CN111667161A - 高速铁路运营安全指数的确定方法 - Google Patents
高速铁路运营安全指数的确定方法 Download PDFInfo
- Publication number
- CN111667161A CN111667161A CN202010464046.4A CN202010464046A CN111667161A CN 111667161 A CN111667161 A CN 111667161A CN 202010464046 A CN202010464046 A CN 202010464046A CN 111667161 A CN111667161 A CN 111667161A
- Authority
- CN
- China
- Prior art keywords
- index
- determining
- value
- weight
- entropy
- 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 72
- 239000011159 matrix material Substances 0.000 claims abstract description 124
- 230000036541 health Effects 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000005611 electricity Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005303 weighing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种高速铁路运营安全指数的确定方法,该方法包括:基于移动装备健康指数、工务安全指数、供电故障指数、电务安全指数和各指数之间的权重比例,确定高速铁路运营安全指数;各指数之间的权重比例确定是:基于各指数对应的事故占比两两之间的大小关系,建立判断矩阵F;若F通过一致性检验,基于F确定各指数之间的层次分析权重;基于各指数对应指标的N个样本,确定各指数对应指标的熵值,基于各指数对应指标的熵值,确定各指数之间的的信息熵权重;建立最小二乘优化法对各指数的层次分析权重和信息熵权重进行组合,确定上述指数之间的权重比例。本发明实施例提供的方法,实现了提高获取的高速铁路运营状况的安全指数的准确性。
Description
技术领域
本发明涉及铁路运营技术领域,尤其涉及一种高速铁路运营安全指数的确定方法。
背景技术
随着铁路路网规模快速扩大,列车运营速度大幅提高,检测监测设备的大量使用,信息量激增,没有大量的时间、精力、资金去对每一个故障报警信息进行监管,而且各个不同监测系统提供的故障种类、等级不一致,用现有的统计数据、统计方法无法说明不同专业系统存在的故障之间的严重性的差异,急需有一个指标体系对此进行评判。
为掌握事故情况、分析事故规律和总结经验教训,从而采取针对性措施预防和减少事故的发生,多个行业如航空、海运等都先后引入了“安全指数”这一指标量化某一时期的安全状况。如何利用高速铁路现有的检测监测数据,建立符合高速铁路运营情况的安全指数体系是十分关键且亟需解决的问题。目前,高速铁路的移动装备专业运用传统赋值与机器学习算法构建出动车组健康指数体系;电务专业总结和梳理了电务安全指数的定义和内涵,提出构建电务安全指数评估的指标体系,并利用已构建的电务安全指数指标体系及相关数据,对典型线路的电务安全状况进行了试评估;为完善用于评价弓网运行质量的接触网运行质量指数(CQI)存在的不足,使得评价结果更加客观合理,现有技术也提出了接触网动态性能指数(CDI)。CDI通过分析各参评项目的数据特征及应用目的,对各项目的评价函数进行了优化。
综上所述,目前高速铁路的移动装备、电务、工务、供电专业分别建立了安全运营指数体系,形成了评估相关专业安全状况的健康指数或故障指数。其中任何一个专业的指数情况无法代表整个高速铁路的运营安全状况,需要在各专业指数的基础上,获得高速铁路运营安全指数。如何建立权重分配模型,获得相关专业指数的权重,是最终形成评估高速铁路运营状况的安全指数的重要步骤。
因此,由于目前还没有考虑形成评估高速铁路运营状况的安全指数过程中各个专业的权重的方案,无法获得准确的高速铁路运营状况的安全指数,如何基于各个专业的权重而获取准确的高速铁路运营状况的安全指数,仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种高速铁路运营安全指数的确定方法,用以解决目前还没有考虑形成评估高速铁路运营状况的安全指数过程中各个专业的权重的方案,无法获得准确的高速铁路运营状况的安全指数的问题。
第一方面,本发明实施例提供一种高速铁路运营安全指数的确定方法,包括:
基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A;
其中,所述B1、B2、B3、B4之间的权重比例的确定,具体包括:
基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;
确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;
基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;
基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;
基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;
建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
优选地,该方法中,所述基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F,具体包括:
确定B1、B2、B3和B4对应的事故占比分别为R1、R2、R3和R4;
基于R1、R2、R3、R4以及Rs对Rt的标度判定规则,确定Rs对Rt的标度,其中,s=1,2,3,4,t=1,2,3,4;
确定B1、B2、B3、B4对A的判断矩阵F中第s行第t列的元素的数值为Rs对Rt的标度,建立所述判断矩阵F。
优选地,该方法中,所述确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例,具体包括:
基于所述判断矩阵F的特征值和行数确定所述判断矩阵F的一致性比例CR;
若CR小于预设阈值,则对所述判断矩阵F进行列相加,得到行向量a;将所述判断矩阵F除以所述行向量a,得到新矩阵B;将所述新矩阵B进行行相加,得到列向量b;将所述列向量b除以所述判断矩阵F的行数,得到新向量o;
确定B1、B2、B3、B4之间的层次分析权重比例中各元素的值为所述新向量o中各元素的数值。
优选地,该方法中,所述基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4,具体包括:
采集B1对应指标、B2对应指标、B3对应指标和B4对应指标分别包括的N个样本;
确定B1对应指标为第一个指标,B2对应指标为第二个指标,B3对应指标为第三个指标,B4对应指标为第四个指标;
基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N;
基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重;
基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值;
确定Bj对应指标的熵值为第j个指标的熵值。
优选地,该方法中,所述基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N,具体包括:
通过如下公式确定归一化后的第j个指标的第i个样本的值xij’:
其中,xij为第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;
