CN112365162A - 一种基于事故致因网络的铁路运行风险控制方法 - Google Patents
一种基于事故致因网络的铁路运行风险控制方法 Download PDFInfo
- Publication number
- CN112365162A CN112365162A CN202011261529.0A CN202011261529A CN112365162A CN 112365162 A CN112365162 A CN 112365162A CN 202011261529 A CN202011261529 A CN 202011261529A CN 112365162 A CN112365162 A CN 112365162A
- Authority
- CN
- China
- Prior art keywords
- risk
- accident
- cause
- railway
- node
- 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
- 238000012954 risk control Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 64
- 230000004913 activation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 102000037983 regulatory factors Human genes 0.000 claims description 3
- 108091008025 regulatory factors Proteins 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0635—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
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于事故致因网络的铁路运行风险控制方法。该方法包括:获取风险因果对和风险事故因果对,基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重;根据铁路事故致因网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径;根据铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,对铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素。本发明可以根据帮助风险管控部门选择需要移除的关键风险因素,从而制定风险管控方案,预防铁路运行事故的发生。
Description
技术领域
本发明涉及交通安全控制技术领域,尤其涉及一种基于事故致因网络的铁路运行风险控制方法。
背景技术
铁路运行过程积累了大量的事故数据,包括事故过程和事故原因,通过分析不同事故的发生过程和原因,可以构建包含人、机、环、管等四类风险因素的权重网络。然而该权重网络中的权重仅表示发生次数,无法采用传统最短路径法得知导致事故发生的最大可能路径。
铁路事故致因网络是分析铁路事故成因的一种重要方法。然而以往事故致因网络的构建无法实现最大可能事故致因路径和最短事故致因路径的一致,造成风险分析结果不准确。
因此,开发一种有效的基于事故致因网络的铁路运行风险控制方法是一个亟待解决的问题。
发明内容
本发明的实施例提供了一种基于事故致因网络的铁路运行风险控制方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于事故致因网络的铁路运行风险控制方法,包括:
获取风险因果对和风险事故因果对,基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重;
根据铁路事故致因网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径;
根据铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,对铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素。
优选地,所述的获取风险因果对和风险事故因果对,包括:
根据铁路事故调查报告提取导致铁路事故的风险因素,得到风险因素的因果关系,根据风险因素的因果关系获取风险因果对和风险事故因果对,根据风险因果对和风险事故因果对构建铁路运行事故风险链;
令a表示事故,h1,h2,h3....,hn分别表示导致事故发生的n种风险因素,若风险因素h1的发生导致风险因素h2发生,则h1→h2成为风险因果对;若风险因素hn的发生导致事故a的发生,则hn→a成为风险事故因果对;根据风险因果对和风险事故因果对构建事故a的风险因果链条。
优选地,所述的风险因素包括人因因素、管理因素、环境因素和设备因素。
优选地,根据所述的基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重,包括:
从不同的事故调查报告中提取出多条风险因果链条,将所有风险因果链条的集合构成铁路事故致因网络,该铁路事故致因网络中的节点包括:风险节点和事故节点;
令(i,j)为铁路事故致因网络中的节点i和节点j的连接边,w(i,j)表示边(i,j)的权重,w(i,j)的计算公式如下:
w(i,j)=nij
nij为节点i和节点j之间的风险因果对或者风险事故因果对i→j的数量;
在铁路事故致因网络中连接节点之间的边上标注权重值,得到铁路事故致因权重网络。
优选地,所述的根据铁路事故致因网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径,包括:
根据网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中每条路径的激活概率。
将节点i和节点j的连接边的权重进行归一化处理,处理方法如下:
上式中p(h)为风险发生时风险节点h的激活概率:
p(h)=Nh/NH。
其中Nh为风险h发生的次数,NH为所有风险发生次数;
将p(i,j)和p(h)进行对数处理,即:l(i,j)=-log p(i,j),l(h)=-log p(h),那么风险节点h至事故节点a的第k条路径的距离Lk(h,a):
求Lk(h,a)的最小值,得到从风险节点h至事故节点a的具有最大激活概率的的最大可能路径。
优选地,根据所述的根据铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,通过对铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素,包括:
铁路事故致因网络的效率E的计算公式为:
铁路事故致因网络的效率越低,最短致因路径长度越长,风险导致事故的概率越低,设置铁路运行风险控制模型的风险控制目标为最小化铁路事故致因网络的效率的效率,即:
T=min(E)
设置铁路运行风险控制模型的约束条件为风险节点移除数量不能超过最大风险节点移除数量M;
铁路运行风险控制模型表示为:
Min E
铁路运行风险控制模型的求解过程包括:
第1步:随机选择铁路事故致因网络中的M个风险节点。
第2步:从M个风险节点中按照顺序选择第m(m=1,2,3,...M)个风险节点,移除剩下的M-1个风险节点,在铁路事故致因网络的剩余风险节点中寻找使得铁路事故致因网络的效率E最小化的风险节点并替换选择的风险节点。
第3步:如果第2步运行M次均未使得铁路事故致因网络的效率变低,算法停止;否则,m=m+1,继续运行第2步。
由上述本发明的实施例提供的技术方案可以看出,本发明提出了一种面向铁路网运行系统的风险控制方法,可以根据帮助风险管控部门选择需要移除的关键风险因素,从而制定风险管控方案,预防铁路运行事故的发生。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明实施例提供的一种基于事故致因网络的铁路运行风险控制方法的处理流程图;
图2为本发明实施例提供的一种铁路事故致因权重网络的示意图;
图3为本发明实施例提供的一种铁路事故致因距离网络的示意图;
图4为本发明实施例提供的一种模型求解算法的寻优轨迹示意图;
图5为本发明实施例提供的一种5种风险控制方法在不同的最大风险节点移除数量约束条件下的铁路事故致因网络效率的变化示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提出致因网络权重、概率和距离测度方法,实现了最大可能事故致因路径和最短事故致因路径的一致;其次,基于铁路事故致因网络,建立面向风险控制的整数规划模型并提出求解算法。本发明实施例提出网络节点连接概率和距离的计算方法,实现最大可能事故致因路径和最短事故致因路径的一致。
本发明实施例提出的一种基于事故致因网络的铁路运行风险控制方法的处理流程如图1所示,包括如下的处理步骤:
步骤S10、获取风险因果对和风险事故因果对,基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重。
根据铁路事故调查报告,提取导致铁路事故的风险因素,风险因素分为4类:人因,管理因素,环境因素和设备因素。令a表示事故,h1,h2,h3....,hn分别表示导致事故发生的n种风险因素。
根据事故调查报告可以得到风险因素的因果关系,若风险因素h1的发生导致风险因素h2发生,则h1→h2成为风险因果对;若风险因素hn的发生导致事故a的发生,则hn→a成为风险事故因果对。根据风险因果对和风险事故因果对,可构建事故a的风险因果链条,如h1→h2,→h3→....,→hn→a。
不同的事故调查报告可提取出多条风险因果链条,所有的风险因果链条的集合构成铁路事故致因网络。该铁路事故致因网络中存在两类节点集合,一类为风险节点,另一类为事故节点。
令(i,j)为节点i和节点j的连接边,w(i,j)表示边(i,j)的权重,那么w(i,j)等于
w(i,j)=nij
nij为风险因果对或者风险事故因果对i→j的数量。
在铁路事故致因网络中连接节点之间的边上标注权重值,得到铁路事故致因权重网络。图2为本发明实施例提供的一种铁路事故致因权重网络的示意图,每条边对应的数字为连接边的权重。
步骤S20、根据网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中每条路径的激活概率。
将节点i和节点j的连接边的权重进行归一化处理,处理方法如下:
根据上式可以求得风险节点h至事故节点a之间的每条路径的激活概率,进而得到从风险节点h至事故节点a的最大可能路径。上式中p(h)为风险发生时风险节点h的激活概率:
p(h)=Nh/NH。
其中Nh为风险h发生的次数,NH为所有风险发生次数。
步骤S30、根据铁路事故致因网络中每条路径的激活概率,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径。
上述铁路事故致因网络无法直接采用最短路径算法求取风险至事故的最短路径,因此,需要对铁路事故致因网络进行转换,转换方法如下:
为了能够应用最短路径算法求解风险节点h至事故节点a的最大可能路径,将p(i,j)和p(h)进行对数处理,即:l(i,j)=-log p(i,j),l(h)=-log p(h)。那么风险节点h至事故节点a的第k条路径的距离Lk(h,a):
求Pk(h,a)的最大值即为求Lk(h,a)的最小值,最大可能路径问题即转变为最短路径问题。
在铁路事故致因网络中连接节点之间的边上标距离值,得到铁路事故致因距离网络。转换后的铁路事故致因距离网络中边(i,j)的距离为l(i,j)。图3为本发明实施例提供的一种铁路事故致因距离网络的示意图,每条边对应的数字为节点之间的距离。图2和图3中,H01-H15为人因风险节点;EM01-EM53为设备风险节点;E01-E12为环境风险节点;M01-M36为管理风险节点;A01-A18为事故节点。
至此,铁路事故致因网络构建完成,网络中边(i,j)的属性包括权重w(i,j),概率p(i,j)和距离l(i,j)。基于l(i,j)的度量,可采用最短路径Dijkstra算法求解风险节点h至事故节点a的最短致因路径SCP(h,a)。
SCP(h,a)=min(Lk(h,a))
最短致因路径SCP(h,a)的长度越小,意味着风险h能够更加轻易导致事故a的发生,相反,从风险h演化为事故a的难度也就越大。
步骤S40、根据铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,对铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素。
基于事故致因网络的铁路运行风险控制方法
(1)铁路运行风险控制目标
铁路运行风险控制的目标为通过采用技术或者管理手段消除关键的风险因素,从而降低风险导致事故的概率,由于本发明实施例已实现最大可能路径和最短路径的一致化。铁路运行风险控制的目标转变为:通过控制或者移除铁路事故致因网络中一定数量的风险节点,增加风险节点到事故节点的距离,从而降低铁路事故致因网络的效率。
铁路事故致因网络效率为:
总体来说,网络效率越高,最短致因路径长度越短,风险能够更加轻易导致事故的发生。因此,风险控制目标T为最小化网络效率E,即:
T=min(E)
(2)铁路运行风险控制模型
铁路运行风险控制既要注重安全目标又要考虑风险管控的经济性。一般来说,所要移除的风险因素越多,风险控制成本越大。因此,铁路运行风险控制模型的约束条件为风险节点移除数量不能超过最大风险节点移除数量M。综上,风险控制模型可表示为:
MinE
(3)模型求解算法
首先铁路运行风险控制模型的目标是非线性的,且无法进行线性处理。其次,铁路运行风险控制模型为NP-hard问题。因此,本发明实施例基于问题特点设计启发式算法来求解模型。算法步骤如下:
第1步:随机选择铁路事故致因网络中的M个风险节点。
第2步:从M个风险节点中按照顺序选择第m(m=1,2,3,...M)个风险节点,移除剩下的M-1个风险节点,在网络剩余风险节点中寻找使得铁路事故致因网络的效率最小化的风险节点并替换选择的风险节点。
第3步:如果第2步运行M次均未使得铁路事故致因网络的效率变低,算法停止;否则,m=m+1,继续执行第2步。
建立风险控制模型,求解需要通过管控消除的风险因素。令最大风险因素移除数量M=10,图4为本发明实施例提供的一种模型求解算法的寻优轨迹。当迭代至26步时,算法停止并得到最优解。铁路运行事故致因网络效率从58.6542降至21.4433,从风险到事故的最短路径增长,风险导致事故发生的可能性降低。因此,该方法可得出需控制的关键风险因素,从而降低事故发生概率,达到风险控制的目标。
通过不同风险控制方法对比,验证本发明实施例所建立模型的优越性。本发明实施例建立的风险控制模型为整数规划方法(IPM)。以往基于复杂网络的风险控制方法主要包括介数中心性法(HBA),聚类系数法(HCA),度中心性法(HDA)和网页排名法(HPA),这4中方法在每一步计算当前网络中的最大介数节点、最大聚类系数节点、最大度节点和最高网页排名节点并予以删除,直至风险节点移除数量等于最大风险节点移除数量M。
图5为5种风险控制方法在不同的最大风险节点移除数量约束条件下的铁路事故致因网络效率的变化示意图。据图可知,整数规划方法控制下的网络效率均不大于其余4种方法,其风险控制效果最佳。
因此,相比于其余4种方法,本文提出的基于事故致因网络的铁路运行风险控制方法能通过挑选并控制关键风险节点更加有效地降低事故发生概率。
综上所述,本发明提出了一种面向铁路网运行系统的风险控制方法,一方面,可以通过事故致因网络揭示事故发生的机理;另一方面,可以根据帮助风险管控部门挑选需要通过风险控制来移除的关键风险因素,从而根据每一类风险因素制定相应的风险管控方案,预防铁路运行事故的发生,保障铁路运行安全。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的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)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统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劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于事故致因网络的铁路运行风险控制方法,其特征在于,包括:
获取风险因果对和风险事故因果对,基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重;
根据铁路事故致因网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径;
基于铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,对所述铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素。
2.根据权利要求1所述的方法,其特征在于,所述的获取风险因果对和风险事故因果对,包括:
根据铁路事故调查报告提取导致铁路事故的风险因素,得到风险因素的因果关系,根据风险因素的因果关系获取风险因果对和风险事故因果对,根据风险因果对和风险事故因果对构建铁路运行事故风险链;
令a表示事故,h1,h2,h3....,hn分别表示导致事故发生的n种风险因素,若风险因素h1的发生导致风险因素h2发生,则h1→h2成为风险因果对;若风险因素hn的发生导致事故a的发生,则hn→a成为风险事故因果对;根据风险因果对和风险事故因果对构建事故a的风险因果链条。
3.根据权利要求2所述的方法,其特征在于,所述的风险因素包括人因因素、管理因素、环境因素和设备因素。
4.根据权利要求2或3所述的方法,其特征在于,所述的基于风险因果对和风险事故因果对构建铁路事故致因网络,确定铁路事故致因网络节点中的节点之间的连接边的权重,包括:
从不同的事故调查报告中提取出多条风险因果链条,将所有风险因果链条的集合构成铁路事故致因网络,该铁路事故致因网络中的节点包括:风险节点和事故节点;
令(i,j)为铁路事故致因网络中的节点i和节点j的连接边,w(i,j)表示边(i,j)的权重,w(i,j)的计算公式如下:
w(i,j)=nij
nij为节点i和节点j之间的风险因果对或者风险事故因果对i→j的数量;
在铁路事故致因网络中连接节点之间的边上标注权重值,得到铁路事故致因权重网络。
5.根据权利要求4所述的方法,其特征在于,所述的根据铁路事故致因网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中风险节点至事故节点之间的最短致因路径,包括:
根据网络节点中的节点之间的连接边的权重,计算出铁路事故致因网络中每条路径的激活概率。
将节点i和节点j的连接边的权重进行归一化处理,处理方法如下:
上式中p(h)为风险发生时风险节点h的激活概率:
p(h)=Nh/NH。
其中Nh为风险h发生的次数,NH为所有风险发生次数;
将p(i,j)和p(h)进行对数处理,即:l(i,j)=-logp(i,j),l(h)=-logp(h),那么风险节点h至事故节点a的第k条路径的距离Lk(h,a):
求Lk(h,a)的最小值,得到从风险节点h至事故节点a的具有最大激活概率的的最大可能路径。
6.根据权利要求5所述的方法,其特征在于,所述的基于所述的根据铁路事故致因网络中风险节点至事故节点之间的最短致因路径构建铁路运行风险控制模型,对所述铁路运行风险控制模型进行求解,得到铁路事故致因网络中需要消除的风险节点或者风险因素,包括:
铁路事故致因网络的效率E的计算公式为:
铁路事故致因网络的效率越低,最短致因路径长度越长,风险导致事故的概率约低,设置铁路运行风险控制模型的风险控制目标为最小化铁路事故致因网络的效率的效率,即:
T=min(E)
设置铁路运行风险控制模型的约束条件为风险节点移除数量不能超过最大风险节点移除数量M;
铁路运行风险控制模型表示为:
MinE
铁路运行风险控制模型的求解过程包括:
第1步:随机选择铁路事故致因网络中的M个风险节点。
第2步:从M个风险节点中按照顺序选择第m(m=1,2,3,...M)个风险节点,移除剩下的M-1个风险节点,在铁路事故致因网络的剩余风险节点中寻找使得铁路事故致因网络的效率最小化的风险节点并替换选择的风险节点。
第3步:如果第2步运行M次均未使得铁路事故致因网络的效率变低,算法停止;否则,m=m+1,继续运行第2步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261529.0A CN112365162B (zh) | 2020-11-12 | 2020-11-12 | 一种基于事故致因网络的铁路运行风险控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261529.0A CN112365162B (zh) | 2020-11-12 | 2020-11-12 | 一种基于事故致因网络的铁路运行风险控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365162A true CN112365162A (zh) | 2021-02-12 |
CN112365162B CN112365162B (zh) | 2024-03-08 |
Family
ID=74515383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261529.0A Active CN112365162B (zh) | 2020-11-12 | 2020-11-12 | 一种基于事故致因网络的铁路运行风险控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365162B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
CN110400065A (zh) * | 2019-07-12 | 2019-11-01 | 北京交通大学 | 基于传染病模型的轨道交通系统风险链群构建方法 |
CN111859031A (zh) * | 2020-07-15 | 2020-10-30 | 中国安全生产科学研究院 | 一种油气管道事故失效因素分析方法 |
-
2020
- 2020-11-12 CN CN202011261529.0A patent/CN112365162B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
CN110400065A (zh) * | 2019-07-12 | 2019-11-01 | 北京交通大学 | 基于传染病模型的轨道交通系统风险链群构建方法 |
CN111859031A (zh) * | 2020-07-15 | 2020-10-30 | 中国安全生产科学研究院 | 一种油气管道事故失效因素分析方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112365162B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11212208B2 (en) | Adaptive metric collection, storage, and alert thresholds | |
US10084645B2 (en) | Estimating server-change risk by corroborating historic failure rates, predictive analytics, and user projections | |
US11765653B2 (en) | Load threshold determining method and apparatus | |
US9772896B2 (en) | Identifying intervals of unusual activity in information technology systems | |
CN111585799A (zh) | 网络故障预测模型建立方法及装置 | |
CN113298638A (zh) | 根因定位方法、电子设备及存储介质 | |
CN113506439A (zh) | 路网交通瓶颈的识别方法、装置及电子设备 | |
CN116389316A (zh) | 电力光通信网络故障感知方法、装置、设备及存储介质 | |
CN111030883B (zh) | 一种电力信息传输时延分析方法、装置、设备和存储介质 | |
CN112365162A (zh) | 一种基于事故致因网络的铁路运行风险控制方法 | |
CN116418653A (zh) | 基于多指标根因定位算法的故障定位方法及装置 | |
CN116582414A (zh) | 故障根因定位方法、装置、设备及可读存储介质 | |
CN114257493A (zh) | 网络节点的故障预警方法、装置、介质及电子设备 | |
JP5271761B2 (ja) | 障害対処方法及び装置 | |
CN117389779A (zh) | 一种微服务故障根因定位方法 | |
US20200133917A1 (en) | Method, device and computer program product for managing data replication | |
CN114297453B (zh) | 告警预测方法、装置、电子设备及存储介质 | |
US11838171B2 (en) | Proactive network application problem log analyzer | |
CN112800089B (zh) | 一种中间数据存储级别调整方法、存储介质及计算机设备 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN113626070B (zh) | 代码质量指标的配置方法、装置、设备及存储介质 | |
WO2023241484A1 (zh) | 异常事件处理方法、电子设备及存储介质 | |
CN113204430B (zh) | 一种资源调度方法、调度管理平台、设备和介质 | |
CN114925308B (zh) | 网站的网页处理方法、装置、电子设备和存储介质 | |
CN113360798B (zh) | 泛滥数据识别方法、装置、设备和介质 |
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 |