CN111476454A - 一种使用云模型的复杂水上交通情景危险度评价方法 - Google Patents
一种使用云模型的复杂水上交通情景危险度评价方法 Download PDFInfo
- Publication number
- CN111476454A CN111476454A CN202010139006.2A CN202010139006A CN111476454A CN 111476454 A CN111476454 A CN 111476454A CN 202010139006 A CN202010139006 A CN 202010139006A CN 111476454 A CN111476454 A CN 111476454A
- Authority
- CN
- China
- Prior art keywords
- cloud
- evaluation
- cloud model
- risk
- qualitative
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 161
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 11
- 238000004220 aggregation Methods 0.000 abstract description 11
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种使用云模型的复杂水上交通情景危险度评价方法,属于安全科学与工程、水上交通系统安全领域,主要步骤包括:基于系统性、层次性分析方法选取评价对象;基于黄金分割法确定评价参考刻度;将短语表示的通航环境危险度转化为云模型;采用加权集结综合多个云模型得最终综合危险度云模型;采用一维正向云发生器算法产生危险度云模型云滴并标绘。本发明综合通航环境多渠道信息及专家评价,将评价结果转化为不同云模型并进行综合,使评价更加客观公正,充分体现评价过程的不确定性,通过一维正态云平面展现,完成对危险度的定性、定量评价结果直观快速呈现,操作简捷方便,能够最大化有效利用,对危险度的评价及预判有指导借鉴作用。
Description
技术领域
本发明属于安全科学与工程、水上交通系统安全领域,具体涉及一种使用云模型的复杂水上交通情景危险度评价方法。
背景技术
水上交通系统的安全评价是一项复杂而要求细致的工作。通航环境危险度评价过程中存在着诸多不确定性。例如,很多工作的开展涉及专家评价。而由于专业背景、个人理解等的不同,专家既有可能采用定量数值给出评价结果,也有可能采用模糊语言给出评价结果。因而,水上交通系统安全评价工作的进行具有明显的模糊性和随机性。此时,既保证定性变量与定量变量的精确映射,又保留定性知识不确定性的优势和充分利用不确定性信息,对综合形成合理可信的最终评价结果十分重要。云模型把模糊性和随机性完全集成到一起,构成定性和定量相互间的映射,为定性与定量相结合的信息处理提供了有力手段。基于云模型的知识表示和推理方法能够充分地表达出不确定知识的模糊性和随机性,具有较大的客观性,能够在一定程度上解决在信息集结过程中信息丢失的问题。因此,将基于云模型的定性定量评价转化运用于水上交通系统的安全评价之中,以充分利用利用不确定性信息,同时构建危险度云模型,以综合表现危险度评价的不确定性特征,在云模型视角下实现危险度的定量定性评价,是十分必要的。
发明内容
本发明的目的在于提供一种使用云模型的复杂水上交通情景危险度评价方法,该云模型既保证定性变量与定量变量的精确映射,又保留定性知识不确定性的优势和充分利用不确定性信息,形成精确可信的最终综合评价结果。
本发明为实现上述目的所采取的技术方案为:一种使用云模型的复杂水上交通情景危险度评价方法,包括以下步骤:
步骤一:确定或选择评价对象
评价对象为某水域整个复杂水上交通情景即一级系统,或为一级系统的子系统即二级系统,或为二级系统的子系统即三级系统,或为三级系统的构成因素,经对上述四类数据进行统计分析筛选,获取评价对象建立数据库并输入计算机装置存储地址中。
步骤二:确定评价参考刻度
通过设置定性变量和数值变量、设置所述定性变量和数值变量的论域、设置所述定性变量与数值变量的映射关系的各特征值参数,并采用基于黄金分割率的模型驱动法来产生评价短语的云模型以确定危险度评价的参考刻度,计算机系统利用初始设置特征值建立基础短语对应的基础云模型,并利用显示屏使基础云模型可视化。
