CN114662979A - 一种基于bn-ism模型的铁路交通事故预警方法及系统 - Google Patents
一种基于bn-ism模型的铁路交通事故预警方法及系统 Download PDFInfo
- Publication number
- CN114662979A CN114662979A CN202210382349.0A CN202210382349A CN114662979A CN 114662979 A CN114662979 A CN 114662979A CN 202210382349 A CN202210382349 A CN 202210382349A CN 114662979 A CN114662979 A CN 114662979A
- Authority
- CN
- China
- Prior art keywords
- model
- network
- node
- bayesian network
- accident
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000001364 causal effect Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BN‑ISM模型的铁路交通事故预警方法及系统,通过各铁路交通事故分析数据构建事故数据集,并将事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点匹配,得到初始的贝叶斯网络BN模型,同时利用K2算法与ISM模型对初始网络模型的结构进行优化调整,进而采用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;本发明通过在传统的贝叶斯网络BN基础上,引入了ISM模型,根据网络节点之间的相互作用以及依赖关系,精确地划分节点层级,使得贝叶斯网络结构更为科学合理;解决了铁路运输事故预测不准确、预警不及时的问题,弥补了贝叶斯网络模型自身的不足。
Description
技术领域
本发明涉及技术铁路运输事故预警领域,具体涉及一种基于BN-ISM模型的铁路交通事故预警方法及系统。
背景技术
交通运输是一个国家的经济动脉,与国家的经济发展息息相关。虽然铁路运输发展至今,人身伤亡事故数、死亡人数、财产损失数逐渐减少,但这样的事故仍时有发生,已有事故预警类研究主要集中在对预警模型的探索与改进,其中贝叶斯网络作为一种研究复杂系统关联性的模型,已在事故预警领域中得到了广泛应用。然而贝叶斯网络模型仍旧较少应用于铁路运输事故预警之中。且贝叶斯网络需利用因果效应模型来确定网络节点之间的优先次序,传统的因果效应模型在处理数量众多的网络节点时,划分层级的准确性较差。
发明内容
针对现有技术中的上述不足,本发明提供一种基于BN-ISM模型的铁路交通事故预警方法及系统,在传统的贝叶斯网络BN基础上,引入了ISM模型对网络节点之间的相互作用以及依赖关系进行挖掘,更为精确的划分了节点层级,使得贝叶斯网络结构更为科学合理。一定程度上解决了铁路运输事故预测不准确、预警不及时的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于BN-ISM模型的铁路交通事故预警方法,包括以下分步骤:
S1、根据各铁路交通事故分析数据构建事故数据集;
S2、将事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点匹配,得到初始的贝叶斯网络BN模型;
S3、利用K2算法与ISM模型对初始的贝叶斯网络BN模型进行结构调整,得到优化后的贝叶斯网络BN模型;
S4、利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
S5、利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
优选地,步骤S1具体为:
从各铁路交通事故分析数据中采集铁路交通事故项点数据,并构建事故数据集,其中,事故数据集为事故关系矩阵,事故关系矩阵中各行对应一个事故,各列对应一个铁路交通事故项点数据。
优选地,步骤S3具体包括以下分步骤:
A1、利用ISM模型与因果效应,根据初始的贝叶斯网络BN模型中网络节点,得到各网络节点的父节点,并根据父节点构建备选父节点;
A2、计算贝叶斯网络BN模型中网络结构的后验概率,表示为
其中,P(W|S)为贝叶斯网络BN模型的网络节点的后验概率,S为事故数据集,W为贝叶斯网络BN模型的网络结构,P(WS)为网络结构W与数据集S都确定的概率,P(S)为数据集S确定的概率,P(S|W)为网络结构W确定的前提下与数据集S匹配的概率,P(W)为贝叶斯网络BN模型中网络结构的先验知识;
