CN109615228A - 基于混合启发式规则系统的铁路运输风险概率计算方法 - Google Patents
基于混合启发式规则系统的铁路运输风险概率计算方法 Download PDFInfo
- Publication number
- CN109615228A CN109615228A CN201811516247.3A CN201811516247A CN109615228A CN 109615228 A CN109615228 A CN 109615228A CN 201811516247 A CN201811516247 A CN 201811516247A CN 109615228 A CN109615228 A CN 109615228A
- Authority
- CN
- China
- Prior art keywords
- rule
- intersection
- heuristic
- railway transportation
- risk probability
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000004913 activation Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 22
- 230000003137 locomotive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合启发式规则系统的铁路运输风险概率计算方法。本发明首先,输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,输出定为铁路运输风险概率;其次,通过约减规则对交集启发式置信规则进行约减,得到包含交集和并集的混合启发式规则系统;最后,利用证据推理(ER)算法融合被输入激活的置信规则后项中的置信结构得到风险概率。本发明能够处理铁路运输风险计算的多种元素,包括环境监测量,设备监测量,承运监测量等等;它包含交集规则也包含并集规则,能够减少规则的总数,避免规则组合爆炸问题,提高计算效率。
Description
技术领域
本发明涉及一种基于混合启发式规则系统的铁路运输风险概率计算方法,属于铁路运输安全领域。
背景技术
安全是铁路运输永恒的主题,安全更是铁路运输产品最重要的质量特征。随着社会的发展和技术的进步,尤其是近几年来对铁路安全领域工作研究的不断推广于深入,铁路安全技术有了长足的进步。风险概率计算的发展更是得到了铁路各部门的高度重视,风险概率计算不仅在理论上还是在实际中都取得了瞩目成就,对减少铁路运输事故起到了积极作用。
目前,相关研究人员针对风险概率计算问题提出了许多方法。基于仿真的方法:对铁路运行的动态过程建立仿真模型,此方法的优点是针对动态特性具有良好的视觉效果,缺点是仿真建模需要大量的信息,并且难以解释每次运行中产生的不同模拟结果;基于网络的方法:由于铁路运行在一个运输网络中,可以采用以城市(车站)为节点,以两个城市之间的线路(连接)为线路,此方法适用于具有复杂结构和多节点的问题;基于风险的方法:系统故障或事故可以用来计算风险概率包括事件树分析(ETA),故障树分析(FTA)等,在这些方法中,风险概率取决于事故或系统故障的发生,这是一个外部视角,在铁路运输中实际发生的故障其实并不多,数据量较少;对于一些复杂问题,可以将多种方法集成到混合方法中以满足实际需求,但是混合方法通常只适用于特定的问题。
针对铁路运输风险概率计算需要处理多种元素,包括环境监测量,设备监测量,承运监测量等,需要计算的推理和建模过程清晰,以及能够针对不同地区不同车辆建立不同模型等特点,引入混合启发式规则系统,以其具有对带有不完整、模糊、概率不确定性、主\客观性以及非线性特征的数据进行建模的能力,建立混合启发式规则系统描述输入量与输出量之间的复杂非线性关系。
发明内容
本发明针对铁路运输风险概率与其环境监测量、设备检测量、承运监测量之间存在的不确定性关系,设计一种基于混合启发性规则系统的铁路运输风险概率计算方法。
本发明首先,输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,输出定为铁路运输风险概率;其次,通过约减规则对交集启发式置信规则进行约减,得到包含交集和并集的混合启发式规则系统;最后,利用证据推理(ER)算法融合被输入激活的置信规则后项中的置信结构得到风险概率。
本发明包括以下各步骤:
