CN111967638A - 一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 - Google Patents
一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 Download PDFInfo
- Publication number
- CN111967638A CN111967638A CN202010630927.9A CN202010630927A CN111967638A CN 111967638 A CN111967638 A CN 111967638A CN 202010630927 A CN202010630927 A CN 202010630927A CN 111967638 A CN111967638 A CN 111967638A
- Authority
- CN
- China
- Prior art keywords
- suspected
- hazardous chemical
- enterprise
- production
- data
- 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
- 239000000383 hazardous chemical Substances 0.000 title claims abstract description 56
- 239000000126 substance Substances 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002994 raw material Substances 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 230000001186 cumulative effect Effects 0.000 claims description 15
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract 1
- 238000013499 data model Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- XLYOFNOQVPJJNP-DYCDLGHISA-N deuterium hydrogen oxide Chemical compound [2H]O XLYOFNOQVPJJNP-DYCDLGHISA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000012549 training 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
- G06Q10/04—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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了本发明提供一种基于生产台账的涉嫌非法运输危化品企业的辨识方法，包括如下步骤：步骤一、基于危化品企业台账记录的各个数据，建立时间序列模型进行多时间段预测，从而判断企业是否涉嫌非法运输危化品原材料；步骤二、基于危化品企业台账数据以各主要原材料为自变量，以危化成品生产量为因变量，建立多元回归模型进行预测，从而判断企业是否涉嫌非法运输危化成品；步骤三、通过视频监控车辆，比对台账记录的合法车辆的运输情况及非企业车辆运输情况，判断是否涉嫌非法运输行为。本发明方发从企业源头以及视频监控的车辆数据，比对企业台账，建立多个数据模型，科学有效的判断企业是否涉嫌非法运输危化品。
Description
技术领域
本发明涉及货物运输领域，具体涉及一种基于生产台账的涉嫌非法运输危化品企业的辨识方法。
背景技术
危化品是指具有爆炸、易燃、毒害、感染、腐蚀、放射性等特性，在运输、储存、生产、经营、使用和处置中，易造成人身伤亡、财产损毁和环境污染而需要特别防护的物质及物品。随着国民经济的持续快速发展，危化品运输量逐年上升，在这其中，非法运输量占比不轻。
目前有不少学者对危化品的运输进行了研究，但大多数都是研究为危化品的合法运输，例如对合法运输的安全风险进行评估评价，而辨识危化品企业是否存在非法营运这一块的研究少之又少，危化品企业非法营运危化品对公共安全存在非常大的隐患。
发明内容
本发明要解决的技术问题是提供一种基于企业的台账数据，建立模型，预测某时期企业的生产量、运输量，判断出某危化品企业是否涉嫌非法营运原材料、成品的辨识方法。
为了解决上述技术问题，本发明采用以下技术方案：
本发明提供一种基于生产台账的涉嫌非法运输危化品企业的辨识方法，包括如下步骤：
步骤一、基于危化品企业台账记录的原材料入库量、出库量、库存量，危化品成品生产量、入库量、出库量、库存量、运输量，建立时间序列模型进行多时间段预测，从而判断企业是否涉嫌非法运输危化品原材料；
步骤二、基于危化品企业台账数据以各主要原材料、燃料、水等为自变量，以危化成品生产量为因变量，建立多元回归模型进行预测，从而判断企业是否涉嫌非法运输危化成品；
