CN111626461A - 一种安全风险预测方法 - Google Patents
一种安全风险预测方法 Download PDFInfo
- Publication number
- CN111626461A CN111626461A CN201910879410.0A CN201910879410A CN111626461A CN 111626461 A CN111626461 A CN 111626461A CN 201910879410 A CN201910879410 A CN 201910879410A CN 111626461 A CN111626461 A CN 111626461A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- safety
- index
- accident
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013058 risk prediction model Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 28
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种安全风险预测方法：S1，对数据进行预处理；S2，使用Apriori算法在数据里得到高频的关联数据；S3，对关联数据使用模糊逻辑回归建立风险的预测模型并测试；S4，使用预测模型得到预测风险。通过本发明可以升级现有的安全风险预警系统，使其能够结合信息技术和数据挖掘构建数学模型，提供六个安全管理综合指数以相应弥补现存六大不足，及时对风险问题进行提示警告和精准化预警，完善事前监控管理、事中断因止损、事后溯源追责、系统考核评价机制，从而有效减少事故损失、阻断事故发生，最终为交通运输业的安全生产保驾护航。
Description
技术领域
本发明涉及交通运输安全风险评估管理领域及数据挖掘分析技术领域，特别是涉及风险预测方法。
背景技术
交通运输业作为国民经济的重点战略产业，是国民经济的重要基础设施，是制约经济与社会发展的一个重要因素。交通运输及相关部门，即包括铁路运输、空运、海运等和涉及这些行业的制造管理部门，必须很好地对交通运输进行布局、修建、控制、经营和管理，对影响交通运输的安全风险进行高效管控，阻断事故，减少损失，保障安全。其中，超前防范是安全管理工作的关键，安全预警则是落实超前防范和实施风险管控的重要手段和具体抓手。
然而，交通运输业在生产、建设、管理过程中受人、车、道路环境等方面的影响始终存在，安全风险无法完全消除。部分企业及部门对安全风险的管控工作仍侧重于降低经济损失的事后补救层面，而把事前预防层面仅作为辅助，没有贯彻“安全第一，预防为主，综合治理”的安全工作基本方针，使得安全生产的日常管理工作得不到真正重视，也缺乏合理高效的安全风险预警系统进行全方位管控。
当前，交通运输及相关部门的安全风险预警系统仍存在以下6点不足：
预警的深度和广度不够，检查力度小、层面少，难以多维度分析出单位环节中的实际隐患，预警的精准性仍有待提高；
主要依现实安全状况、管理者的主观意识和经验判断而定，预警面过于单一和针对性，缺乏必要的数据支撑和理论依据；
安全分析智能化不高，安全分析结果不直观，分析结果碎片化，缺乏整体性、关键性、印象性、形象性等问题暴露对预警实效影响的有效显示；
无明确的管理制度和运作机制，难以形成科学、持续的安全预警体系，预警时效低、成效慢，缺乏对事前考核、事后追责机制的数据支持；
缺少对预警实施的有效追踪，难以掌握相关预警单位的预警落实和管理行为反映力度，无法明确事后问题整改进度；
各系统间的相对孤立使许多有用信息被埋没在海量数据中，无法得到综合分析预警，导致安全大数据利用率不够。
有鉴于此，本发明提出一种安全风险预测方法，以升级现有的安全风险预警系统，使其在安全管控环节中能够结合信息技术和数据挖掘，及时对风险问题进行提示警告和精准化预警，完善事前监控管理、事中断因止损、事后溯源追责、系统考核评价机制，从而有效减少事故损失、阻断事故发生，最终为交通运输业的安全生产保驾护航。
具体而言，为相应弥补现有系统六大不足之处，本发明提出一种安全风险预测方法，通过构建数学模型，分别形成以下六个适用于各个层级的安全管理综合指数：
检查力度指数。从检查数量和检查质量方面，综合反映单位检查力度和管理压力传递情况，验证单位监督检查与体量是否匹配，与风险管控力度是否匹配。
检查均衡度指数。反映安全监督检查的时间、地点的均衡度，以及从发现的问题种类来反映监督检查项目是否全面，督促各级干部把精力和力量用好，确保检查的有效性。
问题暴露度指数。主要从监督检查发的问题数量、质量上分析单位的问题主动暴露情况，目的是反映单位风险释放是否充分、隐患排查是否彻底，问题暴露度越低说明发生事故的概率反而越大。
考核力度指数。问题责任考核的主要作用是对作业者违章进行惩戒，对同时其他人员进行警示，当考核力度过小是，就会失去惩戒和警示作用，考核力度指数建立的目的是分析单位从严管理态度和压力传递情况。
评价力度指数。主要从主动评价记分条数、分数以及分析中心评分反映各单位的评价力度，分析各单位对科职干部、机关干部以及面临问责升级的重点干部是否存在好人主义现象，目的是综合反映单位的干部干部安全履职的严格程度，传递干部管理压力，杜绝部分单位存在的评价不认真、评价走过场现象。
问题整改指数。目的是分析单位对安全问题管控水平和整改成效。由整改时效、整改履责、问题控制、整改复查、隐患整治、整改成效6个子指数组成。
综上，本发明能够综合反映各单位在安全管理中的管理态势和差距，便于针对找准管理薄弱，提升安全管理水平。
发明内容
本发明提出一种安全风险预测方法用于升级现有的安全风险预警系统，解决以上存在的不足。
该方法如下：
一种安全风险预测方法，其特征在于，包括步骤如下：
S1，对数据进行预处理；
S2，使用Apriori算法在数据里得到高频的关联数据；
S3，对关联数据使用模糊逻辑回归建立风险的预测模型并测试；
S4，使用预测模型得到预测风险。
进一步的，一种安全风险预测方法，其特征在于，所述步骤S1中，使用的数据为交通运输及相关部门在每个专业里各站段的事故与故障以及六种安全风险指数的分数，六个指数分别为检查力度指数、评价力度指数、检查均衡度指数、考核力度指数、问题暴露指数和问题整改效果指数。