作为优选,设置数值变量通航环境危险度为h,论域为[0,1];设置定性变量通航环境危险度评价短语为cl,其所有定性评价使用短语可能的取值即对通航环境危险度的定性评价,使用低、较低、一般、较高和高五个短语来定性评价。因此通航环境危险度评价短语cl采用集合[低,较低,一般,较高,高]即[CL,CLL,CM,CLH,CH]五个短语来定性评价。
作为优选,五个短语具有递进关系,其表示的评价问题用数值变量x对评价等级进行映射,数值变量x论域为[xmin xmax]。
作为优选,云模型为能够定性、定量评价危险度等级、展示危险度不确定性特征的云模型Ch(hex,hen,hhe)。即一个云模型Ch(hex,hen,hhe)对应于评价短语cl的某一个值cl*,基于此云模型实现对复杂水上交通情景危险度的定性、定量综合评价。从而,确定该云模型的主要工作就是确定三个参数期望、熵和超熵:hex,hen,hhe。具体来说,hex表示h的期望,是最能够代表评价短语cl*的点或是cl*量化时的最典型样本;hen是cl*不确定性的度量:hen越大,cl*越宏观,云滴在横向上的分布越宽;hhe也是cl*不确定性的度量:hhe越大,云滴在纵向上的分布越厚。hen和hhe决定了云滴在二维坐标下的离散分布程度。表示样本点hi对评价短语cl*的隶属度。基于得到的Ch(hex,hen,hhe)和对应的cl*,可对通航环境危险度做出定量定性评价。
作为优选,采用基于黄金分割率的模型驱动法来产生评价短语的基础云模型,基本方法为:将数值论域等同于评价短语的空间,将评价短语用基础云模型来表达。越接近论域的中心,云的熵和超熵越小;越远离论域的中心,云的熵和超熵越大;相邻云的熵和超熵的较小者是较大者的0.618倍。对采用具有递进关系的五个短语表示的评价问题,用数值变量x对评价等级进行映射,对与五个短语相对应的云模型参数计算采用黄金分割法。
作为优选,采用上述的h和五个基础短语,采用“对中间语言值‘一般’对应的云的超熵为0.005”的设定,基于黄金分割法计算通航环境危险度评价五个基础短语对应基础云模型的参数。
步骤三:基于专家调查得到初始评价
向专家发放关于步骤一评价对象数据库的调查问卷,由专家对问卷中涉及到的通航环境中的各危险度进行评价,并对以定性或定量方式给出的初始评价结果构建规则库存储于计算机存储地址,计算机处理装置可判断读取对应的初始评价结果进行运算。
步骤四:将步骤三初始评价转化为用云模型
将步骤三存储库中的专家初始评价结果即以短语或数值表示的通航环境危险度评价结果的定性或定量形式由计算机处理装置转化为对应的云模型。即采用以下两种方式将专家初始评价转化为云模型:
1)专家给出定性评价结果时的转化
采用定性语言描述危险度等级时,如第i个专家根据其经验或专业知识对对象的评价直接采用五个基础短语之一,则直接采用该基础短语所对应的云模型。例如,第i个专家对对象的评价为“较高”,则采用云模型CLH,即取:
2)专家给出定量评价结果时的转化
如第i个专家根据其经验或专业知识对对象的评价采用数值h_i(h_i∈[0,1]),则采用利用两个基础云模型生成一个浮动云来表示该项评价。由两朵云生成浮动云的方法如下:
在论域[0,1]中有两朵相邻的基准云C1(Ex1,En1,He1)和C2(Ex2,En2,He2),即期望值与在数
值变量x两侧且距离x最近的两个评语云,若生成浮动云的数字特征为C(Ex,En,He),则取:
获得h_i后,基于与基础评价短语对应的五个基础云,采用上式可得hex_i,hen_i,和hhe_i,此时将生成的浮动云Ch_i(hex_i,hen_i,hhe_i)作为与h_i对应的云模型。
步骤五:整合多个步骤四云模型得到综合云模型
采用加权集结算子,对由转化得到的多个步骤四云模型进行集结,以得到最终的危险度云模型即综合云模型。
引入权重,对由转化得到的多个云模型进行加权集结,以得到最终的危险度云模型。如得到m个专家分别给出的云模型为Ch_i(hex_i,hen_i,hhe_i)(i=1,2,L,m),则引入权重算子对Ch_i进行集结,以得到最终的云模型。设综合m个云模型所得到的综合云模型为Ch(hex,hen,hhe),则:
结合云模型的基本运算规则,有:
其中,wi为各云模型的权重,由于其对应的云模型由专家给出,故wi也为各专家的权重。
步骤六:基于危险度云模型进行评价分析
采用正向云发生器算法产生所述危险度云模型的云滴,进行标绘和分析,画出云滴后,根据危险度云模型云滴的分布,计算出危险度云模型的确定度,根据可视化图形界面进行图像处理和分析,得出评价对象危险度评价结果。
