CN111401399B - 一种铁路货运的事故预警及分类的方法及装置 - Google Patents
一种铁路货运的事故预警及分类的方法及装置 Download PDFInfo
- Publication number
- CN111401399B CN111401399B CN201911343366.8A CN201911343366A CN111401399B CN 111401399 B CN111401399 B CN 111401399B CN 201911343366 A CN201911343366 A CN 201911343366A CN 111401399 B CN111401399 B CN 111401399B
- Authority
- CN
- China
- Prior art keywords
- freight
- similarity
- network
- sub
- railway freight
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 239000010755 BS 2869 Class G Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铁路货运的事故预警及分类的方法及装置,本发明实施例基于铁路货运的历史货运记录信息,设置包含至少一个子网络的铁路货运网络,通过图神经网络(GNN)方式对所述铁路货物网络进行训练,得到具有货运记录信息中的各个属性权重的铁路货运模型;将铁路货运的货运记录信息输入训练得到的铁路货运模型,得出安全事故预警及分类结果。这样,本发明实施例就可以对铁路货运的事故进行准确预警及进行准确分类判断。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种铁路货运的事故预警及分类的方法及装置。
背景技术
铁路运输是使用铁路列车运送货物的一种运输方式,其特点是运送量大,速度快及成本低,受气候条件限制低,适合大宗、笨重货物的长度运输,铁路运输在目前和今后都是货物运输的主力。随着经济发展,铁路货运有了较大发展,但是,一方面危险货物运输的种类和数量也在不断增减;另一方面需要进行长距离及大吨位的异地运输也大大增加,这无疑都增加了铁路运输的事故发生率。所以,为了促进铁路货物运输持续健康的发展,需要对铁路货物运输安全进行足够的安全预警工作。
现阶段,对铁路货物运输安全进行安全预警的研究成果主要包括:铁路安全预警、铁路运输经济预警和营销预警等方面。但是在现有大部分研究工作中,提供的预警方法大部分针对的是人员管理及事故管理方面,缺乏对实际铁路货运的事故预警及分类判断。
比如:申请号为“201910114731.1”,名称为“一种铁路货物运输安全管理方法、客户端”的发明申请中提到的基于任务的铁路货物运输安全管理方法;申请号为“201811388693.0”,名称为“一种基于云服务的铁路运输安全管理系统”的专利申请中提出的,基于云计算和模块管理的铁路运输安全管理系统,这两个专利申请可以在宏观层面上对铁路货物运输安全进行管理,但是没有提及对实际铁路货运的事故进行预警及进行分类判断。
在申请号为“201811516247.3”,名称为“基于混合启发式规则系统的铁联运输风险概率计算方法”的专利申请中,提出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,其优点是采用混合启发规则,减少规则的总是,避免规则组合爆炸问题,但是其输入为铁路运输区间的环境检测量、设备检测量及承运检测量,输出为铁路运输风险概率。这个方案在输入时并没有考虑到站点及铁路货运所承载的货物等主要相关因素的影响。所进行运输风险概率不准确。
综上,如何对铁路货运的事故进行准确预警及进行准确分类判断,成为了一个亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种铁路货运的事故预警及分类的方法,该方法能够对铁路货运的事故进行准确预警及进行准确分类判断。
本发明实施例还提供一种铁路货运的事故预警及分类的装置,该装置够对铁路货运的事故进行准确预警及进行准确分类判断。
本发明实施例是这样实现的:
一种铁路货运的事故预警及分类的方法,该方法包括:
获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;
设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;
通过图神经网络GNN方式对所述铁路货物网络进行训练,得到反映子网络结构之间对应属性值之间的相似度关系的铁路货运模型;
将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果。
所述历史货运记录信息中的属性包括:始发站O、终点站D、货物品类G及车辆信息C4;
所述历史货运记录信息中的属性还包括:承运日期time、始发站所属路局Od、到达站所属路局Dd、货物包装信息P、货物类型GT、实际货物AG、保价费InF、保价类型InT、或/和记录事故类型的标签信息。
