CN114966832B - 列车地震处置方式计算方法、装置、设备及可读存储介质 - Google Patents

列车地震处置方式计算方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114966832B
CN114966832B CN202210357645.5A CN202210357645A CN114966832B CN 114966832 B CN114966832 B CN 114966832B CN 202210357645 A CN202210357645 A CN 202210357645A CN 114966832 B CN114966832 B CN 114966832B
Authority
CN
China
Prior art keywords
earthquake
early warning
train
information
model
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
Application number
CN202210357645.5A
Other languages
English (en)
Other versions
CN114966832A (zh
Inventor
杨长卫
温浩
张凯文
张志方
瞿立明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210357645.5A priority Critical patent/CN114966832B/zh
Publication of CN114966832A publication Critical patent/CN114966832A/zh
Application granted granted Critical
Publication of CN114966832B publication Critical patent/CN114966832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Geology (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种列车地震处置方式计算方法、装置、设备及可读存储介质，涉及地震预警技术领域，包括获取第一信息和列车位置信息，第一信息包括地震监测台站所采集到的地震加速度信号和地震监测台站的空间坐标；建立地震动衰减模型，将第一信息输入地震动衰减模型计算得到等震线图，根据等震线图得到第一预警等级；根据第一信息和空间位置信息，通过神经网络模型计算得到第二预警等级；根据第二预警等级判断第一预警等级可信度，若可信，则将第一预警等级发送给列车，在本方法中通过地震动衰减模型确定列车所在位置可能会遭遇的地震等级，并通过神经网络的预警等级进行可信度判断，进而提升本方法对列车所遭遇的危险性预警准确性。

Description

列车地震处置方式计算方法、装置、设备及可读存储介质
技术领域
本发明涉及地震预警技术领域，具体而言，涉及列车地震处置方式计算方法、装置、设备及可读存储介质。
背景技术
对于铁路运输系统而言，地震易造成列车脱轨、火灾等严重安全事故，威胁人民生命财产安全。现有的地铁预警处置中，尚未有较安全的列车处置方法。
发明内容
本发明的目的在于提供一种列车地震处置方式计算方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种列车地震处置方式计算方法，包括：获取第一信息和列车的空间位置信息，所述第一信息包括地震监测台站所采集到的地震加速度信号和所述地震监测台站的空间坐标；建立地震动衰减模型，将所述第一信息输入预设的地震动衰减模型，计算得到等震线图，根据所述等震线图，得到所述列车的第一预警等级；根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级；根据所述第二预警等级判断所述第一预警等级的可信度，若可信度达到阈值，则将所述第一预警等级发送给所述列车，所述列车根据所述第一预警等级得到处置方式。
进一步地,所述建立地震动衰减模型，包括：获取第二信息，所述第二信息包括所述至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；建立预设衰减模型；根据所述第二信息中单个地震多个地震监测台对所述预设衰减模型进行初次回归计算得到无震级振动衰减模型；根据所述第二信息中多个地震对应的多个地震监测台和所述无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
进一步地,所述根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级，包括：获取第二信息，所述第二信息包括所述至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；获取预测地震监测台的空间坐标，所述预测地震监测台为距离列车直线距离最短的地震监测台；建立局部均值分解模型，将每个所述历史数据作为所述局部均值分解模型的输入信息，求解所述局部均值分解模型得到第三信息，所述第三信息包括每个地震加速度曲线特征分解后的分量；建立长短时记忆神经网络模型，利用所述第三信息和第二信息训练所述长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将所述预警信号作为所述预测地震监测台对应的所述区间预测模型输入信息，求解所述区间预测模型得到第二预警等级，所述第二预警等级为所述预测地震监测台对应的预警等级的预测结果。
进一步地,所述根据所述第二预警等级判断所述第一预警等级的可信度，包括：若所述第二预警等级与所述第一预警等级之差的绝对值小于第一预设值，则所述可信度为一；若所述第二预警等级与所述第一预警等级之差的绝对值大于或等于第一预设值，则所述可信度为零；若所述可信度小于预设可信度阈值，则建立判断优化模型，将所述第一预警等级作为所述判断优化模型输入信息，求解所述判断优化模型得到更新后的所述第一预警等级。
第二方面，本申请还提供了一种列车地震处置方式计算装置，包括：第一获取单元，用于获取第一信息和列车的空间位置信息，所述第一信息包括地震监测台站所采集到的地震加速度信号和所述地震监测台站的空间坐标；第一建立单元，用于建立地震动衰减模型，将所述第一信息输入预设的地震动衰减模型，计算得到等震线图，根据所述等震线图，得到所述列车的第一预警等级；第一计算单元，用于根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级；可信度计算单元，用于根据所述第二预警等级判断所述第一预警等级的可信度，若可信度达到阈值，则将所述第一预警等级发送给所述列车，所述列车根据所述第一预警等级得到处置方式。
进一步地，所述第一建立单元包括：第二获取单元，用于获取第二信息，所述第二信息包括所述至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；第二建立单元，用于建立预设衰减模型；第二计算单元，用于根据所述第二信息中单个地震多个地震监测台对所述预设衰减模型进行初次回归计算得到无震级振动衰减模型；第三计算单元，用于根据所述第二信息中多个地震对应的多个地震监测台和所述无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
进一步地，所述第一计算单包括：第三获取单元，用于获取第二信息，所述第二信息包括所述至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；第四获取单元，用于获取预测地震监测台的空间坐标，所述预测地震监测台为距离列车直线距离最短的地震监测台；第三建立单元，用于建立局部均值分解模型，将每个所述历史数据作为所述局部均值分解模型的输入信息，求解所述局部均值分解模型得到第三信息，所述第三信息包括每个地震加速度曲线特征分解后的分量；第四建立单元，用于建立长短时记忆神经网络模型，利用所述第三信息和第二信息训练所述长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将所述预警信号作为所述预测地震监测台对应的所述区间预测模型输入信息，求解所述区间预测模型得到第二预警等级，所述第二预警等级为所述预测地震监测台对应的预警等级的预测结果。
进一步地，所述可信度计算单元包括：第一判断单元，用于若所述第二预警等级与所述第一预警等级之差的绝对值小于第一预设值，则所述可信度为一；第二判断单元，用于若所述第二预警等级与所述第一预警等级之差的绝对值大于或等于第一预设值，则所述可信度为零；第三判断单元，用于若所述可信度小于预设可信度阈值，则建立判断优化模型，将所述第一预警等级作为所述判断优化模型输入信息，求解所述判断优化模型得到更新后的所述第一预警等级。
第三方面，本申请还提供了一种列车地震处置方式计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述列车地震处置方式计算方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于列车地震处置方式计算方法的步骤。
本发明的有益效果为：
在本方法中，通过地震动衰减模型确定列车所在位置可能会遭遇的地震等级，并以此确定列车所要遭遇的危害等级，进而达到对列车安全保证的目的。同时，考虑到由于地震动衰减模型其为一种经验式的地震推算方式，其在安全度上的评价上可信度欠佳，所以为了提升本方法计算得到列车所遭遇危害等级可信度，在本申请中通过神经网络的对于通过地震动衰减模型得到第一预警等级进行可信度判断，进而提升本方法对列车所遭遇的危险性预警准确性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的列车地震处置方式计算方法流程示意图;
图2为本发明实施例中所述的列车地震处置方式计算装置结构示意图；
图3为本发明实施例中所述的列车地震处置方式计算设备结构示意图。
图中标记：1、第一获取单元；2、第一建立单元；21、第二获取单元；22、第二建立单元；23、第二计算单元；24、第三计算单元；3、第一计算单元；31、第三获取单元；32、第四获取单元；33、第三建立单元；34、第四建立单元；4、可信度计算单元；41、第一判断单元；42、第二判断单元；43、第三判断单元；431、第五获取单元；432、第四计算单元；4321、第一识别单元；4322、第二识别单元；4323、第三识别单元；4324、第五计算单元；4325、第四识别单元；4326、更新单元。801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种列车地震处置方式计算方法。
需要先说明的是，在本方法中共将地震危险等级为1-5级，其中1级到5级危险等级逐渐提升，下面举例说明，1级为限速铁路线路最高行驶速度1/2行驶，如铁路线路建设最高时速200km/h，则限速100km/h；2级为限速铁路线路最高行驶速度1/4行驶；3级为缓慢制动，寻找安全位置停车；4级为向列控系统和车载地震装置发送4级警报信息，实现列控系统和车载地震装置控制列车紧急制动；5级为向列控系统、牵引供电系统和车载地震装置发送5级警报信息，实现列控系统和车载地震装置控制列车紧急制动，同时接触网实施断电。
其中对于上文中所提及的额不同等级危险确定，本领域技术人员可以根据实际需求将列车所遭遇的不同等级的地震分为上述不同五种情况进行处理。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取第一信息和列车的空间位置信息，第一信息包括地震监测台站所采集到的地震加速度信号和地震监测台站的空间坐标；
S200、建立地震动衰减模型，将第一信息输入预设的地震动衰减模型，计算得到等震线图，根据等震线图，得到列车的第一预警等级；
S300、根据第一信息和列车的空间位置信息，通过神经网络模型，计算得到列车的第二预警等级；
S400、根据第二预警等级判断第一预警等级的可信度，若可信度达到阈值，则将第一预警等级发送给列车，列车根据第一预警等级得到处置方式。
在本方法中，通过地震动衰减模型确定列车所在位置可能会遭遇的地震等级，并以此确定列车所要遭遇的危害等级，进而达到对列车安全保证的目的。同时，由于地震动衰减模型其为一种经验式的地震推算方式，其在安全度上的评价上可能具有不可行信性，所以为了提升本方法对于列车所遭遇的危害等级可信性，在本申请中通过神经网络的对于通过地震动衰减模型确定得到第一预警等级进行可信度判断可信性，进而提升本方法对列车所遭遇的危险性预警计算的可靠性。
在一些具体实施例中，步骤S200中包括步骤S210、步骤S220、步骤S230和步骤S240。
S210、获取第二信息，第二信息包括至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个地震监测台站的空间坐标，每个历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
需要说明的是，在本申请中地震监测台的数量越多越能提升运算准确率，对于数量的选择，本申请中不作出的具体的选择。
S220、建立预设衰减模型；
需要说明的是，在本方法中，预设衰减模型为：
Figure 191693DEST_PATH_IMAGE002
其中，式中，A为加速度反应谱值，单位为cm/s2,M为震级，R为距离，单位为km，C1、C2、C3、C4和C5均为回归系数，σ为均方差。
KM，C1、C2、C3、C4和Cs均为回归系数，σ为均方差。
S230、根据第二信息中单个地震多个地震监测台对预设衰减模型进行初次回归计算得到无震级振动衰减模型；
需要说明的是，在本步骤即首先将上一步的公式进行改写为下列公式：
Figure 108833DEST_PATH_IMAGE004
(1)
Figure 950887DEST_PATH_IMAGE006
(2)
Figure 346096DEST_PATH_IMAGE008
(3)
其中，上述公式参数意义可参见步骤S220。
然后，根据地震历史数据进行经验拟合，建立单个地震的衰减关关系，然后通过经过回归分析确定b、C4和R0。
S240、根据第二信息中多个地震对应的多个地震监测台和无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
第二步回归，将多个地震的R0值利用式(3)进行回归分析得到回归系数C4和C5;最后，利用地震历史数据和步骤S220中公式进行回归分析得到回归系数C1、C2和C3。在步骤S220中初次回归不出现震级，仅考虑距离的影响，避免了震级的误差对距离回归的影响;第二步回归时没有距离项,仅考虑震级的影响，从而实现将震级和距离解耦。
通过上述步骤可可得到下式：
Figure 160469DEST_PATH_IMAGE010
其中，其中I为地震烈度,M为震级,Roa、Rob分别为长、短轴两方向烈度衰减的近场饱和因子,R1、R2分别是烈度为I的椭圆等震线的长半轴和短半轴长度,a、b、C1.C2为回归系数,ε为回归分析中表示不确定性的随机变量,通常假定为对数正态分布,其均值为零,标准差为σ。
也就可以改写为：
Figure 982931DEST_PATH_IMAGE012
上式中，Y为加速度或速度，M为震级，R为震中距，C1、C2、C3、C4、C5、C6为回归常数。
在本方法中通过历史数据再结合预设公式计算最终得到地震动衰减模型，即在此基础上在于地图结合可等到地震衰减的范围变化，进而也构成等震线图，需要说明的是，在本申请中等震线图即知道至少包括两个闭合环，其中两个闭合环之间的震级相同，同时，再获取列车的实时位置信息，得到列车所处范围，即可得到列车所遭遇的震级，最终得到列车所要危害等级，即可得到第一预警等级。
在一些具体的实施例中，步骤S300中包括步骤S310、步骤S320、步骤S330和步骤S340。
S310、获取第二信息，第二信息包括至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个地震监测台站的空间坐标，每个历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
需要说明的是，在本步骤中所使用的数据与步骤S210中相同。
S320、获取预测地震监测台的空间坐标，预测地震监测台为距离列车直线距离最短的地震监测台；
S330、建立局部均值分解模型，将每个历史数据作为局部均值分解模型的输入信息，求解局部均值分解模型得到第三信息，第三信息包括每个地震加速度曲线特征分解后的分量；
需要说明的是，在本申请中为将每个地震加速度曲线进行特征分解得到多个PF向量和Ut残差分量，即第三信息包括每个地震加速度曲线对应的多个PF向量和Ut残差分量。
S340、建立长短时记忆神经网络模型，利用第三信息和第二信息训练长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将预警信号作为预测地震监测台对应的区间预测模型输入信息，求解区间预测模型得到第二预警等级，第二预警等级为预测地震监测台对应的预警等级的预测结果。
其中在步骤中，区间预测模型内包含的长短时记忆神经网络模型分别对应的局部均值分解模型分解的一阶；其中训练的区间预测模型的数目是等于地震监控台的数目，即，每个地震监控台均对应一个区间预测模型，其中对于学习算法的训练过程为公知常识，本申请中不再赘述。
其中，需要说明的是，本步骤中与现有技术不同的是，本步骤中区间预测模型内将根据每个地震加速度曲线特征分解后的每阶分量均训练一个长短时记忆神经网络模型，其中分量包括PF分量和Ut残差，然后，在预测中通过加权求和每个长短时记忆神经网络模型预测结果最后作为区间预测模型的输出结果。通过将PF分量和Ut残差均为模型训练的基础，充分利用残差中蕴含的丰富的序列隐藏信息和参与系统动态过程的有价值的信息。提升对于地震预警判断准确性。
举例说明上述内容通过：首先共计有两个地震监测台，采集了两次地震的数据，那么两个地震监测台各自对应二个地震加速度曲线，采用分解三阶，包括PF1、PF2和Ut共计三阶的分量，那么每个地震监测台对应分量为两组向量，每组内有三个分量。对于每个地震监测台均会训练一个对应区间预测模型用于预测该地震监测台的预警等级，每个区间预测模型内有三个长短时记忆神经网络模型，其中每个区间预测模型输出为三个长短时记忆神经网络模型预测结果的和。
在一些具体的实施例中，步骤S400中包括步骤S410、步骤S420和步骤S430。
S410、若第二预警等级与第一预警等级之差的绝对值小于第一预设值，则可信度为一；
S420、若第二预警等级与第一预警等级之差的绝对值大于或等于第一预设值，则可信度为零；
S430、若可信度小于预设可信度阈值，则建立判断优化模型，将第一预警等级作为判断优化模型输入信息，求解判断优化模型得到更新后的第一预警等级。
需要说明的是，在本申请中第一预设值为0。即，在本申请中，由于第二预警等级与第一预警等级不相等将启动判断优化模型，进而提升列车安全性。
具体而言在，在本申请中，步骤S430中包括步骤S431和S432。
S431、获取列车在当前位置数据中的位置状态、列车的运行类型和根据位置状态在预设地图中提取地区信息，位置状态包括高原和平原，列车运行类型包括客运列车、含易燃易爆物品货车和普通货车，地区信息包括位于山地地区和草原地区；
S432、根据位置状态、运行类型和地区信息在预设置信区间库中计算得到更新后的第一预警等级。
其中，在本方法中，通过判断列车所处位置中状态以及列车自身的属性信息，进而进行优化第一预警等级，通过上述方式，进而可以提升列车安全系数。
在一些具体的实施例中，步骤S432中包括步骤S4321、步骤S4322、步骤S4323、步骤S4324、步骤S4325和步骤S4326。
S4321、根据位置状态在第一对照表识别得到第一危险值；
S4322、根据运行类型在第二对照表识别得到第二危险值；
S4323、根据地区信息在第三对照表识别得到第三危险值；
S4324、将第一危险值、第二危险值和第三危险值加权得到总值；
S4325、根据总值在置信区间中识别得到预警累计值；
S4326、将预警累计值与第一预警等级之和记为更新后的第一预警等级。
需要说明的是，第一对照表中即为高原和平原均对应的一个数值，其中高原和平原对应的数值互不相同。其中，第二对照表和第三对照表与第一对照表设置相同，均为不同的状态均对应一个数值。然后再将第一危险值、第二危险值和第三危险值按照预设的系数进行加权得到总值，其中，具体的计算方式为第一危险值乘以第一系数加第二危险值乘以第二系数再加第三危险值乘以第三系数等于总值。最后通过总值在置信区间中得到预警累计值。其中，置信区间为多个总值范围对应一个预警累计值。
下面举例说明上述内容。
一个列车在高原、其为客运列车且位于山地地区，那么分别即在第一对照表查找到第一危险值为1、在第二对照表查找到第二危险值为4和在第一对照表查找到第一危险值为2。由于预设第一系数、预设第二系数和预设第三系数分别为0.1、0.4和0.8那么最终计算得到总值为8.8，而8.8在置信区间为{8,10}的范围内，其对应预警累计值2。最终该列车的更新后的第一预警等级是原来的基础上加2。
本方法中通过上述方式，能适应性计算出列车地震处置等级，且剔除了地震动衰减中可能具有判断错误。
实施例2：
如图2所示，本实施例提供了一种列车地震处置方式计算装置，装置包括：
第一获取单元1，用于获取第一信息和列车的空间位置信息，第一信息包括地震监测台站所采集到的地震加速度信号和地震监测台站的空间坐标；
第一建立单元2，用于建立地震动衰减模型，将第一信息输入预设的地震动衰减模型，计算得到等震线图，根据等震线图，得到列车的第一预警等级；
第一计算单元3，用于根据第一信息和列车的空间位置信息，通过神经网络模型，计算得到列车的第二预警等级；
可信度计算单元4，用于根据第二预警等级判断第一预警等级的可信度，若可信度达到阈值，则将第一预警等级发送给列车，列车根据第一预警等级得到处置方式。
在一些具体的实施例中，第一建立单元2包括：
第二获取单元21，用于获取第二信息，第二信息包括至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个地震监测台站的空间坐标，每个历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
第二建立单元22，用于建立预设衰减模型；
第二计算单元23，用于根据第二信息中单个地震多个地震监测台对预设衰减模型进行初次回归计算得到无震级振动衰减模型；
第三计算单元24，用于根据第二信息中多个地震对应的多个地震监测台和无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
在一些具体的实施例中，第一计算单包括：
第三获取单元31，用于获取第二信息，第二信息包括至少两个地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个地震监测台站的空间坐标，每个历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
第四获取单元32，用于获取预测地震监测台的空间坐标，预测地震监测台为距离列车直线距离最短的地震监测台；
第三建立单元33，用于建立局部均值分解模型，将每个历史数据作为局部均值分解模型的输入信息，求解局部均值分解模型得到第三信息，第三信息包括每个地震加速度曲线特征分解后的分量；
第四建立单元34，用于建立长短时记忆神经网络模型，利用第三信息和第二信息训练长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将预警信号作为预测地震监测台对应的区间预测模型输入信息，求解区间预测模型得到第二预警等级，第二预警等级为预测地震监测台对应的预警等级的预测结果。
在一些具体的实施例中，可信度计算单元4包括：
第一判断单元41，用于若第二预警等级与第一预警等级之差的绝对值小于第一预设值，则可信度为一；
第二判断单元42，用于若第二预警等级与第一预警等级之差的绝对值大于或等于第一预设值，则可信度为零；
第三判断单元43，用于若可信度小于预设可信度阈值，则建立判断优化模型，将第一预警等级作为判断优化模型输入信息，求解判断优化模型得到更新后的第一预警等级。
在一些具体的实施例中，第三判断单元43包括：
第五获取单元431，用于获取列车在当前位置数据中的位置状态、列车的运行类型和根据位置状态在预设地图中提取地区信息，位置状态包括高原和平原，列车运行类型包括客运列车、含易燃易爆物品货车，地区信息包括位于山地地区和草原地区；
第四计算单元432，用于根据位置状态、运行类型和地区信息在预设置信区间库中计算得到更新后的第一预警等级。
在一些具体的实施例中，第四计算单元432包括：
第一识别单元4321，用于根据位置状态在第一对照表识别得到第一危险值；
第二识别单元4322，用于根据运行类型在第二对照表识别得到第二危险值；
第三识别单元4323，用于根据地区信息在第三对照表识别得到第三危险值；
第五计算单元4324，用于将第一危险值、第二危险值和第三危险值加权得到总值；
第四识别单元4325，用于根据总值在置信区间中识别得到预警累计值；
更新单元4326，用于将预警累计值与第一预警等级之和记为更新后的第一预警等级。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种列车地震处置方式计算设备，下文描述的一种列车地震处置方式计算设备与上文描述的一种列车地震处置方式计算方法可相互对应参照。
图3是根据示例性实施例示出的一种列车地震处置方式计算设备800的框图。如图3所示，该列车地震处置方式计算设备800可以包括：处理器801，存储器802。该列车地震处置方式计算设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该列车地震处置方式计算设备800的整体操作，以完成上述的列车地震处置方式计算方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该列车地震处置方式计算设备800的操作，这些数据例如可以包括用于在该列车地震处置方式计算设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该列车地震处置方式计算设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，列车地震处置方式计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的列车地震处置方式计算方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的列车地震处置方式计算方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由列车地震处置方式计算设备800的处理器801执行以完成上述的列车地震处置方式计算方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种列车地震处置方式计算方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的列车地震处置方式计算方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种列车地震处置方式计算方法，其特征在于，包括：
获取第一信息和列车的空间位置信息，所述第一信息包括地震监测台站所采集到的地震加速度信号和所述地震监测台站的空间坐标；
建立地震动衰减模型，将所述第一信息输入预设的地震动衰减模型，计算得到等震线图，根据所述等震线图，得到所述列车的第一预警等级；
根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级；
根据所述第二预警等级判断所述第一预警等级的可信度，若可信度达到阈值，则将所述第一预警等级发送给所述列车，所述列车根据所述第一预警等级得到处置方式。
2.根据权利要求1所述的列车地震处置方式计算方法，其特征在于,所述建立地震动衰减模型，包括：
获取第二信息，所述第二信息包括至少两个所述地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
建立预设衰减模型；
根据所述第二信息中单个地震多个地震监测台对所述预设衰减模型进行初次回归计算得到无震级振动衰减模型；
根据所述第二信息中多个地震对应的多个地震监测台和所述无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
3.根据权利要求1所述的列车地震处置方式计算方法，其特征在于,所述根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级，包括：
获取第二信息，所述第二信息包括至少两个所述地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
获取预测地震监测台的空间坐标，所述预测地震监测台为距离列车直线距离最短的地震监测台；
建立局部均值分解模型，将每个所述历史数据作为所述局部均值分解模型的输入信息，求解所述局部均值分解模型得到第三信息，所述第三信息包括每个地震加速度曲线特征分解后的分量；
建立长短时记忆神经网络模型，利用所述第三信息和第二信息训练所述长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将预警信号作为所述预测地震监测台对应的所述区间预测模型输入信息，求解所述区间预测模型得到第二预警等级，所述第二预警等级为所述预测地震监测台对应的预警等级的预测结果。
4.根据权利要求1所述的列车地震处置方式计算方法，其特征在于,所述根据所述第二预警等级判断所述第一预警等级的可信度，包括：
若所述第二预警等级与所述第一预警等级之差的绝对值小于第一预设值，则所述可信度为一；
若所述第二预警等级与所述第一预警等级之差的绝对值大于或等于第一预设值，则所述可信度为零；
若所述可信度小于预设可信度阈值，则建立判断优化模型，将所述第一预警等级作为所述判断优化模型输入信息，求解所述判断优化模型得到更新后的所述第一预警等级。
5.一种列车地震处置方式计算装置，其特征在于，包括：
第一获取单元，用于获取第一信息和列车的空间位置信息，所述第一信息包括地震监测台站所采集到的地震加速度信号和所述地震监测台站的空间坐标；
第一建立单元，用于建立地震动衰减模型，将所述第一信息输入预设的地震动衰减模型，计算得到等震线图，根据所述等震线图，得到所述列车的第一预警等级；
第一计算单元，用于根据所述第一信息和所述列车的空间位置信息，通过神经网络模型，计算得到所述列车的第二预警等级；
可信度计算单元，用于根据所述第二预警等级判断所述第一预警等级的可信度，若可信度达到阈值，则将所述第一预警等级发送给所述列车，所述列车根据所述第一预警等级得到处置方式。
6.根据权利要求5所述的列车地震处置方式计算装置，其特征在于，所述第一建立单元包括：
第二获取单元，用于获取第二信息，所述第二信息包括至少两个所述地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
第二建立单元，用于建立预设衰减模型；
第二计算单元，用于根据所述第二信息中单个地震多个地震监测台对所述预设衰减模型进行初次回归计算得到无震级振动衰减模型；
第三计算单元，用于根据所述第二信息中多个地震对应的多个地震监测台和所述无震级振动衰减模型进行二次回归计算得到地震动衰减模型。
7.根据权利要求5所述的列车地震处置方式计算装置，其特征在于，所述第一计算单包括：
第三获取单元，用于获取第二信息，所述第二信息包括至少两个所述地震监测台所记录的多个历史数据、每个历史数据对应的实际预警等级和每个所述地震监测台站的空间坐标，每个所述历史数据为一个地震监测台在一次地震中采集的地震加速度信号；
第四获取单元，用于获取预测地震监测台的空间坐标，所述预测地震监测台为距离列车直线距离最短的地震监测台；
第三建立单元，用于建立局部均值分解模型，将每个所述历史数据作为所述局部均值分解模型的输入信息，求解所述局部均值分解模型得到第三信息，所述第三信息包括每个地震加速度曲线特征分解后的分量；
第四建立单元，用于建立长短时记忆神经网络模型，利用所述第三信息和第二信息训练所述长短时记忆神经网络模型得到每个地震监控台对应的区间预测模型，将预警信号作为所述预测地震监测台对应的所述区间预测模型输入信息，求解所述区间预测模型得到第二预警等级，所述第二预警等级为所述预测地震监测台对应的预警等级的预测结果。
8.根据权利要求5所述的列车地震处置方式计算装置，其特征在于，所述可信度计算单元包括：
第一判断单元，用于若所述第二预警等级与所述第一预警等级之差的绝对值小于第一预设值，则所述可信度为一；
第二判断单元，用于若所述第二预警等级与所述第一预警等级之差的绝对值大于或等于第一预设值，则所述可信度为零；
第三判断单元，用于若所述可信度小于预设可信度阈值，则建立判断优化模型，将所述第一预警等级作为所述判断优化模型输入信息，求解所述判断优化模型得到更新后的所述第一预警等级。
9.一种列车地震处置方式计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述列车地震处置方式计算方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述列车地震处置方式计算方法的步骤。
CN202210357645.5A 2022-04-07 2022-04-07 列车地震处置方式计算方法、装置、设备及可读存储介质 Active CN114966832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210357645.5A CN114966832B (zh) 2022-04-07 2022-04-07 列车地震处置方式计算方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210357645.5A CN114966832B (zh) 2022-04-07 2022-04-07 列车地震处置方式计算方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114966832A CN114966832A (zh) 2022-08-30
CN114966832B true CN114966832B (zh) 2023-03-24

Family

ID=82976586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210357645.5A Active CN114966832B (zh) 2022-04-07 2022-04-07 列车地震处置方式计算方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114966832B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510566B (zh) * 2022-11-11 2023-04-07 成都工业职业技术学院 基于改进逻辑回归的地铁车站地震损伤预警方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5126143B2 (ja) * 2009-03-26 2013-01-23 大成建設株式会社 地震動の予測システム
CA3040089A1 (en) * 2016-10-19 2018-04-26 Weir-Jones Engineering Consultants Ltd. Systems and methods for early warning of seismic events
CN106597524B (zh) * 2017-02-09 2019-03-19 中国铁道科学研究院 高速铁路地震预警方法、地震监测台站及铁路局中心系统
CN110097740A (zh) * 2019-05-17 2019-08-06 中国铁道科学研究院集团有限公司通信信号研究所 一种地震预警紧急处置方法及信息中心
CN112131725B (zh) * 2020-09-09 2024-04-12 中国国家铁路集团有限公司 一种地震动信息转换方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114966832A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110749319B (zh) 一种路线偏移检测的方法、装置和电子设备
Kumar et al. An IoT-based vehicle accident detection and classification system using sensor fusion
CN110209835B (zh) 一种异常检测方法及装置、计算机存储介质及电子设备
CN108154420A (zh) 产品推荐方法及装置、存储介质、电子设备
CN110309735A (zh) 异常侦测方法、装置、服务器及存储介质
CN110782625A (zh) 乘车安全报警方法、装置、电子设备及存储介质
CN114966832B (zh) 列车地震处置方式计算方法、装置、设备及可读存储介质
CN111325437B (zh) 异常行驶行为的识别方法、装置以及电子设备
CN111640280B (zh) 一种基于多源信息融合的地铁站污染物预警方法
KR20220026804A (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
CN114511243A (zh) 一种基于物联网监测的火灾风险动态评估的方法及系统
CN108416376A (zh) 一种基于svm的在途物流人车跟踪监控管理系统及方法
CN113569718A (zh) 提醒方法、装置、设备、系统和存储介质
US20220246032A1 (en) Method and apparatus for prompting navigation information, and medium
CN113435753A (zh) 高危行业中企业风险判定方法、装置、设备及介质
CN106056977B (zh) 海事智能远程纠违方法
EP4124504A1 (en) Autonomous driving vehicle detection method and apparatus, electronic device and readable storage medium
CN114187751B (zh) 预警系统的适应性评价方法、装置、设备及可读存储介质
CN113570004B (zh) 一种乘车热点区域预测方法、装置、设备及可读存储介质
CN113934862B (zh) 社区安全风险预测方法、装置、电子设备及介质
CN113469475B (zh) 数据处理方法、装置、存储介质和电子设备
CN109532756B (zh) 车辆非法点火告警方法、装置、电子设备、存储介质
CN112967477A (zh) 一种高铁地震预警方法及系统
CN115209374B (zh) 一种基于第三方呼叫中心的机动车报警系统
CN112989501B (zh) 平衡车安全性评估方法、装置、终端设备

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