采用一维正向云发生器算法产生危险度云模型的云滴,进行标绘和分析,一维正向云发生器的算法为:
已知C(Ex,En,He),则生成一维正态云模型N个云滴的算法,即正向云生成器算法为:
(1)生成以Ex为期望值、En为标准差的正态随机数数x;
(3)计算x属于定性概念的确定度μ:
(4)令(x,μ)为一个云滴
画出云滴后,根据云模型云滴的分布,得出评价对象危险度的评价结果。定量评价方面,云模型中期望能够刻画专家评价的“集中趋势”,即采用定量评价时,危险度量化值得最可能值为Ex。同时,云模型中的熵值和超熵值决定了定量评价结果“不确定”程度:En和He决定了云滴的分布。每个量化值都具有各自的确定度,以表示该量值的确定性或可靠性。定性评价方面,从云模型的期望和云滴的分布来看,若云模型对应于或基本对应于论域空间内五个初始评语,则将所对应的基础评语作为危险度的定性评价;若云模型对应于论域空间内五个初始评语之外的一个评语,则采用此新生评语作为危险度的定性评价。
与现有技术相比,本发明的有益效果为:公开一种使用云模型算法的复杂水上交通情景危险度评价方法,主要步骤包括:基于系统性、层次性分析方法选取评价对象;基于黄金分割法确定评价参考刻度;将以短语表示的通航环境危险度评价转化为以云模型表示;采用加权集结算子对多个云模型进行综合,得到最终通航环境综合危险度云模型;采用一维正态云的正向发生器算法产生危险度云模型的云滴并标绘。本发明所构建的通航环境风险云模型有效综合了通航环境多渠道信息及专家评价结果,对与评价短语相对应的云模型参数采用黄金分割法计算,将专家定性或定量形式评价结果根据具体情况转化为两种不同的云模型,并采用加权集结算子得到综合危险度云模型能够保证更加客观公正的评价结果,大大减少专家根据其经验或专业知识对对象的评价结果的影响及避免在信息集结过程中信息丢失的问题,能够充分体现了危险度评价过程中的不确定性,且可同时快速得到定性、定量的评价结果,通过采用一维正态云的正向发生器算法对危险度特征进行平面展现,根据云滴分布完成对评价对象危险度的定性、定量评价结果,可将评价结果进行模拟扩展获得更精确结果,所得结果更加直观易懂,操作简捷方便,能够最大化有效利用,对复杂水上交通情景危险度的评价及预判具有良好的指导借鉴作用。
附图说明
图1为本发明的实施步骤图;
图2为本发明的h论域划分及基于黄金分割法的基础短语云模型图。
具体实施方式
以下结合实施例和附图对本发明作进一步详细描述:
实施例1:
如图1-2所示,一种使用云模型的复杂水上交通情景危险度评价方法,包括以下步骤:
步骤一:确定或选择评价对象
评价对象为某水域整个复杂水上交通情景三级系统的构成因素,如风、浪、流、雾及能见度、船舶交通流量等。经对上述四类数据进行统计分析筛选,获取评价对象建立数据库并输入计算机装置存储地址中。具体评价对象或指标见表1:
表1复杂水上交通情景危险度评价对象或指标
步骤二:确定评价参考刻度
通过设置定性变量和数值变量、设置所述定性变量和数值变量的论域、设置所述定性变量与数值变量的映射关系的各特征值参数,并采用基于黄金分割率的模型驱动法来产生评价短语的云模型以确定危险度评价的参考刻度,计算机系统利用初始设置特征值建立基础短语对应的基础云模型,并利用显示屏使基础云模型可视化。
设置数值变量通航环境危险度为h,论域为[0,1];设置定性变量通航环境危险度评价短语为cl,其所有定性评价使用短语可能的取值即对通航环境危险度的定性评价,使用低、较低、一般、较高和高五个短语来定性评价。因此通航环境危险度评价短语cl采用集合[低,较低,一般,较高,高]即[CL,CLL,CM,CLH,CH]五个短语来定性评价。
五个短语具有递进关系,其表示的评价问题用数值变量x对评价等级进行映射,数值变量x论域为[xmin xmax]。
云模型为能够定性、定量评价危险度等级、展示危险度不确定性特征的云模型Ch(hex,hen,hhe)。即一个云模型Ch(hex,hen,hhe)对应于评价短语cl的某一个值cl*,基于此云模型实现对复杂水上交通情景危险度的定性、定量综合评价。从而,确定该云模型的主要工作就是确定三个参数期望、熵和超熵:hex,hen,hhe。具体来说,hex表示h的期望,是最能够代表评价短语cl*的点或是cl*量化时的最典型样本;hen是cl*不确定性的度量:hen越大,cl*越宏观,云滴在横向上的分布越宽;hhe也是cl*不确定性的度量:hhe越大,云滴在纵向上的分布越厚。hen和hhe决定了云滴在二维坐标下的离散分布程度。表示样本点hi对评价短语cl*的隶属度。基于得到的Ch(hex,hen,hhe)和对应的cl*,可对通航环境危险度做出定量定性评价。
