CN109409768A - 物流运输车辆的预警方法 - Google Patents
物流运输车辆的预警方法 Download PDFInfo
- Publication number
- CN109409768A CN109409768A CN201811341103.9A CN201811341103A CN109409768A CN 109409768 A CN109409768 A CN 109409768A CN 201811341103 A CN201811341103 A CN 201811341103A CN 109409768 A CN109409768 A CN 109409768A
- Authority
- CN
- China
- Prior art keywords
- matrix
- factor
- influence factors
- vector
- secondary influence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 128
- 239000013598 vector Substances 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013139 quantization Methods 0.000 claims description 30
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000032258 transport Effects 0.000 description 32
- 231100001261 hazardous Toxicity 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 239000002360 explosive Substances 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008264 cloud Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种物流运输车辆的预警方法,包括利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量;根据对各影响因素实时状况的分析得到二级影响因素危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量;根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息;其中,影响因素包括一级影响因素和二级影响因素,一级影响因素为驾驶员驾驶行为、车辆性能、道路状况、环境因素或运输品类型;二级影响因素为各一级影响因素的子评价因素。本申请可准确、及时向驾驶员提供预警等级信息,提升物流运输安全性。
Description
技术领域
本发明实施例涉及物流运输管理技术领域,特别是涉及一种物流运输车辆的预警方法。
背景技术
电子商务应用的快速普及化与物流运输技术紧密相连,公路物流运输凭借其机动灵活、适应性强、可以实现门到门运输等诸多优势,在近距离、小批量的货物运输中发挥着不可替代的重要作用。
然而,物流运输过程中货车容易受车辆状态、路况等级、天气状况、运载物品以及驾驶员熟练程度等多种因素的影响,直接制约着车辆燃油的经济性和货物配送的效率,由人、车、路、环境和运载物品构成的公路运输系统也可能造成运输安全隐患,对企业而言,运送的效率和安全则有助于降低成本,提升客户体验。
相关技术在物流运输过程中,会比对确定当前车辆前方最近的限高障碍物和车辆间距,当间距过小时发出预警信号提示驾驶员。但是,这种预警信息太过单一,针对多种情况都无法进行及时示警,无法有效的起到物流运输过程中的预警功能。
发明内容
本公开实施例提供了一种物流运输车辆的预警方法,准确、及时向驾驶员提供预警等级信息,提升物流运输安全性。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例提供了一种物流运输车辆的预警方法,包括:
利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量;
根据量化后的各二级影响因素危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量;
根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息;
其中,影响因素包括一级影响因素和二级影响因素,一级影响因素为驾驶员驾驶行为、车辆性能、道路状况、环境因素或运输品类型;二级影响因素为各一级影响因素的子评价因素。
可选的,所述利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量包括:
基于专家打分法和标度方法为各一级影响因素构建一级影响因素判断矩阵,并计算相对权重向量;
根据各二级影响因素的专家打分法值,为每个一级影响因素构建二级影响因素判断矩阵,并根据所述相对权重向量计算每个二级影响因素判断矩阵的绝对权重向量。
可选的,所述基于专家打分法和标度方法为各一级影响因素构建一级影响因素判断矩阵,并计算相对权重向量包括:
所述一级影响因素判断矩阵中非1元素根据专家打分法所得,所述一级影响因素判断矩阵为:
其中,rij为i一级元素和j一级元素之间的相对强度,i=1,2,…,5,j=1,2,…,5;
将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量:
w1=[w11 w12 w13 w14 w15];
其中,w1向量中的元素w1i(i=1,2,…,5)为各一级影响因素的相对权重值。
可选的,所述将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量包括:
利用下述公式对所述一级影响因素判断矩阵进行归一化处理,得到归一化后的一级影响因素判断矩阵:
将归一化后的一级影响因素判断矩阵的每行元素相加,对所得向量进行归一化处理,得到所述一级影响因素判断矩阵的相对权重向量。
可选的,在所述将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量之后,还包括:
利用下述公式计算所述一级影响因素判断矩阵的最大特征根λmax:
利用所述最大特征根和所述一级影响因素判断矩阵的阶数,根据下述公式计算一致性指标CI:
判断下述公式是否成立,以进行一致性校验:
RI为平均随机一致性指标,当n=5时,RI=1.12;
若不成立,则对所述一级影响因素判断矩阵进行调整以满足上式。
可选的,所述根据各二级影响因素的专家打分法值,为每个一级影响因素构建二级影响因素判断矩阵包括:
所述驾驶员驾驶行为包括疲劳驾驶、操作不当、行车间距和超速行驶4个二级影响因素,构建所述驾驶员驾驶行为的二级影响因素判断矩阵R21为:
其中,R21矩阵中的元素rpq(p=1,…,4,q=1,…,4)为所述驾驶员驾驶行为的各二级影响因素之间的相对强度;
所述车辆性能包括制动不良、转向失效和车辆爆胎3个二级影响因素,构建所述车辆性能的二级影响因素判断矩阵R22为:
其中,R22矩阵中的元素rlc(l,c=1、2、3)为所述车辆性能的各二级影响因素之间的相对强度;
所述道路状况包括路面平整度和路面抗滑力2个二级影响因素,构建所述道路状况的二级影响因素判断矩阵R23为:
其中,R23矩阵中的元素rzs(z,s=1、2)为所述道路状况的各二级影响因素之间的相对强度;
所述环境因素包括天气环境和交通环境2个二级影响因素,构建所述环境因素的二级影响因素判断矩阵R24为:
其中,R24矩阵中的元素rrt(r,t=1、2)为所述环境因素的各二级影响因素之间的相对强度;
所述运输品类型包括一般物品、特殊物品和危险物品3个二级影响因素,构建所述运输品类型的二级影响因素判断矩阵R25为:
其中,R25矩阵中的元素rgh(g,h=1、2、3)为所述运输品类型的各二级影响因素之间的相对强度。
可选的,各二级影响因素的危险等级量化指标为:
所述驾驶员驾驶行为的量化二级影响因素为驾驶员误操作率,所述驾驶员误操作率=驾驶员误操作次数/驾驶员操作次数;
所述车辆性能的量化二级影响因素为车辆制动失效率和车辆转向失效率,所述车辆制动失效率=车辆制动失效次数/车辆总制动次数,所述车辆转向失效率=车辆转向失误次数/车辆总转向次数;
所述道路状况的量化二级影响因素为公路级别、路面湿润度、积雪率及结冰率;
所述环境因素的量化二级影响因素为交通拥堵率、异常天气恶劣程度值和能见度值;
所述运输品类型的量化二级影响因素为运输品的安全系数。
可选的,所述根据量化后的各二级影响因素的危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量包括:
量化后的各二级影响因素危险等级模糊评价矩阵为:
其中,R2i(i=1,2,…,5)为第i个一级影响因素对应的二级影响因素的危险等级模糊评价矩阵,m为二级影响因素的评价指标的个数,R2i矩阵中每行元素依次为相应二级影响因素的评价指标划分的危险等级值;
根据下述公式计算各量化二级影响因素的模糊隶属度向量,得到二级预警模糊评价向量:
b2i=w2i*R2i,i=1,2,…,5;
其中,b2i为各二级预警模糊评价向量,w2i为每个一级影响因素对应的二级影响因素判断矩阵的绝对权重向量;
将各二级预警模糊评价向量合成,得到各二级综合模糊评价矩阵:
B2=[b21 b22 b23 b23 b25]T;
根据下述公式得到一级预警评价结果模糊隶属度向量s'1:
s'1=w1*B2=[s'11 s'12 s'13 s'14 s'15];
w1为所述一级影响因素判断矩阵的相对权重向量。
可选的,所述根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息包括:
对所述一级预警评价结果模糊隶属度向量进行归一化处理,得到归一化的一级预警评价结果模糊隶属度向量s1:
s1=[s11 s12 s13 s14 s15];
基于最大隶属度原则,从归一化的一级预警评价结果模糊隶属度向量中确定最大值作为预警级别确定标准;
根据所述预警级别确定标准值生成预警等级信息。
本申请提供的技术方案的优点在于,充分考虑了物流运输中人、车、路、环境和运载物品5大因素对运输安全造成的影响,还针对每种因素考虑到其的子评价因素,相比于单因素的预警系统具有更广泛的实用性,更加准确、高效的进行预警;不需要额外的复杂传感器或测量装置,利用车辆自身的导航系统和气象信息便可以提供所有变量信息;采用专家打分方式计算影响因素的权重系数,将专家的知识和经验融入到预警方法中,使得到结果更具说服力和更加准确,进而准确、及时向驾驶员提供预警等级信息提升物流运输安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种物流运输车辆的预警方法的流程示意图;
图2为本公开根据一示例性实施例示出的影响物流运输安全因素及评价指标的层次结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本公开发明人经过研究发现,相关技术虽然分析了特殊环境如雪灾等恶劣气象条件下的影响因素,建立了雪灾运输预警指标体系并采用模糊综合评价建立相应的预警模型,但这种评价体系不能全面分析影响公路物流运输的各个因素,不能将人、车辆、环境和路况作为一个完整的系统来分析,难以凸显各个变量之间的相互影响。此外,相关技术尽管从人、车辆、道路、管理几个方面分析了危化品的公路物流运输,建立了基于经典风险理论和集值风险理论的评价模型。经典的理论和方法对于复杂的公路物流运输影响因素分析层级感不明,且难以将专家的知识经验融入到评价模型中。最后尽管有基于模糊数学和层次分析建立的危险品运输评价指标体系和综合评估模型,利用该模型可以计算出人、材料、环境因素的评估值,然后用三维结构模型进行预警,但这种结构模型比较复杂,难以用软硬件实现,因素分析不全面且没有专家知识作为依据。
鉴于此,本申请充分考虑了公路物流运输中人、车、路、环境和运载物品5大因素对运输安全造成的影响,结合简单的算法进行实现,得到更加准确的预警等级信息。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种物流运输车辆的预警方法的流程示意图,本发明实施例可包括以下内容:
S101:利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量。
S102:根据量化后的各二级影响因素的危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量。
S103:根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息。
影响因素可包括一级影响因素和二级影响因素,一级影响因素为驾驶员驾驶行为、车辆性能、道路状况、环境因素或运输品类型;二级影响因素为各一级影响因素的子评价因素。其中,道路状况、环境因素可依靠车辆自身携带的导航系统和气象信息来获取,驾驶员驾驶行为可通过车载摄像头捕捉驾驶员的驾驶行为图像,依据相关技术分析驾驶员的当前操作行为,车辆性能和运输品类型这些均可通过人工输入,或者是预先存储至系统中。
驾驶员驾驶行为属于人为因素,人是影响公路物流运输安全最主要的因素,可主要表现在驾驶员疲劳驾驶、超速行驶、行车间距过小和操作不当等几个方面。车辆技术性能的好坏是影响物流运输的重要因素,引发物流运输事故的车辆故障主要有制动不良、转向失败、车辆爆胎和车辆超载。道路本身的技术等级、设施条件是道路交通的基本要素,一般不会有太大变化,所以只考虑路面状况,路面状况包括路面平整度和路面抗滑性。环境因素中包括交通环境和天气环境,交通环境主要指交通流饱和度,其会影响车流速度,进而对物流运输造成间接影响。天气环境包括温度、雨、雪、风、雾、云的分布和沙尘天气。其中,温度对物流运输的影响表现为高温和低寒,雨的影响主要体现在路面摩擦力下降,车后起雾等,雪的危害体现在路面积雪并由此导致结冰,致使路面抗滑力降低,造成车辆打滑而影响行车安全。运输品类型为指运载品的一些运输要求,运载品包括一般物品、液体或气体、特殊物品包括保鲜易碎品、危险物品包括易燃易爆品等,其中液体或气体对温度要求苛刻,特殊物品要求不能受潮或颠簸,易燃易爆物品要求速度不能太快,路面平整度比较高等。
每个一级影响因素包括一个或多个二级影响因素,作为该一级影响因素的子评价因素。驾驶员驾驶行为可包括4个二级影响因素,分别为疲劳驾驶、操作不当、行车间距和超速行驶;道路状况可包括2个二级影响因素,分别为路面平整度和路面抗滑力;环境因素可包括2个二级影响因素,分别为天气环境和交通环境,运输品类型可包括3个二级影响因素,分别为一般物品、特殊物品和危险物品,输品类型可包括3个二级影响因素,分别为一般物品、特殊物品和危险物品。
当然,本申请并不限制于这些影响因素,本领域技术人员还可根据实际情况进行增加或删除,这均不影响本申请的实现。
层次分析法(Analytic Hierarchy Process,AHP)为将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后用加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。
在层次分析法中,为了使决策定量化,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,本申请可以采用专家打分的方式,结合专家的知识经验,为方便说明,可采用T.L.Saaty提出的1-9标度方法为例,如表1所示。
表1标度方法示意表
采用专家打分法对各影响因素进行评价,结合上述标度方法,得到各影响因素的绝对权重向量,绝对权重向量中每个元素为各影响因素的绝对权重值。
将每个一级影响因素有贡献的二级影响因素因素进行量化,一个一级影响因素可包括一个量化二级影响因素,也可包含多个,量化后的二级影响因素的评价指标,作为各个二级影响因素危险等级评价向量,本领域技术人员可根据实际应用场景进行选择,本申请对此不做任何限定。
在进行量化时,可采用专家打分的方式根据一定的比率标度将判断定量化,各二级影响因素的危险等级量化评价指标可如下所述:
驾驶员的疲劳驾驶、行车间距过小、操作不当和超速驾驶都可以认为是通过驾驶员误操作进而对物流运输造成影响的,所以驾驶员驾驶行为的量化二级影响因素可为驾驶员误操作率可为驾驶员误操作率,该指标可根据下述公式进行计算:
驾驶员误操作率=驾驶员误操作次数/驾驶员操作次数。
驾驶员误操作率的值定义区间可为[0,1],其安全等级划分值可为:0可表示安全,0~0.2表示较安全,0.2~0.4表示一般,0.4~0.6表示较危险,0.6以上可表示危险。
车辆是物流运输的工具,其性能是造成运输事故的重要原因,车辆性能的量化二级影响因素可为车辆制动失效率和车辆转向失效率,其中,车辆制动失效率可根据下述公式进行计算:
车辆制动失效率=车辆制动失效次数/车辆总制动次数,
车辆转向失效率可根据下述公式进行计算:
车辆转向失效率=车辆转向失误次数/车辆总转向次数。
车辆制动失效率和车辆转向失效率的值均可定义区间可为[0,1],其安全等级划分值均可为:0可表示安全,0~0.2可表示较安全,0.2~0.4可表示一般,0.4~0.6可表示较危险,0.6以上可表示危险。
路面状况对物流运输有重要影响,道路状况的量化二级影响因素可为为公路级别、路面湿润度、积雪率及结冰率。公路级别按交通量及其使用任务和性质可分为5个等级,应根据公路等级进行相关预警。公路等级为高速和一级时表示安全,二级和三级公路表示为较安全或一般,四级公路表示为较危险,五级表示危险。将路面状况分为5个等级,其安全等级划分值可为:1~5表示安全,5~10表示较安全,10~15表示一般,15~20表示较危险,20以上表示危险。
环境因素的量化二级影响因素可为为交通拥堵率、异常天气恶劣程度值和能见度值。交通拥堵率可用来评估公路上某路段车辆的拥挤程度:
交通拥堵率=路段实际交通量/路段通行能力。
其取值区间为[0,1],其安全等级划分值可为:0表示安全,0~0.1表示较安全,0.1~0.2表示一般,0.2~0.4表示较危险,0.4以上表示危险。