进一步的，一种安全风险预测方法，其特征在于，所述步骤S2中，使用Apriori算法，主要步骤为：
S21，将预处理的数据按时间排序，计算相邻的时间区间里事故与故障以及六种安全风险指数的分数的差值，将六种安全风险指数的分数的差值与事故与故障非零差值相除得到比值作为关联数据，再将关联数据按关联性的强弱分组；
S22，通过迭代，检索出事务数据库中的所有频繁关联数据项集，即支持度不低于设定的阈值的项集；
S23，利用频繁项集构造出满足最小信任度的规则。
进一步的，一种安全风险预测方法，其特征在于，所述步骤S3中，对关联数据使用模糊逻辑回归建立风险的预测模型并测试，主要步骤为：
S31，将六个安全指数的分数增量一级风险等级作为样本，对预测的风险F的N个样本，按照风险的等级分为1-5五个等级，数值越大在指数分数降低风险事故发生的概率越高；
S32，对预报对象的N个样本根据分级标准进行分级，并计算六个指数的分数增量的各级别的样本平均值
其中a为安全指数种类b为五种风险等级；
S33，计算得到多元线性回归方程：
F＝b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6
S34，将N个样本的数据代入得到每个样本的风险估计值
S35计算每个风险等级下的平均风险：
S36根据Fb建立隶属函数：
S37，利用N各样本对得到的预测模型进行验证测试。
进一步的，一种安全风险预测方法，其特征在于，所述步骤S4中，使用预测模型得到预测风险，主要步骤为：
S41，将预测时间段的六种指数的分数差代入多元回归方程得到
S42，根据模型得到5个风险等级下的隶属度：
根据隶属度的规则得到预测的风险等级。
本发明的有益效果
在理论上，本发明运用模糊逻辑变量、模糊逻辑函数和似然推理等新思想、新理论，从逻辑思想上为研究模糊性对象指明了方向。模糊逻辑在原有的布尔代数、二值逻辑等数学和逻辑工具难以描述和处理的自动控制过程大系统的研究等方面，都具有独到之处。
在方法论上，本发明为人们从精确性到模糊性、从确定性到不确定性的研究提供了正确的研究方法。而模糊逻辑有助于解决某些悖论和对辩证逻辑展开进一步的研究。
在实际运用中，本发明旨在运用信息技术对相关生产数据进行智能化综合分析，快速有效地输出分析结果并直观展示，使现有的安全风险预警系统能够基于既有数据，对单位安全管理健康状态作出较为科学的诊断，从而帮助管理者直观地把握安全发展态势、快速地掌握相互间的管理差距和管理薄弱，指导管理者及时进行针对性强化管理，为交通运输及相关部门安全精细化、精准化、科学化管理提供有力支撑。
附图说明
图1是方法流程图；
图2是六种安全指数分数的增量与风险增量的统计表；
图3是5个风险等级的隶属度表格；
图4是预测的两个时间段的隶属度表格。
具体实施方式
由于铁路运输兼具安全经济、全天候运输、运能大等特点，在各种运输方式中的比较优势突出，以此作为交通运输业及相关部门中的实施例方式，参照附图1，对本发明提出的一种安全风险预测方法进行详细描述。
在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
S1，对数据进行预处理。
S2，使用Apriori算法在数据里得到高频的关联数据。
S21，将预处理的数据按时间排序，计算相邻的时间区间里事故与故障以及六种安全风险指数的分数的差值，将六种安全风险指数的分数的差值与事故与故障非零差值相除得到比值作为关联数据，再将关联数据按关联性的强弱分组。
S22，通过迭代，检索出事务数据库中的所有频繁关联数据项集，即支持度不低于设定的阈值的项集。
得到成都铁路局工务专业站段排名前五名与后五名的各项数据，数据见附图2。
S3，对关联数据使用模糊逻辑回归建立风险的预测模型并测试。
S4，使用预测模型得到预测风险。
S31，将六个安全指数的分数增量一级风险等级作为样本，对预测的风险F的11个样本，按照风险的等级分为1-5五个等级，数值越大在指数分数降低风险事故发生的概率越高。数据见附图2。
风险分级标准：
S32，对预报对象的11个样本根据分级标准进行分级，并计算六个指数的分数增量的各级别的样本平均值
其中a为安全指数种类b为五种风险等级。
S33，计算得到多元线性回归方程：
F＝b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6
前五名：
b0＝1.1974257242542934
b1＝0.05339148
b2＝-0.03181964
b3＝-0.01321734
b4＝0.04689405
b5＝0.00483359
b6＝0.07784447
后五名：
b0＝0.47581883431226135
b1＝0.12190058
b2＝0.03243751
b3＝0.00768697
b4＝-0.03914437
b5＝0.0857373
b6＝-0.00143778
S34，前9个样本的数据代入得到每个样本的风险估计值
前五名：
F1＝3.08122796 F2＝2.0167892 F3＝2.05922374
F4＝2.03737485 F5＝4.91312278 F6＝3.98925231
F7＝2.98928467 F8＝6.05243632 F9＝6.06127435
后五名：
F1＝4.30383178 F2＝3.30638235 F3＝3.7736183
F4＝3.29465618 F5＝4.98787072 F6＝3.64432342
F7＝2.24796022 F8＝2.89794493 F9＝6.23802623
S35，计算每个风险等级下的平均风险：
前五名：
F1’＝2.01506043 F2’＝3.03525631 F3’＝3.92120665
F4’＝4.91312278 F5’＝6.05685533
后五名：
F1’＝2.57295258 F2’＝3.30051927
F3’＝3.70897086 F4’＝4.82784355 F5’＝6.23802623
S36，根据Fb建立隶属函数：
S37，利用9个样本对得到的预测模型进行验证测试。见附图3，图中9年的预测与实际级别完全符合，预测趋势是正确的。
进一步的，一种安全风险预测方法，其特征在于，所述步骤S4中，使用预测模型得到预测风险，主要步骤为：
S41，将201905和201906的六种指数的分数差代入多元回归方程得到