对应地,所述基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重,具体包括:
通过如下公式确定第j个指标的第i个样本的值占第j个指标的权重pij:
其中,xij’为归一化后的第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;k=1,2,…,N;
所述基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值,具体包括:
通过如下公式确定第j个指标的熵值ej:
其中,y=1/ln(N);pij为第j个指标的第i个样本的值占第j个指标的权重;j=1,2,3,4;i=1,2,…,N。
优选地,该方法中,所述基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值,具体包括:
基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度;
基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值。
优选地,该方法中,所述基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度,具体包括:
通过公式dj=1-ej确定第j个指标的信息熵冗余度dj,其中,ej为第j个指标的熵值ej,j=1,2,3,4;
对应地,所述基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值,具体包括:
通过如下公式确定第j个指标对应的权重值wj:
其中,dj为第j个指标的信息熵冗余度;j=1,2,3,4。
优选地,该方法中,所述移动装备健康指数B1的确定,具体包括:
基于第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE以及C1、C2、…、CE之间的权重比例,确定移动装备健康指数B1,其中,E为预设车型类别的总类数,E为大于1的正整数;
其中,所述C1、C2、…、CE之间的权重比例的确定,具体包括:
基于C1、C2、…、CE对应的类别车型的事故占比两两之间的大小关系,建立C1、C2、…、CE对B1的判断矩阵F1;
确定所述判断矩阵F1的一致性比例CR1,若CR1小于所述预设阈值,则基于所述判断矩阵F1确定C1、C2、…、CE之间的层次分析权重比例;
基于C1对应指标的N1个样本、C2对应指标的N1个样本、…、CE对应指标的N1个样本,确定Cq对应指标的熵值,其中,N1为正整数,q=1,2,…,E;
基于所述Cq对应指标的熵值,确定Cq对应指标的信息熵权重值;
基于所述Cq对应指标的信息熵权重值确定C1、C2、…、CE之间的信息熵权重比例;
建立最小二乘优化模型对所述C1、C2、…、CE之间的层次分析权重比例和所述C1、C2、…、CE之间的信息熵权重比例进行组合,确定C1、C2、…、CE之间的权重比例。
优选地,该方法中,所述电务安全指数B4的确定,具体包括:
基于第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设类别车型健康指数DG以及D1、D2、…、DG之间的权重比例,确定电务安全指数B4,其中,G为预设线路的总条数,G为大于1的正整数;
其中,所述D1、D2、…、DG之间的权重比例的确定,具体包括:
基于D1、D2、…、DG对应的线路的年均故障件数两两之间的大小关系,建立D1、D2、…、DG对B4的判断矩阵F2;
确定所述判断矩阵F2的一致性比例CR2,若CR2小于所述预设阈值,则基于所述判断矩阵F2确定D1、D2、…、DG之间的层次分析权重比例;
基于D1对应指标的N2个样本、D2对应指标的N2个样本、…、DG对应指标的N2个样本,确定Dh对应指标的熵值,其中,N2为正整数,h=1,2,…,G;
基于所述Dh对应指标的熵值,确定Dh对应指标的信息熵权重值;
基于所述Dh对应指标的信息熵权重值确定D1、D2、…、DG之间的信息熵权重比例;
建立最小二乘优化模型对所述D1、D2、…、DG之间的层次分析权重比例和所述D1、D2、…、DG之间的信息熵权重比例进行组合,确定D1、D2、…、DG之间的权重比例。
第二方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如第一方面所提供的高速铁路运营安全指数的确定方法的步骤。
本发明实施例提供的方法,通过先采用层次分析法确定移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4之间的层次分析权重比例,再采用熵权法确定B1、B2、B3、B4之间的信息熵权重比例,然后建立最小二乘优化模型对B1、B2、B3、B4之间的层次分析权重比例和B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例,最后基于获得的B1、B2、B3、B4之间的权重比例确定高速铁路运营安全指数。如此,将B1、B2、B3、B4对A的影响量化成B1、B2、B3、B4之间的权重比例,基于该权重比例可以更准确地确定A。因此,本发明实施例提供的方法,实现了提高获取的高速铁路运营状况的安全指数的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图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高速铁路运营安全指数的确定方法的流程示意图;
图2为本发明实施例提供的高速铁路运营安全指数的确定装置的结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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付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。
目前还没有考虑形成评估高速铁路运营状况的安全指数过程中各个专业的权重的方案,无法获得准确的高速铁路运营状况的安全指数。对此,本发明实施例提供了一种高速铁路运营安全指数的确定方法。图1为本发明实施例提供的高速铁路运营安全指数的确定方法的流程示意图,如图1所示,该方法包括:
步骤110,基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A。
具体地,本发明实施例提供的高速铁路运营安全指数的确定需要考虑移动装备、电务、工务和供电四个方面,再确定了移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4,再根据B1、B2、B3、B4之间的权重比例确定高速铁路运营安全指数A。具体确定方法是,B1、B2、B3、B4之间的权重比例为[μ1,μ2,μ3,μ4],那么A=μ1B1+μ2B2+μ3B3+μ4B4。
步骤120,其中,所述B1、B2、B3、B4之间的权重比例的确定,具体包括:基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
具体地,B1、B2、B3、B4之间的权重比例的确定,包括三个步骤:首先,通过层次分析法,确定B1、B2、B3、B4之间的层次分析权重比例;其次,通过熵权法,确定B1、B2、B3、B4之间的信息熵权重比例;最后,通过建立最小二乘优化模型对B1、B2、B3、B4之间的层次分析权重比例和B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
其中,层次分析法,需要根据B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F。此处对判断矩阵进行具体说明:在层次结构中,对于影响上一层的每个因素的同一层诸因素进行两两比较,比较其对于准则的重要程度,并按预先规定的标度进行量化,构成矩阵形式,即为判断矩阵;本发明实施例中,上一层是指的高速铁路运营安全指数A,影响高速铁路运营安全指数A的每个因素的同一层诸因素即移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4,而比较其对于准则的重要程度,即比较B1、B2、B3和B4对应的事故占比两两之间的大小关系,并按预先规定的标度进行量化,构成矩阵形式。然后在判断矩阵F通过一致性检验的前提下,对判断矩阵F进行最大特征值对应的特征向量归一化的计算处理以得到B1、B2、B3、B4之间的层次分析权重比例。