A3、根据后验概率构建基于K2算法的评分函数,得到各父节点的评分函数,其评分函数表示为:
其中,gCH(W,S)为评分函数值,log(.)为对数函数,ri为贝叶斯网络BN模型中第i个网络节点Xi的状态数,qi为网络节点Xi的父节点集Pa(Xi)的状态数,Nijk为网络节点Xi的当前状态为k,Nij为网络节点Xi的状态集合,并满足:!为阶乘符号;
A4、利用基于K2算法的评分函数计算各备选父节点计入贝叶斯网络BN模型后的评分函数值,并判断该评分函数值是否增加,若增加,则将该备选父节点指向该节点的有向边添加到贝叶斯网络BN模型,并进入步骤A5;否则不添加该备选父节点指向该节点的有向边,并进入步骤A5;
A5、判断当前评分函数值是否满足预设阈值,若满足则以当前的贝叶斯网络BN模型,作为优化后的贝叶斯网络BN模型;否则,返回步骤A4。
优选地,步骤A1具体包括以下分步骤:
B1、计算初始的贝叶斯网络BN模型中各网络节点间的先验概率,其计算式表示为:
其中,(Xi=y|do(Xj=x))为第一次干预,在Xj状态为x的情况下,Xi为y状态的概率,(Xi=y|Xi=x,SA=q)为Xj状态为x且父节点集SA取值为q的情况下,Xi为y状态的概率,P(SA=q)为父节点集SA取值为q的概率,SA为第j个网络节点Xj的父节点集,Xj、Xi分别为初始的贝叶斯网络BN模型中第j个网络节点与第i个网络节点,q为第j个网络节点Xj的父节点集SA中变量取值的组合个数;
B2、根据各网络节点间的概率计算平均因果效应,其计算式表示为:
ACE=P(X3=1|do(X1=1))-P(X3=1|do(X1=0))
其中,ACE为平均因果效应,P(X3=1|do(X1=1))为第一次干预,在第1个网络节点X1发生的情况下,第3个网络节点X3发生的概率,P(X3=1|do(X1=0))为第二次干预,第1个网络节点X1不发生的情况下,第3个网络节点X3发生的概率;
B3、遍历各网络节点间,按照平均因果效应数值将网络节点从小到大进行排序,得到节点次序,并根据各节点得到各网络节点的父节点;同时利用节点次序以各网络节点之前次序的所有节点作为该节点的备选父节点,得到各网络节点的备选父节点。
优选地,步骤S4具体包括以下分步骤:
S41、根据事故数据集计算缺失数据的期望,其计算式表示为:
L(θ|X,Q)=P(X,Q|θ)
其中,Z=(θ|θ(t))为缺失数据Q的期望值,L(θ|X,Q)为基于缺失数据Q与网络节点X的最大似然函数值,log(.)为对数函数,为基于节点X与第t次迭代的参数θ(t)对缺失数据Q进行期望值求解,P(X,Q|θ)为数据Q与节点X的条件分布概率;
S42、根据缺失数据的期望更新参数,并遍历优化后的贝叶斯网络BN模型,得到量化后的贝叶斯网络BN模型,其更新过程表示为:
另一方面,一种基于BN-ISM模型的铁路交通事故预警系统,包括:
事故数据集构建模块,用于根据各铁路交通事故分析数据构建事故数据集;
初始化贝叶斯网络BN模型构建模块,用于匹配事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点,得到初始的贝叶斯网络BN模型;
贝叶斯网络BN模型优化模型,用于利用K2算法优化初始的贝叶斯网络BN模型,得到优化后的贝叶斯网络BN模型;
贝叶斯网络BN模型量化模型,用于利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
应用服务模型,用于利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
本发明具有以下有益效果:
通过各铁路交通事故分析数据构建事故数据集,并将事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点匹配,得到初始的贝叶斯网络BN模型,利用K2算法与ISM模型优化初始的贝叶斯网络BN模型,得到优化后的贝叶斯网络BN模型;并采用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;本发明通过在传统的贝叶斯网络BN基础上,引入了ISM模型对网络节点之间的相互作用以及依赖关系进行挖掘,更为精确的划分了节点层级,使得贝叶斯网络结构更为科学合理;一定程度上解决了铁路运输事故预测不准确、预警不及时的问题,弥补了贝叶斯网络模型自身的不足,又可以为铁路运输事故预警防控奠定一定的理论基础。
附图说明
图1为本发明提供的一种基于BN-ISM模型的铁路交通事故预警方法的步骤流程图;
图2为本发明实施例提供的因果效应示意图;
图3为本发明实施例提供的贝叶斯网络结构简化示意图;
