CN114548839B - 基于风险分级和定位的危险货物集装箱落水分类救援方法 - Google Patents
基于风险分级和定位的危险货物集装箱落水分类救援方法 Download PDFInfo
- Publication number
- CN114548839B CN114548839B CN202210442352.7A CN202210442352A CN114548839B CN 114548839 B CN114548839 B CN 114548839B CN 202210442352 A CN202210442352 A CN 202210442352A CN 114548839 B CN114548839 B CN 114548839B
- Authority
- CN
- China
- Prior art keywords
- information
- container
- dangerous
- transportation
- risk
- 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.)
- Active
Links
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
- 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
- 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
- G06Q10/0831—Overseas transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及船舶运输技术领域,具体涉及一种基于风险分级和定位的危险货物集装箱落水分类救援方法。该方法为获取危险货物集装箱运输链路信息;通过动态落水救援预警模型读取危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。通过对每个集装箱的危险货物按照货物分类进行预警分析,针对可能存在落水风险的危险货物规划相应的救援方案以提高对存在落水风险的危险货物的监管,确保各类危险货物集装箱落水后能够在安全预警时限内实现高效、快捷、及时的救援,针对不同落水分类救援等级及时调整和优化危险货物救援方案,便于基于风险分级和定位对落水集装箱分类救援。
Description
技术领域
本发明涉及船舶运输技术领域,尤其涉及一种基于风险分级和定位的危险货物集装箱落水分类救援方法。
背景技术
随着海上运输行业的不断飞快发展和运输效率的提升,危险货物集装箱在海上运输领域也被广泛使用。目前,世界70%以上的化学危险品及危险货物都是通过海上危险货物集装箱进行运输,但是在实际运输中,由于包装不当、绑扎不牢、漏报瞒报等问题严重,危险化学品及危险货物泄漏及燃爆事故屡见不鲜,造成了大量的人命及财产损失。
在海上危险货物集装箱运输时,一旦发生因危险货物集装箱落水容易导致发生火灾或者爆炸。对于危险化学品及危险货物来说,有的遇水后发生火灾或者爆炸,进而污染大海及危及海洋生物的生存环境。针对不同的危险化学品,有的危险化学品需要用窒息的方式灭火,有的需要用喷水的方式灭火,有的需要采用二氧化碳灭火器的方式去灭火。为了保护海洋环境以及安全救援,需要第一时间掌握及确定危险货物集装箱内装载的货种,从而采取不同的救援方式和不同救援顺序,装有遇水能发生化学反应的物质的危险货物集装箱,要优先去救援。
然而,在实际救援中,往往由于无法第一时间获取集装箱内部的货物种类,而导致消防员无法采用适合货物种类的灭火方式。因此,对危险货物集装箱的内置的货物种类的特性以及货物种类的数量,如何进行风险分级划分以及风险分级管控,以便在集装箱落水后方便分类救援成为目前化学危险品进行集装箱运输中风险救援所需解决的问题之一。
发明内容
为解决集装箱落水后无法根据装箱内部的货物种类采用适合货物种类的灭火方式的问题,本申请提供了一种基于风险分级和定位的危险货物集装箱落水分类救援方法,对危险货物集装箱的内置的货种的特性以及货种的数量,进行风险分级管控,可以快速、准确的对危险货物集装箱落水风险进行分级评价,风险分级结果更加科学,根据确定出的危险货物集装箱内部所装载的货种,从而采取不同的救援方式,以解决上述背景技术中提出的问题。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了一种基于风险分级和定位的集装箱落水分类救援方法,该方法包括以下步骤:
获取危险货物集装箱运输链路信息,所述集装箱运输链路信息包括危险货物基础数据、集装箱运输链路信息以及定位设备信息;
根据所述危险货物集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型;
根据所述动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;
根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
可选的,所述危险货物基础数据包括所述危险货物的装箱信息、集装箱信息、货物名称、货物体积、货物重量以及货物种类信息。
可选的,根据所述危险货物集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型,所述动态落水救援预警模型的建立方法包括:
获取船舶运输的危险货物的样本数据,所述样本数据包括运输危险货物集装箱信息以及运输定位信息;
将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习运输危险货物集装箱信息和运输定位信息之间的匹配关系;