恶劣天气会改变道路的行车环境,对物流运输安全有很大的危害,物流运输活动很容易受到天气的影响,异常天气恶劣程度可划分为五个等级:晴天、无雾、风速1~3级表示为一级,小雨、小雪、轻雾、风速4~6级、路面轻微结冰表示为二级,中雨、中雪、中雾、风速7~9级表示为三级,大雨、大雪、大雾、风速10~12级、路面大面积结冰表示为四级,暴雨、暴雪、浓雾、风速12级以上、路面特大面积结冰表示为五级。能见度的变化也会影响驾驶员的视线,进而对行车安全造成影响。其安全等级划分方法可为:200m以上表示为安全,200~100m表示为较安全,100~50m表示为一般,50~20m表示为较危险,20m以下表示危险,分别对应五个等级。
运输品类型的量化二级影响因素可为运输品的安全系数,由于运输的货物类型不尽相同,包括一般物品、液体或气体、特殊物品、易燃易爆品,一般物品的安全系数相对较高,特殊物品对路况和天气要求较高,而易燃易爆品则需要根据其物理化学特性来确定相应的安全系数,其安全等级划分值也可划分为五个等级,可分别表示为安全、较安全、一般、较危险和危险。
危险等级模糊评价矩阵为由量化二级影响因素的每个指标对应的安全等级划分值构成。
预警等级信息可包括当前导致预警的影响因素和预警级别;可通过蜂鸣器的不同声音区别不同级别的预警,也可通过设置预警指示灯进行报警提示,根据预警灯颜色的不同区别不同级别的预警,举例来说,预警级别为安全,较安全,一般,危险,较危险,危险,那么预警信号可相应为无预警,蓝色预警,黄色预警,橙色预警,红色预警。
在本发明实施例提供的技术方案中,充分考虑了物流运输中人、车、路、环境和运载物品5大因素对运输安全造成的影响,还针对每种因素考虑到其的子评价因素,相比于单因素的预警系统具有更广泛的实用性,更加准确、高效的进行预警;不需要额外的复杂传感器或测量装置,利用车辆自身的导航系统和气象信息便可以提供所有变量信息;采用专家打分方式计算影响因素的权重系数,将专家的知识和经验融入到预警方法中,使得到结果更具说服力和更加准确,进而准确、及时向驾驶员提供预警等级信息提升物流运输安全性。
在一种具体的实施方式中,绝对权重向量的计算过程可包括:
基于专家打分法和标度方法为各一级影响因素构建如下5*5的一级影响因素判断矩阵,一级影响因素判断矩阵中非1元素可根据表1中的专家打分法所得:
其中,rij为i影响元素和j影响元素之间的相对强度,i=1,2,…,5,j=1,2,…,5,当i=j,rij=1;i=1或j=1为驾驶员驾驶行为,i=2或j=2为车辆性能;i=3或j=3为道路状况,i=4或j=4为环境因素;i=5或j=5为运输品类型;举例来说,r12为驾驶员驾驶行为与车辆性能间的相对强度;r13为驾驶员驾驶行为与道路状况间的相对强度。r21表示车辆性能与驾驶员驾驶行为的相对强度,其值可以表示为r21=1/r12,以此类推。由此可见,一级影响因素判断矩阵为一个对角线元素为1,对角元素为互为倒数的5×5矩阵。
利用下述公式对所述一级影响因素判断矩阵进行归一化处理,得到归一化后的一级影响因素判断矩阵:
将归一化后的一级影响因素判断矩阵的每行元素相加,对所得向量进行归一化处理,得到一级影响因素判断矩阵的相对权重向量:
w1=[w11 w12 w13 w14 w15];
其中,w1向量中的元素w1i(i=1,2,…,5)为各一级影响因素的的相对权重值;w11为驾驶员驾驶行为的相对权重值,w12为车辆性能的相对权重值,w13为驾驶员驾驶行为的相对权重值,w14为环境因素的相对权重值,w15为运输品类型的相对权重值。
需要说明的是,归一化处理是为了得到更好的结果,减小计算量,有利于提升整个算法的效率。本领域技术人员也可选择不进行归一化处理。在进行计算相对权重向量之前,还可运用如下公式对判断矩阵中的每一列元素做归一化处理,得出归一化的一级影响因素判断矩阵:
为了可能避免了判断矩阵构造过程中的由于主观性造成的偏差,还可进行一致性校验,其过程可包括:
利用下述公式计算一级影响因素判断矩阵的最大特征根λmax:
利用最大特征根和一级影响因素判断矩阵的阶数,根据下述公式计算一致性指标CI:
判断下述公式是否成立,以进行一致性校验:
RI为平均随机一致性指标,当n=5时,RI=1.12;
若不成立,则对一级影响因素判断矩阵进行调整以满足上式。
根据各二级影响因素的专家打分法值,为每个一级影响因素构建二级影响因素判断矩阵,并根据相对权重向量计算每个二级影响因素判断矩阵的绝对权重向量:
根据驾驶员驾驶行为可包括4个二级影响因素构建其4*4二级影响因素判断矩阵R21为:
其中,R21矩阵中的元素rpq为驾驶员驾驶行为的各二级影响因素之间的相对强度,p=1,…,4,q=1,…,4,当p=q,rpq=1;p=1或q=1为疲劳驾驶,p=2或q=2为操作不当;p=3或q=3为行车间距,p=4或q=4为超速行驶。
根据车辆性能的3个二级影响因素构建其3*3二级影响因素判断矩阵R22为:
其中,R22矩阵中的元素rlc为车辆性能的各二级影响因素之间的相对强度,l=1、2、3,c=1、2、3,当l=crlc=1;l=1或c=1为制动不良,l=2或c=2为转向失效;l=3或c=3为车辆爆胎。
根据道路状况的2个二级影响因素构建其2*2二级影响因素判断矩阵R23为:
其中,R23矩阵中的元素rzs为道路状况的各二级影响因素之间的相对强度,z=1、2,s=1、2,当z=s,rzs=1;z=1或s=1为路面平整度,z=2或s=2为路面抗滑力。
根据环境因素的2个二级影响因素构建其2*2二级影响因素判断矩阵R24为:
其中,R24矩阵中的元素rrt为环境因素的各二级影响因素之间的相对强度,r=1、2,t=1、2,当r=t,rrt=1;r=1或t=1为天气环境,r=2或t=2为交通环境。
根据运输品类型的3个二级影响因素构建其3*3二级影响因素判断矩阵R25为:
其中,R25矩阵中的元素rgh为所述运输品类型的各二级影响因素之间的相对强度,g=1、2、3,h=1、2、3,当g=h,rgh=1;g=1或h=1为一般物品,g=2或h=2为特殊物品;g=3或h=3为危险物品。