201905
前五名
3.85316098
后五名
5.07327201
201906
前五名
1.94685394
后五名
4.94639968
S42，根据模型得到5个风险等级下的隶属度：
根据隶属度的规则得到201905和201906预测的风险等级，见附图4，实际与预测的风险相符。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。
Claims (5)
1.一种安全风险预测方法，其特征在于，包括步骤如下：
S1，对数据进行预处理；
S2，使用Apriori算法在数据里得到高频的关联数据；
S3，对关联数据使用模糊逻辑回归建立风险的预测模型并测试；
S4，使用预测模型得到预测风险。
2.根据权利要求1所述的一种安全风险预测方法，其特征在于，所述步骤S1中使用的数据为交通运输及相关部门在每个专业里各站段的事故与故障以及六种安全风险指数的分数，六个指数分别为检查力度指数、评价力度指数、检查均衡度指数、考核力度指数、问题暴露指数和问题整改效果指数。
3.根据权利要求1所述的一种安全风险预测方法，其特征在于，所述步骤S2中使用Apriori算法，主要步骤为：
S21，将预处理的数据按时间排序，计算相邻的时间区间里事故与故障以及六种安全风险指数的分数的差值，将六种安全风险指数的分数的差值与事故与故障非零差值相除得到比值作为关联数据，再将关联数据按关联性的强弱分组；
S22，通过迭代，检索出事务数据库中的所有频繁关联数据项集，即支持度不低于设定的阈值的项集；
S23，利用频繁项集构造出满足最小信任度的规则。
4.据权利要求1所述的一种安全风险预测方法，其特征在于，所述步骤S3中，对关联数据使用模糊逻辑回归建立风险的预测模型并测试，主要步骤为：
S31，将六个安全指数的分数增量一级风险等级作为样本，对预测的风险F的N个样本，按照风险的等级分为1-5五个等级，数值越大在指数分数降低风险事故发生的概率越高；
S32，对预报对象的N个样本根据分级标准进行分级，并计算六个指数的分数增量的各级别的样本平均值
其中a为安全指数种类，b为五种风险等级；
S33，计算得到多元线性回归方程：
F＝b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6
S34，将N个样本的数据代入得到每个样本的风险估计值
S35，计算每个风险等级下的平均风险
S36，根据Fb建立隶属函数：
S37，利用N各样本对得到的预测模型进行验证测试。
5.据权利要求1所述的一种安全风险预测方法，其特征在于，所述步骤S4中，使用预测模型得到预测风险，主要步骤为：
S41，将预测时间段的六种指数的分数差代入多元回归方程得到
S42，根据模型得到5个风险等级下的隶属度：
根据隶属度的规则得到预测的风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910879410.0A CN111626461A (zh) | 2019-09-18 | 2019-09-18 | 一种安全风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910879410.0A CN111626461A (zh) | 2019-09-18 | 2019-09-18 | 一种安全风险预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626461A true CN111626461A (zh) | 2020-09-04 |
Family
ID=72260541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910879410.0A Withdrawn CN111626461A (zh) | 2019-09-18 | 2019-09-18 | 一种安全风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626461A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021969A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
| CN115081926A (zh) * | 2022-07-14 | 2022-09-20 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
| CN112487617B (zh) * | 2020-11-19 | 2024-03-08 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609787A (zh) * | 2012-02-13 | 2012-07-25 | 中国国际航空股份有限公司 | 基于流程的风险预警系统 |
| CN107085759A (zh) * | 2016-02-12 | 2017-08-22 | 阿尔斯通运输科技公司 | 用于陆上交通系统的风险管理方法和系统 |
| CN108595667A (zh) * | 2018-04-28 | 2018-09-28 | 广东电网有限责任公司 | 一种网络异常数据的关联性分析方法 |
-
2019
- 2019-09-18 CN CN201910879410.0A patent/CN111626461A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609787A (zh) * | 2012-02-13 | 2012-07-25 | 中国国际航空股份有限公司 | 基于流程的风险预警系统 |
| CN107085759A (zh) * | 2016-02-12 | 2017-08-22 | 阿尔斯通运输科技公司 | 用于陆上交通系统的风险管理方法和系统 |