图4为本发明实施例提供的逆向诊断链示意图;
图5为本发明实施例中一种基于BN-ISM模型的铁路交通事故预警系统的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供一种基于BN-ISM模型的铁路交通事故预警方法,包括以下分步骤:
S1、根据各铁路交通事故分析数据构建事故数据集;
优选地,步骤S1具体为:
从各铁路交通事故分析数据中采集铁路交通事故项点数据,并构建事故数据集,其中,事故数据集为事故关系矩阵,事故关系矩阵中各行对应一个事故,各列对应一个铁路交通事故项点数据。
本发明实施例中,可从各铁路交通事故分析数据中通过人机环管的四个角度来识别和分析事故项点,其中人机环管具体为:
包括:人的不安全行为,是指导致整个系统发生故障的人员错误操作,包括人员操作错误以及人员违规操作;物的不安全状态,是指铁路运输过程中必要的机械设备或环境存在的不安全因素;不良环境因素,主要体现在以下三个方面:内部环境主要包括人员与设备工作所处的环境。自然环境,自然环境主要指恶劣天气、自然灾害等对铁路运输生产安全的影响。社会环境,外部环境主要指铁路所在地方的政治经济、市政管理等对铁路安全工作的关注所产生的影响;管理失误,是造成事故的根本原因。消除事故的发生就需要从根本层面上消除管理方面的问题,其原因主要包括以下几点:人员管理不合理、监管不充分、运行计划不适当、没有及时纠正问题、监管违规。找出引起事故的问题项点,并构建事故项点体系,将事故项点与网络节点相匹配。
S2、将事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点匹配,得到初始的贝叶斯网络BN模型;
S3、利用K2算法与ISM模型对初始的贝叶斯网络BN模型进行结构调整,得到优化后的贝叶斯网络BN模型;
本发明实施例中,利用因果效应结合ISM模型划分K2算法所需节点层级,其中,因果效应模型,可以揭示统计无法显示的事物之间的关系,量化因素间的因果关系,通过遍历网络中的所有节点对,对每一对节点对计算两次因果效应并比较,将节点优先度由高到低排序,得到节点优先次序;
ISM模型,可以分析复杂系统因素间的相互作用关系,根据计算规则进行层级分解,先划分出各个层级的系统要素集合,然后根据系统要素之间的复杂关系生成多级递阶的整体系统解释结构模型,将因素划分为不同的层级;
本发明实施例中,由于K2算法在匹配过程中,需要反复使用到事先给定的节点排序,而单一的因果效应算法面对较多网络节点时精确度较低,为提高模型精确性,故结合基于扩展因果效应公式结合ISM模型确定K2算法的节点优先次序,让贝叶斯网络结构更为科学合理。
优选地,步骤S3具体包括以下分步骤:
A1、利用ISM模型与因果效应,根据初始的贝叶斯网络BN模型中网络节点,得到各网络节点的父节点,并根据父节点构建备选父节点;
优选地,K2算法在匹配过程中较为依赖给定的节点优先次序,所以利用因果效应结合ISM模型对贝叶斯网络计算过程中的项点分层步骤进行改进,能够在量化各因素之间因果关系(节点间相互依赖、作用关系)的同时,大大提高层级划分的精确性;针对本发明所引入的因果效应算法,其具体实施例过程如图2所示,其表示为第1个网络节点X1对第3个网络节点X3的因果效应,并通过箭头来表示因果效应方向,即如图示中由X1指向X3。
步骤A1具体包括以下分步骤:
B1、计算初始的贝叶斯网络BN模型中各网络节点间的先验概率,其计算式表示为:
其中,(Xi=y|do(Xj=x))为第一次干预,在Xj状态为x的情况下,Xi为y状态的概率,(Xi=y|Xi=x,SA=q)为Xj状态为x且父节点集SA取值为q的情况下,Xi为y状态的概率,P(SA=q)为父节点集SA取值为q的概率,SA为第j个网络节点Xj的父节点集,Xj、Xi分别为初始的贝叶斯网络BN模型中第j个网络节点与第i个网络节点,q为第j个网络节点Xj的父节点集SA中变量取值的组合个数;
本发明实施例中,具体为:
其中,P(X3=y|do(X1=x))为第一次干预,在X1状态为x(0或1)的情况下,X3为y(0或1)状态的概率,P(X3=y|X1=x,SA=q)为X1状态为x(0或1)且父节点集SA取值为q的情况下,X3为y(0或1)状态的概率,P(SA=q)为父节点集SA取值为q的概率,SA为第1个网络节点X1的父节点集,X1、X3分别为初始的贝叶斯网络BN模型中第1个网络节点与第3个网络节点,q为第1个网络节点X1的父节点集SA中变量取值的组合个数;
B2、根据各网络节点间的概率计算平均因果效应,其计算式表示为:
ACE=P(X3=1|do(X1=1))-P(X3=1|do(X1=0))