所述子网络结构的构造包括:
将所述历史货运记录信息中的各个属性对应的属性值进行编码后,将得到的各个属性值向量融合。
所述铁路货运网络还包括子网络结构之间的边特征,所述边特征是基于子网络结构之间的相似度得到的。
所述子网络结构之间的相似度包括:站点之间的相似度、货物品类之间的相似度及车辆之间的相似度;
将得到的站点之间的相似度、货物品类之间的相似度及车辆之间的相似度,进行融合,得到所述边特征。
所述站点之间的相似度计算包括:
分别计算两个站点之间的相同邻居数、计算两个站点之间各自属性值的总权和之差,及计算两个站点之间邻居的平均权值后,融合得到。
所述货物品类之间的相似度为相关子网络结构中的属性值是否相同计算得到;
所述车辆之间的相似度为相关子网络结构中的属性值是否相同计算得到。
所述GNN方式采用图卷积网络-图神经网络GCN-LASE算法实现,包括邻居门、增幅器及整合器。
一种铁路货运的事故预警及分类的装置,包括:构建模型单元及预测单元,其中,
构建模型单元,用于获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;通过GNN方式对所述铁路货物网络进行训练,得到反映子网络结构之间对应属性之间的相似度关系的铁路货运模型;
预测单元,用于将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果。
如上所见,本发明实施例基于铁路货运的历史货运记录信息,设置包含至少一个子网络的铁路货运网络,通过图神经网络(GNN)方式对所述铁路货物网络进行训练,得到具有货运记录信息中的各个属性权重的铁路货运模型;将铁路货运的货运记录信息输入训练得到的铁路货运模型,得出安全事故预警及分类结果。这样,本发明实施例就可以对铁路货运的事故进行准确预警及进行准确分类判断。
附图说明
图1为本发明实施例提供的一种铁路货运的事故预警及分类的方法流程图;
图2为本发明实施例提供的一种铁路货运的事故预警及分类的装置结构示意图;
图3为本发明实施例提供的具体例子整体过程图;
图4为本发明实施例提供的从每一条记录信息中抽取的属性值示意图;
图5为本发明实施例提供的计算站点之间的相似度过程示意图;
图6为本发明实施例提供的子网络结构的完整网络结构示意图;
图7为本发明实施例采用GCN-LASE算法在所构造出的网络上运行时的模型图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
克服背景技术中对铁路货运安全的具体预测不足和分类判断不足,本发明实施例的目的是提供一种铁路货运的事故预警及分类的方案。本发明实施例通过铁路货运的中心货运记录信息,提前对铁路货运做出更好、更准确高效地预测和判断,解决中心铁路事故预测中的实际问题,使得管理者能够快速、有效地提前做好预备措施,减少损失。
基于铁路货运的历史货运记录信息,设置包含至少一个子网络的铁路货运网络,通过GNN方式对所述铁路货物网络进行训练,得到具有货运记录信息中的各个属性权重的铁路货运模型;将铁路货运的货运记录信息输入训练得到的铁路货运模型,得出安全事故预警及分类结果。也就是说,根据铁路货运的历史货运记录信息中的各个属性,以及对铁路货运及发生的安全事故情况的分析,提出了一种基于子网络结构的GNN表示悬系预警方法,通过对每一条历史货运记录信息中内部各属性关系,以及对发生的事故类别进行分析,针对每一条历史货运记录信息构建子网络结构,并利用各个子网络结构之间的对应属性之间的相似度关系,对各个子网络结构进行边的建立及赋值,将邻居子网络对中心子网络的影响考虑到中心子网络的安全预警及分类判断当中。
图1为本发明实施例提供的一种铁路货运的事故预警及分类的方法流程图,其具体步骤为:
步骤101、获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;
步骤102、设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;
步骤103、通过GNN方式对所述铁路货物网络进行训练,得到反映子网络结构之间对应属性值之间的相似度关系的铁路货运模型;
步骤104、将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果。
在该方法中,训练得到的铁路货运模型实际上就是一个事故预警分类预测器。
采用该方法,利用大量的铁路货运的历史货运记录信息构建了铁路货运网络,然后在构建出的铁路货运网络上运行GNN算法,可以从大量的历史货运记录信息中寻找出其中隐含的规律。该方案将大量的铁路货运的历史货运记录信息,部分或全部使用在模型训练当中,不仅考虑了单个记录信息的元素特征,同时也将其他记录的对中心记录的影响考虑在内。通过将记录之间的关系表达出来并加入训练模型额方式,提高对新的铁路货运的货运记录信息的安全事故判断准确度和效率。
在该方法中,所述铁路货物的历史货运记录信息记作R={R1,R2,...RT|Ri,i=1,2,...T},Ri表示第i条货运记录信息,包含始发站O、终点站D、货物品类G及车辆信息C的4个主要信息,还包括承运日期time、始发站所属路局Od、到达站所属路局Dd、货物包装信息P、货物类型GT、实际货物AG、保价费InF及保价类型InT等的字段信息,另外还有一个记录事故类型的标签信息T。