步骤三、通过视频监控车辆，比对台账记录的合法车辆的运输情况及非企业车辆运输情况，判断是否涉嫌非法运输行为；
所述步骤一中的时间序列模型如下：
即：T期估计值＝α*(t期实际值)+(1-α)*(t-1期估计值)；
其中，S为危化成品生产量、Y为运输量，α取值一般在0.3-0.5之间，将t时期根据数据变化节点分为多时间段，聚类后再预测能使预测结果；
所述步骤二中多元回归模型如下：
Ht＝B0+B1X1+B2X2+…+BkXk+∈
其中，Ht为t时期预测的威化成品生产量，B0，B1，B2,...,Bk是模型的参数，∈为误差项；
所述辨识方法还包括应用加权平均法融合步骤一中时间序列模型和步骤二中多元回归模型预测的危化品生产量，得到目标时期成品生产量最终预测值；
所述加权平均融合法的计算公式如下：
其中，Lt为t时期危化成品生产量的最终预测值。
进一步的，所述步骤一还包括通过将t时期运用时间序列模型预测的值比对企业台账记录的原材料及成品的各数据，计算累计差，判断两者比对的累计差是否在容忍区间里，从而判断该企业是否涉嫌非法运输原材料及成品，比对的累计差公式如下:
其中，∑δ为预测值
与台账数据S的累计差。
进一步的，所述步骤二还包括通过t时期运用多元回归模型预测的生产值比对企业台账记录的危化品成品生产量，计算累计差，判断两者比对的累计差是否在某容忍区间值，从而判断企业是否涉嫌非法运营危化品，比对的累计差公式如下：
其中，∑φ为预测值Ht与台账数据H的累计差。
进一步的，所述加权平均融合法通过t时期运用最终预测值比对台长数据，计算累计差，比对的累计差公式如下：
∑γ＝Lt-L
其中，∑γ为最终预测值Lt与台账数据L的累计差。
进一步的，所述步骤三还包括观察台账记录数据与预测数据在t时期的库存量与运输量是否符合总库存量计算等式，总库存计算等式如下：
Kt1＝Kt2+Kt3+Kt4
其中，Kt1为t时期总库存量，Kt2为t时期剩余库存量，Kt3为t时期合法运输量，Kt4为t时期非法运输量。
进一步的，所述步骤一的时间序列模型使用Python进行多时间段预测。
进一步的，所述步骤一中数据聚类后：
a、当每组数据量都小于20时，第一个数据取前三项的均值；
b、当每组数据量大于20时，所有数据正常计算。
进一步的，所述辨识方法还包括基于车辆运输记录长期累计运输量明显差别，出入时间不对，从而判断企业涉嫌非法运输危化品。
进一步的，所述辨识方法还包括基于视频监控的车辆数据，存在企业未登记的车辆频繁出入，从而判断企业涉嫌非法运输危化品。
本发明的有益效果在于：
1、本发明方法从企业源头出发，基于危化品企业台账，危化品在时间上有着明显的供应需求规律，可通过建立时间序列模型预测危化品原材料入库量、出库量、消耗量、库存量，危化成品生产量、运输量、入库量、出库量、库存量；同时建立多元回归模型算法，选取相关关键性变量为自变量，以危化品的成品生产量为因变量进行预测某时期危化成品生产量；比对某时间段内危化成品的入库量、出库量、库存量、运输量，运用加权平均方法融合两种预测方法预测的危化成品生产量，将台账的记录数据与之对比分析，计算某时期预测值与记录数据的累计差大小，从而辨识危化品企业是否涉嫌非法营运危化成品。进一步分析原材料，同理将时间序列模型预测的各主要原材料入库量、出库量、库存量与台账记录数据比对分析，辨识危化品企业是否涉嫌非法运输危化品原材料。判断企业是否涉嫌危化品的非法运营。
2、本发明方法基于视频监控的车辆数据，比对台账记录的企业登记的合法车辆运输情况和视频监控的车辆运输情况，若长期与车辆运输记录在运输量、出入时间有明显差别，可判定企业涉嫌非法运输危化品；若长期有企业未登记的车辆频繁出入，可判断企业涉嫌非法运输危化品。根据运输量，基于剩余库存思想，判断企业是否涉嫌危化品的非法运营。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明方法基于生产台账的涉嫌非法运输危化品企业的辨识方法的流程图。
具体实施方式
为了更好地阐述该发明的内容，下面通过具体实施例对本发明进一步的验证。特在此说明，实施例只是为更直接地描述本发明，它们只是本发明的一部分，不能对本发明构成任何限制。
本发明实施例提供一种基于生产台账的涉嫌非法运输危化品企业的辨识方法，具体包括如下步骤：
步骤一：第一层面，根据得到的企业台账数据，包含某时间段内各原材料入库量(R1)、出库量(C1)、库存量(K1)、消耗量(X)，危化成品生产量(S)、入库量(R2)、出库量(C2)、运输量(Y)、库存量(K2)，生产成品时所需燃料用量、电量、水量，车辆出入运输情况等。选取的危化品原材料关键变量为A、B、C，时间段长为58天，其入库量、出库量、库存量整理如下表1，基于库存量、出库量和入库量进行初步分析判断是否有涉嫌非法营运的可能；
表1企业台账各原材料数据
步骤二：运用时间序列模型以时间为轴训练数据，预测目标时期的危化成品生产量。手动将数据聚类，聚类后每组数据量都小于20，因此第一个数值取前三项的均值：
S1＝Y1+Y2+Y3
由：
借助Python进行预测，经调试，α取0.4效果较好，得到预测结果如表3所示，Python代码如下所示：