其中,ACE为平均因果效应,P(X3=1|do(X1=1))为第一次干预,在第1个网络节点X1发生的情况下,第3个网络节点X3发生的概率,P(X3=1|do(X1=0))为第二次干预,第1个网络节点X1不发生的情况下,第3个网络节点X3发生的概率;
B3、遍历各网络节点间,按照平均因果效应数值将网络节点从小到大进行排序,得到节点次序,并根据各节点得到各网络节点的父节点;同时利用节点次序以各网络节点之前次序的所有节点作为该节点的备选父节点,得到各网络节点的备选父节点。
实际中,单一的因果效应算法在面对铁路事故中较多的网络节点时精确度较低,所以引入解释结构(ISM)模型。将量化后的事故关系矩阵(事故数据集)带入到因果效应算法中,本发明中利用先验概率计算式遍历各节点,计算计算节点之间的相互影响程度,将计算结果以矩阵的形式作为ISM模型的输入,替代ISM模型所需的节点间关系矩阵,大大提高节点优先次序计算的精确度。
本发明实施例中,可使用matlab对因果效应算法及ISM模型划分节点层级步骤进行编程处理;其引入因果效应算法之后可以将计算步骤总结如下:
1)通过因果效应算法计算得到ISM所需要的节点间关系矩阵Y,取代传统ISM模型中依据专家经验打分所获得的节点关系矩阵,并对矩阵进行标准化处理:
T=P·E (2)
式中:Yij为Xi对Xj的直接影响程度;矩阵E为单位矩阵;矩阵T为关系矩阵Y基于最大行值法规范化处理后的规范化直接影响矩阵。
2)求取综合影响关系矩阵Z:
Z=T(E-T)-1 (3)
式中:(E-T)-1为求(E-T)的逆矩阵;
3)考虑自身影响条件,舍去重要性以及与其他节点关联性均较低的节点,在综合影响关系矩阵Z基础上建立整体影响矩阵M:
M=E+Z (4)
4)求取可达矩阵D。为简化因素的层级结构,基于整体影响矩阵M的数据分布情况设置阈值μ,其取值为综合影响关系矩阵Z所有元素的均值和标准差之和,则可达矩阵元素dij的取值规则如下:
式中:dij=1代表节点Xi对Xj有影响,dij=0代表节点Xi对Xj没有影响。
5)根据可达矩阵D计算可达R(Si)集、先行集B(Si)以及共同集T(Si),计算规则如下面几式所示:
R(Si)={Sj|Sj∈S,dij=1}i,j=1,2...n (6)
B(Si)={Sj|Sj∈S,dij=1}i,j=1,2...n (7)
T(Si)=R(Si)∩B(Si) (8)
6)若共同集满足T(Si)=R(Si),则T(Si)中所包含的影响因素Si为当前的底层元素,接着从可达矩阵中删除底层所含元素对应的行和列。上述步骤可利用python的numpy以及pandas科学计算包完成;
重复步骤(6)、(7)、(8)直到所有因素都被分层,则ISM模型影响因素分层完成,层级划分如表1所示;
表1
A2、计算贝叶斯网络BN模型中网络结构的后验概率,表示为
其中,P(W|S)为贝叶斯网络BN模型的网络节点的后验概率,S为事故数据集,W为贝叶斯网络BN模型的网络结构,P(WS)为网络结构W与数据集S都确定的概率,P(S)为数据集S确定的概率,P(S|W)为网络结构W确定的前提下与数据集S匹配的概率,P(W)为贝叶斯网络BN模型中网络结构的先验知识;
本发明实施例中,由于事故数据集S已确定,当P(WS)取得最大值时,网络结构具有最大后验概率P(S|W);进而对P(WS)取对数logP(W,S):
logP(W,S)=logP(W)logP(W|S)=logP(W)+logP(S|W)
式中logP(W,S)被称为贝叶斯网络W的评分,P(W)是网络结构的先验知识。而P(S|W)的展开式为:P(S|W)=∫P(S|W,θW)P(θW|W)dθW,式中:P(θW|W)表示网络W的参数先验分布。
A3、根据后验概率构建基于K2算法的评分函数,得到各父节点的评分函数,其评分函数表示为:
其中,gCH(W,S)为评分函数值,log(.)为对数函数,ri为贝叶斯网络BN模型中第i个网络节点Xi的状态数,qi为网络节点Xi的父节点集Pa(Xi)的状态数,Nijk为网络节点Xi的当前状态为k,Nij为网络节点Xi的状态集合,并满足:!为阶乘符号,例如(ri-1)!=(ri-1-1)!*(ri-1);
本发明实施例中,结合上述P(S|W)的展开式,当满足事故数据集各参数变量彼此相互独立,且参数先验分布P(θW|W)服从均匀分布,则得到K2算法的CH评分公式(评分函数)。
A4、利用基于K2算法的评分函数计算各备选父节点计入贝叶斯网络BN模型后的评分函数值,并判断该评分函数值是否增加,若增加,则将该备选父节点指向该节点的有向边添加到贝叶斯网络BN模型,并进入步骤A5;否则不添加该备选父节点指向该节点的有向边,并进入步骤A5;