在该方法中,所述对应每条历史货运记录信息的子网络结构是由所述的货运记录信息R的一条记录中的各个信息所构成;子网络集合表示为S={S1,S2,...ST|Si,i=1,2,...T},其中Si表示根据Ri构成的子网络,可以表示为Si={V,E},V={Oi,Di,Gi,Ci,timei,Odi,Ddi,Pi,GTi,AGi,InFi,InTi},E={eab|a,b为子网络中的元素}。
在这里,构造方法具体包括以下步骤:
将货运记录信息R={R1,R2,...RT|Ri,i=1,2,...T}中的第i条记录Ri表示为Ri={Oi,Di,Gi,Ci,timei,Odi,Ddi,Pi,GTi,AGi,InFi,InTi},其中Oi表示记录Ri中的始发站,Di表示记录Ri中的终点站,Gi表示记录Ri中的货物品类,C表示记录Ri中的车辆信息,time表示记录Ri中的承运日期,Od表示记录Ri中的始发站所属路局,Dd表示记录Ri中的到达站所属路局,P表示记录Ri中的货物包装信息,GT表示记录Ri中的货物类型,AG表示记录Ri中的实际货物,InF表示记录Ri中的保价费,InT表示记录Ri中的保价类型;
将Ri中各个特征值作为节点Node,将Node连接形成图Si。
采用这种方式,可以将单个货运记录信息中各个属性值及属性值之间的关系进行表示,最简单地,各个离散特征属性值可以用独热码(One-Hot)编码进行表示,然后进行数据特征融合,采用的融合方式为拼接或叠加等。通过对各个属性值的标识,及各个属性值之间联系的标识,可以对单个货运记录中的属性值进行训练。理论上,子网络结构之间的关系,已经可以通过大量的历史货运记录信息内部的数据特征,运行GNN方式训练方法,进行事故预警及分类判断。
在这里,所述子网络结构之间存在一条有多维度属性值的边e,边用于描述该边连接的两个子网络结构之间的相似度关系,将所述边集记作E={eij|0<i,j<T},其中eij为连接子网络结构Si和子网络结构Sj之间的边,描述Si与Sj之间的相似程度,具体利用记录R中的属性值的相似度信息,包括始发站Oi和Oj之间的相似度SO、终点站Di和Dj之间的相似度SD、货物品类Gi和Gj之间的相似度SG,以及车辆Ci和Cj之间的相似度SC。
采用这种方式,将子网络结构之间的联系进行表示,能够非常准确的将邻居子网络结构的信息用于对中心子网络结构的事故安全类别的判断预警当中。通过描述中心子网络结构与其他各邻居子网络结构之间各个主要属性值的相似度,如始发站的站点相似度、到达站的站点相似度、货物相似度及车辆相似度,从而描述出子网络结构之间的相似度关系,进而可以将在各个属性值维度上具有不同相似度的邻居子网络对中心子网络的影响表示出来。直观地,在各个属性值维度上具有更大相似度的邻居子网络对中心子网络的影响更大,在各个属性值维度上具有很小相似度或是不相似的邻居子网络对中心子网络的影响更弱或是没有影响。
具体地说,所述始发站Oi和Oj之间的相似度SO、终点站Di和Dj之间的相似度SD均来自于站点相似度矩阵MSS,站点相似度矩阵MSS的求解过程具体如下:
1)从铁路货运的历史货运记录信息R,找出所有记录中始发站和终点站构成的集合Station={Oi,Di|0<i<T},假设长度为Lsta=len(Station);
2)构建所有站点之间的邻接矩阵MS,矩阵大小为Lsta*Lsta,所有元素初始化为0;
3)遍历铁路货物运输记录R,将“始发站-终点站”进行记录;具体方法为:当读取到第一条记录Ri时,取始发站Oi和终点站Di,更新邻接矩阵MS,使MS[Oi][Oj]在自身值上加1,将整个货运记录R遍历结束后,邻接矩阵MS更新完成;
4)通过两个站点之间的共同邻居数,求出两个站点Stai和Staj之间关于共同邻居的相似度矩阵SS1;具体方法为:从邻接矩阵MS中获取站点Stai和站点Staj与其他站点的连接向量,即向量MS[Stai]和向量MS[Staj],然后判断在相同位上同时不为0的位数,如假设MS[Stai]和MS[Staj]上在对应位上同时不为0的一共有k位,则更新SS1[Stai][Staj]=k;当所有站点之间都进行计算后,SS1矩阵更新完成,然后进行归一化处理,获得站点之间基于共同邻居的相似度矩阵SS1;
5)通过两个站点的度数,求出两个站点Stai和Staj之间关于连接数量的相似度SS2;具体方法为:从邻接矩阵MS中获取站点Stai和站点Staj与其他站点的连接向量,即向量MS[Stai]和向量MS[Staj],然后分别对其进行求和,得到SumStai和SumStaj,然后对其求差的绝对值,如假设MS[Stai]各位相加和为SumStai,MS[Staj]各位相加为SumStaj,则更新SS2[Stai][Staj]=|SumStai-SumStaj|;当所有站点之间都进行计算后,SS2矩阵更新完成,然后进行归一化处理,获得站点之间基于共同邻居连接数量的相似度矩阵SS2;