通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的运输时间预测值,并获得所述样本数据对应的真实值;
根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态落水救援预警模型,完成模型训练;
根据获取的危险货物集装箱运输链路信息,解析获取所述危险货物集装箱运输链路信息的预测货物种类信息。
可选的,所述运输危险货物集装箱信息包括船舶运输的危险货物集装箱初始位置信息、集装箱现存位置信息、途经危险货物集装箱运输链路信息以及定位设备信息。
可选的,通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述危险货物集装箱初始位置信息、危险货物集装箱现存位置信息以及途经危险货物集装箱运输链路信息的运输危险货物集装箱向量和运输定位信息之间的匹配关系。
可选的,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括:
将获取的样本数据输入到构建的初始预测模型中的神经网络;
将每条样本数据匹配到所述初始预测模型的输入层,所述输入层包括位置嵌入层、集装箱嵌入层以及时间嵌入层;
对匹配到所述输入层的所述位置嵌入层、集装箱嵌入层以及时间嵌入层的样本数据分别进行向量表示;
将所述位置嵌入层、集装箱嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量。
可选的,所述学习运输危险货物集装箱信息和运输定位信息之间的匹配关系,包括:
将所述输入层向量的部分运输危险货物集装箱信息对应的运输定位信息隐藏;
将隐藏后的运输危险货物集装箱信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
将预测值与隐藏的运输定位信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述运输危险货物集装箱信息与运输时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
可选的,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的运输危险货物集装箱信息以及运输定位信息,预测出所述样本数据中训练的运输定位信息目标。
可选的,解析获取危险货物集装箱内危险货物对应的风险分级结果,包括:
获取所述危险货物集装箱运输链路信息输入至所述动态落水救援预警模型中输出的运输时间预测信息;
将所述危险货物集装箱运输链路信息中危险货物的货物种类信息与所述运输时间预测信息做差计算容错时间差值;
将所述容错时间差值与预设的风险评估分析条件对比,划分所述危险货物集装箱运输链路信息对应的风险等级,并生成对应的风险分级结果。
可选的,所述风险等级包括一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级;所述一级落水风险等级是指风险评估分析条件对应的容错时间期限小于6小时;所述二级落水风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述三级落水风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于24小时。
第二方面,在本发明提供的另一个实施例中,提供了一种基于风险分级和定位的危险货物集装箱落水分类救援系统,包括:
信息获取模块,用于获取危险货物集装箱运输链路信息,所述危险货物集装箱运输链路信息包括危险货物基础数据、危险货物集装箱运输链路信息以及定位设备信息;
数据分析模块,用于根据建立的动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;
优化管理模块,用于根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
第三方面,在本发明提供的又一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现基于风险分级和定位的危险货物集装箱落水分类救援方法的步骤。
第四方面,在本发明提供的再一个实施例中,提供了一种存储介质,存储有计算机程序,所述计算机程序被处理器加载并执行时实现所述基于风险分级和定位的危险货物集装箱落水分类救援方法的步骤。
本发明提供的技术方案,具有如下有益效果:
本发明提供的基于风险分级和定位的危险货物集装箱落水分类救援方法,通过建立动态落水救援预警模型,对危险货物集装箱运输链路船舶管理中的众多的危险货物实现动态监督及优化,通过对每个集装箱的危险货物进行预警分析,能够针对可能存在落水风险的危险货物规划相应的救援方案以提高对存在落水风险的危险货物的监管,确保各类危险货物落水后能够在安全预警时限内实现高效、快捷、及时的救援,针对不同落水分类救援等级及时调整和优化危险货物救援方案,便于基于风险分级和定位的危险货物集装箱落水分类救援。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例。在附图中:
图1为本发明一个实施例的一种基于风险分级和定位的集装箱落水分类救援方法的流程图。
图2为本发明一个实施例的一种基于风险分级和定位的集装箱落水分类救援方法中建立动态落水救援预警模型的流程图。
图3为本发明一个实施例的一种基于风险分级和定位的危险货物集装箱落水分类救援方法中样本数据进行向量表示的流程图。
图4为本发明一个实施例的一种基于风险分级和定位的危险货物集装箱落水分类救援方法中学习匹配关系的流程图。