本发明实施例中,网络结构是构建贝叶斯网络模型的关键环节,目的是找出网络中各节点之间因果依赖关系,并以有向边的形式呈现出来,网络节点与节点间的有向边(依赖关系)共同构成了贝叶斯网络结构,其简化示意图如图3所示,本发明中按照给定的事故节点排序依次寻找每个节点的父节点。选择节点次序在Xi之前的所有节点作为Xi的备选父节点Pa(Xi),计算每个备选父节点Pa(Xi)加入网络结构后的贝叶斯网络评分,若评分增加,添加该备选父节点指向Xi的有向边,反之,则不添加有向边。
A5、判断当前评分函数值是否满足预设阈值,若满足则以当前的贝叶斯网络BN模型,作为优化后的贝叶斯网络BN模型;否则,返回步骤A4。
本发明实施例中,完成网络节点匹配之后便是利用K2算法找到与事故数据集(将事故报告量化处理得到的事故关系矩阵,矩阵中每一行为一个事故,每一列对应一个网络节点,用数值0、1代替节点在该事故中的发生状态)匹配程度最优的网络结构,也就是节点间依赖关系的寻求;事故数据集用S表示,贝叶斯网络结构用W表示,通过贝叶斯公式,在已知先验信息也就是事故数据集S的情况下,反向推理与其相匹配的网络结构的后验概率P(W|S),当网络结构后验概率最大时,在本发明实施例中预设阈值可为直到gCH(G,D)达到最大值或某个节点的父节点个数达到给定的最大父节点数,以上条件满足其一,K2算法终止,则匹配到适宜的网络结构。
S4、利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
优选地,步骤S4具体包括以下分步骤:
S41、根据事故数据集计算缺失数据的期望,其计算式表示为:
L(θ|X,Q)=P(X,Q|θ)
其中,Z=(θ|θ(t))为缺失数据Q的期望值,L(θ|X,Q)为基于缺失数据Q与网络节点X的最大似然函数值,log(.)为对数函数,为基于节点X与第t次迭代的参数θ(t)对缺失数据Q进行期望值求解,P(X,Q|θ)为数据Q与节点X的条件分布概率;
实际中,由于铁路事故报告不太好收集完全,会有一定缺失或者部分种类事故数据较少,利用EM算法在估计过程中会将数据量较少(一两起)的事故报告避免被忽略掉。缺失的数据也是以每一行为事故,每一列为网络节点,由此在本发明实施例中,假定缺失的数据为Q,所需求解的参数是θ。使用迭代的方式求解参数θ,初始参数为θ(0),第t次迭代参数为θ(t);
在E(期望)步中,若给定参数,根据数据集推断确实数据,基于θ(t)推断缺失数据Z的概率分布p(Q|X,θ(t)),并计算对数似然函数L(θ|X,Q)关于Q的期望,记为Z=(θ|θ(t))。
S42、根据缺失数据的期望更新参数,并遍历优化后的贝叶斯网络BN模型,得到量化后的贝叶斯网络BN模型,其更新过程表示为:
本发明实施例M(最大化)步中,若缺失数据已知,对参数进行极大似然估计,调整为新参数。利用E步中补齐的新数据集来计算下一次迭代的新参数,使Z=(θ|θ(t))达到最大的新参数记为θ(t+1),反复进行步骤E、M,便能够获得贝叶斯网络中所需参数的估计值,构建完整的条件概率表。
S5、利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
本发明实施例中,利用贝叶斯网络的诊断推理功能,构建BN-ISM模型,并将铁路交通事故State1(发生状态)设置为100%,找出所有指向事故的事故链从而计算与事故发生有关项点的后验概率并进行排序,目的是在事故已经发生的情况下寻找最有可能导致该事故发生的项点。
诊断推理过程可以参照逆推事故诊断链图4,在项点X46处于发生状态时,根据网络模型中的有向边指向梳理出以项点X46作为终点的事故诊断链,以其中的链①:X21→X17→X5→X46为例,基于网络的诊断推理功能得到各因素在项点X46发生后,X5、X17、X21的后验概率如表2所示,之后进一步计算各因素对事故的直接影响程度,也就是直接影响概率。在链①中,以X21为例,由事故诊断链指向可知X21并不直接影响X46,而是通过影响X17来影响X5进而影响X46,因此X21对X46的直接影响概率T21为:T21=P5×P17×P21,式中:P5为项点X5在项点X46发生情况下的后验概率。
链①中各个项点直接影响概率如表3所示,之后再对所有的项点求得直接影响概率并进行求和,总的结果记为C,各个项点由直接影响概率计算式所求得的直接影响概率除上C就能得到各个项点对事故发生的影响权重,以事故项点X46。为例,对该事故产生影响的问题项点影响权重如表4所示,结合各项铁路运输的历史数据(项点发生频率)以及事故因素的影响权重可以测算得到事故发生的预警阈值。以项点X46为例,其诊断推理如图4所示,计算得到诊断链中各项点的权重之后,结合下式计算X46的预警阈值P46:
P46=C36*P36+C28*P28+C16*P16+C26*P26+C13*P13+C12*P12+C44*P44+C24*P24+C23*P23+C22*P22+C42*P42+C5*P5+C17*P17+C19*P19+C21*P21+C32*P32+C1*P1+C15*P15+C33*P33+C35*P35+C34*P34
式中:C36表示项点X36的影响权重,可由直接影响概率计算式得出直接各个项点直接影响概率后汇总获得项点影响权重;P36,P28等为对应问题项点发生的概率,从给定数据集中项点发生的频率测算得到,以P36为例,某次检查检查问题项点X36共N次,其中项点X36发生M次,则:
依据上式求得所有事故项点的预警阈值。若要判断是否需要对某时间点的该事故进行预警,只需提取该时间点前一段时间内事故对应问题项点频率数据,并对发生概率进行计算,若计算结果超过前面确定的预警阈值,则需要提防事故的发生。
表2节点后验概率
表3节点直接影响概率
表4节点影响权重
另一方面,一种基于BN-ISM模型的铁路交通事故预警系统,包括:
事故数据集构建模块,用于根据各铁路交通事故分析数据构建事故数据集;
初始化贝叶斯网络BN模型构建模块,用于匹配事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点,得到初始的贝叶斯网络BN模型;
贝叶斯网络BN模型优化模型,用于利用K2算法优化初始的贝叶斯网络BN模型,得到优化后的贝叶斯网络BN模型;
贝叶斯网络BN模型量化模型,用于利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
应用服务模型,用于利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
本发明实施例中提供的一种基于BN-ISM模型的铁路交通事故预警系统具有一种基于BN-ISM模型的铁路交通事故预警方法的全部有益效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于BN-ISM模型的铁路交通事故预警方法,其特征在于,包括以下步骤:
S1、根据各铁路交通事故分析数据构建事故数据集;
S2、将事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点匹配,得到初始的贝叶斯网络BN模型;
S3、利用K2算法与ISM模型对初始的贝叶斯网络BN模型进行结构调整,得到优化后的贝叶斯网络BN模型;
S4、利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
S5、利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
2.根据权利要求1所述的基于BN-ISM模型的铁路交通事故预警方法,其特征在于,步骤S1具体为:
从各铁路交通事故分析数据中采集铁路交通事故项点数据,并构建事故数据集,其中,事故数据集为事故关系矩阵,事故关系矩阵中各行对应一个事故,各列对应一个铁路交通事故项点数据。
3.根据权利要求1所述的基于BN-ISM模型的铁路交通事故预警方法,步骤S3具体包括以下分步骤:
A1、利用ISM模型与因果效应,根据初始的贝叶斯网络BN模型中网络节点,得到各网络节点的父节点,并根据父节点构建备选父节点;
A2、计算贝叶斯网络BN模型中网络结构的后验概率,表示为
其中,P(W|S)为贝叶斯网络BN模型的网络节点的后验概率,S为事故数据集,W为贝叶斯网络BN模型的网络结构,P(WS)为网络结构W与数据集S都确定的概率,P(S)为数据集S确定的概率,P(S|W)为网络结构W确定的前提下与数据集S匹配的概率,P(W)为贝叶斯网络BN模型中网络结构的先验知识;
A3、根据后验概率构建基于K2算法的评分函数,得到各父节点的评分函数,其评分函数表示为:
其中,gCH(W,S)为评分函数值,log(.)为对数函数,ri为贝叶斯网络BN模型中第i个网络节点Xi的状态数,qi为网络节点Xi的父节点集Pa(Xi)的状态数,Nijk为网络节点Xi的当前状态为k,Nij为网络节点Xi的状态集合,并满足:!为阶乘符号;
A4、利用基于K2算法的评分函数计算各备选父节点计入贝叶斯网络BN模型后的评分函数值,并判断该评分函数值是否增加,若增加,则将该备选父节点指向该节点的有向边添加到贝叶斯网络BN模型,并进入步骤A5;否则不添加该备选父节点指向该节点的有向边,并进入步骤A5;
A5、判断当前评分函数值是否满足预设阈值,若满足则以当前的贝叶斯网络BN模型,作为优化后的贝叶斯网络BN模型;否则,返回步骤A4。
4.根据权利要求3所述的基于BN-ISM模型的铁路交通事故预警方法,其特征在于,步骤A1具体包括以下分步骤:
B1、计算初始的贝叶斯网络BN模型中各网络节点间的先验概率,其计算式表示为:
其中,(Xi=y|do(Xj=x))为第一次干预,在Xj状态为x的情况下,Xi为y状态的概率,(Xi=y|Xi=x,SA=q)为Xj状态为x且父节点集SA取值为q的情况下,Xi为y状态的概率,P(SA=q)为父节点集SA取值为q的概率,SA为第j个网络节点Xj的父节点集,Xj、Xi分别为初始的贝叶斯网络BN模型中第j个网络节点与第i个网络节点,q为第j个网络节点Xj的父节点集SA中变量取值的组合个数;
B2、根据各网络节点间的概率计算平均因果效应,其计算式表示为:
ACE=P(X3=1|do(X1=1))-P(X3=1|do(X1=0))
其中,ACE为平均因果效应,P(X3=1|do(X1=1))为第一次干预,在第1个网络节点X1发生的情况下,第3个网络节点X3发生的概率,P(X3=1|do(X1=0))为第二次干预,第1个网络节点X1不发生的情况下,第3个网络节点X3发生的概率;
B3、遍历各网络节点间,按照平均因果效应数值将网络节点从小到大进行排序,得到节点次序,并根据各节点得到各网络节点的父节点;同时利用节点次序以各网络节点之前次序的所有节点作为该节点的备选父节点,得到各网络节点的备选父节点。
5.根据权利要求2所述的基于BN-ISM模型的铁路交通事故预警方法,其特征在于,步骤S4具体包括以下分步骤:
S41、根据事故数据集计算缺失数据的期望,其计算式表示为:
L(θ|X,Q)=P(X,Q|θ)
其中,Z=(θ|θ(t))为缺失数据Q的期望值,L(θ|X,Q)为基于缺失数据Q与网络节点X的最大似然函数值,log(.)为对数函数,为基于节点X与第t次迭代的参数θ(t)对缺失数据Q进行期望值求解,P(X,Q|θ)为缺失数据Q的条件分布概率;
S42、根据缺失数据的期望更新参数,并遍历优化后的贝叶斯网络BN模型,得到量化后的贝叶斯网络BN模型,其更新过程表示为:
6.一种基于BN-ISM模型的铁路交通事故预警系统,其特征在于,包括:
事故数据集构建模块,用于根据各铁路交通事故分析数据构建事故数据集;
初始化贝叶斯网络BN模型构建模块,用于匹配事故数据集中铁路交通事故项点数据与贝叶斯网络中网络节点,得到初始的贝叶斯网络BN模型;
贝叶斯网络BN模型优化模型,用于利用K2算法优化初始的贝叶斯网络BN模型,得到优化后的贝叶斯网络BN模型;
贝叶斯网络BN模型量化模型,用于利用EM算法根据事故数据集对优化后的贝叶斯网络BN模型的参数进行量化,得到量化后的贝叶斯网络BN模型;
应用服务模型,用于利用量化后的贝叶斯网络BN模型对铁路交通事故进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382349.0A CN114662979A (zh) | 2022-04-12 | 2022-04-12 | 一种基于bn-ism模型的铁路交通事故预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382349.0A CN114662979A (zh) | 2022-04-12 | 2022-04-12 | 一种基于bn-ism模型的铁路交通事故预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662979A true CN114662979A (zh) | 2022-06-24 |
Family
ID=82035243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382349.0A Pending CN114662979A (zh) | 2022-04-12 | 2022-04-12 | 一种基于bn-ism模型的铁路交通事故预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662979A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597693A (zh) * | 2023-05-25 | 2023-08-15 | 广州航海学院 | 一种内河航运监控系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
-
2022
- 2022-04-12 CN CN202210382349.0A patent/CN114662979A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
Non-Patent Citations (5)
Title |
---|