6)通过两个站点邻居数的差,求出两个站点Stai和Staj之间关于邻居的平均度数的相似度SS3;具体方法为:从邻接矩阵MS中获取站点Stai和站点Staj与其他站点的连接向量,即向量MS[Stai]和向量MS[Staj],然后分别对其进行求和,和不为0的个数,得到SumStai和SumStaj,以及各自向量上不为0的位数NatStai,NatStaj,然后对其各自求平均度数后,再求差的绝对值,如假设MS[Stai]各位相加和为SumStai,其中不为0的位数有NatStai,MS[Staj]各位相加为SumStai,其中不为0的位数有NatStaj,则更新SS3[Stai][Staj]=|SumStai/NatStai-SumStaj/NatStaj|;当所有站点之间都进行计算后,SS3矩阵更新完成,然后进行归一化处理,获得站点之间基于邻居平均度数的相似度矩阵SS3;
7)将上述从各个不同维度所求得的站点相似度矩阵对应位进行拼接或计算,获得整体站点相似度矩阵MSS。
采用上述方式,通过站点与站点之间的共同邻居数、各自总度数、邻居平均度数来表述站点与站点之间的相似度关系,能够大致准确地在站点网络中,将站点与站点之间的内容相似度和结构相似度进行描述。直观地,如果两个站点具有更多相同的邻居站点,那么这两个站点之间的相似度可能更高;如果两个站点之间各自的总度数都比较高,那么认为这两个站点可能都是个大站,这两个站点之间的相似度可能更高;如果两个站点的邻居平均度数相近,那么认为这两个站点之间具有更高的相似度。
在该方法中,所述货物品类Gi和Gj之间的相似度SG通过货物相关子网络结构的值是否相同来进行计算,求解过程具体如下:
1)从子网络结构Si和子网络结构Sj的节点集中分别找出与货物相关的属性,包括货物品类Gi、Gj、货物包装信息Pi、Pj、货物类型GTi、GTj、实际货物AGi、AGj;
2)分别判断两个子网络中各个对应属性是否值相同,最后求相同属性值占比作为两个子网络之间关于货物的相似度表示;
采用上述方式,通过描述两个子网络结构中与货物相关的属性值之间的相似程度,能够大致的将两个子网络结构之间的货物相似度进行表示。
在该方法中,所述车辆Ci和Cj之间的相似度SC通过车辆相关子网络结构的属性值是否相同来进行计算,求解过程具体如下:
1)从子网络Si和子网络Sj的节点集中分别找出与车辆相关的属性值,即车辆Ci和Cj;
2)分别判断两个子网络结构中对应节点是否值相同,若相同为1,不同为0,以此作为两个子网络结构之间关于车辆的相似度表示。
采用上述方式,通过描述两个子网络结构中车辆是否相同,能够大致的将两个子网络之间的车辆相似度进行表示。
在该方法中,所述通过GNN方式对所述铁路货物网络进行训练时,还包括:将子网络结构的边特征融合到对应的子网络结构对中,运行设置的图卷积网络-图神经网络(GCN-LASE)算法进行训练。
在具体实施时,所述设置的GCN-LASE算法包括三个部分:
a)邻居门(Neighbor Gate,)通过计算邻居子网络结构与中心子网络结构的相关程度控制邻域内不同邻居的整合权重。邻居门的存在让子网络结构更注重于邻域内提供更多信息的子网路结构,忽视更倾向于是噪音的子网络结构。
b)增幅器(Amplifier,h(l)(u)⊙U(l+1)f(ev,u))通过变换边特征使之与点特征维度相同,并按属性值相乘,达到了一种“放大器”的作用:不同维度的点特征在这一过程中获得适应性的放大,再参与到最后的加权平均。在这一过程中,边特征与点特征得到了交互。事实上,实验证实,为变换后的边特征U(l+1)f(ev,u)增加一个sigmoid激活函数,网络可以取得更稳定的效果。这一激活使得变换后的边特征发挥更类似于“放大器”的作用。
c)整合器(Aggregator)在不同LASE模型中的计算方法不尽相同。它的作用是将加权后的邻居子网络结构相整合,并与中心子网络结构自身的表示相联系。前者一般为简单的相加,后者可包括+、或⊙等。
采用上述方式,通过在构造出的网络上运行GCN-LASE算法,能够将网络中子网络结构之间的边信息融合到子网络结构的表示中,为中心子网络结构的表示提供更多维度的信息,将其他子网络结构的属性值考虑进模型中。其中,邻居门用于计算邻居子网络结构与中心子网络结构的相关程度控制子结构网络对邻域内不同邻居子网络结构的整合权重,增幅器用于放大不同维度的点特征,整合器将加权后的邻居子网络结构和中心子网络结构进行结合,将邻居属性值和自身子网络结构中的属性值进行融合。
可以看出,本发明实施例的基于子网络结构表示的铁路事故预警和分类判断方法能够利用历史货运记录信息,将站点因素、货物类型、货物包装、车辆及运输时间等相关属性值进行综合考虑,同时,将货运记录信息之间的相似度关系进行了求解表示,将货运记录信息联系起来,表示出相互之间的联系,以此对一条新的货运记录信息进行预测分类判断和预警,使管理者能够提前预知事故发生概率和类型,做出有效的防护措施,减少应对成本和经济损失。
图2为本发明实施例提供的一种铁路货运的事故预警及分类的装置结构示意图,其具体包括:构建模型单元及预测单元,其中,
构建模型单元,用于获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;通过GNN方式对所述铁路货物网络进行训练,得到反映子网络结构之间对应属性之间的相似度关系的铁路货运模型;
预测单元,用于将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果。
举一个具体例子说明本发明。
本发明实施例的目的是提供一个铁路安全事故预警及分类判断的方案。通过铁路货运的历史货运记录信息的已知条件,提前对列车货运安全做出更好、更准确高效的预测和分类判断,解决中心铁路事故预测中的实际问题,使管理者能够快速、有效地提前做好预备措施,减少损失。本发明实施例的核心是,根据已有的铁路货运的历史货运记录信息的特点,以及对货运及发生的安全事故情况的分析,提出一种基于子网络结构的图神经网络表示学习预警方法。通过对每一条记录内部各属性值的关系,以及对发生的事故类别进行分析,从每一条货运记录中构建出子网络结构,并利用各个子网络结构之间对应属性值之间的关系,对这些子网络结构之间进行边的建立,同时对这些边进行赋值,从而将邻居子网络结构的属性值对中心子网络结构的属性值影响进行考虑。
图3为本发明实施例提供的具体例子整体过程图。从图3可以看出,首先,从构造子网络结构开始,将历史货运记录信息中的重要属性值进行抽取,构造子网络结构;然后,求取各子网络结构之间中各个属性值的相似度作为每两个子网络结构之间边的权值;接着,对这些边进行筛选重构,形成最后完整的网络结构模型。
在构造子网络结构时,从每一条记录信息里边抽取如下属性值,其中包括始发站O、终点站D、货物品类G及车辆信息C4个主要属性,以及承运日期time、始发站所属路局Od、到达站所属路局Dd、货物包装信息P、货物类型GT、实际货物AG、保价费InF及保价类型InT等属性,将这些信息组合成一个子网络结构,另外,还具有一个记录事故类型的标签信息T,如图4所示。图4为本发明实施例提供的从每一条记录信息中抽取的属性值示意图。在其中,对连续变量保价费Inf进行归一化操作,其他均为离散变量,最简单的可以利用OneHot编码对各项进行编码。然后通过拼接组合或矩阵相乘等方式进行各个属性值向量的融合。本例子采用OneHot编码对各项进行拼接。以此构造出子网络结构。
在求解各个子网络结构之间的相似度时,需要计算站点之间的相似度,站点间的相似度基于以下几点进行考虑:两个站点之间的相同邻居数、两个站点之间各自边的总权和之差、两个站点之间邻居的平均权值。直观地说,如图5所示,图5为本发明实施例提供的计算站点之间的相似度过程示意图。站点A和站点B之间具有较多的相同邻居,那么本发明实施例确认站点A和站点B之间的相似度较高;站点A和站点C各自边的总权和均为35,本发明实施例确认站点A和站点C之间的相似度更高;站点C和站点D虽然各自边的总权和相同,但是各自边的平均权值相差较大,本发明实施例确认站点C和站点D之间的相似度略低一些。
求出各个子网络结构之间关于站点属性值之间的相似度关系,通过比较货物信息以及车辆是否相同可以求出各个子网结构之间关于货物属性值、车辆属性值之间的相似度关系,然后将已求得的各个重要属性值间相似度通过拼接或矩阵相乘的方法进行融合。本例子对各项相似度进行向量拼接,好处是可以在后续模型训练中对这各项相似度添加参数由机器自己学习得到。
将各个子网络结构之间的边构造出来后,还需对其进行一定的筛选工作。通过对各项相似度设定阈值,若两个子网络结构之间的相似度不达标项目数量较多,则认为这两个子网络结构之间的相似度较低,可以将他们之间的边删除。经过实验可知子网络结构与边的数量比大概在1:10时候对各子网络结构的分类效果最佳,最后构造出的面向子网络结构的完整网络结构如图6表示。
图7为本发明实施例采用GCN-LASE算法在所构造出的网络上运行时的模型图。将邻居子网络的属性值和对应连边进行计算后,与中心子网络的属性值进行融合后作为中心子网络的表示,然后基于此表示对各个子网络结构运行有监督的神经网络模型,从而对中心子网络进行预警和分类判断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (3)
1.一种铁路货运的事故预警及分类的方法,其特征在于,该方法包括:
获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;
设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;
通过图神经网络GNN方式对所述铁路货运网络进行训练,得到反映子网络结构之间对应属性值之间的相似度关系的铁路货运模型;
将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果;
所述历史货运记录信息中的属性包括:始发站O、终点站D、货物品类G及车辆信息C4;
所述历史货运记录信息中的属性还包括:承运日期time、始发站所属路局Od、到达站所属路局Dd、货物包装信息P、货物类型GT、实际货物AG、保价费InF、保价类型InT、或/和记录事故类型的标签信息;
所述子网络结构的构造包括:
将所述历史货运记录信息中的各个属性对应的属性值进行编码后,将得到的各个属性值向量融合;
所述铁路货运网络还包括子网络结构之间的边特征,所述边特征是基于子网络结构之间的相似度得到的;