| CN108595667A (zh) * | 2018-04-28 | 2018-09-28 | 广东电网有限责任公司 | 一种网络异常数据的关联性分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋修德等: "铁路安全管理大数据分析平台设计与应用", 《中国铁路》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487617B (zh) * | 2020-11-19 | 2024-03-08 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
| CN114021969A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
| CN114021969B (zh) * | 2021-11-04 | 2022-06-07 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
| CN115081926A (zh) * | 2022-07-14 | 2022-09-20 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
| CN115081926B (zh) * | 2022-07-14 | 2022-11-11 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
| CN111626461A (zh) | 一种安全风险预测方法 | |
| Ebrahimi et al. | Analysis of train derailments and collisions to identify leading causes of loss incidents in rail transport of dangerous goods in Canada | |
| CN109934447A (zh) | 一种智能变电站二次设备效能的模糊综合评估方法 | |
| CN114841660B (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
| CN111126853A (zh) | 基于模糊fmea的水利工程风险预警分析方法及系统 | |
| CN103337043A (zh) | 电力通信设备运行状态的预警方法和系统 | |
| CN112508443B (zh) | 一种电力行业现场作业风险管控系统 | |
| Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
| Chai et al. | Evaluating operational risk for train control system using a revised risk matrix and FD-FAHP-Cloud model: A case in China | |
| CN112508416A (zh) | 基于云模糊层次分析法的油气储运站场安全等级评估方法 | |
| Hamta et al. | Improving the Identification and prioritization of the most important risks of safety equipment in FMEA with a hybrid multiple criteria decision-making technique | |
| Chen et al. | Knowledge graph improved dynamic risk analysis method for behavior-based safety management on a construction site | |
| Zheng et al. | A hybrid approach for evaluating faulty behavior risk of high‐risk operations using ANP and evidence theory | |
| Mohsin et al. | Risk prioritization and management in gas stations by using fuzzy AHP and IPA analysis | |
| CN110544026A (zh) | 一种铁路运输安全监控系统 | |
| CN110223004A (zh) | 一种指挥防护工程口部抢修作业风险评估系统 | |
| CN113657788A (zh) | 一种企业安全生产标准化智能监管系统及方法 | |
| CN115965234B (zh) | 基于双因素的生产作业风险综合定量评估方法与系统 | |
| CN101527016A (zh) | 出入境检验检疫符合性条件的筛选方法 | |
| He et al. | Identification and Evaluation of Urban Rail Transit Operation Risk Factors Based on Entropy‐AHP Hybrid Constrained DEA Method | |
| Lin et al. | A new function-topology-based method for assessing passive safety of mechatronics systems | |
| Shi et al. | Construction of Knowledge Graph of the Elevator Safety Accidents and Analysis of Key Risk Factors—Based on KG-DEMATEL-ISM-MICMAC Method | |
| Fa et al. | Mining the accident causes of railway dangerous goods transportation: a logistics-DT-TFP based approach | |
| Gilroy et al. | The development and application of a rail human reliability assessment tool |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200904 |