于耀程 等: "基于STAMP-ISM的地铁事故分析方法研究", 《交通运输工程与信息学报》, vol. 19, no. 2, pages 46 - 52 * |
宋贺: "基于贝叶斯网络的道路危险货物罐车运输事故预测研究" * |
宋贺: "基于贝叶斯网络的道路危险货物罐车运输事故预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, pages 026 - 75 * |
寇兴怡: "基于贝叶斯网络的高速动车组运营故障研究" * |
寇兴怡: "基于贝叶斯网络的高速动车组运营故障研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 7, pages 033 - 382 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597693A (zh) * | 2023-05-25 | 2023-08-15 | 广州航海学院 | 一种内河航运监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523061B (zh) | 一种基于情景分析的突发事件应急决策方法 | |
CN112052992B (zh) | 一种基于深度学习的建筑工程项目进度预测系统及方法 | |
Liu et al. | A large group decision making approach for dependence assessment in human reliability analysis | |
CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN115378988B (zh) | 基于知识图谱的数据访问异常检测及控制方法、装置 | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
Catal et al. | An artificial immune system approach for fault prediction in object-oriented software | |
CN103793589B (zh) | 一种高速列车故障处理方法 | |
CN114662979A (zh) | 一种基于bn-ism模型的铁路交通事故预警方法及系统 | |
CN116776270A (zh) | 一种基于Transformer的微服务性能异常检测方法和系统 | |
CN115659774A (zh) | 一种融合机器学习的大坝风险贝叶斯网络模型建模方法 | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
CN111258909A (zh) | 一种测试样本生成方法及装置 | |
Li et al. | Early warning for the construction safety risk of bridge projects using a RS-SSA-LSSVM model | |
CN113268370B (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
Wu et al. | Risk assessment of open-pit slope based on large-scale group decision-making method considering non-cooperative behavior | |
CN117035456B (zh) | 一种智慧工地监控管理方法及系统 | |
CN113657599B (zh) | 事故因果推理方法、装置、电子设备及可读存储介质 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
Arsham et al. | Comparison of the learning algorithms for evidence-based BBN modeling: A case study on ship grounding accidents | |
Sentas et al. | Multinomial logistic regression applied on software productivity prediction | |
CN109447498B (zh) | 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 |
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 |