所述子网络结构之间的相似度包括:站点之间的相似度、货物品类之间的相似度及车辆之间的相似度;
将得到的站点之间的相似度、货物品类之间的相似度及车辆之间的相似度,进行融合,得到所述边特征;
所述站点之间的相似度计算包括:
分别计算两个站点之间的相同邻居数、计算两个站点之间各自属性值的总权和之差,及计算两个站点之间邻居的平均权值后,融合得到;
所述货物品类之间的相似度为相关子网络结构中的属性值是否相同计算得到;
所述车辆之间的相似度为相关子网络结构中的属性值是否相同计算得到。
2.如权利要求1所述的方法,其特征在于,所述GNN方式采用图卷积网络-图神经网络GCN-LASE算法实现,包括邻居门、增幅器及整合器。
3.一种铁路货运的事故预警及分类的装置,其特征在于,包括:构建模型单元及预测单元,其中,
构建模型单元,用于获取铁路货运的历史货运记录信息,每一条历史货运记录信息中包括多个属性及对应的属性值;设置包含对应每条历史货运记录信息的子网络结构的铁路货运网络;通过GNN方式对所述铁路货运网络进行训练,得到反映子网络结构之间对应属性之间的相似度关系的铁路货运模型;
预测单元,用于将铁路货运的货运记录信息输入训练得到的铁路货运模型中,输出得到所述铁路货运的货运记录信息对应的安全事故预警及分类结果;
其中,所述历史货运记录信息中的属性包括:始发站O、终点站D、货物品类G及车辆信息C4;
所述历史货运记录信息中的属性还包括:承运日期time、始发站所属路局Od、到达站所属路局Dd、货物包装信息P、货物类型GT、实际货物AG、保价费InF、保价类型InT、或/和记录事故类型的标签信息;
所述子网络结构的构造包括:
将所述历史货运记录信息中的各个属性对应的属性值进行编码后,将得到的各个属性值向量融合;
所述铁路货运网络还包括子网络结构之间的边特征,所述边特征是基于子网络结构之间的相似度得到的;
所述子网络结构之间的相似度包括:站点之间的相似度、货物品类之间的相似度及车辆之间的相似度;
将得到的站点之间的相似度、货物品类之间的相似度及车辆之间的相似度,进行融合,得到所述边特征;
所述站点之间的相似度计算包括:
分别计算两个站点之间的相同邻居数、计算两个站点之间各自属性值的总权和之差,及计算两个站点之间邻居的平均权值后,融合得到;
所述货物品类之间的相似度为相关子网络结构中的属性值是否相同计算得到;
所述车辆之间的相似度为相关子网络结构中的属性值是否相同计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343366.8A CN111401399B (zh) | 2019-12-24 | 2019-12-24 | 一种铁路货运的事故预警及分类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343366.8A CN111401399B (zh) | 2019-12-24 | 2019-12-24 | 一种铁路货运的事故预警及分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401399A CN111401399A (zh) | 2020-07-10 |
CN111401399B true CN111401399B (zh) | 2023-11-10 |
Family
ID=71432523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911343366.8A Active CN111401399B (zh) | 2019-12-24 | 2019-12-24 | 一种铁路货运的事故预警及分类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401399B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112360341B (zh) * | 2020-09-27 | 2021-12-24 | 电子科技大学 | 基于机器学习的滑动定向钻井工具面状态辨识方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5990787A (en) * | 1996-09-18 | 1999-11-23 | Hyundai Motor Company | Apparatus for warning loading excess of vehicle |
KR20100083442A (ko) * | 2009-01-14 | 2010-07-22 | 진흥철도차량주식회사 | 철도차량 커플러의 안전한 연결을 위한 전후방감지시스템 및 그 방법 |
CN105302901A (zh) * | 2015-10-27 | 2016-02-03 | 中国铁路信息技术中心 | 一种铁路货运业务信息查询方法和装置 |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