图5为本发明一个实施例的一种基于风险分级和定位的危险货物集装箱落水分类救援方法中获取风险分级结果的流程图。
图6为本发明一个实施例的一种基于风险分级和定位的危险货物集装箱落水分类救援系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于装有危险货物的集装箱落水后,在实际救援中,往往由于无法第一时间获取集装箱内部的货物种类,而导致消防员无法采用适合货物种类的灭火方式,对危险货物集装箱的内置的货物种类的特性以及货物种类的数量,如何进行风险分级划分以及风险分级管控,以便在集装箱落水后方便分类救援成为目前化学危险品进行集装箱运输中风险救援所需解决的问题之一。
针对上述问题,本发明提供的基于风险分级和定位的集装箱落水分类救援方法,对危险货物集装箱的内置的货种的特性以及货种的数量,进行风险分级管控,可以快速、准确的对危险货物集装箱落水风险进行分级评价,风险分级结果更加科学,根据确定出的集装箱内部所装载的货种,从而采取不同的救援方式。
在一些实施方式中,基于风险分级和定位的危险货物集装箱落水分类救援方法可以应用在基于风险分级和定位的危险货物集装箱落水分类救援设备,该基于风险分级和定位的集装箱落水分类救援设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备,当然也不限于此。
具体地,下面结合附图,对本申请实施例作进一步阐述。
请参照图1,图1为本申请基于风险分级和定位的危险货物集装箱落水分类救援方法第一实施例的流程示意图。本申请的实施例中,所述基于风险分级和定位的危险货物集装箱落水分类救援方法包括以下步骤S10-步骤S40:
步骤S10,获取危险货物集装箱运输链路信息,所述危险货物集装箱运输链路信息包括危险货物基础数据、集装箱运输链路信息以及定位设备信息。
在本申请的实施例中,所述危险货物基础数据包括但不局限于所述危险货物的装箱信息,集装箱信息、货物名称、货物体积、货物重量以及货物种类信息。
在危险货物运输时,危险货物集装箱运输链路信息涵盖货物装箱时填写的集装箱清单信息中所有信息,包括发货人信息、发货人地址信息、发货人联系信息、收货人信息、收货人地址信息、收货人联系信息、货物名称、货物体积、货物重量以及到货签收货物种类信息。其中,上述信息跟随危险货物集装箱清单信息录入集装箱运输信息管理系统的存储服务器中,方便在危险发生时知道集装箱内部的货种。
与此同时,危险货物集装箱运输链路信息还包括危险货物运输过程中,集装箱管理中心所搭建的各个集装箱运输中转和集散节点,以及船舶运输过程中的集装箱的定位设备信息,定位设备信息还包括通过GPS等进行定位的集装箱位置信息,将所述集装箱位置信息、船舶运输中转和集散节点的位置信息同步加载于所述集装箱管理中心的空间数据中,将危险货物集装箱运输链路信息在空间数据可视化展示。
步骤S20,根据所述集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型。
在一些实施例中,参见图2所示,根据所述集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型,所述动态落水救援预警模型的建立方法包括步骤S201-步骤S206:
步骤S201,获取船舶运输的危险货物的样本数据,所述样本数据包括运输危险货物集装箱信息以及运输定位信息;
步骤S202,将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习运输危险货物集装箱信息和运输定位信息之间的匹配关系;
步骤S203,通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的运输时间预测值,并获得所述样本数据对应的真实值;
步骤S204,根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
步骤S205,当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态落水救援预警模型,完成模型训练;
步骤S206,根据获取的危险货物集装箱运输链路信息,解析获取所述危险货物集装箱运输链路信息的预测货物种类信息。
在本实施例中,通过采集的历史运输数据信息对预构建的初始预测模型进行训练,以得到动态落水救援预警模型。其中,所述运输危险货物集装箱信息包括船舶运输的集装箱初始位置信息、集装箱现存位置信息、途经集装箱运输链路信息以及定位设备信息。
其中,为了便于初始预测模型对输入的历史运输数据信息进行识别,首先通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述集装箱初始位置信息、集装箱现存位置信息以及途经集装箱运输链路信息的运输集装箱向量和运输定位信息之间的匹配关系。
在本申请的实施例中,初始预测模型是一个三层的全连接神经网络,使用多层全连接神经网络预测样本数据的标签,在针对样本数据处理时,通过混合的方式划分训练集和测试集数据,并进行样本数据的转化类型,转化为全连接神经网络可识别的向量。
具体的,参见图3所示,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括步骤S2021-步骤S2024:
步骤S2021,将获取的样本数据输入到构建的初始预测模型中的神经网络;
步骤S2022,将每条样本数据匹配到所述初始预测模型的输入层,所述输入层包括位置嵌入层、集装箱嵌入层以及时间嵌入层;
步骤S2023,对匹配到所述输入层的所述位置嵌入层、集装箱嵌入层以及时间嵌入层的样本数据分别进行向量表示;
步骤S2024,将所述位置嵌入层、集装箱嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量。
在将样本数据输入到初始预测模型时,在初始预测模型的每一层都加入name属性,在本实施例中,将样本数据中的危险货物集装箱的位置数据、集装箱数据以及时间数据写入输入层,在模型训练时,将样本数据采用numpy生成随机数,转化为深度学习模型可识别的向量,将位置嵌入层向量、集装箱嵌入层向量以及时间嵌入层向量相加得到输入层向量,从而将每条样本数据转化为初始预测模型可识别的特征向量。
在本实施例中,在初始预测模型构建完成后,在对模型训练时,通过上述方式指定好输出的中间层名称,建立从输入到输出的匹配关系,在训练操作时,通过输入原始的样本数据,通过中间层输出数据的维度,在获取到中间层的输出维度后,输出前后数据对应并匹配。
在本申其的一些实施例中,参见图4所示,所述学习运输危险货物集装箱信息和运输定位信息之间的匹配关系,包括步骤S2031-步骤S2033:
步骤S2031,将所述输入层向量的部分运输危险货物集装箱信息对应的运输定位信息隐藏;
步骤S2032,将隐藏后的运输危险货物集装箱信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
步骤S2033,将预测值与隐藏的运输定位信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述运输危险货物集装箱信息与运输时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
在本申请的实施例中,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的运输危险货物集装箱信息以及运输定位信息,预测出所述样本数据中训练的运输定位信息目标。
示例性的,通过迭代训练,依次把一部分样本数据送入到模型的函数对应,例如,在模型的输入嵌入层中随机隐藏15%的向量,获取这部分样本数据对应的中间层输出,多次迭代后得到完整的中间层输出的数据,在初始预测模型的隐藏层中的最后一层中对这些隐藏的向量进行预测。通过隐藏任务来对模型的输入嵌入层的向量表示、以及模型隐藏层中的参数进行学习来对模型进行预训练。
步骤S30,根据所述动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果。
在一些实施例中,参见图5所示,解析获取危险货物集装箱内危险货物对应的风险分级结果,包括步骤S301-步骤S303:
步骤S301,获取所述危险货物集装箱运输链路信息输入至所述动态落水救援预警模型中输出的运输时间预测信息;
步骤S302,将所述集装箱运输链路信息中危险货物的货物种类信息与所述运输时间预测信息做差计算容错时间差值;
步骤S303,将所述容错时间差值与预设的风险评估分析条件对比,划分所述危险货物集装箱运输链路信息对应的风险等级,并生成对应的风险分级结果。
在进行获取集装箱内危险货物对应的风险分级结果时,集装箱内危险货物按照种类可以划分1-9大类20小类, 具体的可以分为爆炸品。第1.1,1.2,1.5类以及爆炸品,第1.3, 1.6类以及爆炸品,第1.4类另外还有易燃气体,第2.1类无毒不燃气体,第2.2类有毒气体,第2.3类易燃液体,第3类易燃固体(包括自反应物 质和固体退敏爆炸品),第4.1类易自燃物质,第4.2类遇水放岀易燃气体的物质,第4.3类氧化性物质,第5.1类有机过氧化物,第5.2类有毒物质,第6.1类感染性物质;6.2,放射性物质,第7类腐蚀品;第8类杂类危险物质和物品;第9类射频或者声呐的频率也会不同。
根据上述的种类进行风险等级划分,所述风险等级包括一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级;所述一级落水风险等级是指风险评估分析条件对应的容错时间期限小于6小时;所述二级落水风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述三级落水风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于24小时。
在危险货物集装箱落水后,根据定位信息,优先救援容错时间小于6小时以内的集装箱,避免长时间浸泡导致危险货物发生起火或爆炸等风险,其次根据风险等级依次救援。
步骤S40,根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
在一些实施例中,当所述对应一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级时,优先对一级落水风险等级的危险货物进行救援,在确保一级落水风险等级危险货物安全运输的情况下,依次进行二、三级落水风险等级的集装箱救援,在无一、二、三级落水风险等级的危险货物下,对剩余危险货物进行统一分配救援任务后进行打捞。
本发明提供的基于风险分级和定位的集装箱落水分类救援方法,通过建立动态落水救援预警模型,对集装箱运输链路船舶管理中的众多的危险货物实现动态监督及优化,通过对每个集装箱的危险货物进行预警分析,能够针对可能存在落水风险的危险货物规划相应的救援方案以提高对存在落水风险的危险货物的监管,确保各类危险货物落水后能够在安全预警时限内实现高效、快捷、及时的救援,针对不同落水分类救援等级及时调整和优化危险货物救援方案,便于基于风险分级和定位对落水集装箱分类救援。
参见图6所示,本发明的一个实施例提供一种基于风险分级和定位的危险货物集装箱落水分类救援系统,该系统包括。
信息获取模块100,用于获取危险货物集装箱运输链路信息,所述集装箱运输链路信息包括危险货物基础数据、集装箱运输链路信息以及定位设备信息。
在本申请实施例中,所述信息获取模块100在获取危险货物集装箱运输链路信息时,集装箱运输链路信息涵盖货物装箱时填写的集装箱清单信息中所有信息。其中,上述信息跟随集装箱清单信息录入集装箱运输信息管理系统的存储服务器中。
数据分析模块200,用于根据建立的动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果。
在本申请实施例中,所述数据分析模块200在通过动态落水救援预警模型生成风险分级结果时,还包括根据所述危险货物集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型。
其中,在进行获取集装箱内危险货物对应的风险分级结果时,所述风险等级包括一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级;所述一级落水风险等级是指风险评估分析条件对应的容错时间期限小于6小时;所述二级落水风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述三级落水风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于24小时。
优化管理模块300,用于根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
在在本申请实施例中,当所述对应一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级时,优先对一级落水风险等级的危险货物进行救援,在确保一级落水风险等级危险货物安全运输的情况下,依次进行二、三级落水风险等级的集装箱救援,在无一、二、三级落水风险等级的危险货物下,对剩余危险货物进行统一分配救援任务后进行打捞。
本发明的基于风险分级和定位的危险货物集装箱落水分类救援系统,通过建立动态落水救援预警模型,对集装箱运输链路船舶管理中的众多的危险货物实现动态监督及优化,通过对每个集装箱的危险货物进行预警分析,能够针对可能存在落水风险的危险货物规划相应的救援方案以提高对存在落水风险的危险货物的监管,确保各类危险货物落水后能够在安全预警时限内实现高效、快捷、及时的救援,针对不同落水分类救援等级及时调整和优化危险货物救援方案,便于基于风险分级和定位的危险货物集装箱落水分类救援。
需要特别说明的是,基于风险分级和定位的危险货物集装箱落水分类救援方法依据如前述实施例的一种基于风险分级和定位的危险货物集装箱落水分类救援方法进行执行,因此,本实施例中对基于风险分级和定位的危险货物集装箱落水分类救援方法的组成不再详细介绍。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,在本发明的实施例中还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的基于风险分级和定位的集装箱落水分类救援方法,该处理器执行指令时实现上述各方法实施例中的步骤:
获取危险货物集装箱运输链路信息,所述危险货物集装箱运输链路信息包括危险货物基础数据、集装箱运输链路信息以及定位设备信息;
根据所述危险货物集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型;
根据所述动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;
根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤:
获取危险货物集装箱运输链路信息,所述集装箱运输链路信息包括危险货物基础数据、集装箱运输链路信息以及定位设备信息;
根据所述集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型;
根据所述动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;
根据风险分级结果划分落水分类救援等级,优化危险货物救援方案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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危险货物的形式体现出来,该计算机软件危险货物存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
综上所述,本发明提供的基于风险分级和定位的集装箱落水分类救援方法,通过建立动态落水救援预警模型,对危险货物集装箱运输链路船舶管理中的众多的危险货物实现动态监督及优化,通过对每个集装箱的危险货物进行预警分析,能够针对可能存在落水风险的危险货物规划相应的救援方案以提高对存在落水风险的危险货物的监管,确保各类危险货物落水后能够在安全预警时限内实现高效、快捷、及时的救援,针对不同落水分类救援等级及时调整和优化危险货物救援方案,便于基于风险分级和定位对落水集装箱分类救援。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,该方法包括:
获取危险货物集装箱运输链路信息,所述危险货物集装箱运输链路信息包括危险货物基础数据、危险货物集装箱运输链路信息以及定位设备信息;
根据所述危险货物集装箱运输链路信息以及定位设备信息建立动态落水救援预警模型;
根据所述动态落水救援预警模型读取所述危险货物基础数据,解析获取集装箱内危险货物对应的风险分级结果;
根据风险分级结果划分落水分类救援等级,优化危险货物救援方案;
其中,所述动态落水救援预警模型的建立方法包括:
获取船舶运输的危险货物的样本数据,所述样本数据包括运输危险货物集装箱信息以及运输定位信息;
将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习运输危险货物集装箱信息和运输定位信息之间的匹配关系;
通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的运输时间预测值,并获得所述样本数据对应的真实值;
根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态落水救援预警模型,完成模型训练;
根据获取的危险货物集装箱运输链路信息,解析获取所述危险货物集装箱运输链路信息的预测货物种类信息;
其中,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括:
将获取的样本数据输入到构建的初始预测模型中的神经网络;
将每条样本数据匹配到所述初始预测模型的输入层,所述输入层包括位置嵌入层、危险货物集装箱嵌入层以及时间嵌入层;
对匹配到所述输入层的所述位置嵌入层、危险货物集装箱嵌入层以及时间嵌入层的样本数据分别进行向量表示;
将所述位置嵌入层、危险货物集装箱嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量;
其中,解析获取集装箱内危险货物对应的风险分级结果,包括:
获取所述危险货物集装箱运输链路信息输入至所述动态落水救援预警模型中输出的运输时间预测信息;
将所述危险货物集装箱运输链路信息中危险货物的货物种类信息与所述运输时间预测信息做差计算容错时间差值;
将所述容错时间差值与预设的风险评估分析条件对比,划分所述危险货物集装箱运输链路信息对应的风险等级,并生成对应的风险分级结果。
2.如权利要求1所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,所述危险货物基础数据包括所述危险货物的装箱信息,集装箱信息、货物名称、货物体积、货物重量以及货物种类信息。
3.如权利要求2所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,所述运输危险货物集装箱信息包括船舶运输的危险货物集装箱初始位置信息、危险货物集装箱现存位置信息、途经危险货物集装箱运输链路信息以及定位设备信息。
4.如权利要求3所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述集装箱初始位置信息、危险货物集装箱现存位置信息以及途经集装箱运输链路信息的运输集装箱向量和运输定位信息之间的匹配关系。
5.如权利要求1所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,学习运输危险货物集装箱信息和运输定位信息之间的匹配关系,包括:
将所述输入层向量的部分运输危险货物集装箱信息对应的运输定位信息隐藏;
将隐藏后的运输危险货物集装箱信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
将预测值与隐藏的运输定位信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述运输危险货物集装箱信息与运输时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
6.如权利要求5所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的运输危险货物集装箱信息以及运输定位信息,预测出所述样本数据中训练的运输定位信息目标。
7.如权利要求6所述的基于风险分级和定位的危险货物集装箱落水分类救援方法,其特征在于,所述风险等级包括一级落水风险等级、二级落水风险等级、三级风险等级和低风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442352.7A CN114548839B (zh) | 2022-04-26 | 2022-04-26 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442352.7A CN114548839B (zh) | 2022-04-26 | 2022-04-26 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548839A CN114548839A (zh) | 2022-05-27 |
CN114548839B true CN114548839B (zh) | 2022-07-12 |
Family
ID=81667153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210442352.7A Active CN114548839B (zh) | 2022-04-26 | 2022-04-26 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548839B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743073A (zh) * | 2022-06-13 | 2022-07-12 | 交通运输部水运科学研究所 | 一种基于深度学习的危险货物集装箱预警方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390201A (zh) * | 2013-07-15 | 2013-11-13 | 中国人民解放军防化学院 | 一种危险化学品运输危害预测方法 |
CN108805472A (zh) * | 2018-09-18 | 2018-11-13 | 中国特种设备检测研究院 | 一种罐式集装箱的公路运输预警方法及系统 |
KR20190038239A (ko) * | 2017-09-29 | 2019-04-08 | (주) 동우엔지니어링 | 복합센서를 이용한 화물의 보안운송 시스템 |
CN111125848A (zh) * | 2019-11-25 | 2020-05-08 | 李林卿 | 一种危险品运输网络应急救援资源分配方法 |
CN112801541A (zh) * | 2021-02-25 | 2021-05-14 | 交通运输部天津水运工程科学研究所 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
CN113112183A (zh) * | 2021-05-06 | 2021-07-13 | 国家市场监督管理总局信息中心 | 一种出入境危险货物风险评估的方法、系统和可读存储介质 |
CN114118692A (zh) * | 2021-10-22 | 2022-03-01 | 应急管理部天津消防研究所 | 一种监测载运危险货物船舶航行安全风险的预警方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223022A (zh) * | 2019-06-12 | 2019-09-10 | 交通运输部天津水运工程科学研究所 | 危险货物集装箱堆存预警方法及系统 |
CN111177649A (zh) * | 2019-12-11 | 2020-05-19 | 交通运输部水运科学研究所 | 一种基于大数据融合的船载包装货物运输风险评估方法 |
CN111951606B (zh) * | 2020-07-29 | 2021-07-30 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
-
2022
- 2022-04-26 CN CN202210442352.7A patent/CN114548839B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390201A (zh) * | 2013-07-15 | 2013-11-13 | 中国人民解放军防化学院 | 一种危险化学品运输危害预测方法 |
KR20190038239A (ko) * | 2017-09-29 | 2019-04-08 | (주) 동우엔지니어링 | 복합센서를 이용한 화물의 보안운송 시스템 |
CN108805472A (zh) * | 2018-09-18 | 2018-11-13 | 中国特种设备检测研究院 | 一种罐式集装箱的公路运输预警方法及系统 |
CN111125848A (zh) * | 2019-11-25 | 2020-05-08 | 李林卿 | 一种危险品运输网络应急救援资源分配方法 |
CN112801541A (zh) * | 2021-02-25 | 2021-05-14 | 交通运输部天津水运工程科学研究所 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
CN113112183A (zh) * | 2021-05-06 | 2021-07-13 | 国家市场监督管理总局信息中心 | 一种出入境危险货物风险评估的方法、系统和可读存储介质 |
CN114118692A (zh) * | 2021-10-22 | 2022-03-01 | 应急管理部天津消防研究所 | 一种监测载运危险货物船舶航行安全风险的预警方法 |
Non-Patent Citations (3)
Title |
---|
Analysis of risk factors influencing the safety of maritime container supply chains;Chengpeng Wan等;《International Journal of Shipping and Transport Logistics》;20191128;第11卷(第6期);第476-507页 * |
城市快速路危险货物运输风险动态评估;王征等;《重庆交通大学学报(自然科学版)》;20180719;第38卷(第06期);第96-102页 * |
铁路危险货物运输风险度量模型;程婕;《中国安全科学学报》;20101115;第20卷(第11期);第130-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548839A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mentes et al. | A FSA based fuzzy DEMATEL approach for risk assessment of cargo ships at coasts and open seas of Turkey | |
Akyuz | Quantification of human error probability towards the gas inerting process on-board crude oil tankers | |
Pasman et al. | Past, present and future of Quantitative Risk Assessment (QRA) and the incentive it obtained from Land-Use Planning (LUP) | |
Bouejla et al. | A Bayesian network to manage risks of maritime piracy against offshore oil fields | |
Erdem et al. | An interval type-2 fuzzy SLIM approach to predict human error in maritime transportation | |
CN114548839B (zh) | 基于风险分级和定位的危险货物集装箱落水分类救援方法 | |
Khan et al. | Risk assessment and decision support for sustainable traffic safety in Hong Kong waters | |
Nwaoha et al. | Adoption of new advanced computational techniques to hazards ranking in LNG carrier operations | |
Aydin et al. | A probabilistic risk assessment for asphyxiation during gas inerting process in chemical tanker ship | |
Obeng et al. | Capsizing accident scenario model for small fishing trawler | |
Callesen et al. | Container ships: fire-related risks | |
Qiao et al. | Resilience evaluation of maritime liquid cargo emergency response by integrating FRAM and a BN: A case study of a propylene leakage emergency scenario | |
CN114399123A (zh) | 一种智慧供应链物流智能优化管理方法和系统 | |
Sezer et al. | An integrated risk assessment modelling for cargo manifold process on tanker ships under FMECA extended Dempster–Shafer theory and rule-based Bayesian network approach | |
Celik | Enhancement of occupational health and safety requirements in chemical tanker operations: The case of cargo explosion | |
Eski et al. | Evaluation of factors influencing maritime dangerous cargo transport accidents-induced crew fatalities and serious injuries | |
Kaptan | Risk assessment for transporting ammonium nitrate-based fertilizers with bulk carriers | |
Jafari et al. | A new approach to chemicals warehouse risk analysis using computational fluid dynamics simulation and fuzzy Bayesian network | |
Kanj | Contribution to risk analysis related to the transport of hazardous materials by agent-based simulation | |
Prilana et al. | A hybrid methodology for human reliability assessment in maritime cargo accidents | |
Şencan et al. | Transportation of Dangerous Goods: Turkey Model | |
Bruzzone et al. | Simulation of hazardous material fallout for emergency management during accidents | |
Demirci et al. | Deficiency analysis identified in PSC inspections using event tree analysis | |
Laine et al. | Openrisk: a Risk Management Toolbox for Prevention and Response of Pollution from Maritime Activities. | |
Smaiah et al. | Proposal for a new method for analyzing the domino effect in an oil refinery and its impact on the environment |
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 |