采用基于黄金分割率的模型驱动法来产生评价短语的基础云模型,基本思路为:将数值论域等同于评价短语的空间,将评价短语用基础云模型来表达。越接近论域的中心,云的熵和超熵越小;越远离论域的中心,云的熵和超熵越大;相邻云的熵和超熵的较小者是较大者的0.618倍。对采用具有递进关系的五个短语表示的评价问题,用数值变量x对评价等级进行映射,对与五个短语相对应的云模型参数计算采用黄金分割法。黄金分割法生成云模型参数的算法如表2所示:
表2黄金分割法生成云模型参数的算法
采用上述的h和五个基础短语,采用“对中间语言值‘一般’对应的云的超熵为0.005”的设定,基于表2中的黄金分割法计算通航环境危险度评价五个基础短语对应基础云模型的参数表3,五个基础云模型的可视化效果如图2所示:
表3基于黄金分割法的基础评价短语云模型参数
步骤三:基于专家调查得到初始评价
向专家发放关于步骤一评价对象数据库的调查问卷,由专家对问卷中涉及到的通航环境中的各危险度进行评价,并对以定性或定量方式给出的初始评价结果构建规则库存储于计算机存储地址,计算机处理装置可判断读取对应的初始评价结果进行运算。使用的调查问卷主要内容见表4:
表4复杂水上交通情景危险度评价问卷
注:专家在表格中可使用“√”或区间内的数值给出各指标的评价结果。
步骤四:将步骤三初始评价转化为用云模型
将步骤三存储库中的专家初始评价结果即以短语或数值表示的通航环境危险度评价结果的定性或定量形式由计算机处理装置转化为对应的云模型。即计算机处理装置采用以下两种方式将专家初始评价转化为云模型:
1)专家给出定性评价结果时的转化
采用定性语言描述危险度等级时,如第i个专家根据其经验或专业知识对对象的评价直接采用五个基础短语之一,则直接采用该基础短语所对应的云模型。例如,第i个专家对对象的评价为“较高”,则采用云模型CLH,即取:
2)专家给出定量评价结果时的转化
如第i个专家根据其经验或专业知识对对象的评价采用数值h_i(h_i∈[0,1]),则采用利用两个基础云模型生成一个浮动云来表示该项评价。由两朵云生成浮动云的方法如下:
在论域[0,1]中有两朵相邻的基准云C1(Ex1,En1,He1)和C2(Ex2,En2,He2),即期望值与在数
值变量x两侧且距离x最近的两个评语云,若生成浮动云的数字特征为C(Ex,En,He),则取:
获得h_i后,基于与基础评价短语对应的五个基础云,采用上式可得hex_i,hen_i,和hhe_i,此时将生成的浮动云Ch_i(hex_i,hen_i,hhe_i)作为与h_i对应的云模型。
步骤五:整合多个步骤四云模型得到综合云模型
确定专家权重,利用计算机处理装置采用加权集结算法对由步骤四转化得到的多个所述云模型进行集结,得到最终的危险度云模型即综合云模型。
引入权重,对由转化得到的多个云模型进行加权集结,以得到最终的危险度云模型。如得到m个专家分别给出的云模型为Ch_i(hex_i,hen_i,hhe_i)(i=1,2,L,m),则引入权重算子对Ch_i进行集结,以得到最终的云模型。设综合m个云模型所得到的综合云模型为Ch(hex,hen,hhe),则:
结合云模型的基本运算规则,有:
其中,wi为各云模型的权重,由于其对应的云模型由专家给出,故wi也为各专家的权重。
步骤六:基于危险度云模型进行评价分析
采用正向云发生器算法产生所述危险度云模型的云滴,进行标绘和分析,画出云滴后,根据危险度云模型云滴的分布,计算出危险度云模型的确定度,根据可视化图形界面进行图像处理和分析,得出评价对象危险度评价结果。
采用一维正向云发生器算法产生危险度云模型的云滴,进行标绘和分析,一维正向云发生器的算法为:
已知C(Ex,En,He),则生成一维正态云模型N个云滴的算法,即正向云生成器算法为:
(1)生成以Ex为期望值、En为标准差的正态随机数数x;
(3)计算x属于定性概念的确定度μ:
(4)令(x,μ)为一个云滴
画出云滴后,根据云模型云滴的分布,得出评价对象危险度的评价结果。定量评价方面,云模型中期望能够刻画专家评价的“集中趋势”,即采用定量评价时,危险度量化值得最可能值为Ex。同时,云模型中的熵值和超熵值决定了定量评价结果“不确定”程度:En和He决定了云滴的分布。每个量化值都具有各自的确定度,以表示该量值的确定性或可靠性。定性评价方面,从云模型的期望和云滴的分布来看,若云模型对应于或基本对应于论域空间内五个初始评语,则将所对应的基础评语作为危险度的定性评价;若云模型对应于论域空间内五个初始评语之外的一个评语,则采用此新生评语作为危险度的定性评价。