步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,其中环境监测量包括通过雨量器测得降雨量f1(t),单位为mm,f1(t)≥0;风速测量仪测得风速f2(t),单位为m/s,f2(t)≥0;能见度观测仪测得能见度f3(t),单位m,f3(t)≥0,通过地面温度传感器测得霜冻数据f4(t),单位℃,f4(t)∈[-50,50];设备监测量包括机车f5(t),车辆f6(t),轨道f7(t),信号系统f8(t),受电弓f9(t)的故障时间,单位h,fj(t)∈[0,72],j=5,6,7,8,9;承运监测量包括乘客超员人数f10(t),单位为个,f10(t)≥0,货物超载重量f11(t),单位吨,f11(t)≥0;数据每天采集一次,共采集T天,1≤T<∞,则采样时刻t=1,2,...,T;输出为铁路运输风险概率Y(t)∈[0%,100%],x%表示此线路当天发生故障或者事故的车辆数占比为x%。
步骤(2)建立混合启发式规则系统的规则,采用环境监测量C1=[f1(t),f2(t),f3(t),f4(t)],设备监测量C2=[f5(t),f6(t),f7(t),f8(t),f9(t)],承运监测量C3=[f10(t),f11(t)]与风险概率Y的非线性关系,先建立交集启发式规则系统,其中的第l条交集规则记为Rl,其表示形式如下:
其中fa,fb∈Cg,g=1,2,3,fa≠fb,“∧”表示规则仅仅处于交集假设下,Rl的规则权重为θl∈[0,1];输入变量f1(t)~f11(t)对应的属性权重分别为δj∈[0,1],j=1,2...11。
式(1)中,分别为混合启发式规则系统的输入变量的fa、fb参考值,且有其中j=1,2…11,Qj为的取值空间,其中的元素满足xj表示对应第j个输入变量参考值的取值个数,xj≥1;分别在Q1,Q2...Q11中抽取元素作为fj的参考值,由此组合成规则,共计产生L1=34=81条环境监测量启发式规则,L2=35=243条设备监测量规则,L3=33=9条承运监测量规则,共计L=333条。
式(1)中,Rl后项属性分别为G1,G2,…,GN,并有LY≤G1<G2<…<GN≤RY,N≥2,λ1,l,λ2,l,...,λN,l分别为G1,G2,…,GN的信度值,并满足0≤λn,l≤1,
步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减,建立混合启发式规则库,其中第l条混合启发式规则如下:
其中fa,fb,fc∈Cg,g=1,2,3,and,fa≠fb≠fc,“∧”表示规则处于交集假设下,“∨”表示规则处于并集假设下,的规则权重为输入变量f1(t)~f11(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ1,l,λ2,l,...,λN,l相同;设定初始规则权重为初始属性权重
步骤(4)给定环境监测量f1(t)~f4(t),设备监测量f5(t)~f9(t),承运监测量f10(t)、f11(t)后,通过混合启发式规则系统获取它们对应的风险概率具体步骤如下:
步骤(4-1)设定fj的取值分别为fj(t),j=1,2,...,11,并有将它们带入混合启发式规则系统模型,计算它们激活规则的权重:
ωl=θlmh/(θ1m1+θ2m2+...+θ11m11) (3)
ωl∈[0,1] (4)
其中,mh为第l条规则的综合差异度,交集假设下的综合差异度为:并集假设下的综合差异度为:处于同一假设下的属性为属性组,属性组的个数为H,其中交集假设下的差异度为:
并集假设下的差异度为:
式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度,差异度的求解如下:
(a)当fj(t)≤Aj,1和时,fj(t)对于Aj,1和的差异度取值均为1,对于其他参考值的差异度均为0;
(b)当Aj,x<fj(t)≤Aj,x+1时,fj(t)对于Aj,x和Aj,x+1的差异度取值分别由式(7)和式(8)给出
此时,其他参考值的差异度均为0;
(c)差异度归一化:
步骤(4-2)对激活规则进行集合:
其中表示相对于结果Gn的信度值;
步骤(4-3)获得输入变量为fj(t),j=1,2,...,11时风险概率
此时得到的结果,即为混合启发式规则系统对铁路运输风险概率。
本发明提出的基于混合启发式规则库的铁路运输风险概率计算方法,根据对应线路的环境监测量、设备监测量、承运监测量作为输入,对应风险概率作为输出,先采用各监测量与风险概率之间的非线性关系,建立交集启发式规则系统,通过约减规则利用交集和并集组合的方式对交集启发式规则进行约减,建立混合启发式规则系统,对输入的环境监测量、设备监测量、承运监测量计算其与参考值的差异度以及交集规则和并集规则下的差异度得到对应规则的综合差异度,通过综合差异度得到对应规则的激活权重,利用证据推理规则对激活规则进行融合得到风险概率计算结果。