在得到各一级影响因素的二级影响因素判断矩阵之后,在计算各二级影响因素判断矩阵的相对权重向量时,可采用一级影响因素判断矩阵的相对权重向量计算方法,也即针对每个二级影响因素判断矩阵,将其各行元素分别进行相加,当前,在进行计算前,也可进行归一化处理,包括首先对二级影响因素判断矩阵的每一列元素做归一化处理,之后,在将各行元素相加之后,在进行归一化处理,得到各二级影响因素判断矩阵的相对权重向量。
在得到相对权重向量后,为了降低主观误差,可对每个二级影响因素判断矩阵进行一致性校验,校验方法可同对一级影响因素判断矩阵的一致性校验方法,即若CR<0.1,则满足一致性检验,否则需要对二级影响因素判断矩阵进行适当调整并重新进行检验。
在得到各二级影响因素判断矩阵的相对权重向量,可根据下述公式计算其绝对权重向量:
w2i=w'2iw1i;i为各一级影响因素,i=1,2,…,5
其中,w1i为一级影响因素判断矩阵的相对权重向量中的权重系数,w'2i为二级影响因素判断矩阵的相对权重向量中的权重系数。举例来说,驾驶员驾驶行为的绝对权重向量w21=w'21w11,w11为驾驶员驾驶行为在一级影响因素判断矩阵的相对权重向量中的权重系数,w'21为驾驶员驾驶行为在二级影响因素判断矩阵的相对权重向量中的权重系数。
本公开根据专家打分法得到了一级影响因素判断矩阵的各影响因素的权重系数的合理值,并在层次分析法的基础上,利用同样的方法得到了各一级指标下的二级评价指标权重系数的合理值,系统全面分析了影响物流运输的安全因素,将AHP模型应用于物流运输。
基于上述实施例,请参阅图2所示,将各二级评价指标定量化,并对各量化二级评价指标安全等级的划分,第m个单因素评判得到的危险等级模糊评价矩阵可为:
其中,R2i(i=1,2,…,5)为第i个一级影响因素对应的二级影响因素的危险等级模糊评价矩阵,m为二级影响因素的评价指标的个数,R2i矩阵中每行元素(1-5)依次为相应二级影响因素的评价指标划分的危险等级值;举例来说,车辆性能的量化二级影响因素(m=2)的危险等级模糊评价矩阵R22可为:
上述矩阵中的第一行元素表示车辆制动失效率的危险等级值;第二行元素为车辆转向失效率的危险等级值。
又比如环境因素的危险等级模糊评价矩阵为:
0.05 0.15 0.3 0.4表示交通拥堵率;
0 0.2 0.5 0.6 0.8表示恶劣天气;
0.2 0.4 0.6 0.8 1表示能见度。
根据下述公式计算各量化二级影响因素的模糊隶属度向量,得到二级预警模糊评价向量:
b2i=w2i*R2i,i=1,2,…,5;
其中,b2i为各二级预警模糊评价向量,i为第i个二级影响因素,因为此因素对应于一级影响因素,是一级影响因素某个因素的子因素,w2i为每个一级影响因素对应的二级影响因素判断矩阵的绝对权重向量,合成算子采用加权平均法,不仅让每个因素都对综合评价有所贡献,而且能够保留单个因素的评价信息,便于专家对评价指标的打分进行分析和调整。
将各二级预警模糊评价向量合成,得到各二级综合模糊评价矩阵:
B2=[b21 b22 b23 b23 b25]T;
根据下述公式得到一级预警评价结果模糊隶属度向量s'1:
s'1=w1*B2=[s'11 s'12 s'13 s'14 s'15];
w1为一级影响因素判断矩阵的相对权重向量。
对一级预警评价结果模糊隶属度向量进行归一化处理,得到归一化的一级预警评价结果模糊隶属度向量s1:
s1=[s11 s12 s13 s14 s15];
基于最大隶属度原则,从归一化的一级预警评价结果模糊隶属度向量中确定最大值作为预警级别确定标准;
根据预警级别确定标准值生成预警等级信息,综合评判后的结果划分为5个等级,评价集为:V={安全,较安全,一般,危险,较危险,危险},其对应的预警信号为{无预警,蓝色预警,黄色预警,橙色预警,红色预警},可以指示灯形式向驾驶员提供警示或建议。
此外,根据最大隶属度原则的补充原则,即假定最大隶属度所处的这一部分的另外一个大的部分加在一起如果大于0.5的话,预警级别等级上调一级,即朝重心的方向调整,以用来给驾驶员提供预警灯信号。举例来说,若当前预警等级信息中的预警级别为三级(最高级为1级),最大隶属度所处的这一部分的另外一个大的部分加在一起如果大于0.5,那么预警等级信息中的预警级别调整为二级。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
以上对本发明所提供的一种物流运输车辆的预警方法、装置及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种物流运输车辆的预警方法,其特征在于,包括:
利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量;
根据量化后的各二级影响因素危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量;
根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息;
其中,影响因素包括一级影响因素和二级影响因素,一级影响因素为驾驶员驾驶行为、车辆性能、道路状况、环境因素或运输品类型;二级影响因素为各一级影响因素的子评价因素。
2.根据权利要求1所述的物流运输车辆的预警方法,其特征在于,所述利用专家打分法评价车辆运行过程中影响物流运输安全的各影响因素,并得到影响因素的判断矩阵,基于层次分析法计算各影响因素的绝对权重向量包括:
基于专家打分法和标度方法为各一级影响因素构建一级影响因素判断矩阵,并计算相对权重向量;
根据各二级影响因素的专家打分法值,为每个一级影响因素构建二级影响因素判断矩阵,并根据所述相对权重向量计算每个二级影响因素判断矩阵的绝对权重向量。
3.根据权利要求2所述的物流运输车辆的预警方法,其特征在于,所述基于专家打分法和标度方法为各一级影响因素构建一级影响因素判断矩阵,并计算相对权重向量包括:
所述一级影响因素判断矩阵中非1元素根据专家打分法所得,所述一级影响因素判断矩阵为:
其中,rij为i一级元素和j一级元素之间的相对强度,i=1,2,…,5,j=1,2,…,5;
将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量:
w1=[w11 w12 w13 w14 w15];
其中,w1向量中的元素w1i(i=1,2,…,5)为各一级影响因素的相对权重值。
