CN113743827A - 一种基于ga-bp神经网络的轨道交通运营安全评价方法 - Google Patents
一种基于ga-bp神经网络的轨道交通运营安全评价方法 Download PDFInfo
- Publication number
- CN113743827A CN113743827A CN202111105754.XA CN202111105754A CN113743827A CN 113743827 A CN113743827 A CN 113743827A CN 202111105754 A CN202111105754 A CN 202111105754A CN 113743827 A CN113743827 A CN 113743827A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rail transit
- transit operation
- operation safety
- safety
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000008713 feedback mechanism Effects 0.000 claims description 2
- 230000002265 prevention Effects 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GA‑BP神经网络的轨道交通运营安全评价方法,其步骤为:步骤一,确定轨道交通运营安全状态的指标体系;步骤二,构建GA‑BP神经网络模型,该神经网络是采用输入层、中间层和输出层的3层神经网络结构;步骤三,收集数据样本;步骤四,训练GA‑BP神经网络,将训练样本输入对其进行训练;步骤五,通过上述步骤,得到GA‑BP神经网络的相应权值等参数,以及训练好的神经网络安全评价模型;步骤六,对轨道交通安全状态进行评价。本发明减少了人工评价工作量,大大降低评价人员主观影响,提高了轨道交通运营安全评价结果的准确性和客观性,为掌握轨道交通运营安全运行提供了技术支撑。
Description
技术领域
本发明涉及一种基于GA-BP神经网络的轨道交通运营安全评价方法,属于安全工程技术领域。
背景技术
城市交通问题是现代城市发展过程中遇到的主要问题之一。为了改善城市整体交通的有效途径就是发展城市轨道交通。城市轨道交通具有高速、准时、载客量大等特点。伴随着中国经济的腾飞,中国城市轨道交通产业正步入了高速发展时期。城市轨道交通建设和运营有效的缓解了城市交通的压力,亦有利的带动了城市区域的发展。作为人员活动密集的场所,轨道交通安全一向是人们关注的重点。一旦地铁发生运营事故,人员和财产将受到极大的损害,所以为了减少轨道交通运营事故时的人员伤亡,就必须对轨道交通运营安全进行评估,发现规律,从而加以控制,这对于减少生命财产损失以及维护社会稳定具有重要的现实意义。
国内外轨道交通安全研究已经形成较为成熟的理论体系和方法。如英国伦敦总结并形成了伦敦地铁公司风险评价方法,用于分析和预测某种重大危险因素对乘客和工作人员可能造成的伤害,通过确定这种伤害和主要危险因素的定量关系,来确定危险因素的伤害程度。德国采取的是“专业化安全管理模式”,推行以“机务、车辆、工务、电务”等路网系统分开管理,使安全管理更加突出重点,管理更加合理。美国纽约地铁则通过对地铁系统中的员工、乘客、设备供应商等安全风险因素进行评价,出具相应的安全风险评估报告,据此制定相应的安全标准。
然而影响轨道交通运营安全的因素众多,因素与因素之间存在着复杂的非线性关系,这导致很难用单一线性关系来进行描述。因而,轨道交通安全评价需要找寻能够描述非线性关系的方法进行预测。随着计算机技术和人工智能技术的发展,人工神经网络(artificial neural network,ANN)在轨道交通安全运营评价方面得到了应用。人工神经网络具有高度的并行处理、高度非线性映射、自组织结构的特点。它不需要知道输入输出之间的确切关系,不需大量参数,只需要知道引起输出变化的非恒定因素,即非常量性参数。因此与传统的数据处理方法相比,人工神经网络技术在处理模糊数据、随机性数据、非线性数据方面具有明显优势,对规模大、结构复杂、信息不明确的系统尤为适用。
较为常见的安全评价的人工神经网络有反向传播神经网络(BPNN)。20世纪80年代中期,Runelhart等人发现了BPNN,系统解决了多层神经网络隐含层连接权学习问题,并在数学上给出了完整推导。BPNN算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。BPNN已经在轨道交通运营安全评价研究中得到了应用。但使用BPNN评价轨道交通运营安全需要大量的训练样本,而实际在应用BPNN时,由于训练样本往往有限且不均匀,因而参数不易确定,影响了轨道交通运营安全评价结果,降低了预测精度,因而BPNN应用于轨道交通运营安全评价还有进一步提升的可能性,特别是需要对BPNN网络中的参数进行优化设置。
发明内容
本发明的目的在于提供一种基于GA-BP神经网络的轨道交通运营安全评价方法,实现对BP神经网络进行优化,同时对轨道交通运营进行安全评价。
为实现上述目的,本发明采取的技术方案是:一种基于GA-BP神经网络的轨道交通运营安全评价方法,其包括以下步骤:
步骤一,从人、机、环、管理四方面分析得出影响轨道交通运营安全状态的具体因素;
步骤二,收集相关人员对于影响轨道交通运营安全状态具体因素的定量或定性评分,以及对轨道交通运营安全整体安全状态的评价;
步骤三,将收集到的对于影响轨道交通运营安全状态具体因素以及对轨道交通运营整体安全状态的评价进行量化处理;
步骤四,将步骤二至步骤三处理后的影响因素指标体系的定量数据,以及对轨道交通运营整体安全状态的量化后的评价数据作为神经网络的训练样本;
步骤五,构建GA-BP神经网络模型,以训练样本中的影响因素指标体系作为GA-BP神经网络的输入,以训练样本中的轨道交通运营整体安全评价作为GA-BP神经网路的输出,经由GA算法对BP神经网路的中的权值和偏差进行优化,并形成GA-BP神经网络输出误差在允许范围内的反馈机制;
步骤六,收集将待评价的轨道交通运营安全状态影响因素并量化处理;
步骤七,将步骤六中的影响因素指标体系输出到步骤五所形成的GA-BP神经网络模型中去,输出待评价轨道交通运营安全状态的量化值。
进一步的,所述步骤一中,人、机、环、管理四大类因素共25小项影响因素:其中人的因素包括专业技能高低、安全思想意识高低、疲劳上岗率参数;设备因素包括车辆系统完好率、供电设备完好率、机电设备完好率参数;环境因素包括地震准备、高温严寒准备、防台防汛准备参数;管理因素包括安全教育培训、安全责任划分、安全管理决策参数。
进一步的,所述步骤二中将定性转化为定量指标,见下表1。
表1定性指标归一化处理
进一步的,所述步骤五中,GA-BP神经网络是采用输入层、中间层和输出层的3层神经网络结构,以25项影响因素作为该神经网络的输入层,以轨道交通运营安全状态的总体量化评价作为输出,确定输入层含有25个节点,输出层具有1个节点;中间层的节点数采用下述公式确定:
上述公式中a取值5,通过上述公式确定中间层节点个数为10个。
进一步的,所述步骤五中,训练GA-BP神经网络是将收集的30组样本数据随机产生25组样本作为训练样本训练GA-BP神经网络,剩余5组数据作为测试样本。
进一步的,所述步骤五中,GA优化算法是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的,而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代(generation)演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度(fitness)大小选择(selection)个体,并借助于自然遗传学的遗传算子(geneticoperators)进行组合交叉(crossover)和变异(mutation),产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码(decoding),可以作为问题近似最优解。
本发明的有益效果是:针对轨道交通运营的实际安全情况和相关法律法规的安全要求,给出25个评价指标(影响因素),构建了适用于轨道交通运营安全评价的GA-BP神经网络,采用己有数据对其进行训练,最终得到一种参数优化的轨道交通运营的安全评价方法:减少了人工评价工作量,大大降低评价人员主观影响,提高了轨道交通运营安全评价结果的准确性和客观性,为掌握轨道交通运营安全运行提供了技术支撑。
本发明的附加方面和优点将在下面的描述中部分给出,部分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
图1是基于GA-BP神经网络轨道交通运营安全评价模型。
图2是轨道交通运营安全评价的指标体系(影响因素)。
图3是轨道交通运营安全评价GA-BP神经网络拓扑结构。
图4是由GA-BP神经网络安全评价模型测试验证样本得出的安全评价值与专家评价对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示为本发明所述基于GA-BP神经网络的轨道交通运营安全评价的流程图。
以宁波市某轨道交通线路30份数据中25份数据的作为学习样本输入建立的基于GA-BP神经网络的安全评价模型中进行学习训练。通过输入待评价(验证样本)的影响因素(科学指标),得到轨道交通运营安全整体状态的评价。
具体实施步骤:
步骤一,确定轨道交通运营安全状态的指标体系(影响因素),轨道交通运营实际安全情况和相关法律法规和文献查阅,从轨道交通运营安全生产实际出发,从人、机、环、管理等四方面分析得出影响轨道交通运营安全状态的具体因素共计25小项,如图2所示。前述表1为安全评价指标量化处理标准。
步骤二,构建GA-BP神经网络模型,该神经网络是采用输入层、中间层和输出层的3层神经网络结构,以25项影响因素作为该神经网络的输入层,以轨道交通运营安全状态的总体量化评价作为输出,确定输入层含有25个节点,输出层具有1个节点;中间层的节点数由经验公式得出为10个。
步骤三,收集数据样本。收集某轨道交通运营企业管理人员、技术人员,操作工等人员针对25小项的影响因素的评分及对该运营安全状态的整体评价。将其中定性的指标进行量化。选用其中25份作为训练样本,其中6个样本见表2。
表2轨道交通运营安全评价训练样本势示例。
步骤四,训练GA-BP神经网络。将训练样本输入对其进行训练。在上述30个样本中随机选取25个样本作为训练样本,剩下5个作为测试(验证)样本。设置种群规模100,遗传算法迭代30,交叉概率0.2,变异概率0.1,网络训练达到预期结果。
步骤五,通过上述步骤,得到GA-BP神经网络的相应权值等参数,以及训练好的神经网络安全评价模型。
步骤六,对轨道交通安全状态进行评价。将测试(验证)样本5份的影响因素作为输入,输入到已经训练好的GA-BP神经网络,进行评价。
步骤七,由图4可知,5个验证样本的平均预测误差为2.74%。因此可见本发明提出轨道交通运营安全评价方法性能基本比较稳定,预测误差小。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解,上述实施例不以任何形式限制本发明的保护范围,凡采用等同替换等方式所获得的技术方案,均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (5)
1.一种基于GA-BP神经网络的轨道交通运营安全评价方法,其特征在于包括以下步骤:
步骤一,从人、机、环、管理四方面分析得出影响轨道交通运营安全状态的具体因素;
步骤二,收集相关人员对于影响轨道交通运营安全状态具体因素的定量或定性评分,以及对轨道交通运营安全整体安全状态的评价;
步骤三,将收集到的对于影响轨道交通运营安全状态具体因素以及对轨道交通运营整体安全状态的评价进行量化处理;
步骤四,将步骤二至步骤三处理后的影响因素指标体系的定量数据,以及对轨道交通运营整体安全状态的量化后的评价数据作为神经网络的训练样本;
步骤五,构建GA-BP神经网络模型,以训练样本中的影响因素指标体系作为GA-BP神经网络的输入,以训练样本中的轨道交通运营整体安全评价作为GA-BP神经网路的输出,经由GA算法对BP神经网路的中的权值和偏差进行优化,并形成GA-BP神经网络输出误差在允许范围内的反馈机制;
步骤六,收集将待评价的轨道交通运营安全状态影响因素并量化处理;
步骤七,将步骤六中的影响因素指标体系输出到步骤五所形成的GA-BP神经网络模型中去,输出待评价轨道交通运营安全状态的量化值。
2.根据权利要求1所述的一种基于GA-BP神经网络的轨道交通运营安全评价方法,其特征在于,所述步骤一中,人、机、环、管理四大类因素共25小项影响因素:其中人的因素包括专业技能高低、安全思想意识高低、疲劳上岗率参数;设备因素包括车辆系统完好率、供电设备完好率、机电设备完好率参数;环境因素包括地震准备、高温严寒准备、防台防汛准备参数;管理因素包括安全教育培训、安全责任划分、安全管理决策参数。
4.根据权利要求3所述的一种基于GA-BP神经网络的轨道交通运营安全评价方法,其特征在于,所述步骤五中,训练GA-BP神经网络是将收集的30组样本数据随机产生25组样本作为训练样本训练GA-BP神经网络,剩余5组数据作为测试样本。
5.根据权利要求3所述的一种基于GA-BP神经网络的轨道交通运营安全评价方法,其特征在于,所述步骤五中,GA优化算法通过模拟自然进化过程搜索最优解;该算法从代表问题可能潜在的解集的一个种群开始,而一个种群则由经过基因编码的一定数目的个体组成,每个个体是染色体带有特征的实体;初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度大小选择个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111105754.XA CN113743827A (zh) | 2021-09-22 | 2021-09-22 | 一种基于ga-bp神经网络的轨道交通运营安全评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111105754.XA CN113743827A (zh) | 2021-09-22 | 2021-09-22 | 一种基于ga-bp神经网络的轨道交通运营安全评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743827A true CN113743827A (zh) | 2021-12-03 |
Family
ID=78740133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111105754.XA Pending CN113743827A (zh) | 2021-09-22 | 2021-09-22 | 一种基于ga-bp神经网络的轨道交通运营安全评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743827A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
-
2021
- 2021-09-22 CN CN202111105754.XA patent/CN113743827A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
Non-Patent Citations (4)
Title |
---|
喻茗之等: "基于优化的神经网络的地铁火灾风险评价", 《消防科学与技术》, no. 06, pages 847 - 849 * |
姜林林: "基于BP神经网络的城市轨道交通运营安全评价与设计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 04, pages 033 - 180 * |
张正贵: "BP神经网络在地铁运营安全评价中的应用", 《现代城市轨道交通》, no. 04, pages 74 - 76 * |
曹引弟等: "基于改进BP神经网络的运输企业安全评价研究", 《太原科技大学学报》, no. 05, pages 389 - 394 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108285071A (zh) | 一种基于贝叶斯网络的电梯健康诊断方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN115115159B (zh) | 基于tf-idf与模糊贝叶斯网络的风险预测方法 | |
CN103714382A (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
CN111340325A (zh) | 一种基于综合评价指标对输变电设施服务水平进行评价的方法及系统 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN113591078A (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
CN116862234A (zh) | 一种轨道交通自洽能源系统的风险评估方法 | |
CN113743827A (zh) | 一种基于ga-bp神经网络的轨道交通运营安全评价方法 | |
Zhao et al. | A Grey BP Neural Network‐Based Model for Prediction of Court Decision Service Rate | |
CN112651176A (zh) | 一种基于ga-bp算法的屏蔽门电机输出力预测方法 | |
Shengyang et al. | [Retracted] Construction and Analysis of Urban Motor Vehicle Drivers’ Traffic Literacy Evaluation Model Based on Zhengzhou City’s Survey Data | |
CN111126867B (zh) | 一种轨道系统多域关联的服役敏感度分析方法 | |
CN114065624A (zh) | 一种炼化装置管网完整性管理水平智能评估方法 | |
Wang et al. | Research on early warning model of college students’ psychological crisis based on genetic BP neural network | |
CN113298417A (zh) | 一种面向不同停电场景的关键负荷重要度评估方法 | |
Xiong et al. | 2-tuple linguistic fuzzy ISM and its application | |
CN113627705A (zh) | 一种安全城市评估系统及方法 | |
CN113537757B (zh) | 一种轨道交通系统运营不确定风险的分析方法 | |
CN118195133A (zh) | 一种公路隧道抗火韧性评估方法 | |
CN117474327A (zh) | 一种韧性视角下城市交通综合体系统风险评估方法 | |
Ren et al. | A Intelligent Evaluation Model Framework of Online Public Opinion Crisis in Higher Vocational Colleges | |
Yang et al. | Freeway Short-Term Travel Time Prediction Based on Data Mining | |
Liyan et al. | Macro prediction model of road traffic accident based on neural network and genetic algorithm | |
Sheng | Lateral Collision Model and Parameter Analysis of Bridge Structure Based on Sensor Array |
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 |