本发明具有对带有不完整、模糊、概率不确定性、主\客观性以及非线性特征的数据进行建模的能力,能够处理铁路运输风险计算的多种元素,包括环境监测量,设备监测量,承运监测量等等;它包含交集规则也包含并集规则,能够减少规则的总数,避免规则组合爆炸问题,提高计算效率;整个方法计算和推理的过程清晰可靠。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法实施例中的铁路风险概率计算结果。
具体实施方式
本发明包括以下各步骤:
步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,其中环境监测量包括通过雨量器测得降雨量f1(t),单位为mm,f1(t)≥0;风速测量仪测得风速f2(t),单位为m/s,f2(t)≥0;能见度观测仪测得能见度f3(t),单位m,f3(t)≥0,通过地面温度传感器测得霜冻数据f4(t),单位℃,f4(t)∈[-50,50];设备监测量包括机车f5(t),车辆f6(t),轨道f7(t),信号系统f8(t),受电弓f9(t)的故障时间,单位h,fj(t)∈[0,72],j=5,6,7,8,9;承运监测量包括乘客超员人数f10(t),单位为个,f10(t)≥0,货物超载重量f11(t),单位吨,f11(t)≥0;数据每天采集一次,共采集T天,1≤T<∞,则采样时刻t=1,2,...,T;输出为铁路运输风险概率Y(t)∈[0%,100%],x%表示此线路当天发生事故或故障的车辆数占比为x%。
步骤(2)建立混合启发式规则系统的规则,采用环境监测量C1=[f1(t),f2(t),f3(t),f4(t)],设备监测量C2=[f5(t),f6(t),f7(t),f8(t),f9(t)],承运监测量C3=[f10(t),f11(t)]与风险概率Y的非线性关系,先建立交集启发式规则系统,其中的第l条交集规则记为Rl,其表示形式如下:
其中fa,fb∈Cg,g=1,2,3,fa≠fb,“∧”表示规则仅仅处于交集假设下,Rl的规则权重为θl∈[0,1];输入变量f1(t)~f11(t)对应的属性权重分别为δj∈[0,1],j=1,2...11。
式(1)中,分别为混合启发式规则系统的输入变量的fa、fb参考值,且有其中j=1,2…11,Qj为的取值空间,其中的元素满足xj表示对应第j个输入变量参考值的取值个数,xj≥1;分别在Q1,Q2...Q11中抽取元素作为fj的参考值,由此组合成规则,共计产生L1=34=81条环境监测量启发式规则,L2=35=243条设备监测量规则,L3=33=9条承运监测量规则,共计L=333条。
式(1)中,Rl后项属性分别为G1,G2,…,GN,并有LY≤G1<G2<…<GN≤RY,N≥2,λ1,l,λ2,l,...,λN,l分别为G1,G2,…,GN的信度值,并满足0≤λn,l≤1,
为便于理解,举例说明,假设中A1 l各参考值的取值为A1,1=30,A1,2=50,A1,3=100,中各参考值的取值为A2,1=20,A2,2=25,A3,3=30,假设满足Y=f1×f2,G1=Ⅰ,G2=Ⅱ,G3=Ⅲ,共计将会产生L=9条规则,设初始θl=1,δ1=δ2=1,其中部分规则形势如下:
R1:若f1=30∧f2=20,则[(G1,1),(G2,0),(G3,0)];
R2:若f1=30∧f2=25,则[(G1,1),(G2,0),(G3,0)];
R3:若f1=30∧f2=30,则[(G1,1),(G2,0),(G3,0)];
R4:若f1=50∧f2=20,则[(G1,1),(G2,0),(G3,0)];
R5:若f1=50∧f2=25,则[(G1,0),(G2,1),(G3,0)];
R6:若f1=50∧f2=30,则[(G1,0),(G2,1),(G3,0)];
R7:若f1=100∧f2=20,则[(G1,0),(G2,1),(G3,0)];
R8:若f1=100∧f2=25,则[(G1,0),(G2,1),(G3,0)];
R9:若f1=100∧f2=30,则[(G1,0),(G2,0),(G3,1)];
这里组成了9条规则,其中λi,k为满足约束根据历史数据分析得到的结果。
步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减,建立混合启发式规则库,其中第l条混合启发式规则如下:
其中fa,fb,fc∈Cg,g=1,2,3,and,fa≠fb≠fc,“∧”表示规则处于交集假设下,“∨”表示规则处于并集假设下,的规则权重为输入变量f1(t)~f11(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ1,l,λ2,l,...,λN,l相同;设定初始规则权重为初始属性权重