4.根据权利要求3所述的物流运输车辆的预警方法,其特征在于,所述将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量包括:
利用下述公式对所述一级影响因素判断矩阵进行归一化处理,得到归一化后的一级影响因素判断矩阵:
将归一化后的一级影响因素判断矩阵的每行元素相加,对所得向量进行归一化处理,得到所述一级影响因素判断矩阵的相对权重向量。
5.根据权利要求3所述的物流运输车辆的预警方法,其特征在于,在所述将所述一级影响因素判断矩阵经归一化后各行中的元素分别相加,得到所述相对权重向量之后,还包括:
利用下述公式计算所述一级影响因素判断矩阵的最大特征根λmax:
利用所述最大特征根和所述一级影响因素判断矩阵的阶数,根据下述公式计算一致性指标CI:
判断下述公式是否成立,以进行一致性校验:
RI为平均随机一致性指标,当n=5时,RI=1.12;
若不成立,则对所述一级影响因素判断矩阵进行调整以满足上式。
6.根据权利要求2所述的物流运输车辆的预警方法,其特征在于,所述根据各二级影响因素的专家打分法值,为每个一级影响因素构建二级影响因素判断矩阵包括:
所述驾驶员驾驶行为包括疲劳驾驶、操作不当、行车间距和超速行驶4个二级影响因素,构建所述驾驶员驾驶行为的二级影响因素判断矩阵R21为:
其中,R21矩阵中的元素rpq(p=1,…,4,q=1,…,4)为所述驾驶员驾驶行为的各二级影响因素之间的相对强度;
所述车辆性能包括制动不良、转向失效和车辆爆胎3个二级影响因素,构建所述车辆性能的二级影响因素判断矩阵R22为:
其中,R22矩阵中的元素rlc(l,c=1、2、3)为所述车辆性能的各二级影响因素之间的相对强度;
所述道路状况包括路面平整度和路面抗滑力2个二级影响因素,构建所述道路状况的二级影响因素判断矩阵R23为:
其中,R23矩阵中的元素rzs(z,s=1、2)为所述道路状况的各二级影响因素之间的相对强度;
所述环境因素包括天气环境和交通环境2个二级影响因素,构建所述环境因素的二级影响因素判断矩阵R24为:
其中,R24矩阵中的元素rrt(r,t=1、2)为所述环境因素的各二级影响因素之间的相对强度;
所述运输品类型包括一般物品、特殊物品和危险物品3个二级影响因素,构建所述运输品类型的二级影响因素判断矩阵R25为:
其中,R25矩阵中的元素rgh(g,h=1、2、3)为所述运输品类型的各二级影响因素之间的相对强度。
7.根据权利要求1-6任意一项所述的物流运输车辆的预警方法,其特征在于,各二级影响因素的危险等级量化指标为:
所述驾驶员驾驶行为的量化二级影响因素为驾驶员误操作率,所述驾驶员误操作率=驾驶员误操作次数/驾驶员操作次数;
所述车辆性能的量化二级影响因素为车辆制动失效率和车辆转向失效率,所述车辆制动失效率=车辆制动失效次数/车辆总制动次数,所述车辆转向失效率=车辆转向失误次数/车辆总转向次数;
所述道路状况的量化二级影响因素为公路级别、路面湿润度、积雪率及结冰率;
所述环境因素的量化二级影响因素为交通拥堵率、异常天气恶劣程度值和能见度值;
所述运输品类型的量化二级影响因素为运输品的安全系数。
8.根据权利要求7所述的物流运输车辆的预警方法,其特征在于,所述根据量化后的各二级影响因素的危险等级模糊评价矩阵和相对应的绝对权重向量计算得到模糊隶属度向量包括:
量化后的各二级影响因素危险等级模糊评价矩阵为:
其中,R2i(i=1,2,…,5)为第i个一级影响因素对应的二级影响因素的危险等级模糊评价矩阵,m为二级影响因素的评价指标的个数,R2i矩阵中每行元素依次为相应二级影响因素的评价指标划分的危险等级值;
根据下述公式计算各量化二级影响因素的模糊隶属度向量,得到二级预警模糊评价向量:
b2i=w2i*R2i,i=1,2,…,5;
其中,b2i为各二级预警模糊评价向量,w2i为每个一级影响因素对应的二级影响因素判断矩阵的绝对权重向量;
将各二级预警模糊评价向量合成,得到各二级综合模糊评价矩阵:
B2=[b21 b22 b23 b23 b25]T;
根据下述公式得到一级预警评价结果模糊隶属度向量s'1:
s'1=w1*B2=[s'11 s'12 s'13 s'14 s'15];
w1为所述一级影响因素判断矩阵的相对权重向量。
9.根据权利要求8所述的物流运输车辆的预警方法,其特征在于,所述根据各模糊隶属度向量,基于最大隶属度原则生成预警等级信息包括:
对所述一级预警评价结果模糊隶属度向量进行归一化处理,得到归一化的一级预警评价结果模糊隶属度向量s1:
s1=[s11 s12 s13 s14 s15];
基于最大隶属度原则,从归一化的一级预警评价结果模糊隶属度向量中确定最大值作为预警级别确定标准;
根据所述预警级别确定标准值生成预警等级信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341103.9A CN109409768B (zh) | 2018-11-12 | 2018-11-12 | 物流运输车辆的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341103.9A CN109409768B (zh) | 2018-11-12 | 2018-11-12 | 物流运输车辆的预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409768A true CN109409768A (zh) | 2019-03-01 |
CN109409768B CN109409768B (zh) | 2022-05-10 |
Family
ID=65473125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811341103.9A Active CN109409768B (zh) | 2018-11-12 | 2018-11-12 | 物流运输车辆的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409768B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