CN108364471A (zh) * | 2018-04-24 | 2018-08-03 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息检查的货运规划管理方法及系统 |
CN108427757A (zh) * | 2018-03-16 | 2018-08-21 | 江苏智通交通科技有限公司 | 基于关联规则的重点车辆通行预警方法及监管系统 |
CN110472225A (zh) * | 2019-06-26 | 2019-11-19 | 北京交通大学 | 基于词扩展lda的铁路事故原因分析方法 |
CN110544373A (zh) * | 2019-08-21 | 2019-12-06 | 北京交通大学 | 一种基于北斗车联网的货车预警信息提取与风险识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984331B2 (en) * | 2015-06-08 | 2018-05-29 | International Business Machines Corporation | Automated vehicular accident detection |
-
2019
- 2019-12-24 CN CN201911343366.8A patent/CN111401399B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5990787A (en) * | 1996-09-18 | 1999-11-23 | Hyundai Motor Company | Apparatus for warning loading excess of vehicle |
KR20100083442A (ko) * | 2009-01-14 | 2010-07-22 | 진흥철도차량주식회사 | 철도차량 커플러의 안전한 연결을 위한 전후방감지시스템 및 그 방법 |
CN105302901A (zh) * | 2015-10-27 | 2016-02-03 | 中国铁路信息技术中心 | 一种铁路货运业务信息查询方法和装置 |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
CN108427757A (zh) * | 2018-03-16 | 2018-08-21 | 江苏智通交通科技有限公司 | 基于关联规则的重点车辆通行预警方法及监管系统 |
CN108364471A (zh) * | 2018-04-24 | 2018-08-03 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息检查的货运规划管理方法及系统 |
CN110472225A (zh) * | 2019-06-26 | 2019-11-19 | 北京交通大学 | 基于词扩展lda的铁路事故原因分析方法 |
CN110544373A (zh) * | 2019-08-21 | 2019-12-06 | 北京交通大学 | 一种基于北斗车联网的货车预警信息提取与风险识别方法 |
Non-Patent Citations (2)
Title |
---|
D. Gattuso,等.Rail operations in freight terminals: Safety issues and proposed methodology.《2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS)》.2017,全文. * |
李萍.基于GA-BP模型的铁路货运量预测.《兰州交通大学学报》.2014,第33卷(第3期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111401399A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bharadiya | Artificial intelligence in transportation systems a critical review | |
Cárdenas-Gallo et al. | An ensemble classifier to predict track geometry degradation | |
Hossain et al. | Metrics for assessing overall performance of inland waterway ports: A bayesian network based approach | |
Palšaitis et al. | Heavyweight and oversized cargo transportation risk management | |
Falamarzi et al. | Prediction of tram track gauge deviation using artificial neural network and support vector regression | |