为便于理解,举例说明,如前面交集规则R1与R2可约减为一条包含交集和并集的混合规则:
若(f1=30)∧(f2=20∨f2=25∨f2=30),则[(G1,1),(G2,0),(G3,0)];
若(f1=50)∧(f2=20),则[(G1,1),(G2,0),(G3,0)];
若(f1=50)∧(f2=25∨f2=30),则[(G1,0),(G2,1),(G3,0)];
若(f1=100)∧(f2=20∨f2=25),则[(G1,0),(G2,1),(G3,0)];
若(f1=100)∧(f2=30),则[(G1,0),(G2,0),(G3,1)];
步骤(4)给定环境监测量f1(t)~f4(t),设备监测量f5(t)~f9(t),承运监测量f10(t)、f11(t)后,通过混合启发式规则系统获取它们对应的风险概率具体步骤如下:
步骤(4-1)设定fj的取值分别为fj(t),j=1,2,...,11,并有将它们带入混合启发式规则系统模型,计算它们激活规则的权重:
ωl=θlmh/(θ1m1+θ2m2+...+θ11m11) (3)
ωl∈[0,1] (4)
其中,mh为第l条规则的综合差异度,交集假设下的综合差异度为:并集假设下的综合差异度为:处于同一假设下的属性为属性组,属性组的个数为H,其中交集假设下的差异度为:
并集假设下的差异度为:
式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度,差异度的求解如下:
(a)当fj(t)≤Aj,1和时,fj(t)对于Aj,1和的差异度取值均为1,对于其他参考值的差异度均为0;
(b)当Aj,x<fj(t)≤Aj,x+1时,fj(t)对于Aj,x和Aj,x+1的差异度取值分别由式(7)和式(8)给出
此时,其他参考值的差异度均为0;
(c)差异度归一化:
步骤(4-2)对激活规则进行集合:
其中表示相对于结果Gn的信度值;
步骤(4-3)获得输入变量为fj(t),j=1,2,...,11时风险概率
此时得到的结果,即为混合启发式规则系统对铁路运输风险概率。
为便于理解,举例说明,假设模型输入f1(1)=50和f2(1)=22,带入公式(3)-(10),可得激活规则R2和R2,计算可得到激活权重为:w2=0.6,w3=0.4,其余均为0;所以,将结果带入式(9)(10)可以获得带入式(11),可得:
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:利用环境监测量、设备检测量、承运监测量与铁路运输风险概率Y之间非线性关系的建立混合启发式规则系统。
以下结合我国某区域既有线采集的2017年1月1日-2018年8月31日之间数据为例,详细介绍本发明方法的各个步骤。
1.基于混合启发式规则系统的铁路运输风险概率计算方法,该方法包括以下各步骤:
步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,其中环境监测量包括通过雨量器测得降雨量f1(t),单位为mm,f1(t)≥0;风速测量仪测得风速f2(t),单位为m/s,f2(t)≥0;能见度观测仪测得能见度f3(t),单位m,f3(t)≥0,通过地面温度传感器测得霜冻数据f4(t),单位℃,f4(t)∈[-50,50];设备监测量包括机车f5(t),车辆f6(t),轨道f7(t),信号系统f8(t),受电弓f9(t)的故障时间,单位h,fj(t)∈[0,72],j=5,6,7,8,9;承运监测量包括乘客超员人数f10(t),单位为个,f10(t)≥0,货物超载重量f11(t),单位吨,f11(t)≥0;数据每天采集一次,共采集T天,1≤T<∞,则采样时刻t=1,2,...,T;输出为铁路运输风险概率Y(t)∈[0%,100%],x%表示此线路当天发生事故或故障的车辆数占比为x%。
步骤(2)建立混合启发式规则系统的规则,采用环境监测量C1=[f1(t),f2(t),f3(t),f4(t)],设备监测量C2=[f5(t),f6(t),f7(t),f8(t),f9(t)],承运监测量C3=[f10(t),f11(t)]与风险概率Y的非线性关系,先建立交集启发式规则系统。
选取输入输出变量的语义值,f1-f4的模糊语义值描述为:mild,medium,severe,f5-f9的模糊语义值是normal,medium,fault,f10-f11的模糊语义值是normal,medium,severe,评价结果Y的模糊语义值是safe,caution,severe,其参考值如表1-表4所示:
表1 f1-f11的语义值和参考值
表2 f5-f9的语义值和参考值