其次,熵权法,需要基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4。B1对应指标、B2对应指标、B3对应指标和B4对应指标可以相同也可以不同。此处优选,B1对应指标为年平均晚点时间,B2对应指标为年限速次数,B3对应指标为年平均故障时间,B4对应指标为年平均故障时间。然后,基于各个对应指标的多个样本,可以计算各个对应指标的熵值,基于各个指标对应的熵值可以确定对应指标的信息熵冗余度,然后基于指标的信息熵冗余度即可以得到对应指标的信息熵权重值,进一步可以确定B1、B2、B3、B4之间的信息熵权重比例。
最后,通过建立最小二乘优化模型对B1、B2、B3、B4之间的层次分析权重比例和B1、B2、B3、B4之间的信息熵权重比例进行组合,具体组合方法如下:层次分析法确定的B1、B2、B3、B4之间的层次分析权重比例为[p1,p2,p3,p4],熵权法确定的B1、B2、B3、B4之间的信息熵权重比例为[q1,q2,q3,q4],建立最小二乘优化模型来获得组合权重w的公式如下:
其中,组合权重w为四维向量且w=[w1,w2,w3,w4]。
本发明实施例提供的方法,通过先采用层次分析法确定移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4之间的层次分析权重比例,再采用熵权法确定B1、B2、B3、B4之间的信息熵权重比例,然后建立最小二乘优化模型对B1、B2、B3、B4之间的层次分析权重比例和B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例,最后基于获得的B1、B2、B3、B4之间的权重比例确定高速铁路运营安全指数。如此,将B1、B2、B3、B4对A的影响量化成B1、B2、B3、B4之间的权重比例,基于该权重比例可以更准确地确定A。因此,本发明实施例提供的方法,实现了提高获取的高速铁路运营状况的安全指数的准确性。
基于上述实施例,该方法中,所述基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F,具体包括:
确定B1、B2、B3和B4对应的事故占比分别为R1、R2、R3和R4;
基于R1、R2、R3、R4以及Rs对Rt的标度判定规则,确定Rs对Rt的标度,其中,s=1,2,3,4,t=1,2,3,4;
确定B1、B2、B3、B4对A的判断矩阵F中第s行第t列的元素的数值为Rs对Rt的标度,建立所述判断矩阵F。
具体地,B1、B2、B3和B4对应的事故占比分别是移动装置的事故占比R1、工务的事故占比R2、供电故障的事故占比R3和电务的事故占比R4。Rs对Rt的标度判定规则是根据给出的移动装置的事故占比R1、工务的事故占比R2、供电故障的事故占比R3和电务的事故占比R4的数值确定的,若R1=l1,R2=l2,R3=l3,R4=l4,lmax=max{l1,l2,l3,l4}且lmin=min{l1,l2,l3,l4},l5=[(lmax-lmin)/0.1]+1,其中,[]表示取整符号,其值为不超过该取整符号内数值的最大整数,表1为Rs对Rt的标度判定规则表,其中,s=1,2,3,4,t=1,2,3,4;Rs对Rt的标度判定规则如表1所示:
表1 Rs对Rt的标度判定规则
确定完Rs对Rt的标度后,以Rs对Rt的标度作为判断矩阵F中第s行第t列的元素fij的数值。举例说明,当四个专业的事故占比分别为:R1=0.36,R2=0.13,R3=0.1,R4=0.26,表2为举例中的Rs对Rt的标度判定规则表,该标度判定规则表由R1、R2、R3和R4的数值确定,如表2所示,
表2举例中的Rs对Rt的标度判定规则表
R<sub>s</sub>对R<sub>t</sub>的标度 | R<sub>s</sub>与R<sub>t</sub>的大小关系 |
1 | -0.1≤R<sub>s</sub>-R<sub>t</sub>≤0.1 |
2 | 0.1<R<sub>s</sub>-R<sub>t</sub>≤0.2 |
3 | 0.2<R<sub>s</sub>-R<sub>t</sub>≤0.3 |
1/3 | -0.3≤R<sub>s</sub>-R<sub>t</sub><-0.2 |
1/2 | -0.2≤R<sub>s</sub>-R<sub>t</sub><-0.1 |
基于上述R1、R2、R3和R4的数值R1=0.36,R2=0.13,R3=0.1,R4=0.26,以及确定出的Rs对Rt的标度判定规则表,建立的判断矩阵F如下:
基于上述任一实施例,该方法中,所述确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例,具体包括:
基于所述判断矩阵F的特征值和行数确定所述判断矩阵F的一致性比例CR;
若CR小于预设阈值,则对所述判断矩阵F进行列相加,得到行向量a;将所述判断矩阵F除以所述行向量a,得到新矩阵B;将所述新矩阵B进行行相加,得到列向量b;将所述列向量b除以所述判断矩阵F的行数,得到新向量o;
确定B1、B2、B3、B4之间的层次分析权重比例中各元素的值为所述新向量o中各元素的数值。
具体地,计算判断矩阵F的一致性比例CR通过如下步骤:先计算判断矩阵F的最大特征值λmax,然后计算一致性指标CI,CI的计算通过公式CI=(λmax-a1)/(a1-1)计算,其中,a1为判断矩阵F的行数,此处a4=4。然后,通过公式CR=CI/RI计算一致性比例CR,其中,RI为随机一致性指标,表3为a1与随机一致性指标RI值的对应关系表,即RI的大小由判断矩阵F的行数a1决定,a1与RI的对应关系如表3所示:
表3 a1与随机一致性指标RI值的对应关系
a<sub>1</sub> | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 |
由于此处a1=4,因此,随机一致性指标RI值为0.89。计算出来的一致性比例CR需要与预设阈值进行比较,通常将预设阈值设为0.1,即当CR小于0.1时,认定判断矩阵F通过一致性检验。
若判断矩阵F通过一致性检验,则对判断矩阵F进行最大特征值对应的特征向量归一化的计算处理,具体过程是:对所述判断矩阵F进行列相加,得到行向量a;将所述判断矩阵F除以所述行向量a,得到新矩阵B;将所述新矩阵B进行行相加,得到列向量b;将所述列向量b除以所述判断矩阵F的行数,得到新向量o。最后,令B1、B2、B3、B4之间的层次分析权重比例中各元素的值为所述新向量o中各元素的数值。
继续使用上述实施例中的举例,四个专业的事故占比分别为:R1=0.36,R2=0.13,R3=0.1,R4=0.26,建立的判断矩阵F如下:
可以算出判断矩阵F的最大特征值λmax=4.02,然后计算CI=(4.02-4)/(4-1)=0.013,RI=0.89,CR=0.013/0.89=0.015<0.1,因此该判断矩阵的一致性是可以接受的。然后,对判断矩阵F进行最大特征值对应的特征向量归一化的计算处理,得到新向量o=[0.39,0.14,0.14,0.32],因此,可以得到B1、B2、B3、B4之间的层次分析权重比例为[0.39,0.14,0.14,0.32]。
基于上述任一实施例,该方法中,所述基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4,具体包括:
采集B1对应指标、B2对应指标、B3对应指标和B4对应指标分别包括的N个样本;
确定B1对应指标为第一个指标,B2对应指标为第二个指标,B3对应指标为第三个指标,B4对应指标为第四个指标;
基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N;