实施例2:
本发明的一种使用云模型的复杂水上交通情景危险度评价方法实际使用时,包括以下步骤:
步骤一:确定或选择评价对象
所述评价对象为某水域整个复杂水上交通情景即一级系统,或为所述一级系统的子系统即二级系统,或为所述二级系统的子系统即三级系统,或为所述三级系统的构成因素,经对上述四类数据进行统计分析筛选,获取评价对象建立数据库并输入计算机装置存储地址中。
步骤二:确定评价参考刻度
通过设置定性变量和数值变量、设置所述定性变量和数值变量的论域、设置所述定性变量与数值变量的映射关系的各特征值参数,并采用基于黄金分割率的模型驱动法来产生评价短语的云模型以确定危险度评价的参考刻度,计算机系统利用初始设置特征值建立基础短语对应的基础云模型,并利用显示屏使基础云模型可视化。
步骤三:基于专家调查得到初始评价
向专家发放关于步骤一评价对象数据库的调查问卷,由专家对问卷中涉及到的通航环境中的各危险度进行评价,并对以定性或定量方式给出的初始评价结果构建规则库存储于计算机存储地址,计算机处理装置可判断读取对应的初始评价结果进行运算。
步骤四:将步骤三初始评价转化为用云模型
将步骤三存储库中的专家初始评价结果即以短语或数值表示的通航环境危险度评价结果的定性或定量形式由计算机处理装置转化为对应的云模型。
步骤五:整合多个步骤四云模型得到综合云模型
确定专家权重,利用计算机处理装置采用加权集结算法对由步骤四转化得到的多个所述云模型进行集结,得到最终的危险度云模型即综合云模型。
步骤六:基于危险度云模型进行评价分析
采用正向云发生器算法产生所述危险度云模型的云滴,进行标绘和分析,画出云滴后,根据危险度云模型云滴的分布,计算出危险度云模型的确定度,根据可视化图形界面进行图像处理和分析,得出评价对象危险度评价结果。
本通航环境风险云模型有效综合了通航环境多渠道信息及专家评价结果,采用黄金分割法对与评价短语相对应的云模型参数进行计算,将专家定性或定量形式评价结果根据具体情况转化为两种不同的云模型,并采用加权集结算子得到综合危险度云模型,大大减少专家根据其经验或专业知识对对象的评价结果的影响及避免在信息集结过程中信息丢失的问题并保证评价结果更加客观公正,能够充分体现了危险度评价过程中的不确定性,且可同时快速得到定性、定量的评价结果,通过采用一维正态云的正向发生器算法对危险度特征进行平面展现,根据云滴分布完成对评价对象危险度的定性、定量评价结果分布规律,可将评价结果进行模拟扩展获得更精确结果,所得结果也更加直观易懂,操作简捷方便,能够最大化有效利用,对复杂水上交通情景危险度的评价及预判具有良好的指导借鉴作用。
上述实施例中的常规技术为本领域技术人员所知晓的现有技术,故在此不再详细赘述。
以上实施方式仅用于说明本发明,而并非对本发明的限制,本领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此,所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:包括以下步骤:
步骤一:确定或选择评价对象
所述评价对象为某水域整个复杂水上交通情景即一级系统,或为所述一级系统的子系统即二级系统,或为所述二级系统的子系统即三级系统,或为所述三级系统的构成因素,经对上述四类数据进行统计分析筛选,获取评价对象建立数据库并输入计算机装置存储地址中;
步骤二:确定评价参考刻度
通过设置定性变量和数值变量、设置所述定性变量和数值变量的论域、设置所述定性变量与数值变量的映射关系的各特征值参数,并采用基于黄金分割率的模型驱动法来产生评价短语的云模型以确定危险度评价的参考刻度,计算机系统利用初始设置特征值建立基础短语对应的基础云模型,并利用显示屏使基础云模型可视化;
步骤三:基于专家调查得到初始评价
向专家发放关于步骤一评价对象数据库的调查问卷,由专家对问卷中涉及到的通航环境中的各危险度进行评价,并对以定性或定量方式给出的初始评价结果构建规则库存储于计算机存储地址,计算机处理装置可判断读取对应的初始评价结果进行运算;
步骤四:将步骤三初始评价转化为用云模型
将步骤三存储库中的专家初始评价结果即以短语或数值表示的通航环境危险度评价结果的定性或定量形式由计算机处理装置转化为对应的云模型;
步骤五:整合多个步骤四云模型得到综合云模型
确定专家权重,利用计算机处理装置采用加权集结算法对由步骤四转化得到的多个所述云模型进行集结,得到最终的危险度云模型即综合云模型;
步骤六:基于危险度云模型进行评价分析
采用正向云发生器算法产生所述危险度云模型的云滴,进行标绘和分析,画出云滴后,根据危险度云模型云滴的分布,计算出危险度云模型的确定度,根据可视化图形界面进行图像处理和分析,得出评价对象危险度评价结果。
2.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤二中,设置数值变量通航环境危险度为h,论域为[0,1];设置定性变量通航环境危险度评价短语为cl,所述通航环境危险度评价短语cl采用集合[低,较低,一般,较高,高]即[CL,CLL,CM,CLH,CH]五个短语来定性评价。
3.根据权利要求2所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:所述五个短语具有递进关系,其表示的评价问题用数值变量x对评价等级进行映射,所述数值变量x论域为[xmin xmax]。
4.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤二中,所述云模型为能够定性或定量评价危险度等级、展示危险度不确定性特征的云模型Ch(hex,hen,hhe),一个云模型Ch(hex,hen,hhe)对应于所述cl的某一个评价短语cl*,基于期望、熵和超熵三个参数即hex,hen,hhe得到的Ch(hex,hen,hhe)和对应的cl*对所述通航环境危险度做出定量定性评价。
5.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤二中,基于所述黄金分割率的模型驱动法来产生评价短语的基础云模型,将所述数值变量论域等同所述评价短语的空间,将所述评价短语以所述云模型表达,越接近所述论域中心,云的熵和超熵越小,越远离所述论域的中心,云的熵和超熵越大,相邻云的熵和超熵的较小者是较大者的0.618倍。
6.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤四中,采用以下两种方式将专家初始评价结果转化为云模型:
1)专家给出定性评价结果时的转化
当第i个专家采用定性语言即步骤二所述基础评价短语之一来描述危险度等级时,直接采用该所述基础短语对应的云模型Ch_i(hex_i,hen_i,hhe_i)(i=1,2,L,m),m表示专家总数;
2)专家给出定量评价结果时的转化
当第i个专家采用数值h_i(h_i∈[0,1]),则利用两个基础云模型生成一个浮动云来表示该项评价,方法如下:
在论域[0,1]中有两朵相邻的基准云C1(Ex1,En1,He1)和C2(Ex2,En2,He2),即期望值与在所述数值变量x两侧且距离x最近的两个评语云,若生成浮动云的数字特征为C(Ex,En,He),则取:
获得h_i后,基于与基础评价短语对应的5个基础云,采用上式可得hex_i,hen_i,和hhe_i,此时将生成的浮动云Ch_i(hex_i,hen_i,hhe_i)作为与h_i对应的云模型。
8.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤六中,采用一维正向云发生器算法。
10.根据权利要求1所述的一种使用云模型的复杂水上交通情景危险度评价方法,其特征在于:步骤六中,采用以下两种方式进行结果评价:
1)定量评价方面,危险度量化值为Ex,同时云模型中的熵值En和超熵值He决定了定量评价结果“不确定”程度即决定了云滴的分布,每个量化值都具有各自的确定度以表示其确定性或可靠性;
2)定性评价方面,参照云模型的期望和云滴分布,若云模型对应于或基本对应于步骤二所述论域空间内五个初始评语,则将所对应的基础评语作为危险度的定性评价,若云模型对应于步骤二所述论域空间内五个初始评语之外的一个评语即新生评语,则采用所述新生评语作为危险度的定性评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139006.2A CN111476454A (zh) | 2020-03-03 | 2020-03-03 | 一种使用云模型的复杂水上交通情景危险度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139006.2A CN111476454A (zh) | 2020-03-03 | 2020-03-03 | 一种使用云模型的复杂水上交通情景危险度评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476454A true CN111476454A (zh) | 2020-07-31 |
Family
ID=71747181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010139006.2A Pending CN111476454A (zh) | 2020-03-03 | 2020-03-03 | 一种使用云模型的复杂水上交通情景危险度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476454A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664017A (zh) * | 2023-07-28 | 2023-08-29 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102762A (zh) * | 2014-04-29 | 2014-10-15 | 兰州交通大学 | 云模型模糊层次分析法在铁路信号系统风险分析中的应用 |
CN110046427A (zh) * | 2019-04-15 | 2019-07-23 | 中南大学 | 基于正交设计和正态云模型机制砂t梁混凝土配合比方法 |
CN110097266A (zh) * | 2019-04-19 | 2019-08-06 | 西安交通大学 | 一种基于云模型的流程工业装备服役安全风险评估方法 |
CN110458432A (zh) * | 2019-07-30 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于云模型的电力光传输网可靠性诊断方法 |
-
2020
- 2020-03-03 CN CN202010139006.2A patent/CN111476454A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102762A (zh) * | 2014-04-29 | 2014-10-15 | 兰州交通大学 | 云模型模糊层次分析法在铁路信号系统风险分析中的应用 |
CN110046427A (zh) * | 2019-04-15 | 2019-07-23 | 中南大学 | 基于正交设计和正态云模型机制砂t梁混凝土配合比方法 |
CN110097266A (zh) * | 2019-04-19 | 2019-08-06 | 西安交通大学 | 一种基于云模型的流程工业装备服役安全风险评估方法 |
CN110458432A (zh) * | 2019-07-30 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于云模型的电力光传输网可靠性诊断方法 |
Non-Patent Citations (2)
Title |
---|
王洪利, 冯玉强: "基于云模型标度判断矩阵的改进层次分析法", 中国管理科学, vol. 13, pages 32 - 37 * |
田延飞;润玉宏;张丹;魏晓阳;: "基于云模型和蒙特卡洛方法的通航环境系统风险评价", 交通运输研究, no. 06, pages 40 - 44 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664017A (zh) * | 2023-07-28 | 2023-08-29 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
CN116664017B (zh) * | 2023-07-28 | 2023-11-17 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hendiani et al. | A multi-stage multi-criteria hierarchical decision-making approach for sustainable supplier selection | |
Hodges et al. | Wildland fire spread modeling using convolutional neural networks | |
Triantaphyllou et al. | A sensitivity analysis approach for some deterministic multi‐criteria decision‐making methods | |
Wei et al. | Some dependent aggregation operators with 2-tuple linguistic information and their application to multiple attribute group decision making | |
Tian et al. | Low-rise gable roof buildings pressure prediction using deep neural networks | |
CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
CN112446591A (zh) | 一种用于学生综合能力评价的评价体系及零样本评价方法 | |
CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
KR102350248B1 (ko) | 재난정보의 구축, 관리, 활용을 위한 격자 기반 데이터 변환방법 | |
CN106952052A (zh) | 基于混合权重核主成分分析企业供应商评价方法 | |
CN111639426A (zh) | 一种风特征时空过程可视化方法 | |
CN111476454A (zh) | 一种使用云模型的复杂水上交通情景危险度评价方法 | |
CN113204873B (zh) | 一种大型武器装备制造风险传导评价方法 | |
CN107316148A (zh) | 基于模糊结构元方法的船舶模拟操纵自动化评估方法 | |
Sikman et al. | Modelling of Fuzzy Expert System for an Assessment of Security Information Management System UIS (University Information System) | |
Miettinen et al. | Integration of two multiobjective optimization methods for nonlinear problems | |
CN104679988B (zh) | 一种基于云topsis的多属性决策方法 | |
Khan et al. | Evaluating Sustainable Urban Development Strategies through Spherical CRITIC-WASPAS Analysis | |
Pandey et al. | A new method for making design decisions: Decision topologies | |
KR102380021B1 (ko) | 통계추론모델에 기반한 특허 성과지표 출력장치 및 방법 | |
García-Balboa et al. | Automated Assessment of Road Generalization Results by Means of an Artificial Neural Network | |
Delmas et al. | Towards context & climate sensitive urban design: An integrated simulation and parametric design approach | |
Deng et al. | Comparison and Analysis of Novel Score-Variance Portfolio Models based on Methods for Ranking Fuzzy Numbers | |
Чіков et al. | Modeling of the synthetic indicator of competitiveness of agricultural enterprises: a methodological approach to the use of neural network tools |
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 |