表3 f10-f11的语义值和参考值
表4 Y的语义值和参考值
步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减,建立混合启发式规则库,建立的启发性规则系统如表5所示,其中后项输出的信度值根据历史数据按照要求给定:
表A既有线混合启发式规则
步骤(4)给定环境监测量f1(t)~f4(t),设备监测量f5(t)~f9(t),承运监测量f10(t)、f11(t)后,通过混合启发式规则系统获取它们对应的风险概率如图2是2017年1月1日至2018年8月1日之间的风险概率计算结果。
Claims (1)
1.基于混合启发式规则系统的铁路运输风险概率计算方法,该方法包括以下各步骤:
步骤(1)输入为采集某铁路运输区间的环境监测量、设备监测量、承运监测量,其中环境监测量包括通过雨量器测得降雨量f1(t),单位为mm,f1(t)≥0;风速测量仪测得风速f2(t),单位为m/s,f2(t)≥0;能见度观测仪测得能见度f3(t),单位为m,f3(t)≥0,通过地面温度传感器测得霜冻数据f4(t),单位为℃,f4(t)∈[-50,50];设备监测量包括机车f5(t),车辆f6(t),轨道f7(t),信号系统f8(t),受电弓f9(t)的故障时间,单位为h,fj(t)∈[0,72],j=5,6,7,8,9;承运监测量包括乘客超员人数f10(t),单位为个,f10(t)≥0,货物超载重量f11(t),单位吨,f11(t)≥0;数据每天采集一次,共采集T天,1≤T<∞,则采样时刻t=1,2,...,T;输出为铁路运输风险概率Y(t)∈[0%,100%],x%表示此线路当天发生事故或故障的车辆数占比为x%;
步骤(2)建立混合启发式规则系统的规则,采用环境监测量C1=[f1(t),f2(t),f3(t),f4(t)],设备监测量C2=[f5(t),f6(t),f7(t),f8(t),f9(t)],承运监测量C3=[f10(t),f11(t)]与风险概率Y的非线性关系,先建立交集启发式规则系统,其中的第l条交集规则记为Rl,其表示形式如下:
其中fa,fb∈Cg,g=1,2,3,fa≠fb,“∧”表示规则仅仅处于交集假设下,Rl的规则权重为θl∈[0,1];输入变量f1(t)~f11(t)对应的属性权重分别为δj∈[0,1],j=1,2...11;
式(1)中,分别为混合启发式规则系统的输入变量的fa、fb参考值,且有其中j=1,2…11,Qj为的取值空间,其中的元素满足xj表示对应第j个输入变量参考值的取值个数,xj≥1;分别在Q1,Q2...Q11中抽取元素作为fj的参考值,由此组合成规则,共计产生L1=34=81条环境监测量启发式规则,L2=35=243条设备监测量规则,L3=33=9条承运监测量规则,共计L=333条;
式(1)中,Rl后项属性分别为G1,G2,…,GN,并有LY≤G1<G2<…<GN≤RY,N≥2,λ1,l,λ2,l,...,λN,l分别为G1,G2,…,GN的信度值,并满足0≤λn,l≤1,
步骤(3)通过交集和并集组合的方式对交集启发式规则进行约减,建立混合启发式规则库,其中第l条混合启发式规则如下:
其中fa,fb,fc∈Cg,g=1,2,3,and,fa≠fb≠fc,“∧”表示规则处于交集假设下,“∨”表示规则处于并集假设下,的规则权重为输入变量f1(t)~f11(t)对应的属性权重分别为组合的条件需要满足规则后项中的信度值λ1,l,λ2,l,...,λN,l相同;设定初始规则权重为初始属性权重
步骤(4)给定环境监测量f1(t)~f4(t),设备监测量f5(t)~f9(t),承运监测量f10(t)、f11(t)后,通过混合启发式规则系统获取它们对应的风险概率具体步骤如下:
步骤(4-1)设定fj的取值分别为fj(t),j=1,2,...,11,并有将它们带入混合启发式规则系统模型,计算它们激活规则的权重:
ωl=θlmh/(θ1m1+θ2m2+...+θ11m11) (3)
ωl∈[0,1] (4)
其中,mh为第l条规则的综合差异度,交集假设下的综合差异度为:并集假设下的综合差异度为:处于同一假设下的属性为属性组,属性组的个数为H,其中交集假设下的差异度为:
并集假设下的差异度为:
式(5)和式(6)中表示为第l条规则中第j个输入变量相对于参考值的归一化之后的差异度,差异度的求解如下:
(a)当fj(t)≤Aj,1和时,fj(t)对于Aj,1和的差异度取值均为1,对于其他参考值的差异度均为0;
(b)当Aj,x<fj(t)≤Aj,x+1时,fj(t)对于Aj,x和Aj,x+1的差异度取值分别由式(4)和式(5)给出
此时,其他参考值的差异度均为0;
(c)差异度归一化:
步骤(4-2)对激活规则进行集合:
其中表示相对于结果Gn的信度值;
步骤(4-3)获得输入变量为fj(t),j=1,2,...,11时风险概率计算结果
此时得到的结果,即为混合启发式规则系统对铁路运输风险概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516247.3A CN109615228B (zh) | 2018-12-12 | 2018-12-12 | 基于混合启发式规则系统的铁路运输风险概率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516247.3A CN109615228B (zh) | 2018-12-12 | 2018-12-12 | 基于混合启发式规则系统的铁路运输风险概率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615228A true CN109615228A (zh) | 2019-04-12 |
CN109615228B CN109615228B (zh) | 2023-04-07 |
Family
ID=66007289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516247.3A Active CN109615228B (zh) | 2018-12-12 | 2018-12-12 | 基于混合启发式规则系统的铁路运输风险概率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615228B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109974837A (zh) * | 2019-04-18 | 2019-07-05 | 杭州电子科技大学 | 一种基于规则推理的船舶结构损伤识别方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100333203A1 (en) * | 2009-06-25 | 2010-12-30 | Check Point Software Technologies, Ltd. | Methods for detecting malicious programs using a multilayered heuristics approach |
US20140122143A1 (en) * | 2012-10-30 | 2014-05-01 | Trimble Navigation Limited | Optimizing resource assignment |
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN105809344A (zh) * | 2016-03-07 | 2016-07-27 | 浙江财经大学 | 一种基于超启发式算法的零空闲流水车间作业调度方法 |
CN108982096A (zh) * | 2018-06-01 | 2018-12-11 | 杭州电子科技大学 | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 |
-
2018
- 2018-12-12 CN CN201811516247.3A patent/CN109615228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100333203A1 (en) * | 2009-06-25 | 2010-12-30 | Check Point Software Technologies, Ltd. | Methods for detecting malicious programs using a multilayered heuristics approach |
US20140122143A1 (en) * | 2012-10-30 | 2014-05-01 | Trimble Navigation Limited | Optimizing resource assignment |
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN105809344A (zh) * | 2016-03-07 | 2016-07-27 | 浙江财经大学 | 一种基于超启发式算法的零空闲流水车间作业调度方法 |
CN108982096A (zh) * | 2018-06-01 | 2018-12-11 | 杭州电子科技大学 | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 |
Non-Patent Citations (1)
Title |
---|
徐晓滨等: "基于置信规则库的并发故障诊断方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109974837A (zh) * | 2019-04-18 | 2019-07-05 | 杭州电子科技大学 | 一种基于规则推理的船舶结构损伤识别方法 |
CN109974837B (zh) * | 2019-04-18 | 2022-05-20 | 杭州电子科技大学 | 一种基于规则推理的船舶结构损伤识别方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615228B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608833B (zh) | 一种快递车危险预警系统及方法 | |
CN105139086B (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
CN103886507B (zh) | 应急预案数字化生成方法 | |
CN106056308A (zh) | 一种公路隧道运行环境安全风险自动判定方法 | |
Tozer et al. | Dust storms–what do they really cost? | |
CN104821082B (zh) | 一种基于综合评价的短时交通流预测方法 | |
Hajiagha et al. | Fuzzy belief structure based VIKOR method: an application for ranking delay causes of Tehran metro system by FMEA criteria | |
CN107392247A (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN103093400A (zh) | 一种隧道施工中邻近建筑物安全性定量评价方法 | |
CN104294720A (zh) | 一种高速公路设计方案安全性评价方法 | |
CN109615228A (zh) | 基于混合启发式规则系统的铁路运输风险概率计算方法 | |
CN104217384A (zh) | 一种核事故应急处理及辅助决策支持系统 | |
CN108304983A (zh) | 一种基于无人机和网络通信技术数据采集的输油输气管道巡检修管理平台 | |
CN106651728A (zh) | 一种综合运输体系客运方式优势运距的确定方法 | |
CN109471107A (zh) | 基于PS-InSAR技术的桥梁永久形变分析方法 | |
Yang et al. | Automatic pavement type recognition for image-based pavement condition survey using convolutional neural network | |
CN204461938U (zh) | 一种铁矿石品位自动检测系统 | |
CN107239905A (zh) | 基于改进ahp‑gcm的机载网络安全风险评估方法 | |
Roh | Mode choice behavior of various airport user groups for ground airport access | |
CN105894206B (zh) | 一种基础设施建设移动互联网端服务平台及其实现方法 | |
CN114636882A (zh) | 一种基于数字孪生的变压器偏磁检测系统及方法 | |
Patlins et al. | The new approach for passenger counting in public transport system | |
Jia et al. | A novel fault detection model based on atanassov’s interval-valued intuitionistic fuzzy sets, belief rule base and evidential reasoning | |
CN105222885B (zh) | 一种光纤振动检测方法及装置 | |
CN102591732A (zh) | 信息系统安全评测系统及其评测方法 |
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 |