怕水,怕潮的物品在遇上雨雪天气时预警级别直接上升为红色预警级别;在四级公路上运输易燃烧易爆的物品预警级别上升为红色预警级别;在路面凹凸不平的路况下运输易燃易爆物品预警级别上升为红色预警级别;在四级公路上运输普通爆炸品综合预警级别上升一级为橙色预警级别;在晴天且有少量积水的公路上运输时预警级别下降一级为蓝色预警级别;
由于Jena支持,将以上规则放在规则文件中用来供应用程序调用;
经过上面的建立本体和规则库,可以得到基于本体和规则的推理流程为:创建本体模型,读入本体文件,用Jena解析OWL本体,得出三元组Triple集合,再利用通用规则推理机结合自定义的预警规则推出最终的三元组FinalTriple集合,所有的查询都针对FinalTriple,查询方法和运算速度都与查询一般的三元组一样;
Step5,最后得到预警级别和预警信息。
需要检验一级指标判断矩阵的一致性,需要计算它的一致性指标CI,定义:
CI = λ max - n n - 1
显然,当判断矩阵具有完全一致性时,CI=0,为了检验判断矩阵是否具有满意的一致性,需要用CI与平均随机一致性指标RI进行比较,当一致性比率CR=CI/RI<0.1时,判断矩阵具有满意的一致性,否则就需对判断矩阵进行调整;对于1~9阶矩阵,RI的取值如表2所示。
表2矩阵的平均随机一致性指标RI的取值
阶数 1 2 3 4 5 6 7 8 9
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
进行一致性检验CR=CI/RI=0.038<0.1,得出满意结论。
本发明的技术特点及效果:
本发明从人、车、道路、环境和运载品五个方面对物流运输的影响进行了全面分析,然后构建物流运输预警模型,利用模型可以获得物流运输的安全预警级别和预警信息,进而采取相应的措施避免运输事故的发生。
附图说明
图1:构建预警本体的步骤。
图2:基于本体和规则的推理流程。
图3:物流运输多元预警模型实现流程。
具体实施方式
本发明旨在解决物流运输中的安全问题。从人、车、道路、环境和运载品五个方面对物流运输的影响进行了全面分析。然后构建物流运输预警模型,利用模型可以获得物流运输的安全预警级别和预警信息。进而采取相应的措施避免运输事故的发生。
本发明提出了基于本体和规则的物流运输预警模型。先从人、车、道路、环境和运载品五个方面对公路物流运输的影响进行了全面分析,然后将本体应用到构建物流运输预警模型中,发挥其在知识表示和关系描述上的优势。这个过程主要分为以下三步:
1、确定影响因素权重
1.1、构造判断矩阵
在共同构成的运输动态系统中,物流运输的安全受到诸多因素的影响。这里使用层次分析法分析各种因素。为了使决策判断定量化,形成数值判断矩阵,需要根据一定的比率标度将判断定量化。根据1-9标度构造判断矩阵U,其中uij表示ui对uj的相对重要性数值。在此采用专家打分法得出一级指标判断矩阵如表1所示。
表1判断矩阵
相对重要度uij 人的因素 车辆因素 道路状况 运行环境 运载品
人的因素 1 5 3 4 7
车辆因素 1/5 1 1/3 1/2 1
道路状况 1/3 3 1 1/2 3
运行环境 1/4 2 2 1 2
运载品类型 1/7 1 1/3 1/2 1
1.2、计算重要性排序
(1)利用和积法计算出判断矩阵的特征向量
A=(0.5000.0770.1730.1790.071)T
(2)计算判断矩阵最大特征根λmax=5.172
(3)为了检验矩阵的一致性,需要计算它的一致性指标CI,定义:
CI = λ max - n n - 1
显然,当判断矩阵具有完全一致性时,CI=0。为了检验判断矩阵是否具有满意的一致性,需要用CI与平均随机一致性指标RI进行比较。当一致性比率CR=CI/RI<0.1时,判断矩阵具有满意的一致性,否则就需对判断矩阵进行调整。对于1~9阶矩阵,RI的取值如表2所示。
表2矩阵的平均随机一致性指标RI的取值
阶数 1 2 3 4 5 6 7 8 9
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
进行一致性检验CR=CI/RI=0.038<0.1,得出结论:判断矩阵的一致性良好。
1.3、计算二级指标的相对权重和绝对权重
按照上面的计算方法可以分别计算出二级指标的相对权重和绝对权重。如表3所示。
表3二级指标的相对权重和绝对权重
2、构建预警领域本体
通过对领域本体的设计方法的研究,参考骨架法并结合对预警领域知识结构的的分析,提出构建预警领域本体的具体步骤如图1所示。
2.1、确定预警本体的范围并提取概念并建立信息词典
领域本体的范围应该包含领域内信息,才能保证所建立的知识库可以为领域应用程序提供服务。通过列举该领域有可能会遇见的问题,解决这些问题所需要的相关信息就是本体应当包含的知识。在公路物流运输中,要考虑完成物流运输过程的预警业务需要从该本体中获得相关知识。
收集领域信息获取给定的领域知识,建立领域信息词典。领域信息词典表示并收集所有领域概念及语义、属性和实例等。相应的词典项包括:名称、语义描述(属于类还是属性)、词条的定义及所属类别。表4是预警本体的信息词典列表的一部分。
表4预警本体信息词典
2.2、定义概念的层次结构
确定上一步中信息词典的所有概念的层次结构,主要通过类/子类的方式建立关系模型,主要包括三个步骤:
1,定义类和类的层次结构。先定义特殊的概念然后将这些概念进行泛化,聚合成综合性的概念。
2,定义类的属性和属性约束。属性通常应该定义为在拥有该属性的基类上。该类的所有子类都继承了该基类的属性。属性值的集合成为属性类,属性类也有属性,即属性约束。属性约束一般描述属性值的类型、属性值的基数、属性的定义域和取值范围。
3,创建实例。定义某个类的实例需要:确定一个类,创建该类的一个实例以及给这个类的属性添加赋值。
通过以上三个步骤,对概念层次中的每个类都进行约束和定义,就可以得到一个完整预警本体。
3、预警规则库的构建
OWL通过约束、布尔组合来描述概念自身的语义含义,利用属性来表达概念间复杂的依赖。但OWL所拥有的描述能力来自于以类别为基础的关联性的推理。如果知识不是用类别的方式表达时,OWL便很难表示。比如:“如果A,那么B。”的关系是很普通的逻辑判断,但是OWL描述以规则为基础的知识的能力并不足。在物流领域中,有很多物流规则需要用类似的“如果A,那么B。”来表达,所以有必要在OWL概念知识库基础上制定一个规则库,从而更好的表达物流领域知识。
在物流运输过程中,要遵循的运输规则为:怕水,怕潮的物品在遇上雨雪天气时预警级别直接上升为红色预警级别;在四级公路上运输易燃烧易爆的物品预警级别上升为红色预警级别;在路面凹凸不平的路况下运输易燃易爆物品预警级别上升为红色预警级别;在四级公路上运输普通爆炸品综合预警级别上升一级为橙色预警级别;在晴天且有少量积水的公路上运输时预警级别下降一级为蓝色预警级别等等。
以上规则语义表达明确,很容易理解,并且Jena支持将规则放在规则文件中用来供应用程序调用,将本体概念和规则分离的优点是可以自由的增加、删除、更新规则,避免了在业务规则变更时更改源程序。
经过上面的建立本体和规则库,可以得到基于本体和规则的推理流程(如图2)为:创建本体模型,读入本体文件,用Jena解析OWL本体,得出三元组(Triple)集合,再利用通用规则推理机结合自定义的预警规则推出最终的三元组(FinalTriple)集合,所有的查询都针对FinalTriple,查询方法和运算速度都与查询一般的三元组一样。
根据上文提出的用层次分析法和模糊综合评价法来构建物流运输多元预警模型的思想及对物流运输预警模型的设计,下面给出物流运输预警模型实施流程,如图3。
Step1,收集信息,包括需要预测运输过程的相关的气象信息和交通信息等等。并将这些信息存入数据库。
Step2,将Step1所得到的数据计算分类。
Step3,判断是否是多因素影响预警结果。假如是单因素影响预警结果则运输预警系统则采用扩展的确定性模型。即给定输入条件,返回确定的预警信息。否则,转Step4。
Step4,综合考虑多个因素对物流运输安全的影响进行预警。根据发明内容已经建立的领域本体和预警规则库,通过jena推理得出综合的预警结果。
Step5,最后得到预警级别和预警信息。

Claims (2)

1.一种基于本体和规则的物流运输预警方法,其特征是,包括下列步骤:
Stepa,收集信息,包括需要预测运输过程的相关的气象信息和交通信息,并将这些信息存入数据库;
Stepb,将Stepa所得到的数据计算分类;
Stepc,判断是否是多因素影响预警结果,假如是单因素影响预警结果则运输预警系统则采用扩展的确定性模型,即给定输入条件,返回确定的预警信息,否则,转Stepd;
Stepd,综合考虑多个因素对物流运输安全的影响进行预警,根据已经建立的领域本体和预警规则库,通过jena推理得出综合的预警结果,具体步骤包括:
1)、确定影响因素权重
1.1)、构造判断矩阵
根据1-9标度构造判断矩阵U,其中uij表示ui对uj的相对重要性数值,在此采用专家打分法得出一级指标判断矩阵如表1所示;
表1判断矩阵
相对重要度uij 人的因素 车辆因素 道路状况 运行环境 运载品 人的因素 1 5 3 4 7 车辆因素 1/5 1 1/3 1/2 1 道路状况 1/3 3 1 1/2 3 运行环境 1/4 2 2 1 2 运载品类型 1/7 1 1/3 1/2 1
1.2)、计算重要性排序
(1)利用和积法计算出判断矩阵的特征向量
A=(0.5000.0770.1730.1790.071)T
T代表转置;
(2)计算判断矩阵最大特征根λmax=5.172;
1.3)、计算二级指标的相对权重和绝对权重
按照上面的计算方法分别计算出二级指标的相对权重和绝对权重,如表3所示:
表3二级指标的相对权重和绝对权重
2)、构建预警领域本体
2.1)、确定预警本体的范围并提取概念并建立信息词典
收集领域信息获取给定的领域知识,建立领域信息词典,表4是预警本体的信息词典列表:
表4预警本体信息词典
词条名称 语义描述 定义 所属类别 EarlyWarningDomain Class 预警概念的所有父类 Thing Factor Class 所有影响因素的父类 EarlyWarningDomain EarlyWarningGrade Class 所有预警级别的父类 EarlyWarningDomain RoadGrade Class 道路级别 Factor RoadState Class 道路状况 Factor Temperature Class 温度 Factor Visible Class 能见度 Factor Weather Class 天气 Factor WindPower Class 风力 Factor Cargo_type Class 货物类型分类 Factor Redwarning Class 红色预警级别 EarlyWarningGrade hasgrade Property 描述影响因素的预警级别 ObjectProperty
2.2)、定义概念的层次结构
确定上一步中信息词典的所有概念的层次结构,通过类/子类的方式建立关系模型,包括三个步骤:
(1),定义类和类的层次结构:先定义特殊的概念然后将这些概念进行泛化,聚合成综合性的概念;
(2),定义类的属性和属性约束:属性定义为在拥有该属性的基类上,该类的所有子类都继承了该基类的属性,属性值的集合成为属性类,属性类也有属性,即属性约束,属性约束描述属性值的类型、属性值的基数、属性的定义域和取值范围;
(3),创建实例,定义某个类的实例需要:确定一个类,创建该类的一个实例以及给这个类的属性添加赋值;
通过以上三个步骤,对概念层次中的每个类都进行约束和定义,就可以得到一个完整预警本体;
3)、预警规则库的构建
在物流运输过程中,要遵循的运输规则为:怕水,怕潮的物品在遇上雨雪天气时预警级别直接上升为红色预警级别;在四级公路上运输易燃烧易爆的物品预警级别上升为红色预警级别;在路面凹凸不平的路况下运输易燃易爆物品预警级别上升为红色预警级别;在四级公路上运输普通爆炸品综合预警级别上升一级为橙色预警级别;在晴天且有少量积水的公路上运输时预警级别下降一级为蓝色预警级别;
由于Jena支持,将以上规则放在规则文件中用来供应用程序调用;
经过上面的建立本体和规则库,可以得到基于本体和规则的推理流程为:创建本体模型,读入本体文件,用Jena解析OWL本体,得出三元组Triple集合,再利用通用规则推理机结合自定义的预警规则推出最终的三元组FinalTriple集合,所有的查询都针对FinalTriple;
Step5,最后得到预警级别和预警信息。
2.如权利要求1所述的基于本体和规则的物流运输预警方法,其特征是,需要检验一级指标
判断矩阵的一致性,需要计算它的一致性指标CI,定义:
当判断矩阵具有完全一致性时,CI=0,为了检验判断矩阵是否具有满意的一致性,需要用CI与平均随机一致性指标RI进行比较,当一致性比率CR=CI/RI<0.1时,判断矩阵具有满意的一致性,否则就需对判断矩阵进行调整;对于1~9阶矩阵,RI的取值如表2所示;
表2矩阵的平均随机一致性指标RI的取值
阶数 1 2 3 4 5 6 7 8 9 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
进行一致性检验CR=CI/RI=0.038<0.1,得出满意结论。
CN201210168728.6A 2012-05-28 2012-05-28 基于本体和规则的物流运输预警方法 Expired - Fee Related CN102722803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210168728.6A CN102722803B (zh) 2012-05-28 2012-05-28 基于本体和规则的物流运输预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210168728.6A CN102722803B (zh) 2012-05-28 2012-05-28 基于本体和规则的物流运输预警方法

Publications (2)

Publication Number Publication Date
CN102722803A CN102722803A (zh) 2012-10-10
CN102722803B true CN102722803B (zh) 2016-06-22

Family

ID=46948551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210168728.6A Expired - Fee Related CN102722803B (zh) 2012-05-28 2012-05-28 基于本体和规则的物流运输预警方法

Country Status (1)

Country Link
CN (1) CN102722803B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361420A (zh) * 2014-09-10 2015-02-18 大连大学 规模养殖场猪蓝耳病风险评估体系软件开发及运行平台
CN105808547A (zh) * 2014-12-30 2016-07-27 中国科学院沈阳自动化研究所 一种基于本体理论的油田广义数据管理模型的构建方法
CN104599053A (zh) * 2014-12-31 2015-05-06 国家电网公司 智能电网综合建设工程贡献度分析及监测预警方法和装置
CN104657792A (zh) * 2015-03-06 2015-05-27 中电海康集团有限公司 一种基于规则引擎和智能预测的预警方法
CN106202126B (zh) * 2015-05-08 2019-11-05 阿里巴巴集团控股有限公司 一种用于物流监控的数据分析方法和装置
CN109409768B (zh) * 2018-11-12 2022-05-10 广东工业大学 物流运输车辆的预警方法
CN110942634B (zh) * 2019-12-11 2021-05-25 拉货宝网络科技有限责任公司 一种货车运输安全系数评估方法
CN112948749A (zh) * 2021-03-02 2021-06-11 北京交通大学 全链条物流风险因素识别预测系统及方法
CN113139022B (zh) * 2021-04-29 2022-09-13 同济大学 一种基于混合规则的企业物流数据按需融合方法
CN113298911B (zh) * 2021-07-26 2021-10-08 湖南高至科技有限公司 一种基于lambda规则的图形化概念建模方法
CN114626382B (zh) * 2022-05-12 2022-10-11 南京航空航天大学 一种面向下水管道病害自动识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5276775A (en) * 1990-12-07 1994-01-04 Texas Instruments Inc. System and method for building knowledge-based applications
CN101826182A (zh) * 2010-04-16 2010-09-08 余阳 一种基于语义的物流服务路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5276775A (en) * 1990-12-07 1994-01-04 Texas Instruments Inc. System and method for building knowledge-based applications
CN101826182A (zh) * 2010-04-16 2010-09-08 余阳 一种基于语义的物流服务路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于本体的物流应急预案表示及应用;冯志勇 等;《计算机应用研究》;20111130;第28卷(第11期);全文 *
基于模糊综合评价构建物流运输预警模型;杨迎心 等;《计算机应用》;20111031;第31卷(第10期);全文 *

Also Published As

Publication number Publication date
CN102722803A (zh) 2012-10-10

Similar Documents

Publication Publication Date Title
CN102722803B (zh) 基于本体和规则的物流运输预警方法
Yan et al. An artificial intelligence model considering data imbalance for ship selection in port state control based on detention probabilities
Kim et al. Futuristic data-driven scenario building: Incorporating text mining and fuzzy association rule mining into fuzzy cognitive map
Wu et al. Economic development, demographic characteristics, road network and traffic accidents in Zhongshan, China: gradient boosting decision tree model
Al-Ghandoor et al. Projection of future transport energy demand of Jordan using adaptive neuro-fuzzy technique
Munda et al. Qualitative multicriteria methods for fuzzy evaluation problems: An illustration of economic-ecological evaluation
Li et al. Multilayer perceptron method to estimate real-world fuel consumption rate of light duty vehicles
He et al. Research on influencing factors of fuel consumption on superhighway based on DEMATEL-ISM model
CN105913196A (zh) 一种航道整治社会稳定风险自动分析方法及系统
Cheng et al. Obstacle diagnosis of green competition promotion: a case study of provinces in China based on catastrophe progression and fuzzy rough set methods
Amiri et al. Machine learning approaches for predicting household transportation energy use
Al-Ghandoor An approach to energy savings and improved environmental impact through restructuring Jordan's transport sector
Sun et al. Long short-term memory network-based emission models for conventional and new energy buses
Giordano et al. Fuzzy evaluation of heterogeneous quantities: Measuring urban ecological efficiency
Li Suitability evaluation method of urban and rural spatial planning based on artificial intelligence
Sun et al. Statistical analysis of dangerous chemical accidents in China
CN105844373A (zh) 目标商圈强度评估系统与方法
Wang et al. A novel fuzzy comprehensive evaluation model for application effect of connected vehicle system in a tunnel scenario
Vasebi et al. Air emission impacts of low-level automated vehicle technologies in US metropolitan areas
CN103034754B (zh) 车身轻量化设计的解耦模式的数据处理分组建模方法
Liu Fuzzy comprehensive evaluation method of ecological environment damage compensation system and management based on improved association rule algorithm
Beşkardeş et al. Data-driven-based fuzzy control system design for a hybrid electric vehicle
Lian et al. Research on adaptive control strategy optimization of hybrid electric vehicle
Deng et al. Research on operation characteristics and safety risk forecast of bus driven by multisource forewarning data
CN106373069A (zh) 智能交通系统项目建设时序确定方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160622

Termination date: 20210528

CF01 Termination of patent right due to non-payment of annual fee