CN110490465A (zh) * | 2019-08-22 | 2019-11-22 | 电子科技大学 | 服役过程中高速列车动态损失定量分析方法 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110826771A (zh) * | 2019-10-15 | 2020-02-21 | 卓尔智联(武汉)研究院有限公司 | 一种物流外包的风险分析方法、装置及存储介质 |
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111724010A (zh) * | 2019-03-19 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种确定危险等级的方法及装置 |
CN112488727A (zh) * | 2019-08-21 | 2021-03-12 | 西安高压电器研究院有限责任公司 | 产品认证方法及相关装置 |
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 |
CN113435675A (zh) * | 2020-03-23 | 2021-09-24 | 上海浦东建筑设计研究院有限公司 | 一种基于移动危化品运输的道路分级方法及其应用 |
CN113947912A (zh) * | 2021-09-22 | 2022-01-18 | 重庆理工大学 | 一种基于机器视觉的车辆重量识别系统及方法 |
CN114065340A (zh) * | 2021-10-15 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
CN115879848A (zh) * | 2023-02-20 | 2023-03-31 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722803A (zh) * | 2012-05-28 | 2012-10-10 | 天津大学 | 基于本体和规则的物流运输预警方法 |
CN104504482A (zh) * | 2014-10-24 | 2015-04-08 | 南京理工大学 | 一种铁路大雪灾害风险模糊综合评估方法 |
CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
CN108399508A (zh) * | 2018-03-22 | 2018-08-14 | 东北大学 | 冶金企业作业人员在用安全帽有效性综合评价方法 |
CN108596727A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 一种共享单车的管理与决策方法 |
-
2018
- 2018-11-12 CN CN201811341103.9A patent/CN109409768B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722803A (zh) * | 2012-05-28 | 2012-10-10 | 天津大学 | 基于本体和规则的物流运输预警方法 |
CN104504482A (zh) * | 2014-10-24 | 2015-04-08 | 南京理工大学 | 一种铁路大雪灾害风险模糊综合评估方法 |
CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
CN108399508A (zh) * | 2018-03-22 | 2018-08-14 | 东北大学 | 冶金企业作业人员在用安全帽有效性综合评价方法 |
CN108596727A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 一种共享单车的管理与决策方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724010A (zh) * | 2019-03-19 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种确定危险等级的方法及装置 |
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
CN112488727A (zh) * | 2019-08-21 | 2021-03-12 | 西安高压电器研究院有限责任公司 | 产品认证方法及相关装置 |
CN110490465A (zh) * | 2019-08-22 | 2019-11-22 | 电子科技大学 | 服役过程中高速列车动态损失定量分析方法 |
CN110490465B (zh) * | 2019-08-22 | 2023-03-10 | 电子科技大学 | 服役过程中高速列车动态损失定量分析方法 |
CN110579359B (zh) * | 2019-09-10 | 2021-11-09 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110826771A (zh) * | 2019-10-15 | 2020-02-21 | 卓尔智联(武汉)研究院有限公司 | 一种物流外包的风险分析方法、装置及存储介质 |
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111314882B (zh) * | 2020-02-20 | 2021-10-15 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN113435675A (zh) * | 2020-03-23 | 2021-09-24 | 上海浦东建筑设计研究院有限公司 | 一种基于移动危化品运输的道路分级方法及其应用 |
