CN113157744A - 一种基于大数据的车务段安全信息分析与辅助决策预警系统 - Google Patents

Abstract

本发明公开了一种基于大数据的车务段安全信息分析与辅助决策预警系统，包括数据分析前台系统与数据管理员后台系统两大部分。本发明将包括基础安全信息管理模块、统计分析及可视化模块、辅助决策模块。在满足日常传统办公的基础之上，细化了综合信息平台中的要求和需求实现。通过整合人员信息管理系统、安全信息系统以及现场检查系统的大数据分析。加入一些数据可视化分析的技术来更好的进行车务段的日常工作的统计分析。并使用LSTM模型进行安全信息的预警预测和辅助决策。该系统实现了信息共享、数据整合、综合分析、实时预警、动态管理、风险研判等功能。通过提升统计分析水平，提高了工作人员的工作效率及管理人员决策效率。

Description

一种基于大数据的车务段安全信息分析与辅助决策预警系统

技术领域

本发明属于大数据分析领域，尤其涉及到一种基于大数据的车务段安全信息分析与辅助决策预警系统。

背景技术

近年来大数据分析与深度学习在当今社会的很多领域都发挥着巨大的作用，大量的传统行业都在进行技术升级，服务优化，企业的信息化建设就是一个必然的方向。而近年来随着我国高速铁路的迅猛发展,铁路各个统计单位都积累了许多的基础数据，但却在数据分析、信息共享上面仍然存在一定的欠缺，这导致大量基础数据的利用率很低，不利于为铁路部门提供详细且精确的辅助决策信息。大数据已经逐渐融入社会发展的各个领域，大数据具备与一般数据不同的特点，主要包括数量大，种类多，可参考信息少、及时性强等特点。因而运用大数据分析的技术和方法从铁路部门的数据中挖掘有效的信息并对其进行综合分析，为铁路部门做出相应决策提供帮助，充分挖掘数据的价值。基于此，通过搭建一个统计信息分析和管理平台，以期有效地解决各个铁路部门在工作当中的决策性部署、组织规划上存在的问题。该系统通过大数据分析、深度学习等技术手段实现了信息共享、数据整合、综合分析、实时预警、动态管理、风险研判等功能。通过提高统计分析水平，提高了工作人员的工作效率及管理人员决策效率。最终促进了铁路部门在信息化程度上的不断提高，从而实现了铁路交通运输行业稳步、可持续发展。因而设计一个车务段安全信息分析平台是非常具有研究意义及实用价值的。

发明内容

本发明的目的就是为了提高车务段的信息化程度，提高工作效率与决策效率而提供一种基于大数据的车务段安全信息分析与辅助决策预警系统。本发明的目的可以通过以下具体技术方案来实现：

第一方面，开发环境搭建。安装Anaconda3.0、pycharm2019社区版，Visual StudioCode。在Anaconda环境中安装搭建Tensorflow、numpy、pandas、pyecharts、flask等17个系统所需要的包。整个系统后端的编写是基于python语言，它非常适合完成具有大数据处理、机器学习与深度学习算法的任务。

第二方面，前端搭建。本系统的Web前端通过VS Code编写，使用基于HTML、CSS、JAVASCRIPT 的Bootstrap框架，它使用起来简单灵活，使得 Web 开发更加快捷，并使系统风格统一且简洁。

第三方面，后端系统搭建。本系统在python语言下运用 flask 开发工具并采用一个能够完全满足高效率开发的MVC（Model View Controller,MVC）框架用于开发Web后端。由于本系统使用人群较为复杂，为保护数据安全需要区分使用角色权限，因此本系统大体分为前台系统与后台系统，并根据系统的不同的使用功能大致归类在三个模块中。分别为，基础信息管理模块、统计分析与可视化模块、辅助决策模块。其中基础信息管理模块主要用于实时记录和存储各类安全信息，并对安全信息做基础的增删改查等处理。而对于数据信息的管理，各基础功能均可以批量化操作，系统同时也具备了批量导入导出Excel表格的功能。而对于数据的查询管理，则支持特定字段查询，自定义查询以及SQL语句查询，且以上查询方式都支持多条件查询以及模糊查询。更好的满足了不同用户对查询方式的需求，提高了查询效率。统计分析与可视化模块主要用于通过对实时数据库数据进行挖掘，对不同类别的数据进行筛选，形成可视化图表，从而更直观的反应出当前工作状态中所存在的实际问题与安全隐患。该模块从各个维度对数据进行深度分析，很大程度反应了近期发生的具体问题以及出现问题较为集中的个体，为各部门的考核提供重要的参考依据。辅助决策模块是建立在在对实时数据监测的基础之上。其中，在辅助决策的预警模块中对各车间、班组、个人做安全预警，并根据未来一周的天气情况进行辅助决策。在辅助决策的预测模块中，利用深度学习模型LSTM（LongShort-Term Memory,LSTM）对未来两天（以每两小时为间隔）进行安全问题的数量进行预测，为后续工作重点确定方向。由于本系统含有大量的实时性的绘图，数据预测等操作，为提高系统的访问速度及性能，本系统采用Flask-cache模块对系统中的部分视图函数、业务函数进行缓存，并利用Redis作为Flask缓存后端。配合基于python语言的后端以及MySQL数据库共同组成了该系统的设计，为车务段统计分析工作提供了新平台。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实例提供的系统的MVC机构示意图。

图2为本申请实例提供的LSTM记忆单元结构示意图。

图3为本申请实例提供的车务段安全信息分析与辅助决策预警系统的整体框架示意图。

图4为本申请实例提供的基础安全信息管理框架示意图。

图5为本申请实例提供的统计分析与可视化模块框架示意图。

图6为本申请实例提供的辅助决策模块框架示意图。

图7为本申请实例提供的LSTM的神经网络结构图。

图8为本申请实例提供的基于LSTM的训练集与测试集损失函数图框架示意图。

图9为本申请实例提供的预测未来48小时结果的示意图。

图10为本申请实例提供的个人预警信息展示。

图11为本申请实例提供的天气预警模块截图。

具体实施方式

该申请的数据分析系统是基于一些web框架以及深度学习模型完成的，其中包括：

MVC框架: 模型-视图-控制器框架是一种采用应用程序的逻辑层和视图层相分离设计，并通过控制层连接的开发模式，本系统的MVC节构如图1所示。MVC模式不仅实现了功能模块和显示模块的分离，同时它还大大增强了该信息分析系统的可移植性、可扩展性、可维护性和各组件的复用性。

LSTM:长短期记忆网络（LongShort-Term Memory,LSTM）是一种时间循环神经网络，LSTM是作为循环神经网络（Recurrent Neural Network, RNN）的一种变体，同时也是RNN的一种优化。在RNN的逆向传播期间， RNN可能会遇到梯度值消失的情况，当梯度值随时间推移而逐渐下降时，如果梯度值已经变得很小，就不会再继续进行学习，从而导致RNN很有可能自始至终都在遗漏一些重要的信息。而LSTM作为RNN存在梯度消失问题的一种解决方案，它本身具有"门"的内部控制机制，可以实现自动调节信息流。这些“门”的结构可以让模型选择出序列中哪些重要的数据是需要保留，而哪些是要被删除的。随后，它就可以沿着整个长链序列进行传递，从而对其进行相应的预测。LSTM 的核心思想在于细胞状态以及“门”结构。该结构可以将其看作该神经网络的“记忆”，细胞状态能够将序列处理过程中的相关信息一直传递下去，其中LSTM记忆单元结构如图2所示。因此，即使是较早时间步长的信息也能携带到较后时间步长的细胞中来，这克服了短时记忆的影响。

编程语言：Python为我们提供了非常完善的基础代码库，覆盖了网络、文件GUI、数据库、文本等大量内容，被形象地称作"内置电池(batteries included)"。Python的开发使得许多功能不再从零开始写起，直接使用现成即可。Python除了内置的库以外，还有许多第三方库供编程者直接使用。Python的语言特点就是优雅、明确、简单，因而被广泛应用编码中。

软件系统整体设计如图3所示，其中基础信息管理模块与统计分析及可视化模块包括了如下步骤：

步骤1：配置系统环境。平台使用使用腾讯云自定义配置服务器（4GB，2核处理器，5Mbps带宽）提供云服务，使用CentOS7.6做为操作系统。通过Xshell可直接连接服务器，对云服务器进行操作。为应对实际使用本系统的用户数量，使用频率，本系统采用Nginx和uWSGI服务器实现负载均衡。

步骤2：将系统部署在服务器端后，用户通过互联网进行登陆验证，进入用户操作页面，对个人数据进行增删改查。管理员通过后台管理员登陆验证，对基础安全数据进行批量操作，对数据库数据的安全进行实时监控。

步骤3：当做到数据库为实时更新的状态时，用户登录数据分析平台可查询相应安全信息，对于数据的查询，支持特定字段查询，自定义查询以及SQL语句查询，且以上查询方式都支持多条件查询以及模糊查询。进一步地，在对数据库的数据进行自动统计分析后，可通过可视化模块对不同种类的数据，以及不同维度的数据进行数据可视化处理。基础信息管理模块框图如图4所示，统计分析及可视化模块框图如图5所示。

如图6所示为辅助决策模块，其中的LSTM预测模块过程具体包括：

步骤1：经过SQL数据提取后进行数据预处理和数据清洗后得到以每2小时为一个时间间隔，总共两年的数据。将70%的数据作为训练集，将30%的数据当做测试集。由于在本模型的需求中要求以过去120小时预测未来48小时的数据所以，将训练集和测试集的两组数据以60为时间步长（即窗口宽度）进行分组并对所有数据进行归一化处理。

步骤3：将经过预处理的数据送入LSTM模型中进行训练。此时将学习率的初始值设为0.0005，随epoch次数不断增大，训练集损失函数与验证集损失函数逐步下降，优化器选择Adam进行优化，损失函数为均方误差（MSE）。图7为LSTM的神经网络结构图。

步骤4：测试模型文件的识别精度是否达到预期要求，根据实验结果调节算法所涉及的参数，进行验证和比对。在训练时得到的loss值（训练集损失值）与val_loss（验证集损失值）的变化如图8所示。

步骤5：为实现数据的单变量多步预测，本系统采用滑动窗口式逐点迭代的预测方式。将滑窗来定义为输入数据的宽度，即60。对于下一个预测点，使用该宽度的时间窗循环向后移动一个步长，直至到达预测要求。最后，将训练好的模型植入系统，通过模型从数据库中取过去120小时数据作为输入，未来2小时作为中间临时输出，进行循环预测，滑动时间窗随循环向后移动24步，最终获得未来48小时的数据。预测结果如图9所示。而辅助决策模块中的预警模块分为天气预警模块与安全主题预警模块。

具体的，在安全主体预警模块中，系统计算各类安全问题的发生频率，对超过阈值的主体进行邮件预警。管理人员在录入安全信息后，系统将不同主体发生的不同种类的安全问题进行统计，对与不同维度的主体采取的预警阈值不同。对于车间主体与班组主体而言，由于各个车间/班组的规模不同，人员组成结构也不同，所以每个车间/班组都有其独立的预警阈值，当超过预警阈值系统会自动发送邮件至车间/班组负责人。对于个人主体而言，则统一使用一个预警阈值，若超过阈值，系统会自动给个人发送邮件作为警示。预警信息展示如图10所示。

具体的，在天气预警模块中，通过爬虫访问一个天气预报的API，实时爬取不同地区的天气预报。之后会将预报信息经过系统数据处理，最终系统会自动根据不同的天气变化，温度变化等变量提前进行邮件预警，并给出建议的应对措施。天气预警模块截图如图11所示。

Claims (6)

1.一种基于大数据的车务段安全信息分析与辅助决策预警系统，其特征在于，包括基础数据管理模块，统计分析及可视化模块和辅助决策模块。

所述的基础数据管理模块主要用于实时记录和存储各类安全信息，并对安全信息做基础的增删改查等处理。

所述的统计分析及可视化模块主要用于通过对实时数据库数据进行挖掘，对不同类别的数据进行筛选，形成可视化图表，从而更直观的反应出当前工作状态中所存在的实际问题与安全隐患。

所述的辅助决策模块的预警模块中对各车间、班组、个人做安全预警，并根据未来一周的天气情况进行辅助决策。在预测模块中，利用深度学习模型对未来两天进行安全问题的数量进行预测，为后续工作重点确定方向。

所述的系统编程语言为Python，它是一种高效强大且广泛使用的编程语言。基于这种语言的特点，它非常适合完成具有大数据处理、机器学习与深度学习算法的任务。因此这也正是本项目采用python语言的重要原因之一。python也经常被人们用来进行处理系统管理的任务和对网络系统的编写，所以本系统在python语言下编写。

2.根据权利要求1所述的系统，其特征在于对不不同用户角色的使用权限不同。由于本系统使用人群较为复杂，为保护数据安全需要区分使用角色权限，因此本系统大体分为前台系统与后台系统。并为不同等级的用户赋予不同等级的权限，并由管理员统一对所有用户进行管理与权限划分。

3.根据权利要求1所述的系统，其特征在于统计分析及可视化模块中对不同主体，不同维度，不同角度，不同变量之间的关系及可视化。其中指标类信息对不同的安全指标进行了独立分析，反映了不同因素和指标对于安全问题影响程度，并进行可视化。时间类信息统计并绘制了安全信息数量的年度，季度，月度的同比与环比信息，这反映了在宏观上的变化趋势。在此基础之上还对周、日、时进行了统计，而这里反映了近期在某些细节上存在的问题与隐患。主体类信息统计分析了在车间/班组/个人的各个维度的安全信息。在同一维度当中，对各个车间/班组/个人进行精确统计，并在同一维度进行可视化对比，将问题落实在相应主体上，更好的为后续工作画出重点，并对该主体进行重点盯控。综合类信息主要对整个单位的员工进行人员基础信息统计，如政治面貌、教育程度，人员来源等基础信息。综合类信息反映了整个单位的员工结构情况，为后续人力资源分配有很好的辅助作用。关键点类信息将通过对人员动态、关键作业环节、关键岗位、关键风险点等进行分析，生成一个时期安全风险的动态变化，并配有该个体的详细安全信息，为各部门的考核提供重要的参考依据。

4.根据权利要求1所述的系统，其特征在辅助决策模块中的天气预警与主体预警。其中由于天气状况是影响安全生产与运输的重要影响因素，因此对于天气状况的预警必不可少。该模块通过爬虫访问一个天气预报的API，实时爬取不同地区的天气预报。之后会将预报信息经过系统数据处理，最终系统会自动根据不同的天气变化，温度变化等变量提前进行邮件预警，并给出建议的应对措施。

5.根据权利要求3所述的系统，其特征在于对不不同主体的预警阈值。对于车间主体与班组主体而言，由于各个车间/班组的规模不同，人员组成结构也不同，所以每个车间/班组都有其独立的预警阈值，该阈值只有用户等级最高的人才可以制定。当超过预警阈值系统会自动发送邮件至车间/班组负责人。对于个人主体而言，则统一使用一个预警阈值，若超过阈值，系统会自动给个人发送邮件作为警示。本系统的预警等级根据实际需求分为普通预警与特殊预警。当超过普通预警阈值时，说明已经出现的安全问题已经比较严重，而当超过特殊预警时，说明该主体出现的安全问题已经很严重。实际工作当中会根据不同的预警等级对不同主体进行不同的应急处置，并进行相应的日度和月度考核反馈。

6.根据权利要求1所述的系统，其特征在于所述辅助决策模块的LSTM预测。在申请中的安全预警预测模块中采用了一种堆叠式的LSTM结构。堆叠式LSTM的隐藏层使模型更深入，附加的隐藏层被理解为重新组合来自先前层的学习表示，并在高抽象级别创建新表示。最后在数据集上进行训练和评估。1、配置Anaconda版本为Anaconda3，python版本为3.6.5。Tensorflow版本tensorflow-gpu 1.14.0以及其他所需要的安装包。2、对数据集进行预处理操作并作归一化处理，该操作在装有Anaconda环境的pycharm中运行。3、在数据处理好后，对预处理过后的数据集使用LSTM算法进行训练并进行模型的建立。在本模型中共有4层，再经过大量的测试与调整参数，最终每一层的架构如表1所示。模型建立好后，将训练集与测试集导入进行训练，预测模型参数如表2所示。通过评价指标在测试集上对该模型进行评价。优化器选择Adam算法优化器进行优化。评价指标采用MSE(Mean Square Error)。在训练时得到的loss值(训练集损失值)与val_loss(验证集损失值)的变化。

表1输出模型各层参数情况

表2 LSTM训练模型参

Images