基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重;
基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值;
确定Bj对应指标的熵值为第j个指标的熵值。
具体地,此处优选B1对应指标为年平均晚点时间,B2对应指标为年限速次数,B3对应指标为年平均故障时间,B4对应指标为年平均故障时间,而N个样本表示采集N年的各个对应指标的数值。将B1对应指标指定为第一指标,B2对应指标指定为第二指标,B3对应指标指定为第三指标,B4对应指标指定为第四指标,然后对这些指标对应的样本进行归一化处理,再基于归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重;基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值;确定Bj对应指标的熵值为第j个指标的熵值,其中,j=1,2,3,4;i=1,2,…,N。
基于上述任一实施例,该方法中,所述基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N,具体包括:
通过如下公式确定归一化后的第j个指标的第i个样本的值xij’:
其中,xij为第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;
对应地,所述基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重,具体包括:
通过如下公式确定第j个指标的第i个样本的值占第j个指标的权重pij:
其中,xij’为归一化后的第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;k=1,2,…,N;
所述基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值,具体包括:
通过如下公式确定第j个指标的熵值ej:
其中,y=1/ln(N);pij为第j个指标的第i个样本的值占第j个指标的权重;j=1,2,3,4;i=1,2,…,N。
具体地,将第j个指标的第i个样本的值进行归一化处理后得到的归一化的值更适用于后续的确定第j个指标的第i个样本的值占第j个指标的权重。上述公式的计算中,规定0ln(0)=0。
基于上述任一实施例,该方法中,所述所述基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值,具体包括:
基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度;
基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值。
具体地,通过Bj对应指标的熵值确定Bj对应指标的信息熵冗余度,然后在通过所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值。
基于上述任一实施例,该方法中,所述基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度,具体包括:
通过公式dj=1-ej确定第j个指标的信息熵冗余度dj,其中,ej为第j个指标的熵值ej,j=1,2,3,4;
对应地,所述基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值,具体包括:
通过如下公式确定第j个指标对应的权重值wj:
其中,dj为第j个指标的信息熵冗余度;j=1,2,3,4。
具体地,基于上述公式确定第j个指标的信息熵冗余度dj后,再将第j个指标的信息熵冗余度dj占所有指标的信息熵冗余度之和的占比作为第j个指标对应的权重值wj。
基于上述任一实施例,该方法中,所述移动装备健康指数B1的确定,具体包括:
基于第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE以及C1、C2、…、CE之间的权重比例,确定移动装备健康指数B1,其中,E为预设车型类别的总类数,E为大于1的正整数;
其中,所述C1、C2、…、CE之间的权重比例的确定,具体包括:
基于C1、C2、…、CE对应的类别车型的事故占比两两之间的大小关系,建立C1、C2、…、CE对B1的判断矩阵F1;
确定所述判断矩阵F1的一致性比例RI1,若RI1小于所述预设阈值,则基于所述判断矩阵F1确定C1、C2、…、CE之间的层次分析权重比例;
基于C1对应指标的N1个样本、C2对应指标的N1个样本、…、CE对应指标的N1个样本,确定Cq对应指标的熵值,其中,N1为正整数,q=1,2,…,E;
基于所述Cq对应指标的熵值,确定Cq对应指标的信息熵权重值;
基于所述Cq对应指标的信息熵权重值确定C1、C2、…、CE之间的信息熵权重比例;
建立最小二乘优化模型对所述C1、C2、…、CE之间的层次分析权重比例和所述C1、C2、…、CE之间的信息熵权重比例进行组合,确定C1、C2、…、CE之间的权重比例。
具体地,所述移动装备健康指数B1的确定,也需要考虑移动装备健康指数B1下面的E个影响因素,所述E个影响因素分别为第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE。所述E个预设车型类别是基于高级修程周期(列车在相同检修周期的不同走行公里数)和速度等级进行划分得到的E个预设车型类别,其中,E为大于1的整数。例如,常用的划分方法是将列车分成四个类别车型,表4为列车自定义类型划分说明表,如表4所示,根据如下列车参数范围将列车划分为四个类别车型:
表4列车自定义类型划分说明
而移动装备健康指数B1需要基于第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE以及C1、C2、…、CE之间的权重比例得到。此处,确定C1、C2、…、CE之间的权重比例采用与确定B1、B2、B3、B4之间的权重比例同样的方法,也是先基于层次分析法确定C1、C2、…、CE之间的层次分析权重比例,然后再基于熵权法确定C1、C2、…、CE之间的信息熵权重比例,最后建立最小二乘优化模型对所述C1、C2、…、CE之间的层次分析权重比例和所述C1、C2、…、CE之间的信息熵权重比例进行组合,确定C1、C2、…、CE之间的权重比例。其中,层次分析法中的C1、C2、…、CE对应的类别车型的事故占比具体是指E种类别车型各自的年平均百万公里故障率,熵权法中的C1对应指标、C2对应指标、…、CE对应指标都是月平均百万公里故障率。
举例说明,采集某区域内2013年-2018年间的动车组管理信息系统中的车辆责任运用故障数据,可以得到按表三列车自定义类型划分方式的四类预设类别车型的年平均百万公里故障率β1,β2,β3,β4,此处的Cs对Ct(其中,s=1,2,3,4;t=1,2,3,4)的标度根据如下规则计算:当-0.2≤βs-βt≤0.2时,Cs对Ct的标度取1,当0.2<βs-βt≤0.4时,Cs对Ct的标度取2,当0.4<βs-βt≤0.6时,Cs对Ct的标度取3,当0.6<βs-βt≤0.8时,Cs对Ct的标度取4,当0.8<βs-βt时,Cs对Ct的标度取5,当-0.4≤βs-βt<-0.2时,Cs对Ct的标度取1/2,当-6.0≤βs-βt<-0.4时,Cs对Ct的标度取1/3,当-0.8≤βs-βt<-0.6时,Cs对Ct的标度取1/4,当βs-βt<-0.8时,Cs对Ct的标度取1/5,因此,在采集的数据中得到四个类别车型的年平均百万公里数分别为:β1=0.42,β2=0.43,β3=1.43,β4=0.99,可以建立如下判断矩阵F1:
进一步可以计算出判断矩阵F1的最大特征值λmax=4.04,然后计算CI=(4.04-4)/(4-1)=0.013,RI=0.89,CR=0.013/0.89=0.015<0.1。因此该判断矩阵F1的一致性是可以接受的,对判断矩阵F1进行最大特征值对应的特征向量归一化的计算处理,得到新向量o1=[0.10,0.10,0.55,0.25],因此,可以得到C1、C2、C3、C4之间的层次分析权重比例为[0.10,0.10,0.55,0.25]。然后再用熵权法计算C1、C2、C3、C4之间的信息熵权重比例,选取月平均百万公里故障率作为C1、C2、C3、C4对应的指标,计算出C1、C2、C3、C4之间的信息熵权重比例为[0.252,0.249,0.250,0.249]。最后将C1、C2、C3、C4之间的层次分析权重比例[0.10,0.10,0.55,0.25]和C1、C2、C3、C4之间的信息熵权重比例[0.252,0.249,0.250,0.249]代入到最小二乘法优化模型中,可以得到组合权重比例[0.176,0.175,0.400,0.250],即C1、C2、C3、C4之间的权重比例为[0.176,0.175,0.400,0.250]。
基于上述任一实施例,该方法中,所述电务安全指数B4的确定,具体包括:
基于第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设类别车型健康指数DG以及D1、D2、…、DG之间的权重比例,确定电务安全指数B4,其中,G为预设线路的总条数,G为大于1的正整数;
其中,所述D1、D2、…、DG之间的权重比例的确定,具体包括:
基于D1、D2、…、DG对应的线路的年均故障件数两两之间的大小关系,建立D1、D2、…、DG对B4的判断矩阵F2;
确定所述判断矩阵F2的一致性比例RI2,若RI2小于所述预设阈值,则基于所述判断矩阵F2确定D1、D2、…、DG之间的层次分析权重比例;
基于D1对应指标的N2个样本、D2对应指标的N2个样本、…、DG对应指标的N2个样本,确定Dh对应指标的熵值,其中,N2为正整数,h=1,2,…,G;
基于所述Dh对应指标的熵值,确定Dh对应指标的信息熵权重值;
基于所述Dh对应指标的信息熵权重值确定D1、D2、…、DG之间的信息熵权重比例;
建立最小二乘优化模型对所述D1、D2、…、DG之间的层次分析权重比例和所述D1、D2、…、DG之间的信息熵权重比例进行组合,确定D1、D2、…、DG之间的权重比例。
具体地,所述电务安全指数B4的确定,也需要考虑电务安全指数B4下面的G个影响因素,所述G个影响因素分别为第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设线路安全指数DG,其中,G为大于1的正整数。所述G个预设线路是基于需要确定高速铁路运营安全指数的区域确定的该区域铁道所包含的所有高速铁路线路。例如,需要确定高速铁路运营安全指数的某区域铁道所包含的所有高速铁路线路有6条,此处确定电务安全指数B4需要考虑该区域内的第一预设线路安全指数D1、第二预设线路安全指数D2、…、第6预设线路安全指数D6。
而电务安全指数B4需要基于第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设类别车型健康指数DG以及D1、D2、…、DG之间的权重比例得到。此处,确定D1、D2、…、DG之间的权重比例采用与确定B1、B2、B3、B4之间的权重比例同样的方法,也是先基于层次分析法确定D1、D2、…、DG之间的层次分析权重比例,然后再基于熵权法确定D1、D2、…、DG之间的信息熵权重比例,最后建立最小二乘优化模型对所述D1、D2、…、DG之间的层次分析权重比例和所述D1、D2、…、DG之间的信息熵权重比例进行组合,确定D1、D2、…、DG之间的权重比例。其中,熵权法中的D1对应指标为第一预设预设线路的各故障的平均延时时长、D2对应指标为第二预设预设线路的各故障的平均延时时长、…、DG对应指标为第G预设预设线路的各故障的平均延时时长。
举例说明,采集某区域内2013年-2018年间的全路电务故障数据,可以得到该区域内的6条线路第一预设线路、第二预设线路、第三预设线路、第四预设线路、第五预设线路和第六预设线路的年平均故障件数δ1、δ2、δ3、δ4、δ5和δ6,此处的Ds对Dt(其中,s=1,2,3,4,5,6;t=1,2,3,4,5,6)的标度根据如下规则计算:当-20≤δs-δt≤20时,Ds对Dt的标度取1,当20<βs-βt≤40时,Ds对Dt的标度取2,当40<δs-δt≤60时,Ds对Dt的标度取3,当60<δs-δt≤80时,Ds对Dt的标度取4,当80<δs-δt≤100时,Ds对Dt的标度取5,当100<δs-δt≤120时,Ds对Dt的标度取6,当-40≤δs-δt<-20时,Ds对Dt的标度取1/2,当-60≤δs-δt<-40时,Ds对Dt的标度取1/3,当-80≤δs-δt<-60时,Ds对Dt的标度取1/4,当-100≤δs-δt<-80时,Ds对Dt的标度取1/5,当-120≤δs-δt<-100时,Ds对Dt的标度取1/6,因此,在采集的数据中得到6条线路的年平均故障件数分别为:δ1=127.7,δ2=196.7,δ3=157.3,δ4=84.5,δ5=173.3,δ6=81,可以建立如下判断矩阵F2:
进一步可以计算出判断矩阵F2的最大特征值λmax=6.09,然后计算CI=(6.09-6)/(6-1)=0.018,RI=1.26,CR=0.018/1.26=0.014<0.1。因此该判断矩阵F2的一致性是可以接受的,对判断矩阵F2进行最大特征值对应的特征向量归一化的计算处理,得到新向量o2=[0.11,0.36,0.20,0.05,0.23,0.05],因此,可以得到D1、D2、D3、D4、D5、D6之间的层次分析权重比例为[0.11,0.36,0.20,0.05,0.23,0.05]。然后再用熵权法计算D1、D2、D3、D4、D5、D6之间的信息熵权重比例,选取各故障的平均延时时长作为D1、D2、D3、D4、D5、D6对应的指标,计算出D1、D2、D3、D4、D5、D6之间的信息熵权重比例为[0.21,0.14,0.15,0.14,0.22,0.14]。最后将D1、D2、D3、D4、D5、D6之间的层次分析权重比例[0.11,0.36,0.20,0.05,0.23,0.05]和D1、D2、D3、D4、D5、D6之间的信息熵权重比例[0.21,0.14,0.15,0.14,0.22,0.14]代入到最小二乘法优化模型中,可以得到组合权重比例[0.16,0.25,0.18,0.09,0.16,0.16],即D1、D2、D3、D4、D5、D6之间的权重比例为[0.16,0.25,0.18,0.09,0.16,0.16]。
基于上述任一实施例,本发明实施例提供一种高速铁路运营安全指数的确定装置,图2为本发明实施例提供的高速铁路运营安全指数的确定装置的结构示意图。如图2所示,该装置包括指数单元210和权重单元220,其中,
所述指数单元210,用于基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A;
所述权重单元220,用于确定所述B1、B2、B3、B4之间的权重比例,并通过如下步骤进行:基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;确定所述判断矩阵F的一致性比例RI,若RI小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
本发明实施例提供的装置,通过先采用层次分析法确定移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4之间的层次分析权重比例,再采用熵权法确定B1、B2、B3、B4之间的信息熵权重比例,然后建立最小二乘优化模型对B1、B2、B3、B4之间的层次分析权重比例和B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例,最后基于获得的B1、B2、B3、B4之间的权重比例确定高速铁路运营安全指数。如此,将B1、B2、B3、B4对A的影响量化成B1、B2、B3、B4之间的权重比例,基于该权重比例可以更准确地确定A。因此,本发明实施例提供的装置,实现了提高获取的高速铁路运营状况的安全指数的准确性。
基于上述任一实施例,该装置中,所述基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F,具体包括:
确定B1、B2、B3和B4对应的事故占比分别为R1、R2、R3和R4;
基于R1、R2、R3、R4以及Rs对Rt的标度判定规则,确定Rs对Rt的标度,其中,s=1,2,3,4,t=1,2,3,4;
确定B1、B2、B3、B4对A的判断矩阵F中第s行第t列的元素的数值为Rs对Rt的标度,建立所述判断矩阵F。
基于上述任一实施例,该装置中,所述确定所述判断矩阵F的一致性比例RI,若RI小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例,具体包括:
基于所述判断矩阵F的特征值和行数确定所述判断矩阵F的一致性比例RI;
若RI小于预设阈值,则对所述判断矩阵F进行列相加,得到行向量a;将所述判断矩阵F除以所述行向量a,得到新矩阵B;将所述新矩阵B进行行相加,得到列向量b;将所述列向量b除以所述判断矩阵F的行数,得到新向量o;
确定B1、B2、B3、B4之间的层次分析权重比例中各元素的值为所述新向量o中各元素的数值。
基于上述任一实施例,该装置中,所述基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4,具体包括:
采集B1对应指标、B2对应指标、B3对应指标和B4对应指标分别包括的N个样本;
确定B1对应指标为第一个指标,B2对应指标为第二个指标,B3对应指标为第三个指标,B4对应指标为第四个指标;
基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N;
基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重;
基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值;
确定Bj对应指标的熵值为第j个指标的熵值。
基于上述任一实施例,该装置中,所述基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N,具体包括:
通过如下公式确定归一化后的第j个指标的第i个样本的值xij’:
其中,xij为第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;
对应地,所述基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重,具体包括:
通过如下公式确定第j个指标的第i个样本的值占第j个指标的权重pij:
其中,xij’为归一化后的第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;k=1,2,…,N;
所述基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值,具体包括:
通过如下公式确定第j个指标的熵值ej:
其中,y=1/ln(N);pij为第j个指标的第i个样本的值占第j个指标的权重;j=1,2,3,4;i=1,2,…,N。
基于上述任一实施例,该装置中,所述基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值,具体包括:
基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度;
基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值。
基于上述任一实施例,该装置中,所述基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度,具体包括:
通过公式dj=1-ej确定第j个指标的信息熵冗余度dj,其中,ej为第j个指标的熵值ej,j=1,2,3,4;
对应地,所述基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值,具体包括:
通过如下公式确定第j个指标对应的权重值wj:
其中,dj为第j个指标的信息熵冗余度;j=1,2,3,4。
基于上述任一实施例,该装置中,所述移动装备健康指数B1的确定,具体包括:
基于第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE以及C1、C2、…、CE之间的权重比例,确定移动装备健康指数B1,其中,E为预设车型类别的总类数,E为大于1的正整数;
其中,所述C1、C2、…、CE之间的权重比例的确定,具体包括:
基于C1、C2、…、CE对应的类别车型的事故占比两两之间的大小关系,建立C1、C2、…、CE对B1的判断矩阵F1;
确定所述判断矩阵F1的一致性比例RI1,若RI1小于所述预设阈值,则基于所述判断矩阵F1确定C1、C2、…、CE之间的层次分析权重比例;
基于C1对应指标的N1个样本、C2对应指标的N1个样本、…、CE对应指标的N1个样本,确定Cq对应指标的熵值,其中,N1为正整数,q=1,2,…,E;
基于所述Cq对应指标的熵值,确定Cq对应指标的信息熵权重值;
基于所述Cq对应指标的信息熵权重值确定C1、C2、…、CE之间的信息熵权重比例;
建立最小二乘优化模型对所述C1、C2、…、CE之间的层次分析权重比例和所述C1、C2、…、CE之间的信息熵权重比例进行组合,确定C1、C2、…、CE之间的权重比例。
基于上述任一实施例,该装置中,所述电务安全指数B4的确定,具体包括:
基于第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设类别车型健康指数DG以及D1、D2、…、DG之间的权重比例,确定电务安全指数B4,其中,G为预设线路的总条数,G为大于1的正整数;
其中,所述D1、D2、…、DG之间的权重比例的确定,具体包括:
基于D1、D2、…、DG对应的线路的年均故障件数两两之间的大小关系,建立D1、D2、…、DG对B4的判断矩阵F2;
确定所述判断矩阵F2的一致性比例RI2,若RI2小于所述预设阈值,则基于所述判断矩阵F2确定D1、D2、…、DG之间的层次分析权重比例;
基于D1对应指标的N2个样本、D2对应指标的N2个样本、…、DG对应指标的N2个样本,确定Dh对应指标的熵值,其中,N2为正整数,h=1,2,…,G;
基于所述Dh对应指标的熵值,确定Dh对应指标的信息熵权重值;
基于所述Dh对应指标的信息熵权重值确定D1、D2、…、DG之间的信息熵权重比例;
建立最小二乘优化模型对所述D1、D2、…、DG之间的层次分析权重比例和所述D1、D2、…、DG之间的信息熵权重比例进行组合,确定D1、D2、…、DG之间的权重比例。
图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序,以执行上述各实施例提供的高速铁路运营安全指数的确定方法,例如包括:基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A;其中,所述B1、B2、B3、B4之间的权重比例的确定,具体包括:基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;确定所述判断矩阵F的一致性比例RI,若RI小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的高速铁路运营安全指数的确定方法,例如包括:基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A;其中,所述B1、B2、B3、B4之间的权重比例的确定,具体包括:基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;确定所述判断矩阵F的一致性比例RI,若RI小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高速铁路运营安全指数的确定方法,其特征在于,包括:
基于移动装备健康指数B1、工务安全指数B2、供电故障指数B3、电务安全指数B4以及B1、B2、B3、B4之间的权重比例,确定高速铁路运营安全指数A;
其中,所述B1、B2、B3、B4之间的权重比例的确定,具体包括:
基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F;
确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例;
基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4;
基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值;
基于所述Bj对应指标的信息熵权重值确定B1、B2、B3、B4之间的信息熵权重比例;
建立最小二乘优化模型对所述B1、B2、B3、B4之间的层次分析权重比例和所述B1、B2、B3、B4之间的信息熵权重比例进行组合,确定B1、B2、B3、B4之间的权重比例。
2.根据权利要求1所述的高速铁路运营安全指数的确定方法,其特征在于,所述基于B1、B2、B3和B4对应的事故占比两两之间的大小关系,建立B1、B2、B3、B4对A的判断矩阵F,具体包括:
确定B1、B2、B3和B4对应的事故占比分别为R1、R2、R3和R4;
基于R1、R2、R3、R4以及Rs对Rt的标度判定规则,确定Rs对Rt的标度,其中,s=1,2,3,4,t=1,2,3,4;
确定B1、B2、B3、B4对A的判断矩阵F中第s行第t列的元素的数值为Rs对Rt的标度,建立所述判断矩阵F。
3.根据权利要求1或2所述的高速铁路运营安全指数的确定方法,其特征在于,所述确定所述判断矩阵F的一致性比例CR,若CR小于预设阈值,则基于所述判断矩阵F确定B1、B2、B3、B4之间的层次分析权重比例,具体包括:
基于所述判断矩阵F的特征值和行数确定所述判断矩阵F的一致性比例CR;
若CR小于预设阈值,则对所述判断矩阵F进行列相加,得到行向量a;将所述判断矩阵F除以所述行向量a,得到新矩阵B;将所述新矩阵B进行行相加,得到列向量b;将所述列向量b除以所述判断矩阵F的行数,得到新向量o;
确定B1、B2、B3、B4之间的层次分析权重比例中各元素的值为所述新向量o中各元素的数值。
4.根据权利要求1所述的高速铁路运营安全指数的确定方法,其特征在于,所述基于B1对应指标的N个样本、B2对应指标的N个样本、B3对应指标的N个样本、和B4对应指标的N个样本,确定Bj对应指标的熵值,其中,N为正整数,j=1,2,3,4,具体包括:
采集B1对应指标、B2对应指标、B3对应指标和B4对应指标分别包括的N个样本;
确定B1对应指标为第一个指标,B2对应指标为第二个指标,B3对应指标为第三个指标,B4对应指标为第四个指标;
基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N;
基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重;
基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值;
确定Bj对应指标的熵值为第j个指标的熵值。
5.根据权利要求4所述的高速铁路运营安全指数的确定方法,其特征在于,所述基于所述第一个指标的N个样本、所述第二个指标的N个样本、所述第三个指标的N个样本、和所述第四个指标的N个样本确定归一化后的第j个指标的第i个样本的值,其中,j=1,2,3,4;i=1,2,…,N,具体包括:
通过如下公式确定归一化后的第j个指标的第i个样本的值xij ,:
其中,xij为第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;
对应地,所述基于所述归一化后的第j个指标的第i个样本的值确定第j个指标的第i个样本的值占第j个指标的权重,具体包括:
通过如下公式确定第j个指标的第i个样本的值占第j个指标的权重pij:
其中,xij’为归一化后的第j个指标的第i个样本的值;j=1,2,3,4;i=1,2,…,N;k=1,2,…,N;
所述基于所述第j个指标的第i个样本的值占第j个指标的权重确定第j个指标的熵值,具体包括:
通过如下公式确定第j个指标的熵值ej:
其中,y=1/ln(N);pij为第j个指标的第i个样本的值占第j个指标的权重;j=1,2,3,4;i=1,2,…,N。
6.根据权利要求5所述的高速铁路运营安全指数的确定方法,其特征在于,所述基于所述Bj对应指标的熵值,确定Bj对应指标的信息熵权重值,具体包括:
基于所述Bj对应指标的熵值确定Bj对应指标的信息熵冗余度;
基于所述Bj对应指标的信息熵冗余度确定Bj对应指标的权重值。
8.根据权利要求1所述的高速铁路运营安全指数的确定方法,其特征在于,所述移动装备健康指数B1的确定,具体包括:
基于第一预设类别车型健康指数C1、第二预设类别车型健康指数C2、…、第E预设类别车型健康指数CE以及C1、C2、…、CE之间的权重比例,确定移动装备健康指数B1,其中,E为预设车型类别的总类数,E为大于1的正整数;
其中,所述C1、C2、…、CE之间的权重比例的确定,具体包括:
基于C1、C2、…、CE对应的类别车型的事故占比两两之间的大小关系,建立C1、C2、…、CE对B1的判断矩阵F1;
确定所述判断矩阵F1的一致性比例CR1,若CR1小于所述预设阈值,则基于所述判断矩阵F1确定C1、C2、…、CE之间的层次分析权重比例;
基于C1对应指标的N1个样本、C2对应指标的N1个样本、…、CE对应指标的N1个样本,确定Cq对应指标的熵值,其中,N1为正整数,q=1,2,…,E;
基于所述Cq对应指标的熵值,确定Cq对应指标的信息熵权重值;
基于所述Cq对应指标的信息熵权重值确定C1、C2、…、CE之间的信息熵权重比例;
建立最小二乘优化模型对所述C1、C2、…、CE之间的层次分析权重比例和所述C1、C2、…、CE之间的信息熵权重比例进行组合,确定C1、C2、…、CE之间的权重比例。
9.根据权利要求1或8所述的高速铁路运营安全指数的确定方法,其特征在于,所述电务安全指数B4的确定,具体包括:
基于第一预设线路安全指数D1、第二预设线路安全指数D2、…、第G预设类别车型健康指数DG以及D1、D2、…、DG之间的权重比例,确定电务安全指数B4,其中,G为预设线路的总条数,G为大于1的正整数;
其中,所述D1、D2、…、DG之间的权重比例的确定,具体包括:
基于D1、D2、…、DG对应的线路的年均故障件数两两之间的大小关系,建立D1、D2、…、DG对B4的判断矩阵F2;
确定所述判断矩阵F2的一致性比例CR2,若CR2小于所述预设阈值,则基于所述判断矩阵F2确定D1、D2、…、DG之间的层次分析权重比例;
基于D1对应指标的N2个样本、D2对应指标的N2个样本、…、DG对应指标的N2个样本,确定Dh对应指标的熵值,其中,N2为正整数,h=1,2,…,G;
基于所述Dh对应指标的熵值,确定Dh对应指标的信息熵权重值;
基于所述Dh对应指标的信息熵权重值确定D1、D2、…、DG之间的信息熵权重比例;
建立最小二乘优化模型对所述D1、D2、…、DG之间的层次分析权重比例和所述D1、D2、…、DG之间的信息熵权重比例进行组合,确定D1、D2、…、DG之间的权重比例。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-9中任一项所述的高速铁路运营安全指数的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464046.4A CN111667161B (zh) | 2020-05-27 | 2020-05-27 | 高速铁路运营安全指数的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464046.4A CN111667161B (zh) | 2020-05-27 | 2020-05-27 | 高速铁路运营安全指数的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667161A true CN111667161A (zh) | 2020-09-15 |
CN111667161B CN111667161B (zh) | 2023-12-15 |
Family
ID=72384973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464046.4A Active CN111667161B (zh) | 2020-05-27 | 2020-05-27 | 高速铁路运营安全指数的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667161B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657816A (zh) * | 2021-03-05 | 2021-11-16 | 重庆首讯科技股份有限公司 | 一种高速公路服务区饱和度分析方法 |
CN114091618A (zh) * | 2021-11-30 | 2022-02-25 | 重庆允成互联网科技有限公司 | 工业设备健康状态诊断管理方法、装置及服务器 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008302A (zh) * | 2014-06-09 | 2014-08-27 | 上海电力学院 | 一种基于组合赋权和模糊评分的配电网可靠性评估方法 |
CN106682441A (zh) * | 2017-01-06 | 2017-05-17 | 国网北京市电力公司 | 一种基于层次分析法的指标权重量化方法及系统 |
CN107679703A (zh) * | 2017-09-08 | 2018-02-09 | 天津大学 | 一种海岸带生态安全评价方法 |
CN109523200A (zh) * | 2019-01-03 | 2019-03-26 | 东北大学 | 基于最小二乘法的铸造车间安全评价综合权重计算方法 |
CN109583734A (zh) * | 2018-11-21 | 2019-04-05 | 北京交通大学 | 枢纽机场旅客捷运系统的车站和线路运营安全评价方法 |
CN111126836A (zh) * | 2019-12-23 | 2020-05-08 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高速列车运行控制系统的安全漏洞风险评估方法及装置 |
-
2020
- 2020-05-27 CN CN202010464046.4A patent/CN111667161B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008302A (zh) * | 2014-06-09 | 2014-08-27 | 上海电力学院 | 一种基于组合赋权和模糊评分的配电网可靠性评估方法 |
CN106682441A (zh) * | 2017-01-06 | 2017-05-17 | 国网北京市电力公司 | 一种基于层次分析法的指标权重量化方法及系统 |
CN107679703A (zh) * | 2017-09-08 | 2018-02-09 | 天津大学 | 一种海岸带生态安全评价方法 |
CN109583734A (zh) * | 2018-11-21 | 2019-04-05 | 北京交通大学 | 枢纽机场旅客捷运系统的车站和线路运营安全评价方法 |
CN109523200A (zh) * | 2019-01-03 | 2019-03-26 | 东北大学 | 基于最小二乘法的铸造车间安全评价综合权重计算方法 |
CN111126836A (zh) * | 2019-12-23 | 2020-05-08 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高速列车运行控制系统的安全漏洞风险评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
刘彦文: "铁路危险货物专用线安全评价体系研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 8, pages 033 - 141 * |
王卫东 等: "城市轨道交通评价指标权重模糊决策方法", 中国铁道科学, vol. 30, no. 1, pages 118 - 121 * |
赵晋;胡友彪;张宇通;: "基于最小二乘法的组合权重优化模型", 山东工业技术, no. 20, pages 297 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657816A (zh) * | 2021-03-05 | 2021-11-16 | 重庆首讯科技股份有限公司 | 一种高速公路服务区饱和度分析方法 |
CN114091618A (zh) * | 2021-11-30 | 2022-02-25 | 重庆允成互联网科技有限公司 | 工业设备健康状态诊断管理方法、装置及服务器 |
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 |
CN115879848B (zh) * | 2023-02-20 | 2023-06-06 | 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 |
---|---|
CN111667161B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685340B (zh) | 一种配电设备健康状态评估方法及系统 | |
CN111667161A (zh) | 高速铁路运营安全指数的确定方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN110110887A (zh) | 对低压台区线损率的预测方法 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN111950918A (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN107563601A (zh) | 一种智能电能表运行状态评价方法 | |
CN107527114A (zh) | 一种基于大数据的线路台区异常分析方法 | |
CN108228412A (zh) | 一种基于系统健康度监测系统故障及隐患的方法及装置 | |
CN103366123A (zh) | 基于缺陷分析的软件风险评估方法 | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN109523200A (zh) | 基于最小二乘法的铸造车间安全评价综合权重计算方法 | |
CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
CN115577808A (zh) | 基于多源信息融合的水电机组健康状态评价方法及系统 | |
CN114912739A (zh) | 环境与变电站运维费用关联模型的构建及应用方法 | |
CN104616209B (zh) | 一种基于在线监测的电力电缆接头信息聚合评价方法 | |
CN113283673A (zh) | 一种模型性能衰减评价方法、模型训练方法及装置 | |
CN112034139A (zh) | 岩爆倾向性等级的判别方法、装置及电子设备 | |
CN109165854B (zh) | 空管运行效率等级评估方法及其装置 | |
CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
CN111967774B (zh) | 软件质量风险预测方法及装置 | |
CN109190968B (zh) | 空管运行效率等级评估方法及其装置 | |
CN111126790A (zh) | 一种多层次模糊综合决策的配电网风险评估方法 | |
CN111553396A (zh) | 一种配电自动化终端在线检测方法和装置 |
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 |