CN113435675B (zh) * | 2020-03-23 | 2024-04-16 | 上海浦东建筑设计研究院有限公司 | 一种基于移动危化品运输的道路分级方法及其应用 |
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 |
CN113947912A (zh) * | 2021-09-22 | 2022-01-18 | 重庆理工大学 | 一种基于机器视觉的车辆重量识别系统及方法 |
CN114065340A (zh) * | 2021-10-15 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
CN115879848A (zh) * | 2023-02-20 | 2023-03-31 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109409768B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409768A (zh) | 物流运输车辆的预警方法 | |
Boujelbene et al. | The performance analysis of public transport operators in Tunisia using AHP method | |
CN109872554A (zh) | 一种高速公路雾区提升行车安全的车路预警系统 | |
Chen et al. | Evaluating the safety impacts of the number and arrangement of lanes on freeway exit ramps | |
CN110033614A (zh) | 一种基于物联网技术的道路危险货物运输动态风险预警系统 | |
CN106228499A (zh) | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 | |
CN112801541B (zh) | 一种危险化学品道路运输风险动态评估及风险导航方法 | |
Wang et al. | Driving behavior clustering for hazardous material transportation based on genetic fuzzy C-means algorithm | |
CN109636257A (zh) | 一种网约车出行前的风险评价方法 | |
CN114022000A (zh) | 基于模糊综合评价的车辆道路运输风险评估方法及系统 | |
CN108458878A (zh) | 绿色通道车辆的检测方法及装置 | |
Jacob et al. | Analysis of the Extent of Overloading on the Nigerian Highways | |
Darmayanti et al. | Logistics Industry Readiness in Application Policy Over Dimension Overloading (ODOL) | |
Cen et al. | A system design for driving behavior analysis and assessment | |
Heidarian et al. | Location of Emergency Escape Ramps on Two‐Lane Rural Highways Based on the Fuzzy Multicriteria Decision‐Making Method | |
Chang et al. | Risk Field Model Construction and Risk Classification of Hazardous Chemical Transportation | |
Mardiana | Analisis kebutuhan rambu dan marka jalan untuk meningkatkan keselamatan di Provinsi Bangka Belitung (Studi kasus ruas jalan Provinsi di Kabupaten Bangka) | |
Rahman et al. | Evaluating Effect of Operating Speed on Crashes of Rural Two‐Lane Highways | |
Imaninasab et al. | Modeling crash frequency of heavy vehicles in rural freeways | |
Tahfim et al. | Analysis of spatial concentrations of large-truck crashes using data mining methods | |
Welch et al. | The truck blowover algorithm for the Pikalert system | |
Burnos et al. | Application of vehicle’s Weigh-in-Motion systems to enforcement | |
Aarts et al. | Experiences with longer and heavier vehicles in the Netherlands | |
LIU et al. | Study on Accident Characteristics and Scenarios of Long-distance Passenger Lines over 800 Kilometers | |
Dong et al. | An Improved Comprehensive Evaluation Method of Road Passenger Transportation Safety |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |