CN112948749A - 全链条物流风险因素识别预测系统及方法 - Google Patents

全链条物流风险因素识别预测系统及方法 Download PDF

Info

Publication number
CN112948749A
CN112948749A CN202110229636.3A CN202110229636A CN112948749A CN 112948749 A CN112948749 A CN 112948749A CN 202110229636 A CN202110229636 A CN 202110229636A CN 112948749 A CN112948749 A CN 112948749A
Authority
CN
China
Prior art keywords
risk
sub
full
data
chain logistics
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
Application number
CN202110229636.3A
Other languages
English (en)
Inventor
杜伟
纪寿文
卫振林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202110229636.3A priority Critical patent/CN112948749A/zh
Publication of CN112948749A publication Critical patent/CN112948749A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种全链条物流风险因素识别预测系统及方法，所述系统包括数据采集模块、风险等级统计分析模块、预测模块、报警模块。本发明成功实现了全链条物流风险因素的识别和预测，提高了物流运输的安全性和可靠性，降低了事故率。

Description

全链条物流风险因素识别预测系统及方法
技术领域
本发明属于物联网技术领域，具体涉及一种全链条物流风险因素识别预 测系统及方法。
背景技术
全链条物流风险是指在公共重大活动进行中，寄递、运输、交接三个环 节中未来一定时期内，可能出现的由于人、车、货及环境等各因素造成的人 员伤亡或者财产损失的风险。面对这些海量的基础采集数据，现有技术缺乏 有效的多维、多源数据表达方法，无法为物流运输风险分析提供全面的数据 支撑；本发明从系统的角度进行着手，采用数据挖掘技术提出了一种全链条 物流风险因素识别预测系统及方法。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种全 链条物流风险因素识别预测系统，包括数据采集模块、风险等级统计分析模 块、预测模块、报警模块。
进一步地，所述数据采集模块包括全链条物流事故数据库建模和全链条 物流事故数据库构建；
进一步地，所述数据包括；
(1)司机
运输过程中，司机的因素很大程度决定了其风险等级。这其中，与司机 的性别、年龄、身体状况、驾龄、出车前一天是否饮酒、是否生病均有相关 性。因此，司机是运输环节必须考虑的风险因素之一。
(2)车辆
运输货车的车龄、事故次数、大修次数、年检情况均影响运输环节的安 全稳定性，因此将其考虑进运输环节的风险影响因素。
(3)环境
不利环境涉及的内容主要是不利于交通安全的天气条件、能见度及自然 灾害。天气条件对交通安全的影响，是通过对驾驶人和车辆的影响来体现的。 因此它对交通安全的风险作用是间接的。通常不利环境包括阴、雨、雪、雾、 大风、沙尘、冰雹、其他等不利天气和地震、洪水、泥石流、塌方、滑坡等 自然灾害。
(4)货物
货物的特性稳定与否影响运输环节的风险等级，有的货物禁压、禁撞、 禁磕碰，这些特性就对司机、车辆、道路等提出一系列要求，货物的易燃、 易爆等特点也是运输环节的极大风险。
进一步地，所述风险等级统计分析模块采用随机森林算法进行计算。
随机森林的构建通过以下两个方面：数据的随机性选取，以及待选特征 的随机选取。
(1)数据的随机选取
首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集 的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子 数据集中的元素也可以重复。第二，利用子数据集来构建子决策树，将这个 数据放到每个子决策树中，每个子决策树输出一个结果。最后，如果有了新 的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果 的投票，得到随机森林的输出结果了。
(2)待选特征的随机选取
与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用 到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再 在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都 能够彼此不同，提升系统的多样性，从而提升分类性能。
进一步地，所述预测模块根据风险等级统计分析模块的计算结果进行预 测。
本发明另一目的是提供一种全链条物流风险因素识别预测方法，其中所 述预测模块根据风险等级统计分析模块的计算结果进行计算，而后得到处理 结果，并将所述计算结果发送给报警模块进行预警。
进一步地，所述风险等级统计分析模块中物流过程单一的寄递、运输、 配送风险的生成机制及过程可以采用如下公式：
rX＝fX(h,p,l)
其中,rX为事件X的风险,h为事件X的各种风险因素，p为事件X由风险 因素引起的风险事件的概率，l为事件X的风险结果(损失),fX()为事件X的 风险与h、p、l的函数关系。
本发明成功实现了全链条物流风险因素的识别和预测，提高了物流运输 的安全性和可靠性，降低了事故率。
附图说明
图1为本发明的全链条物流风险定义图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步详细说明。
实施例1：
参考附图1，在本实施例中，涉及一种全链条物流风险因素识别预测系统， 包括数据采集模块、风险等级统计分析模块、预测模块、报警模块。
进一步地，所述数据采集模块包括全链条物流事故数据库建模和全链条 物流事故数据库构建；
进一步地，所述数据包括；
(1)司机
运输过程中，司机的因素很大程度决定了其风险等级。这其中，与司机 的性别、年龄、身体状况、驾龄、出车前一天是否饮酒、是否生病均有相关 性。因此，司机是运输环节必须考虑的风险因素之一。
(2)车辆
运输货车的车龄、事故次数、大修次数、年检情况均影响运输环节的安 全稳定性，因此将其考虑进运输环节的风险影响因素。
(3)环境
不利环境涉及的内容主要是不利于交通安全的天气条件、能见度及自然 灾害。天气条件对交通安全的影响，是通过对驾驶人和车辆的影响来体现的。 因此它对交通安全的风险作用是间接的。通常不利环境包括阴、雨、雪、雾、 大风、沙尘、冰雹、其他等不利天气和地震、洪水、泥石流、塌方、滑坡等 自然灾害。
(4)货物
货物的特性稳定与否影响运输环节的风险等级，有的货物禁压、禁撞、 禁磕碰，这些特性就对司机、车辆、道路等提出一系列要求，货物的易燃、 易爆等特点也是运输环节的极大风险。
进一步地，所述风险等级统计分析模块采用随机森林算法进行计算。
随机森林的构建通过以下两个方面：数据的随机性选取，以及待选特征 的随机选取。
(1)数据的随机选取
首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集 的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子 数据集中的元素也可以重复。第二，利用子数据集来构建子决策树，将这个 数据放到每个子决策树中，每个子决策树输出一个结果。最后，如果有了新 的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果 的投票，得到随机森林的输出结果了。
(2)待选特征的随机选取
与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用 到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再 在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都 能够彼此不同，提升系统的多样性，从而提升分类性能。
进一步地，所述预测模块根据风险等级统计分析模块的计算结果进行预 测。
本发明另一目的是提供一种全链条物流风险因素识别预测系统，其中所 述预测模块根据风险等级统计分析模块的计算结果进行计算，而后得到处理 结果，并将所述计算结果发送给报警模块进行预警。
进一步地，所述风险等级统计分析模块中物流过程单一的寄递、运输、 配送风险的生成机制及过程可以采用如下公式：
rX＝fX(h,p,l)
其中,rX为事件X的风险,h为事件X的各种风险因素，p为事件X由风险 因素引起的风险事件的概率，l为事件X的风险结果(损失),fX()为事件X的 风险与h、p、l的函数关系。
上述实施例并非对本发明的范围进行限定，在不脱离本发明设计构思的 前提下，本领域所属技术人员对本发明的技术方案作出的各种变形和改进， 均应纳入本发明的权利要求书确定的保护范围内。

Claims (6)

1.一种全链条物流风险因素识别预测系统，其特征在于，所述系统包括数据采集模块、风险等级统计分析模块、预测模块、报警模块。
2.如权利要求1所述的一种全链条物流风险因素识别预测系统，其特征在于，所述数据采集模块包括全链条物流事故数据库建模和全链条物流事故数据库构建。
3.如权利要求2所述的一种全链条物流风险因素识别预测系统，其特征在于，所述数据包括；司机因素信息、车辆因素信息、环境因素信息、货物因素信息。
4.如权利要求2所述的一种全链条物流风险因素识别预测系统，其特征在于，所述风险等级统计分析模块采用随机森林算法进行计算；随机森林的构建通过以下两个步骤：数据的随机性选取，以及待选特征的随机选取；
其中数据的随机选取的步骤为：
首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的；不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复；第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果；最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果；
待选特征的随机选取的步骤为：
与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征；这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
5.一种使用如权利要求4所述的全链条物流风险因素识别预测系统的方法，其特征在于，其中所述预测模块根据风险等级统计分析模块的计算结果进行计算，而后得到处理结果，并将所述计算结果发送给报警模块进行预警。
6.如权利要求5所述的方法，其特征在于，所述风险等级统计分析模块中物流过程单一的寄递、运输、配送风险的生成机制及过程可以采用如下公式计算：
rX＝fX(h,p,l)
其中,rX为事件X的风险,h为事件X的各种风险因素，p为事件X由风险因素引起的风险事件的概率，l为事件X的风险结果(损失),fX()为事件X的风险与h、p、l的函数关系。
CN202110229636.3A 2021-03-02 2021-03-02 全链条物流风险因素识别预测系统及方法 Pending CN112948749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229636.3A CN112948749A (zh) 2021-03-02 2021-03-02 全链条物流风险因素识别预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229636.3A CN112948749A (zh) 2021-03-02 2021-03-02 全链条物流风险因素识别预测系统及方法

Publications (1)

Publication Number Publication Date
CN112948749A true CN112948749A (zh) 2021-06-11

Family

ID=76247126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229636.3A Pending CN112948749A (zh) 2021-03-02 2021-03-02 全链条物流风险因素识别预测系统及方法

Country Status (1)

Country Link
CN (1) CN112948749A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420929A (zh) * 2021-06-30 2021-09-21 上海东普信息科技有限公司 物流派送影响因素预测方法、装置、设备及存储介质
CN117474344A (zh) * 2023-12-28 2024-01-30 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722803A (zh) * 2012-05-28 2012-10-10 天津大学 基于本体和规则的物流运输预警方法
CN107437147A (zh) * 2017-08-02 2017-12-05 辽宁友邦网络科技有限公司 还原货运物流情景的车辆行驶风险动态评估方法及其系统
US20180164825A1 (en) * 2016-12-09 2018-06-14 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
CN109409768A (zh) * 2018-11-12 2019-03-01 广东工业大学 物流运输车辆的预警方法
CN110276370A (zh) * 2019-05-05 2019-09-24 南京理工大学 一种基于随机森林的道路交通事故风险因素分析方法
CN110288096A (zh) * 2019-06-28 2019-09-27 江苏满运软件科技有限公司 预测模型训练及预测方法、装置、电子设备、存储介质
CN110334737A (zh) * 2019-06-04 2019-10-15 阿里巴巴集团控股有限公司 一种基于随机森林的客户风险指标筛选的方法和系统
CN111127197A (zh) * 2019-12-31 2020-05-08 南京币鑫数据科技有限公司 一种外贸供应链金融风险控制的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722803A (zh) * 2012-05-28 2012-10-10 天津大学 基于本体和规则的物流运输预警方法
US20180164825A1 (en) * 2016-12-09 2018-06-14 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
CN107437147A (zh) * 2017-08-02 2017-12-05 辽宁友邦网络科技有限公司 还原货运物流情景的车辆行驶风险动态评估方法及其系统
CN109409768A (zh) * 2018-11-12 2019-03-01 广东工业大学 物流运输车辆的预警方法
CN110276370A (zh) * 2019-05-05 2019-09-24 南京理工大学 一种基于随机森林的道路交通事故风险因素分析方法
CN110334737A (zh) * 2019-06-04 2019-10-15 阿里巴巴集团控股有限公司 一种基于随机森林的客户风险指标筛选的方法和系统
CN110288096A (zh) * 2019-06-28 2019-09-27 江苏满运软件科技有限公司 预测模型训练及预测方法、装置、电子设备、存储介质
CN111127197A (zh) * 2019-12-31 2020-05-08 南京币鑫数据科技有限公司 一种外贸供应链金融风险控制的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420929A (zh) * 2021-06-30 2021-09-21 上海东普信息科技有限公司 物流派送影响因素预测方法、装置、设备及存储介质
CN117474344A (zh) * 2023-12-28 2024-01-30 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统
CN117474344B (zh) * 2023-12-28 2024-03-22 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统

Similar Documents

Publication Publication Date Title
Abellán et al. Analysis of traffic accident severity using decision rules via decision trees
Najafi Moghaddam Gilani et al. Data‐Driven Urban Traffic Accident Analysis and Prediction Using Logit and Machine Learning‐Based Pattern Recognition Models
CN112948749A (zh) 全链条物流风险因素识别预测系统及方法
CN104978853B (zh) 一种道路交通安全评估方法及系统
Mokhtarimousavi A time of day analysis of pedestrian-involved crashes in California: Investigation of injury severity, a logistic regression and machine learning approach using HSIS data
Zhao et al. Motor vehicle drivers’ injuries in train–motor vehicle crashes
CN110866677A (zh) 一种基于基准化分析的驾驶人相对风险评价方法
Patil et al. Road accident analysis using machine learning
Kang et al. Cluster-based approach to analyzing crash injury severity at highway–rail grade crossings
Ma et al. Analysis of the logistic model for accident severity on urban road environment
Fang et al. Driver risk assessment using traffic violation and accident data by machine learning approaches
Banerjee et al. Factors influencing injury severity in alcohol-related crashes: a neural network approach using HSIS crash Data
Tavakoli Kashani et al. An analysis of vehicle occupants’ injury severity in crashes occurred on rural freeways and multilane highways in Iran
Li et al. Predicting the severity of traffic accidents on mountain freeways with dynamic traffic and weather data
Alshehri et al. Analysis of factors affecting crash severity of pedestrian and bicycle crashes involving vehicles at intersections
Jin et al. Right-angle crash injury severity analysis using ordered probability models
CN110706517B (zh) 交通工具的智能安全预警方法、装置、系统及存储介质
CN110263074B (zh) 一种基于lle和k均值法挖掘违法事故对应关系的方法
Yuan et al. Cluster and factor analysis on data of fatal traffic crashes in China
Babu et al. Generating road accident prediction set with road accident data analysis using enhanced expectation-maximization clustering algorithm and improved association rule mining
Patil et al. Road accident analysis and hotspot prediction using clustering
Marukatat Structure-based rule selection framework for association rule mining of traffic accident data
Kassu et al. Identifying the principal factors influencing traffic safety on interstate highways
CN116596307A (zh) 一种基于公交运营安全数据构建驾驶员安全画像模型的方法
CN114580874B (zh) 一种适用于高速公路风险评估的多维分布式数据分析系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210611