建立多元回归模型，以各主要原材料(A、B、C)消耗量、水(D)消耗量等为自变量，消耗量情况见下表2，以危化成品生产量为因变量，预测目标时期危化成品生产量。
由：
Ht＝B0+B1X1+B2X′2+…+BkXk+∈
借助excel回归模型，得到回归表达式，预测结果如表3：
Ht＝1.822273A+0.325682D–27.1818
表2各主要原材料及水的消耗量
步骤三：将时间序列模型预测的危化成品生产量与多元回归模型预测的危化成品生产量进行融合得目标时期危化成品生产量最终预测值。
由：
得到目标时期危化成品生产量最终预测值，结果如下表3：
表3各方法预测危化成品量比较
步骤四：将各方法预测的值与台账数据比对，根据两者的累计差是否在容忍区间内，判断危化企业是否涉嫌危化品的运输。
由：
累计差＝预测值–台账值
得每个预测值与台账数据的差值，进行累加，可得：
一次指数平滑模型累计差为
多元回归模型累计差为∑δ＝Ht–H＝103.76
加权平均融合法累计差为∑δ＝Lt–L＝69.08
假定容忍值为30，即∑δ不在容忍区间内，则可判定该危化企业涉嫌危化成品非法运输，可采取侦查手段进行查证；
步骤五：同理比对用时间序列(一次指数平滑法)预测的关键原材料与台账数据，进一步具体分析，若是原材料累计差不在容忍区间，则判定该企业涉嫌运输危化品原材料，可采取侦查手段进行查证；
步骤六：第二层面，利用视频监控该企业合法车辆运输情况，长期比对企业台账记录的企业车辆运输情况，例如根据车牌识别出某车辆在某时间内的出入情况、运输量情况是否和台账记录一致，判断企业合法运输车辆是否存在非法运输；根据车牌辨别某经常性出入车辆是否为该企业的运输车辆，是否存在外来车辆非法运输；
表4车辆运输情况比较
从表4可以看出比对台账记录的运输情况和视频监控的车辆运输情况中，车牌为651和438的企业登记合法车辆出入时间不一致，涉嫌非法运输；车牌u569的车辆频繁出入企业周边，且在台账记录的合法车辆出入时间内出现，涉嫌非法运输危化品。
根据运输量，基于剩余库存思想，即总库存量＝剩余库存量+合法运输量+非法运输量，计算企业的危化品原材料及成品的运输情况，以危化成品为例，如下表5：
表5危化成品出入库量与运输量
即：
非法运输量＝库存总量–剩余库存量–合法运输量
＝31633.09–31035＝598.08
步骤七：基于企业台账，若企业源头生产与车辆两方面都有或有其一某种情况不符合，则可判定该危化品企业涉嫌危化品的运营，由以上操作计算，建议采取侦查手段进行查证，辨识过程结束。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所述技术领域的技术人员可以所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，包括以下步骤：
步骤一、基于危化品企业台账记录的原材料入库量、出库量、库存量，危化品成品生产量、入库量、出库量、库存量、运输量，建立时间序列模型进行多时间段预测，从而判断企业是否涉嫌非法运输危化品原材料；
步骤二、基于危化品企业台账数据以各主要原材料为自变量，以危化成品生产量为因变量，建立多元回归模型进行预测，从而判断企业是否涉嫌非法运输危化成品；
步骤三、通过视频监控车辆，比对台账记录的合法车辆的运输情况及非企业车辆运输情况，判断是否涉嫌非法运输行为；
所述步骤一中的时间序列模型如下：
即：T期估计值＝α*(t期实际值)+(1-α)*(t-1期估计值)；
其中，S为危化成品生产量、Y为运输量，α取值一般在0.3-0.5之间，将t时期根据数据变化节点分为多时间段，聚类后再预测能使预测结果；
所述步骤二中多元回归模型如下：
Ht＝B0+B1X1+B2X2+…+BkXk+∈
其中，Ht为t时期预测的威化成品生产量，B0，B1，B2,...,Bk是模型的参数，∈为误差项；
所述辨识方法还包括应用加权平均法融合步骤一中时间序列模型和步骤二中多元回归模型预测的危化品生产量，得到目标时期成品生产量最终预测值。
2.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述加权平均融合法的计算公式如下：
其中，Lt为t时期危化成品生产量的最终预测值。
3.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述步骤一还包括通过将t时期运用时间序列模型预测的值比对企业台账记录的原材料及成品的各数据，计算累计差，判断两者比对的累计差是否在容忍区间里，从而判断该企业是否涉嫌非法运输原材料及成品，比对的累计差公式如下:
其中，∑δ为预测值
与台账数据S的累计差。
4.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述步骤二还包括通过t时期运用多元回归模型预测的生产值比对企业台账记录的危化品成品生产量，计算累计差，判断两者比对的累计差是否在某容忍区间值，从而判断企业是否涉嫌非法运营危化品，比对的累计差公式如下：
其中，∑φ为预测值Ht与台账数据H的累计差。
5.根据权利要求2所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述加权平均融合法通过t时期运用最终预测值比对台长数据，计算累计差，比对的累计差公式如下：
