CN115719160A - 一种基于区块链的国际铁路货物运输质量风险预警方法 - Google Patents

Abstract

本发明公开了一种基于区块链的国际铁路货物运输质量风险预警方法，本发明包括有如下步骤：步骤A：识别国际铁路货物运输的风险源，明确国际铁路货物运输的风险因素；步骤B：基于贝叶斯网络建立基于贝叶斯网络的国际铁路货物运输联运风险预警模型，对运输质量风险的等级进行评估；步骤C：根据国际铁路货物运输各参与方的需求，进行区块链货物运输质量风险预警框架及相应功能模块的构建与设计。本发明通过构建基于区块链的国际铁路货物运输联运风险预警机制，达到识别货物运输质量风险因素，同时实现货物运输信息的及时共享，以破除国际铁路货物运输现有信息共享壁垒，完善货物运输安全风险预警机制，提高国际铁路货物运输服务质量。

Description

一种基于区块链的国际铁路货物运输质量风险预警方法

技术领域

本发明涉及铁路运输领域，尤其涉及一种基于区块链的国际铁路货物运输质量风险预警方法。

背景技术

国际铁路跨境运输是一种在国际贸易中仅次于海运的运输方式。其最大的优势在于运量较大，速度较快，运输风险明显小于海洋运输，能常年保持准点运营等。国际铁路跨境运输作为铁路运输的一种特殊情况，现存在如下问题：

(1)国际铁路运输沿线各国的法律规范以及履行的货物运输规定各不相同，国与国之间的货物运输信息共享存在较大阻碍。

(2)纸质运单的使用，难以保证货物运输在途信息的完整性。

(3)缺乏高效完善的信息共建共享机制，无法实现对国际铁路货物运输的全程及时有效追踪。

(4)无法及时预警国际铁路货物运输质量的异常状况。

(5)国际铁路货物运输距离跨度较长，跨越国家和地区较多，涉及参与主体多，发生运输事故后难以及时进行事故关键信息的追溯和调查。

以上种种国际铁路货物运输现存问题显示，解决国际铁路货物运输信息传递不及时、信息共享不完整、风险预警滞后、事故回溯困难等问题已经迫在眉睫。

发明内容

针对上述现有技术的不足，本发明提供了一种基于区块链的国际铁路货物运输质量风险预警方法。

为达到上述发明目的，本发明所采用的技术方案为：

包括有如下步骤：

步骤A：识别国际铁路货物运输的风险源，明确国际铁路货物运输的风险因素；

确定国际铁路货物运输质量风险，从国际铁路货物运输的参与方和环节，采用HAZOP方法、网络计划和解释结构模型，识别国际铁路货物运输全流程关键路径和关键环节的风险因素；

货物运输质量风险源包括有货物安全风险因素和班列延误风险因素；

采用HAZOP方法对货物安全风险因素分别进行口岸作业风险识别和途中运输风险识别；

采用网络计划图和解释结构模型(ISM)对班列延误风险因素进行口岸作业风险识别，采用网络计划图、解释结构模型(ISM)和HAZOP方法对班列延误风险因素进行途中运输风险识别；

步骤B：对风险因素进行层次划分，根据各风险因素之间的关系，构建国际铁路运输质量风险的贝叶斯网络，建立基于贝叶斯网络的国际铁路货物运输联运风险预警模型；

步骤C：根据国际铁路货物运输各参与方对区块链技术运用于班列运输风险预警的需求，在国际铁路运输质量风险的贝叶斯网络的基础上，进行区块链货物运输质量风险预警框架及相应功能模块的构建与设计，建立基于区块链的国际铁路货物运输质量风险预警平台；

选用Fabric框架以及PoA共识算法，设计应用区块链的国际铁路货物运输质量风险预警平台，并设计功能模块。

进一步地，风险因素按照参与方进行分类，收货人对应有集装箱损坏；承运人对应有设备管理不到位、人员管理不足、规章制度不完善、监管设施设备不完善、车板循环管理异常、对线路选择不灵活、车辆管理不到位、车站运营监管体系不完善、车站安保监管体系不完善、铁路风险预防监管不完善、监管设施设备不完善、生产安全监管不完善、车站监管不到位、换装能力不足、未增加疫情防控措施、作业效率低、安全意识不到位、政治局势不稳定、集装箱损坏、人为操作不当、铁路暂停或施工和货车部件受损；海关对应有作业时间超时；其他对应有自然灾害。

进一步地，步骤B还包括有如下步骤：

步骤B1：划分运输质量风险系统层次

对风险因素从组织管理、风险监管、风险诱因、直接致因、运输质量风险五个方面进行层次划分；

步骤B2：确定运输质量风险贝叶斯网络结构

分析风险因素之间的相互关系，得到贝叶斯网络的结构，通过对数据内部的因素的相互关系，将节点之间的关系用邻接矩阵Q表示，

其中q_ij表示第i个风险因素对第j个风险因素的关系，当q_ij＝1时，第i个风险因素对第j个风险因素有影响，当q_ij＝0时，则没有影响；

根据邻接矩阵画出运输质量风险贝叶斯网络；

步骤B3：确定运输质量风险数据集

对收集到的数据进行运输质量风险因素的分层提取，得到运输质量风险相关事故和班列延误的数据集；

设

为数据集，其中D_i为第i行数据所关联的风险因素状态的集合；

D_i＝[u_i1 u_i2 ... u_in]

如果第i行数据与风险因素A1相关联，则u_i1＝A1风险因素，否则u_i1＝A2风险因素；n代表第i行数据提取的风险因素个数；

对于D数据集，用u_i1表示为：

步骤B4：划分运输质量风险危害等级

由于所有节点在贝叶斯网络中存在相应的概率关系，故综合考虑该节点相对于最终节点的灵敏度等级以及该节点风险自身所在网络层次，灵敏度等级计算公式如下：

S_i＝5Pe_i

进行加权计算并向上取整得出节点的风险危害等级：

E_i＝[αS_i+βC_i]

其中S_i为灵敏度等级，Pe_i为运输质量风险(F4)对风险因素i的灵敏度占运输质量风险(F4)对于自身的灵敏度的比例，E_i为风险危害等级，C_i为风险因素i所在贝叶斯网络的层次；由于节点本身对运输质量风险概率的影响比节点风险自身所导致的后果对风险的直接关联较弱，因此取α＝0.3，β＝0.7；

步骤B5：计算各风险因素的风险值

将风险发生概率和风险危害等级的乘积作为风险值，设E_i为风险因素i风险危害等级，P_i为风险因素i风险发生概率等级，则风险值计算公式如下：

R_i＝E_iP_i

步骤B6：确定运输质量风险预警等级

利用风险发生概率等级P_i和风险危害等级E_i建立风险矩阵图，使用风险矩阵图对风险值进行包括高、较高、中、较低、低的五个预警等级的划分；当风险值R_i∈{1,2}时，风险因素i为低风险状态；R_i∈{3,4,6}时，风险因素i为较低风险状态；R_i∈{5,8,9}时，风险因素i为中风险状态；R_i∈{10,12,15,16}时，风险因素i为较高风险状态；R_i∈{20,25}时，风险因素i为高风险状态。

步骤B7：完成基于贝叶斯网络的国际铁路货物运输联运风险预警模型建立。

进一步地，组织管理包括有集装箱管理、人员管理、规章制度、设施设备管理、车板管理、线路管理、车辆管理等子系统；每个子系统分别对应O1、O2、O3、O4、O5、O6、O7节点；O1节点对应A1设备管理到位和A2设备管理不到位；O2节点对应A1人员管理正常和A2人员管理不足；O3节点对应A1规章制度完善和A2规章制度不完善；O4节点对应A2监管设施设备完善和A2监管设施设备不完善；O5节点对应A1车板循环管理正常和A2车板循环管理异常；O6节点对应A1对线路选择灵活和A2对线路选择不灵活；O7节点对应A1车辆管理到位和A2车辆管理不到位；

风险监管包括有运营监管、安保监管、风险预防监管、监管设施、生产安全监管等子系统；每个子系统分别对应M1、M2、M3、M4、M5节点；M1节点对应A1车站运营监管体系完善和A2车站运营监管体系不完善；M2节点对应A1车站安保监管体系完善和A2车站安保监管体系不完善；M3节点对应A1铁路风险预防监管不完善和A2铁路风险预防监管完善；M4节点对应A1监管设施设备完善和A2监管设施设备不完善；M5节点对应A1生产安全监管完善和A2生产安全监管不完善；

风险诱因包括有自然环境、运营环境、设备能力、疫情防控、作业效率、安全意识、政治因素等子系统；每个子系统分别对应S1、S2、S3、S4、S5、S6、S7等节点；S1节点对应A1正常和A2发生自然灾害；S2节点对应A1车站监管到位和A2车站监管不到位；S3节点对应A1换装能力不足和A2换装能力不足；S4节点对应A1未增加疫情防措施和A2增加疫情防措施；S5节点对应A1作业效率正常和A2作业效率低；S6节点对应A1安全意识到位和A2安全意识不到位；S7节点对应A1政治局势稳定和A2政治局势不稳定；

直接致因包括有集装箱状态、人为操作、铁路暂停或施工、作业时间、货车部件状态等子系统；每个子系统对应Z1、Z2、Z3、Z4、Z5节点；Z1节点对应A1集装箱正常和A2集装箱损坏；Z2节点对应A1无人为操作不当和A2人为操作不当；Z3节点对应A1无铁路暂停或施工和A2铁路暂停或施工；Z4节点对应A1作业时间正常和A2作业时间超时；Z5节点对应A1货车部件正常和A2货车部件受损；

运输质量风险包括有事故、除事故以外的意外事件、班列延误、运输质量风险等子系统；各个子系统分别对应F1、F2、F3、F4节点。

本发明的有益效果为：

1.利用所构建的国际铁路运输货物质量风险预警机制，弥补现有信息机制的空缺，提高各国信息共享程度。

2.实现对货物运输数据的完整追溯以及货物状态的全程追踪。

3.可以对风险进行一定的安全预管理，降低风险发生的概率。

4.对已发生的风险及时作出应急响应，避免更大的运输损失。

5.统一国际铁路沿线国家对运输事故的责任划分、追责流程等。

6.本发明通过构建基于区块链的国际铁路货物运输联运风险预警机制，达到识别货物运输质量风险因素，同时实现货物运输信息的及时共享，以破除国际铁路货物运输现有信息共享壁垒，完善货物运输安全风险预警机制，提高国际铁路货物运输服务质量。

附图说明

图1为国际铁路货物运输全流程关键路径和关键环节的风险因素识别流程图；

图2为HAZOP方法识流程框图；

图3为运输质量风险贝叶斯网络图；

图4为国际铁路货物运输区块链架构图；

图5为基于区块链的风险预警流程图；

图6为基于区块链的货物追踪流程图；

图7为基于区块链的保价保险赔付流程图；

图8为风险矩阵图。

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。

步骤A：识别国际铁路货物运输的风险源，明确国际铁路货物运输的风险因素；

从货物运输过程中的参与方和环节梳理识别货物运输质量风险源，货物运输质量风险源包括有货物安全风险因素和班列延误风险因素；

采用HAZOP方法对货物安全风险因素分别进行口岸作业风险识别和途中运输风险识别；

采用网络计划图和解释结构模型(ISM)对班列延误风险因素进行口岸作业风险识别，采用网络计划图、解释结构模型(ISM)和HAZOP方法对班列延误风险因素进行途中运输风险识别。

采用网络计划图、解释结构模型(ISM)和HAZOP方法分析确定国际铁路货物运输基本作业环节，同时考虑路径作业时间以及流程整体结构对作业流程效率的影响，计算各环节的脆弱度得到班列延误的关键环节，进而按照作业顺序对关键环节进行参数分析，从而对班列延误风险因素进行口岸作业风险识别；采用网络计划图、解释结构模型(ISM)和HAZOP方法梳理国际铁路货物运输各基本作业的相关流程，识别并分析影响货物安全的关键流程节点及偏差，进而按照流程顺序对关键流程节点进行参数分析，从而对班列延误风险因素进行途中运输风险识别。

A1：运用HAZOP方法识别风险因素，具体主要步骤如下；

A11：梳理作业流程；A12：识别关键节点；A13：分析关键节点参数；A14：分析参数偏差；A15：所有参数分析完成，则进行下一步骤，否则返回步骤A14；A16：所有关键节点分析完成，则进行下一步，否则返回步骤A13；A17：识别风险因素完成。

A2：运用网路计划图结合GTFN识别铁路口岸站作业关键路径

关键路径是整个计划中由作业环节组成的从开始到结束占用时间最长的作业流程中的一条路径；假设P是从节点1到节点n在网络G的任意路径，而pⁿ是从节点1到节点n的所有路径的集合，x-y是网络计划图中的任一作业环节，则路径P的终点的标签值记作

如果

则P^*为网络计划图中的关键路径，整个网络计划持续时间为

A21：基于网路计划图识别铁路口岸站作业关键路径，具体步骤如下：

A211：使Pred(1)＝0，

A212：沿着箭头方向，从节点2至节点n，分别计算

节点i为指向节点j的标签值最大的节点，则sour(j)＝i；

A213：如果j＝n，则

p^*＝{n,Sour(n),Sour(Sour(n)),...,1}，否则继续步骤2，计算下一个节点的标签值；

上式中，j：网络计划图中的任一节点；i：网络计划图中指向节点j的节点之一；Pred(j)：指向j的节点，j∈(1,n]；Sour(j)：关键路径中节点j的上一邻接节点；m：指向j的节点的数量，m∈[1,j)；

第k个指向j的节点的标签值，k∈[1,m]；

A22：考虑到实际作业过程中作业时间的随机性，本发明方法在进行作业时间调研时选取了随机分布来表示每个环节的作业时间，根据数据特点，使用正态分布函数、均匀分布函数来表示作业时间；为方便计算，将分布近似地转化为广义模糊数；

A23：结合网路计划图和广义模糊数，计算网络节点标签值，得到网络关键路径；

A3：构建解释结构模型，调整关键环节的脆弱度(局部作业环节的改变对整体作业的影响程度)

A31：构建解释结构模型的主要步骤如下：

A311：作业环节分析；分析作业流程，确定流程中的基本作业环节{E1,E2……}；

A312：构建有向图；分析作业流程中的作业环节之间的关系，构建有向图；

A313：建立邻接矩阵；使用布尔矩阵表示作业环节之间的有向关系，设邻接矩阵为A，当作业环节Ei对作业环节Ej有直接影响时，矩阵元素a_ij取1，否则取零；

A314：求解可达矩阵；将邻接矩阵A与单位矩阵I相加，对该矩阵进行连乘直到矩阵不发生变化，得到可达矩阵R；

(A+I)^k-1≠(A+I)^k＝(A+I)^k+1＝R

即B^k-1≠B^k＝B^k+1＝R

A315：根据所求的可达矩阵，对作业过程进行区域分解和层次分解；构建解释结构模型；

A32：计算作业环节的关键脆弱度；

将关键路径中的作业环节与解释结构模型中所在层次环节数大于等于2的环节进行合并，对这些环节求其作业时间与理想信息向量的相似度，最后根据相似度从大到小进行排序；作业环节i-j的排序号记作x_ij，将x_ij无量纲化，得到作业环节i-j的关键脆弱度O_ij；

式中：i-j是属于关键路径的作业环节；

环节i-j同一层次的作业环节数量记作Num_i-j；

式中：当环节i-j与环节k-m在同一层次则x_ijkm＝1，否则等于0，对每个作业环节得到的Num_i-j，进行无量纲处理，得到每个作业环节的层次脆弱度I_i-j；

A33：加权得到各环节综合脆弱度；

取层次脆弱度权重为0.3，关键脆弱度为0.7，则得到每个环节的综合脆弱度N_i-j，如下式：

N_i-j＝0.3I_i-j+0.7O_i-j

A4：按风险涉及到的参与方将货物安全风险因素与班列延误风险因素进行分类，如下表所示：

按参与方分类的风险因素

步骤B：构建基于贝叶斯网络的国际铁路货物运输质量风险预警模型

步骤B1：划分风险因素的层次

考虑国际铁路货运存在货物运输安全风险和班列延误风险，其风险因素之间存在非线性关系和概率问题，对风险因素进行系统化层次划分，如下表2所示；

表2风险系统分层

步骤B2：构建国际铁路运输质量风险贝叶斯网络的结构

根据风险因素之间的相互关系，建立贝叶斯网络的结构，将贝叶斯网络中所有节点之间的关系用邻接矩阵Q表示；

其中q_ij表示第i个风险因素对第j个风险因素的关系，当q_ij＝1时，第i个风险因素对第j个风险因素有影响，当q_ij＝0时，则没有影响；

根据邻接矩阵Q画出运输质量风险贝叶斯网络，如图3所示。

步骤B3：确定运输质量风险的数据集

将收集到的运输质量风险数据进行运输质量风险因素的分层提取，得到运输质量风险相关事故和班列延误的数据集D；

其中，D_i为第i行数据所关联的风险因素状态的集合；

D_i＝[u_i1 u_i2 ... u_in]

如果第i行数据与风险因素A1相关联，则u_i1＝A1风险因素，否则u_i1＝A2风险因素；n代表第i行数据提取的风险因素个数；

对于数据集D，用u_i1表示为：

本发明中的方法考虑数据集中存在部分未知数据，使用EM学习算法将处理后的数据输入贝叶斯网络结构，找到最大似然贝叶斯网；需要进行运输质量风险贝叶斯网络参数学习；

EM学习是通过迭代过程进行的，从一个候选网开始，报告其日志可能性，然后用它处理整个案例集，以找到一个更好的网；这个过程不断重复，直到日志可能性数值不再得到足够的改进，或者达到了所需的迭代次数，则迭代结束。

步骤B4：划分运输质量风险危害等级

由于所有节点在贝叶斯网络中存在相应的概率关系，故综合考虑该节点相对于最终节点的灵敏度等级以及该节点风险自身所在网络层次，计算所有节点在贝叶斯网络中的灵敏度等级S_i：

S_i＝5Pe_i

将灵敏度等级S_i进行加权计算，并向上取整得出节点的风险危害等级E_i：

E_i＝[αS_i+βC_i]

E_i＝[αS_i+βC_i]

其中，Pe_i为运输质量风险F4对风险因素i的灵敏度等级占运输质量风险F4对于自身的灵敏度等级的比例，E_i为风险危害等级，C_i为风险因素i所在贝叶斯网络的层次；α为运输质量风险概率对风险危害等级的影响因素，β为节点风险自身所导致的后果对风险危害等级的影响因素，α相对于β的影响较弱，故取α＝0.3，β＝0.7；

步骤B5：计算各风险因素的风险值

将风险发生概率和风险危害等级的乘积作为风险值，P_i为风险因素i风险发生概率等级，则风险值R_i计算公式如下：

R_i＝E_iP_i

步骤B6：确定运输质量风险预警等级

利用风险发生概率等级P_i和风险危害等级E_i建立风险矩阵图，使用风险矩阵图对风险值进行包括高、较高、中、较低、低的五个预警等级的划分；当风险值R_i∈{1,2}时，风险因素i为低风险状态；R_i∈{3,4,6}时，风险因素i为较低风险状态；R_i∈{5,8,9}时，风险因素i为中风险状态；R_i∈{10,12,15,16}时，风险因素i为较高风险状态；R_i∈{20,25}时，风险因素i为高风险状态。风险评估通常以风险矩阵图的形式呈现，每个单元的风险等级、紧急程度或需要采取的行动都有定义，根据风险和后果的整体组合，用红色、橙色或绿色表示；风险矩阵图，如图8所示。

步骤B7：完成基于贝叶斯网络的国际铁路货物运输的运输质量风险预警。

步骤C：根据国际铁路货物运输各参与方对区块链技术运用于班列运输风险预警的需求，在国际铁路货物运输贝叶斯网络的基础上，进行区块链货物运输质量风险预警框架及相应功能模块的构建与设计；

选用Fabric框架以及PoA共识算法，设计应用区块链的国际铁路货物运输质量风险预警机制，并设计功能模块。

步骤C1：设计区块链框架，图4为国际铁路货物运输区块链架构

网络层。国际铁路货物运输各参与方分别作为节点组成区块链的分布式网络。

共识层。考虑共识效率及国际铁路货物运输各参与方属于行业联盟的特性，选定PoA共识机制作为共识层的协议。

应用层。考虑国际铁路货物运输安全需求，设计事故责任追溯、货物追踪、运输质量风险预警、风险闭环管理、保险自动赔付等功能模块。应用层包括有事故责任追溯、风险闭环管理、运输质量风险预警、货物追踪和自动赔付功能。

步骤C2：设计功能

设计国际铁路货物运输质量风险预警功能

本发明方法基于所构建的贝叶斯网络模型，引入区块链技术，提出基于区块链的运输质量风险预警流程。具体流程如下图5所示。主要流程包括有贝叶斯网络模型、各风险因素风险值计算、识别出高风险因素。

还包括有国际铁路货物追踪功能设计和国际铁路货物运输保险自动赔付功能设计。

国际铁路货物追踪功能设计：该功能模块的设计是将货物位置信息及状态信息进行上链操作，利用区块链不可篡改的特点，保障货物状态信息的可靠性。其流程实现主要是通过向全节点(同步存储完整账本的节点)发送调取信息要求，并通过获取Merkle proofs来证明调取数据的确存在于区块链中，实现货物状态的可靠追踪。图6为基于区块链的货物追踪流程。

国际铁路货物运输保险自动赔付功能设计：图7为具体流程，在国际铁路货物运输过程中，如需进行保险赔付，可以追溯改批次货物的历史记录，对有清晰的责任确定链条的情况，通过智能合约进行自动判定责任进行保险赔付；在责任不明确的情况下，调取收集区块链中各路段状态信息，提交给相应的协商机构，进行责任划分商定，再行赔付。具体流程如图7所示。

Claims (4)

1.一种基于区块链的国际铁路货物运输质量风险预警方法，其特征在于，包括有如下步骤：

步骤A：识别国际铁路货物运输的风险源，得到国际铁路货物运输的风险因素；

确定国际铁路货物运输质量风险，从国际铁路货物运输的参与方和环节，采用HAZOP方法、网络计划图和解释结构模型，识别国际铁路货物运输全流程关键路径和关键环节的风险因素；

货物运输质量风险包括有货物安全风险因素和班列延误风险因素；

采用HAZOP方法对货物安全风险因素分别进行口岸作业风险识别和途中运输风险识别；

采用网络计划图和解释结构模型(ISM)对班列延误风险因素进行口岸作业风险识别，采用网络计划图、解释结构模型(ISM)和HAZOP方法对班列延误风险因素进行途中运输风险识别；

步骤B：对风险因素进行层次划分，根据各风险因素之间的关系，构建国际铁路的运输质量风险的贝叶斯网络，建立基于贝叶斯网络的国际铁路货物运输联运风险预警模型，对运输质量风险的等级进行评估；

步骤C：根据国际铁路货物运输的各参与方对区块链技术运用于班列运输风险预警的需求，在国际铁路运输质量风险的贝叶斯网络的基础上，进行区块链货物运输质量风险预警框架及功能模块的构建与设计，建立基于区块链的国际铁路货物运输质量风险预警平台；

基于Fabric框架以及PoA共识算法，设计应用区块链的国际铁路货物运输质量风险预警平台，并设计功能模块；所述功能模块包括：国际铁路货物运输质量风险预警功能、国际铁路货物追踪功能和国际铁路货物运输保险自动赔付功能。

2.根据权利要求1所述的基于区块链的国际铁路货物运输质量风险预警方法，其特征在于，所述风险因素按照参与方进行分类，收货人对应有集装箱损坏；承运人对应有设备管理不到位、人员管理不足、规章制度不完善、监管设施设备不完善、车板循环管理异常、对线路选择不灵活、车辆管理不到位、车站运营监管体系不完善、车站安保监管体系不完善、铁路风险预防监管不完善、监管设施设备不完善、生产安全监管不完善、车站监管不到位、换装能力不足、未增加疫情防控措施、作业效率低、安全意识不到位、政治局势不稳定、集装箱损坏、人为操作不当、铁路暂停或施工和货车部件受损；海关对应有作业时间超时；其他对应有自然灾害。

3.根据权利要求1所述的基于区块链的国际铁路货物运输质量风险预警方法，其特征在于，步骤B还包括有如下步骤：

步骤B1：划分风险因素的层次

对风险因素从组织管理、风险监管、风险诱因、直接致因、运输质量风险五个方面进行层次划分；

步骤B2：构建国际铁路运输质量风险贝叶斯网络的结构

根据风险因素之间的相互关系，建立贝叶斯网络的结构，将贝叶斯网络中所有节点之间的关系用邻接矩阵Q表示；

其中q_ij表示第i个风险因素对第j个风险因素的关系，当q_ij＝1时，第i个风险因素对第j个风险因素有影响，当q_ij＝0时，则没有影响；

根据邻接矩阵Q建立运输质量风险贝叶斯网络；

步骤B3：确定运输质量风险的数据集

将收集到的运输质量风险数据进行运输质量风险因素的分层提取，得到运输质量风险相关事故和班列延误的数据集D；

其中，D_i为第i行数据所关联的风险因素状态的集合；

D_i＝[u_i1 u_i2 ... u_in]

如果第i行数据与风险因素A1相关联，则u_i1＝A1风险因素，否则u_i1＝A2风险因素；n代表第i行数据提取的风险因素个数；

对于数据集D，用u_i1表示为：

步骤B4：划分运输质量风险危害等级

计算所有节点在贝叶斯网络中的灵敏度等级S_i：

S_i＝5Pe_i

将灵敏度等级S_i进行加权计算，并向上取整得出节点的风险危害等级E_i：

E_i＝[αS_i+βC_i]

其中，Pe_i为运输质量风险F4对风险因素i的灵敏度等级占运输质量风险F4对于自身的灵敏度等级的比例，E_i为风险危害等级，C_i为风险因素i所在贝叶斯网络的层次；α为运输质量风险概率对风险危害等级的影响因素，β为节点风险自身所导致的后果对风险危害等级的影响因素，α相对于β的影响较弱，故取α＝0.3，β＝0.7；

步骤B5：计算各风险因素的风险值

将风险发生概率和风险危害等级的乘积作为风险值，P_i为风险因素i风险发生概率等级，则风险值R_i计算公式如下：

R_i＝E_iP_i

步骤B6：确定运输质量风险预警等级

利用风险发生概率等级P_i和风险危害等级E_i建立风险矩阵图，使用风险矩阵图对风险值进行包括高、较高、中、较低、低的五个预警等级的划分；当风险值R_i∈{1,2}时，风险因素i为低风险状态；R_i∈{3,4,6}时，风险因素i为较低风险状态；R_i∈{5,8,9}时，风险因素i为中风险状态；R_i∈{10,12,15,16}时，风险因素i为较高风险状态；R_i∈{20,25}时，风险因素i为高风险状态。

步骤B7：完成基于贝叶斯网络的国际铁路货物运输的运输质量风险预警。

4.根据权利要求3所述的基于区块链的国际铁路货物运输质量风险预警方法，其特征在于，所述组织管理包括有集装箱管理、人员管理、规章制度、设施设备管理、车板管理、线路管理和车辆管理；所述集装箱管理、人员管理、规章制度、设施设备管理、车板管理、线路管理和车辆管理分别对应O1、O2、O3、O4、O5、O6和O7节点；O1节点对应A1设备管理到位和A2设备管理不到位；O2节点对应A1人员管理正常和A2人员管理不足；O3节点对应A1规章制度完善和A2规章制度不完善；O4节点对应A2监管设施设备完善和A2监管设施设备不完善；O5节点对应A1车板循环管理正常和A2车板循环管理异常；O6节点对应A1对线路选择灵活和A2对线路选择不灵活；O7节点对应A1车辆管理到位和A2车辆管理不到位；

所述风险监管包括有运营监管、安保监管、风险预防监管、监管设施和生产安全监管；运营监管、安保监管、风险预防监管、监管设施和生产安全监管分别对应M1、M2、M3、M4和M5节点；M1节点对应A1车站运营监管体系完善和A2车站运营监管体系不完善；M2节点对应A1车站安保监管体系完善和A2车站安保监管体系不完善；M3节点对应A1铁路风险预防监管不完善和A2铁路风险预防监管完善；M4节点对应A1监管设施设备完善和A2监管设施设备不完善；M5节点对应A1生产安全监管完善和A2生产安全监管不完善；

风险诱因包括有自然环境、运营环境、设备能力、疫情防控、作业效率、安全意识和政治因素；自然环境、运营环境、设备能力、疫情防控、作业效率、安全意识和政治因素分别对应S1、S2、S3、S4、S5、S6、S7等节点；S1节点对应A1正常和A2发生自然灾害；S2节点对应A1车站监管到位和A2车站监管不到位；S3节点对应A1换装能力不足和A2换装能力不足；S4节点对应A1未增加疫情防措施和A2增加疫情防措施；S5节点对应A1作业效率正常和A2作业效率低；S6节点对应A1安全意识到位和A2安全意识不到位；S7节点对应A1政治局势稳定和A2政治局势不稳定；

直接致因包括有集装箱状态、人为操作、铁路暂停或施工、作业时间和货车部件状态；集装箱状态、人为操作、铁路暂停或施工、作业时间和货车部件状态分别对应Z1、Z2、Z3、Z4、Z5节点；Z1节点对应A1集装箱正常和A2集装箱损坏；Z2节点对应A1无人为操作不当和A2人为操作不当；Z3节点对应A1无铁路暂停或施工和A2铁路暂停或施工；Z4节点对应A1作业时间正常和A2作业时间超时；Z5节点对应A1货车部件正常和A2货车部件受损；

运输质量风险包括有事故、除事故以外的意外事件、班列延误和运输质量风险；事故、除事故以外的意外事件、班列延误和运输质量风险分别对应F1、F2、F3、F4节点。

Images