CN111401399B (zh) | 一种铁路货运的事故预警及分类的方法及装置 | |
Rabe et al. | Evaluating the consolidation of distribution flows using a discrete event supply chain simulation tool: Application to a case study in Greece | |
Jeong et al. | Developing a risk-adaptive technology roadmap using a Bayesian network and topic modeling under deep uncertainty | |
Bhanji et al. | Advanced Enterprise Asset Management Systems: Improve Predictive Maintenance and Asset Performance by Leveraging Industry 4.0 and the Internet of Things (IoT) | |
Luo et al. | Data-driven decision support for rail traffic control: A predictive approach | |
El Ouadi et al. | A machine-learning based approach for zoning urban area in consolidation schemes context | |
Nathnail et al. | Urban freight terminals: A sustainability cross-case analysis | |
CN110796301A (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
Reyes-Rubiano et al. | The team orienteering problem with stochastic service times and driving-range limitations: A simheuristic approach | |
Dimara et al. | Mlp for spatio-temporal traffic volume forecasting | |
JP2024512614A (ja) | 貨物輸送を監視及び自動制御する電子システム | |
Chen et al. | Causative analysis of freight railway accident in specific scenes using a data-driven Bayesian network | |
Razghonov et al. | BUILDING MODELS TO OPTIMIZE VEHICLE DOWNTIME IN MULTIMODAL TRANSPORTATION. | |
CN113962331A (zh) | 一种etc门架系统故障原因识别方法及系统 | |
Vijithasena et al. | Data visualization and machine learning approach for analyzing severity of road accidents | |
Jiang et al. | Routing optimization for road administration vehicles with consideration of overloaded truck detour behavior on rural highways | |
Wang et al. | Design of a radio frequency identification (RFID)-based monitoring and vehicle management system | |
Abdullah et al. | Machine learning modeling for reconditioned car selling price prediction | |
Mohria et al. | Two levels modelling of container choosing and mode choice between road and rail for increasing the containerized rail modal share | |
Vanishkorn et al. | Crash Severity Classification Prediction and Factors Affecting Analysis of Highway Accidents |
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 |