∑γ＝Lt-L
其中，∑γ为最终预测值Lt与台账数据L的累计差。
6.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述步骤三还包括观察台账记录数据与预测数据在t时期的库存量与运输量是否符合总库存量计算等式，总库存计算等式如下：
Kt1＝Kt2+Kt3+Kt4
其中，Kt1为t时期总库存量，Kt2为t时期剩余库存量，Kt3为t时期合法运输量，Kt4为t时期非法运输量。
7.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述步骤一的时间序列模型使用Python进行多时间段预测。
8.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述步骤一中数据聚类后：
a、当每组数据量都小于20时，第一个数据取前三项的均值；
b、当每组数据量大于20时，所有数据正常计算。
9.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述辨识方法还包括基于车辆运输记录长期累计运输量明显差别，出入时间不对，从而判断企业涉嫌非法运输危化品。
10.根据权利要求1所述的基于生产台账的涉嫌非法运输危化品企业的辨识方法，其特征在于，所述辨识方法还包括基于视频监控的车辆数据，存在企业未登记的车辆频繁出入，从而判断企业涉嫌非法运输危化品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630927.9A CN111967638B (zh) | 2020-07-03 | 2020-07-03 | 一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630927.9A CN111967638B (zh) | 2020-07-03 | 2020-07-03 | 一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967638A true CN111967638A (zh) | 2020-11-20 |
| CN111967638B CN111967638B (zh) | 2024-02-09 |
Family
ID=73360933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010630927.9A Active CN111967638B (zh) | 2020-07-03 | 2020-07-03 | 一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967638B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200099A (zh) * | 2014-09-01 | 2014-12-10 | 山东科技大学 | 基于水文地质台账的矿井涌水量计算方法 |
| CN107451732A (zh) * | 2017-07-31 | 2017-12-08 | 华腾软科（北京）信息技术有限公司 | 一种企业安全生产综合管理系统及方法 |
| CN108197875A (zh) * | 2018-01-23 | 2018-06-22 | 浙江大仓信息科技股份有限公司 | 一种危化品运输管理系统 |
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
| KR102057169B1 (ko) * | 2018-10-29 | 2019-12-18 | 주식회사 엘에스디지탈 | 기업 맞춤형 화학 물질 관련 법령 이행 가이드 시스템 |
-
2020
- 2020-07-03 CN CN202010630927.9A patent/CN111967638B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200099A (zh) * | 2014-09-01 | 2014-12-10 | 山东科技大学 | 基于水文地质台账的矿井涌水量计算方法 |
| CN107451732A (zh) * | 2017-07-31 | 2017-12-08 | 华腾软科（北京）信息技术有限公司 | 一种企业安全生产综合管理系统及方法 |
| CN108197875A (zh) * | 2018-01-23 | 2018-06-22 | 浙江大仓信息科技股份有限公司 | 一种危化品运输管理系统 |
| KR102057169B1 (ko) * | 2018-10-29 | 2019-12-18 | 주식회사 엘에스디지탈 | 기업 맞춤형 화학 물질 관련 법령 이행 가이드 시스템 |
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王翠芝 等: ""化工企业危险化学品台账建立与管理"", 《石油化工安全环保技术》, vol. 30, no. 6, pages 18 - 19 * |
| 赵正 等: ""危化品运输车载监测系统判决方法研究"", 《淮阴工学院学报》, no. 01, pages 27 - 31 * |
| 赵淑琪 等: ""基于混沌时间序列模型的危险化学品泄漏事故预测"", 《安全与环境工程》, no. 03, pages 176 - 180 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967638B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Simic et al. | Picture fuzzy extension of the CODAS method for multi-criteria vehicle shredding facility location | |
| Omri et al. | Towards an adapted PHM approach: Data quality requirements methodology for fault detection applications | |
| CN107633030B (zh) | 基于数据模型的信用评估方法及装置 | |
| Manimuthu et al. | Modelling and analysis of artificial intelligence for commercial vehicle assembly process in VUCA world: a case study | |
| CN110310123A (zh) | 风险判断方法和装置 | |
| CN113034019A (zh) | 企业风险预测方法、装置、计算机设备及可读存储介质 | |
| CN115062851A (zh) | 基于多算法融合的排污异常监测方法及系统 | |
| CN111967638A (zh) | 一种基于生产台账的涉嫌非法运输危化品企业的辨识方法 | |
| CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
| Campi et al. | Clusters and Resilience during the COVID–19 Crisis: Evidence from Colombian Exporting Firms | |
| CN113705229B (zh) | 基于电力大数据的高危企业违规生产识别方法 | |
| CN111367986A (zh) | 一种基于弱监督学习的联合信息抽取方法 | |
| CN114662981B (zh) | 基于大数据应用的污染源企业监管方法 | |
| Asghari et al. | Reverse logistics network design with incentive-dependent return | |
| CN115719160A (zh) | 一种基于区块链的国际铁路货物运输质量风险预警方法 | |
| CN115115414A (zh) | 一种基于机器学习的二手车估价方法 | |
| Tang et al. | Quantitative risk evaluation model of the multilevel complex structure hierarchical system in the petrochemical industry | |
| CN116512272B (zh) | 一种零部件加工监管方法、装置、设备及存储介质 | |
| Yang et al. | BIC-based data-driven rail track deterioration adaptive piecewise modeling framework | |
| CN117273765B (zh) | 基于自动核检的多级经销商流转数据处理方法及系统 | |
| Xu et al. | Propagation of uncertain events in multilevel handlings at container terminals from the perspective of hypernetwork | |
| Isnaini et al. | Demand forecasting in Small and Medium Enterprises (SMEs) ED Aluminium Yogyakarta using causal, time series, and combined causal-time series approaches | |
| CN114091888A (zh) | 基于神经网络模型的安全管理员配比确定方法及装置 | |
| de Oliveira Sousa et al. | Survival time and reliability assessment of bulk solids carriers in the mining and logistics industry | |
| CN115099739A (zh) | 基于条件函数的通用预警系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |