CN114417698A - 一种轨道交通沿线外部环境的风险监测系统及评估方法 - Google Patents
一种轨道交通沿线外部环境的风险监测系统及评估方法 Download PDFInfo
- Publication number
- CN114417698A CN114417698A CN202111502944.5A CN202111502944A CN114417698A CN 114417698 A CN114417698 A CN 114417698A CN 202111502944 A CN202111502944 A CN 202111502944A CN 114417698 A CN114417698 A CN 114417698A
- Authority
- CN
- China
- Prior art keywords
- risk
- monitoring
- rail transit
- type
- projection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种轨道交通沿线外部环境的风险监测系统及评估方法,所述评估方法包括:S1、监控平台接收监测数据,并基于预先建立的风险指标库,将所述监测数据进行量化处理,获得量化后的对应监测数据的风险指标;S2、基于建立的风险等级表,所述监控平台采用基于差分进化算法的投影寻踪法对所有风险指标进行处理,获取当前时刻的风险等级。所述风险监测系统针对轨道交通沿线环境存在的风险特征,采集相关数据,可以扩大风险监测的覆盖面、提高数据利用率以及节约成本;所述评估方法通过将实时数据集和检测数据集进行融合计算,并进行实时风险评估,为相关运维人员提供参考,可以有效地避免轨道交通事故的发生。
Description
技术领域
本申请属于交通风险评估技术领域,具体涉及一种轨道交通沿线外部环境的风险监测系统及评估方法。
背景技术
随着国民经济和社会的快速发展,人民群众对轨道交通安全、经济、舒适、环保、快捷的要求不断提高,特别是高铁、地铁以及轻轨等交通工具的发展,轨道交通结构也发生翻天覆地的变化,在这个过程中各种风险与不安全因素变得日益突出。由此可能引发各种安全突发事件,不但影响我国轨道交通事业的发展,更会产生许多严重的不良社会影响。
由于轨道交通沿线环境监测范围大,监测目标种类多且杂,而现在大多数轨道交通风险监测主要集中于运营过程中车站设施、车辆固有故障及其他附属设施故障的监测评价,且已有监测网络大多在监测目标风险上具有一定局限性,往往大多数传感网络只用来监测某一类风险,但采用的监测数据又互有重复,所以投资维护成本高,未能对轨道交通沿线外部环境风险进行综合评估研判。另外,目前描述风险的信息也大多基于单一传感器的一类信号,预测结果存在较大误差,而大多数传感器数据得不到有效的利用,造成数据资源的浪费,此类风险监测评估方式易于通过监测预警系统发出错误警报,久而久之会使监测预警系统失去其应有的预警价值。
鉴于此,提供一种轨道交通沿线外部环境的风险监测系统及评估方法,以解决上述问题。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本申请提供一种轨道交通沿线外部环境的风险监测系统及评估方法。
(二)技术方案
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种轨道交通沿线外部环境的风险监测系统,包括:
沿着轨道交通线路定点部署多个第一类固定传感器,所述第一类固定传感器用于监测轨道交通线路区域外界环境的变化,获得第一类监测数据;
沿轨道交通线路的安全周界处的栅栏、枕木或轨道上安装第二类固定传感器,所述第二类固定传感器采集用于评估所在的轨道交通的外界因素导致的振动的数据,获得第二类监测数据;
设置在移动巡防机器人上的第三类传感器,所述第三类传感器随着所述移动巡防机器人的移动而移动,并获取轨道交通线路的第三类监测数据;
所述移动巡防机器人在移动过程中接收所述第一类固定传感器发送的第一类监测数据、第二类固定传感器发送的第二类监测数据;
所述移动巡防机器人对所述第一类监测数据、第二类监测数据和第三类监测数据进行预处理,并将预处理后的监测数据经由汇聚节点发送到监控平台;
所述监控平台基于差分进化算法的投影寻踪方法对所述监测数据进行处理,获取当前时刻的风险等级,以及基于LSTM预测下一时刻的风险状态。
可选的,所述系统还包括:
所述第一类固定传感器为温湿度传感器、雨量传感器和/或风速风向传感器;
第二类固定传感器为振动光栅;
第三类传感器为金属探测器、烟雾传感器;
所述移动巡防机器人上还安装有热成像摄像机和高清全景摄像头,用于采集沿轨道交通线路区域的图像数据;
所述移动巡防机器人对预处理后的监测数据通过RS485接口传输或者通过TCP/IP接口传输。
第二方面,本申请提供一种基于轨道交通沿线外部环境的风险监测系统的风险评估方法,包括:
S1、监控平台接收监测数据,并基于预先建立的风险指标库,将所述监测数据进行量化处理,获得量化后的对应监测数据的风险指标;
S2、基于建立的风险等级表,所述监控平台采用基于差分进化算法的投影寻踪法对所有风险指标进行处理,获取当前时刻的风险等级。
可选的,S1之前,风险评估方法还包括:
基于轨道交通沿线存在的风险隐患类别,建立轨道交通沿线风险指标库。
可选的,在S1之后,S2之前,风险评估方法还包括:
划分所述风险指标对应的风险等级的阈值,以建立风险等级表。
可选的,所述S2包括:
将所述风险等级表内的阈值数据集设定为e(i,j),通过最大-最小值正则化对所述阈值数据集e(i,j)进行预处理,将预处理后的阈值数据集设定为e*(i,j),e*(i,j)的计算方式为:
其中,i表示风险等级,j表示各项风险指标;
以及,将于轨道交通线路中所采集的实时数据集设定为x(k,j),通过最大-最小值正则化对所述实时数据集进行预处理,将预处理后的实时数据集设定为x*(k,j),x*(k,j)的计算方式为:
其中,k表示不同时刻的样本观测点。
可选的,所述S2还包括:
将所述预处理后的阈值数据集e*(i,j)投影到一维模板中进行降维融合,投影方向描述为:
β=(β(1),β(2),...,β(d))
其中,β是单位长度向量,d是风险指标的个数;
以及,将最佳投影方向设定为β*;
将所述风险等级表中风险指标所对应的阈值的投影特征值设定为Z(i),Z(i)的计算方式为:
可选的,所述S2还包括:
构造投影指标函数,所述投影指标函数为:
Q(β)=SZ*DZ
其中,SZ为投影特征值Z(i)的标准差,DZ为投影特征值Z(i)的局部密度;
对所述投影特征值Z(i)的标准差SZ进行计算,SZ的计算方式为:
对所述投影特征值Z(i)的局部密度DZ进行计算,DZ的计算方式为:
其中,R为估计局部散点密度的窗口半径参数;
其中,函数u(x)为一阶单位跃迁函数,当x≥0时,u(x)=1;当x≤0,u(x)=0;
其中,dxy为不同风险等级投影数值间的距离,所述不同风险等级投影数值间的距离dxy的计算方式为:dxy=|Z(x)-Z(y)|,x和y表示风险等级,且x≠y;
通过构造目标函数,计算获得MaxQ(β),所述目标函数为:
可选的,所述S2还包括:
基于获得的MaxQ(β),通过改进的差分进化算法来获得最佳投影方向β*,β*所对应的最佳投影序列值为Z*(i),将Z*(i)作为第一最佳投影序列值,Z*(i)的计算方式如下:
基于所述第一最佳投影序列值Z*(i),以及风险等级表中风险等级的阈值,构建映射函数f(x);基于所述映射函数f(x),将最佳投影方向β*应用于预处理后的实时数据集x*(k,j)的投影运算,获取第二最佳投影序列值的计算方式如下:
可选的,风险评估方法还包括:
所述监控平台基于LSTM对预设时间段内的风险状态进行处理,获得未来的下一时刻的风险等级。
(三)有益效果
1)本申请中的风险监测系统针对轨道交通沿线环境存在的风险特征,采集对应的数据,相比于现有的只针对于某一类风险进行监测预警的系统来说具有风险监测覆盖面广、数据利用率高、成本节约等优点。
2)本申请中的风险评估方法,通过投影寻踪法进行数据级的数据融合,最大限度的保留了原始数据的特征,同时还减小了计算量,该方法可以通过实时采集到的轨道交通沿线外部环境的监测数据进行融合计算,进行实时风险评估并对下一时刻风险状态进行预测预警,为相关运维人员提供参考,相比于事后评估,可以有效地避免轨道交通事故的发生,降低生命财产损失。
附图说明
本申请借助于以下附图进行描述:
图1为基于轨道交通沿线外部环境的风险监测系统的整体分布示意图;
图2为基于轨道交通沿线外部环境的风险监测系统的风险评估方法的整体流程示意图;
图3为基于轨道交通沿线外部环境的风险监测系统的风险评估方法的具体流程示意图;
图4为轨道交通沿线风险的动态评估模型结构示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。可以理解的是,以下所描述的具体的实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合;为了便于描述,附图中仅示出了与发明相关的部分。
实施例一提供一种轨道交通沿线外部环境的风险监测系统,根据图1所示,沿着轨道交通线路设有多个固定传感器,具体为:
本实施例中,固定传感器分为第一类固定传感器、第二类固定传感器和第三类传感器;其中,第一类固定传感器包括温湿度传感器、雨量传感器、风速风向传感器;第二类固定传感器包括振动光栅;
本实施例中,沿着轨道交通线路定点部署第一类固定传感器,第一类固定传感器用于监测轨道交通线路区域外界环境的变化,获得第一类监测数据;具体的,主要用于为因自然环境导致的硬飘浮物类、轻飘浮物类、河道桥梁类、树木种植类等风险因素提供监测数据;
本实施例中,沿轨道交通线路的安全周界处的栅栏、枕木或轨道上安装第二类固定传感器,第二类固定传感器采集用于评估所在的轨道交通的外界因素导致的振动的数据,获得第二类监测数据;具体的,通过振动光栅所收集到的不同振动数据用于评估开采爆破类、并行上跨类、树木种植类、违法堆放类、道口安全类、破坏危行类等风险因素。
根据图1所示,本实施例中的风险监测系统还包括移动巡防机器人,具体为:
本实施例中,移动巡防机器人上设置有第三类传感器,第三类传感器包括金属探测器、烟雾传感器、热成像摄像机、高清全景摄像头;
本实施例中,第三类传感器随着移动巡防机器人的移动而移动,并获取轨道交通线路的第三类监测数据;具体的,通过热成像摄像机、高清全景摄像头采集沿轨道交通线路区域的图像数据,基于所采集的图像数据监测各类可能存在的风险因素,通过金属探测器对靠近的人员身上是否携带金属危险品进行监测,以及通过烟雾传感器对火灾所引起的烟雾进行监测;
本实施例中,采用巡防机器人移动程度节约了人力巡防成本,扩大了风险监测的范围。
根据图1所示,本实施例中,移动巡防机器人在移动过程中接收固定传感器发送的监测数据,具体为:
本实施例中,移动巡防机器人在移动过程中,通过4G/5G网络接收第一类固定传感器发送的第一类监测数据、第二类固定传感器发送的第二类监测数据;
本实施例中,通过搭载在移动巡防机器人上的边缘处理器,对第一类监测数据、第二类监测数据和第三类监测数据进行解析预处理。
根据图1所示,本实施例中,将解析预处理后的监测数据传输至汇聚节点,具体为:通过RS485接口传输或者通过TCP/IP接口,将解析预处理后的监测数据传输至汇聚节点。
根据图1所示,本实施例中,将预处理后的监测数据经由汇聚节点发送到监控平台进行数据融合处理;
本实施例中,将预处理后的监测数据经由汇聚节点发送到监控平台本实施例中,基于差分进化算法的投影寻踪方法,监控平台对经过融合处理后的监测数据进行处理,获取当前时刻的风险等级,以及基于LSTM预测下一时刻的风险状态。
实施例一中的风险监测系统针对轨道交通沿线环境存在的风险特征,采集对应的数据,相比于现有的只针对于某一类风险进行监测预警的系统来说具有风险监测覆盖面广、数据利用率高、成本节约等优点。
实施例二提供一种基于轨道交通沿线外部环境的风险监测系统的风险评估方法,根据图2所示,所述风险评估方法包括:
A1、建立风险指标库;
本实施例中,通过查明轨道交通沿线存在的风险隐患类别,建立风险指标库。
A2、监控平台采集数据;
本实施例中,通过监控平台采集经过预处理的监测数据,所述监测数据包括第一类监测数据、第二类监测数据和第三类监测数据。
A3、动态建立风险指标;
本实施例中,基于监控平台采集的监测数据,识别出风险隐患类别;基于风险隐患类别和风险指标库,动态地建立轨道交通沿线风险指标;
A4、数据转换;
本实施例中,为了更好地突出监测数据间的差异性,更直观全面地描述风险,将监控平台采集的监测数据转换为对风险指标的量化值。
A5、建立分险等级分级表;
本实施例中,通过对风险指标所对应的风险等级进行阈值划分,建立风险等级表。
A6、数据归一化处理;
本实施例中,分别对风险等级表内的阈值数据集和轨道交通线路中所采集的实时数据集进行归一化处理。
A7、风险指标数据降维融合;
本实施例中,将预处理后的阈值数据集投影到一维模板中进行降维融合,以及获取风险等级表中风险指标所对应的阈值的投影特征值。
A8、构造投影指标函数;
本实施例中,基于获取的风险等级表中风险指标所对应的阈值的投影特征值,构造出一个目标函数以表征投影效果来寻找最佳投影方向。
A9、差分进化算法求解最佳投影方向;
本实施例中,通过改进差分进化算法对构造的目标函数进行求解,以获取目标函数的最大值,进而获取最佳投影方向。
A10、构造实时风险评估函数;
本实施例中,基于获取的最佳投影方向,获取相对应的第一最佳投影序列值;
本实施例中,基于第一最佳投影序列值,以及风险等级表中风险等级的阈值,构建映射函数f(x);
本实施例中,将最佳投影方向应用于预处理后的实时数据集的投影运算,获取第二最佳投影序列值;
基于映射函数f(x)和第二最佳投影序列值,构造实时风险评估函数。
A11、获取风险等级;
本实施例中,通过构造的实时风险评估函数,获取轨道交通沿线中所存在风险的等级。
基于实施例二所述的风险评估方法,通过进行数据集的数据融合,不仅保留了原始数据的特征,还减小了计算量;该方法实时采集轨道交通沿线外部环境的监测数据,对数据进行融合计算,可以实现实时风险等级评估,为相关运维人员提供参考,相比于事后评估,可以有效地避免轨道交通事故的发生,降低生命财产损失。
实施例三提供一种基于轨道交通沿线外部环境的风险监测系统的风险评估方法,根据图3所示,所述风险评估方法包括:
S1、监控平台接收监测数据,并基于预先建立的风险指标库,将所述监测数据进行量化处理,获得量化后的对应监测数据的风险指标;
本实施例中,基于轨道交通沿线存在的风险隐患类别,建立轨道交通沿线风险指标库;
本实施例中,基于风险监测系统所获得的监测数据,识别相应的风险隐患类别;基于所述风险隐患类别和风险指标库,动态的建立轨道交通沿线风险指标;
本实施例中,为了更好地突出监测数据间的差异性,更直观全面地描述风险,将风险监测系统所获得的监测数据转换为对风险指标的量化值。
S2、基于建立的风险等级表,所述监控平台采用基于差分进化算法的投影寻踪法对所有风险指标进行处理,获取当前时刻的风险等级。
本实施例中,通过专家咨询法、查阅行业规则、相关专业材料划分风险等级,对各风险指标所对应的风险等级进行阈值划分,建立风险等级分级表;
本实施例中,将所述风险等级表内的阈值数据集设定为e(i,j),通过最大-最小值正则化对所述阈值数据集e(i,j)进行预处理,将预处理后的阈值数据集设定为e*(i,j),e*(i,j)的计算方式为:
其中,i表示风险等级,j表示各项风险指标;
本实施例中,将轨道交通线路中所采集的实时数据集设定为x(k,j),每十分钟采集一次实时数据。为了统一各项风险指标的变化范围,通过最大-最小值正则化对所述实时数据集进行预处理,将预处理后的实时数据集设定为x*(k,j),x*(k,j)的计算方式为:
其中,k表示不同时刻的样本观测点。
本实施例中,将所述预处理后的阈值数据集e*(i,j)投影到一维模板中进行降维融合,投影方向描述为:
β=(β(1),β(2),...,β(d))
其中,β是单位长度向量,d是风险指标的个数;
以及,将最佳投影方向设定为β*,通过所述预先确定的风险等级表计算得到β*;
本实施例中,将所述风险等级表中风险指标所对应的阈值的投影特征值设定为Z(i),Z(i)的计算方式为:
本实施例中,在获取不同投影方向带来的投影特征值表达后,通过构造一个目标函数以表征投影效果,进而寻找最佳投影方向;
根据投影点在局部尽可能密集以及在整体尽可能稀疏的原则,构造一个新的投影指标函数,所述投影指标函数为:
Q(β)=SZ*DZ
其中,SZ为投影特征值Z(i)的标准差,DZ为投影特征值Z(i)的局部密度;
本实施例中,对所述投影特征值Z(i)的标准差SZ进行计算,SZ的计算方式为:
本实施例中,对所述投影特征值Z(i)的局部密度DZ进行计算,DZ的计算方式为:
其中,R为估计局部散点密度的窗口半径参数;
其中,函数u(x)为一阶单位跃迁函数,当x≥0时,u(x)=1;当x≤0,u(x)=0;
其中,dxy为不同风险等级投影数值间的距离,所述不同风险等级投影数值间的距离dxy的计算方式为:dxy=|Z(x)-Z(y)|,x和y表示风险等级,且x≠y;
本实施例中,Q(β)随投影方向β的不同而变化,为了最大化投影效果指标,构造目标函数;
本实施例中,通过构造目标函数,计算获得MaxQ(β),所述目标函数为:
本实施例中,基于获得的MaxQ(β),通过改进的差分进化算法来获得最佳投影方向β*,此时β*所对应的最佳投影序列值为Z*(i),将Z*(i)作为第一最佳投影序列值,Z*(i)的计算方式如下:
本实施例中,基于所述第一最佳投影序列值Z*(i),以及风险等级表中风险等级的阈值,通过回归分析或者神经网络训练构建映射函数f(x);
基于实施例三所述的风险评估方法,通过投影寻踪法进行数据集的数据融合,最大限度地保留了原始数据的特征,同时还减小了计算量,该方法实时采集轨道交通沿线外部环境的监测数据,对数据进行融合计算,可以实现实时风险评估,相比于事后评估,可以有效地避免轨道交通事故的发生,降低生命财产损失。
实施例四提供一种基于轨道交通沿线外部环境的风险监测系统的风险评估方法,根据图4所示,所述风险评估方法包括:
本实施例中,监控平台基于LSTM对预设时间段内的风险状态进行处理,获得未来的下一时刻的风险等级,具体为:建立不同时刻轨道交通沿线外部环境风险数据库,基于长短时记忆网络(LSTM),对不同时刻的风险指标实时数据集x*(k,j)和对应时刻的风险等级进行训练,得到适用于轨道交通沿线外部环境风险预测的LSTM。
基于实施例四所述的风险评估方法,可以对下一时刻风险状态进行预测预警,为相关运维人员提供参考,可以有效地避免轨道交通事故的发生,降低生命财产损失。
本实施例还提供一种电子设备,包括:存储器和处理器;所述处理器用于执行所述存储器中存储的计算机程序,以实现执行上述任意实施例所述的基于轨道交通沿线外部环境的风险监测系统的风险评估方法的步骤。该电子设备可以为计算机,或者交通风险评估领域中常用的一个客户端所属的设备。
具体地,本实施例的电子设备可包括:至少一个处理器,至少一个存储器、至少一个网络接口和/或其他的用户接口。电子设备中的各个组件通过总线系统耦合在一起。可理解,总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本实施例的电子设备可以执行图1至图4任意所示的方法,其中,用户接口可以包括显示器、键盘或者点击设备(例如,鼠标或者触感板等)。
可以理解,本实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。本文描述的存储器包括任意其它适合类型的存储器。
在一些实施方式中,存储器存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统和应用程序。
其中,操作系统,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
在本发明实施例中,处理器通过调用存储器存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器用于执行第二方面所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、现成可编程门阵(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
另一方面,本发明实施例还提供一种计算机可读存储介质,其用于存储有计算机程序,所述计算机程序被处理器执行时实现上述任意实施例的风险评估方法的步骤。
特别说明,在风险评估方法中借助到用户预先定义的一些条件或者触发的一些条件或信息,这些均是通过用户界面/用户接口预先输入的一些条件或信息。其主要实现是一个测量结果更准确、测量方法更简便的技术方案。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例做出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种轨道交通沿线外部环境的风险监测系统,其特征在于,包括:
沿着轨道交通线路定点部署多个第一类固定传感器,所述第一类固定传感器用于监测轨道交通线路区域外界环境的变化,获得第一类监测数据;
沿轨道交通线路的安全周界处的栅栏、枕木或轨道上安装第二类固定传感器,所述第二类固定传感器采集用于评估所在的轨道交通的外界因素导致的振动的数据,获得第二类监测数据;
设置在移动巡防机器人上的第三类传感器,所述第三类传感器随着所述移动巡防机器人的移动而移动,并获取轨道交通线路的第三类监测数据;
所述移动巡防机器人在移动过程中接收所述第一类固定传感器发送的第一类监测数据、第二类固定传感器发送的第二类监测数据;
所述移动巡防机器人对所述第一类监测数据、第二类监测数据和第三类监测数据进行预处理,并将预处理后的监测数据经由汇聚节点发送到监控平台;
所述监控平台基于差分进化算法的投影寻踪方法对所述监测数据进行处理,获取当前时刻的风险等级,以及基于LSTM预测下一时刻的风险状态。
2.根据权利要求1所述的风险监测系统,其特征在于,所述第一类固定传感器为温湿度传感器、雨量传感器和/或风速风向传感器;
第二类固定传感器为振动光栅;
第三类传感器为金属探测器、烟雾传感器;
所述移动巡防机器人上还安装有热成像摄像机和高清全景摄像头,用于采集沿轨道交通线路区域的图像数据;
所述移动巡防机器人对预处理后的监测数据通过RS485接口传输或者通过TCP/IP接口传输。
3.一种基于权利要求1或2所述的轨道交通沿线外部环境的风险监测系统的风险评估方法,其特征在于,包括:
S1、监控平台接收监测数据,并基于预先建立的风险指标库,将所述监测数据进行量化处理,获得量化后的对应监测数据的风险指标;
S2、基于建立的风险等级表,所述监控平台采用基于差分进化算法的投影寻踪法对所有风险指标进行处理,获取当前时刻的风险等级。
4.根据权利要求3所述的风险评估方法,其特征在于,S1之前,风险评估方法还包括:
基于轨道交通沿线存在的风险隐患类别,建立轨道交通沿线风险指标库。
5.根据权利要求3所述的风险评估方法,其特征在于,在S1之后,S2之前,风险评估方法还包括:
划分所述风险指标对应的风险等级的阈值,以建立风险等级表。
8.根据权利要求7所述的风险评估方法,其特征在于,所述S2还包括:
构造投影指标函数,所述投影指标函数为:
Q(β)=SZ*DZ
其中,SZ为投影特征值Z(i)的标准差,DZ为投影特征值Z(i)的局部密度;
对所述投影特征值Z(i)的标准差SZ进行计算,SZ的计算方式为:
对所述投影特征值Z(i)的局部密度DZ进行计算,DZ的计算方式为:
其中,R为估计局部散点密度的窗口半径参数;
其中,函数u(x)为一阶单位跃迁函数,当x≥0时,u(x)=1;当x≤0,u(x)=0;
其中,dxy为不同风险等级投影数值间的距离,所述不同风险等级投影数值间的距离dxy的计算方式为:dxy=|Z(x)-Z(y)|,x和y表示风险等级,且x≠y;
通过构造目标函数,计算获得MaxQ(β),所述目标函数为:
9.根据权利要求8所述的风险评估方法,其特征在于,所述S2还包括:
基于获得的MaxQ(β),通过改进的差分进化算法来获得最佳投影方向β*,β*所对应的最佳投影序列值为Z*(i),将Z*(i)作为第一最佳投影序列值,Z*(i)的计算方式如下:
基于所述第一最佳投影序列值Z*(i),以及风险等级表中风险等级的阈值,构建映射函数f(x);基于所述映射函数f(x),将最佳投影方向β*应用于预处理后的实时数据集x*(k,j)的投影运算,获取第二最佳投影序列值的计算方式如下:
10.根据权利要求3所述的风险评估方法,其特征在于,风险评估方法还包括:
所述监控平台基于LSTM对预设时间段内的风险状态进行处理,获得未来的下一时刻的风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502944.5A CN114417698A (zh) | 2021-12-10 | 2021-12-10 | 一种轨道交通沿线外部环境的风险监测系统及评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502944.5A CN114417698A (zh) | 2021-12-10 | 2021-12-10 | 一种轨道交通沿线外部环境的风险监测系统及评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417698A true CN114417698A (zh) | 2022-04-29 |
Family
ID=81265533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111502944.5A Pending CN114417698A (zh) | 2021-12-10 | 2021-12-10 | 一种轨道交通沿线外部环境的风险监测系统及评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417698A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238365A (zh) * | 2022-09-07 | 2022-10-25 | 西南交通大学 | 一种基于动态深度学习的隧道灾后损伤预警方法及系统 |
-
2021
- 2021-12-10 CN CN202111502944.5A patent/CN114417698A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238365A (zh) * | 2022-09-07 | 2022-10-25 | 西南交通大学 | 一种基于动态深度学习的隧道灾后损伤预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
US9111442B2 (en) | Estimating incident duration | |
He et al. | Incident duration prediction with hybrid tree-based quantile regression | |
CN104616093A (zh) | 一种地震灾害救援指挥调度系统及方法 | |
US20130289865A1 (en) | Predicting impact of a traffic incident on a road network | |
CN112634614B (zh) | 一种长下坡交通事件实时检测方法、装置及存储介质 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
CN114417698A (zh) | 一种轨道交通沿线外部环境的风险监测系统及评估方法 | |
Elyasi et al. | A novel dynamic segmentation model for identification and prioritization of black spots based on the pattern of potential for safety improvement | |
Finogeev et al. | Collection and consolidation of big data for proactive monitoring of critical events at infrastructure facilities in an urban environment | |
CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
Katrojwar et al. | Design of Image based Analysis and Classification using Unmanned Aerial Vehicle | |
CN114384534A (zh) | 一种无人机巡线的树障生长预测分析方法 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
Sharma et al. | A review on physical and data-driven based nowcasting methods using sky images | |
Finogeev et al. | Proactive big data analysis for traffic accident prediction | |
Zhou et al. | Holiday travel pattern forecast based on machine learning algorithm | |
Karnati et al. | Machine Learning Algorithms for Traffic Interruption Detection | |
CN111860997B (zh) | 跨数据、信息、知识模态与量纲的预警方法及组件 | |
CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
Das et al. | Vehicular Propagation Velocity Forecasting Using Open CV | |
Gregor et al. | Design and implementation of a counting and differentiation system for vehicles through video processing | |
CN116739258B (zh) | 一种基于大数据的一网统管指挥调度系统及方法 |
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 |