CN116245367A - 基于层次模糊神经网络的危货车运输风险评估方法及系统 - Google Patents

基于层次模糊神经网络的危货车运输风险评估方法及系统 Download PDF

Info

Publication number
CN116245367A
CN116245367A CN202310275824.9A CN202310275824A CN116245367A CN 116245367 A CN116245367 A CN 116245367A CN 202310275824 A CN202310275824 A CN 202310275824A CN 116245367 A CN116245367 A CN 116245367A
Authority
CN
China
Prior art keywords
dangerous
neural network
risk assessment
accident
transportation
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
Application number
CN202310275824.9A
Other languages
English (en)
Inventor
李刚
方忠圆
辛怡
邓有为
张生鹏
刘怡阳
郝翊杰
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202310275824.9A priority Critical patent/CN116245367A/zh
Publication of CN116245367A publication Critical patent/CN116245367A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及危险货物运输车辆交通运输风险评估领域，具体为一种基于层次模糊神经网络的危货车运输风险评估方法及系统，通过对所获取的危险货物运输事故信息进行预处理得到危险货物运输事故数据，并对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素并通过危货运输事故风险评估指标关联关系挖掘得到各个影响因素之间的层次性关系；通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；使用危险货物道路运输事故数据，对基于层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练和测试得到评估结果，提高了准确性。

Description

基于层次模糊神经网络的危货车运输风险评估方法及系统
技术领域
本发明涉及危险货物运输车辆交通运输风险评估领域，具体为一种基于层次模糊神经网络的危货车运输风险评估方法及系统。
背景技术
随着国家的发展和社会的需求，危险货品运输行业得到了快速的发展，近些年，危险货品的产量和运输量都在迅速增长。危险货品具有的物理性质为易燃易爆，在运输的过程中及其容易导致火灾、中毒、窒息、泄漏的发生，对人员造成极大的伤害还有环境的污染等一些重大问题的发生。在一些国家有需要95％的危险货品都需要依赖于异地的运输，为了减少事故的发生对其运输车辆做出风险评估有一定的必要。
由于在近年来危险货品运输的事故频发，引发相关部门的重视和人们的关注。随着近年来的互联网技术的大力推广和信息化的快速发展，各交通政务部门建立起庞大而复杂的业务信息系统，特别是在危货品车辆运输的数据管理、货运物流管理系统、运输调度系统、安全监测系统、安全监管系统等。利用危货运输的交通大数据来进行危险货品运输的风险评估，是预防事故的主要措施。风险评估就是指能够通过危货运输车辆的状况、天气情况、道路状况以及驾驶的状态来进行系统风险的评估，确定事故的可能性及严重程度，最终确定风险的大小，并且依据系统得到的评估来进行一个及时的风险预警和分级，采取一定的手段来将其风险降低。风险评估和预警能够达到保护驾驶员的生命安全、保护国家财产不受损失和自然生态环境不被受到污染的目的。
在对危险货品运输风险的评估和预警研究中，由于事故数据少，数据内容缺失、属性带有不确定性等问题。所以不能很好的去得到危货品运输的风险评估和预警的模型。综上所述设计高效、准确的模型是危货车辆交通运输风险评估领域待攻克的技术难题。
发明内容
为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于层次模糊神经网络的危货车运输风险评估方法，基于模糊神经网络模型进行改进，开发一种高效、实时的危险货物事故风险评估模型。
本发明是通过以下技术方案来实现：
一种基于层次模糊神经网络的危货车运输风险评估方法，包括如下步骤：
步骤1，获取危险货物运输事故信息，并对危险货物运输事故信息进行数据预处理，得到危险货物运输事故数据；
步骤2，对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素做最优尺度回归分析，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标，进行关联关系挖掘得到各个影响因素之间的层次性关系；
步骤3，通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
步骤4，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
优选的，步骤1中，在所获取的危险货物运输事故信息存在数据缺失、重复、异常和数据冲突的情况在预处理中采用通过前后数据和平均值将数据补全、通过按主键或者集体规则去重去重重复记录、通过聚类方法对异常值进行处理以及根据数据的权威性解决数据冲突。
优选的，步骤2中，所造成危险货物运输事故数据的各个影响因素包括车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素、操作失误因素、天气因素、时间因素、道路类型因素、车辆类型因素、危险货物数量因素和月份因素。
优选的，步骤2中，采用IBM SPSS Statistics数据统计分析平台选取危货运输事故风险评估指标，并通过IBM SPSS modeler数据挖掘软件对危货运输事故风险评估指标进行优化并确定危货运输事故风险评估指标为支持度和置信度来衡量可靠性。
优选的，步骤2中，根据危货运输事故风险评估指标将各个影响因素分为三个层次，其中，第一层次是车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素和操作失误因素；第二层次是天气因素和时间因素、道路类型因素；第三层次是车辆类型因素、危险货物数量因素和月份因素。
优选的，步骤3中，层次模糊神经网络一种T-S(Takagi–Sugeno)结构的模糊神经网络，包括五层结构，其中第一层结构为先行层，即模糊层；第二层为规则层；第三层解模糊化层；第四层为输出层；第五层为分类输出层。
优选的，步骤4中，将层次模糊神经网络的危险货物道路车辆事故风险评估模型在python的环境下进行训练，其中训练步骤如下：
确定输入步长，层级模糊网络模型第一级的输入明确输入向量的滑动窗口大小向量m和滑动策略，根据评估指标各层包括指标数量情况以向量形式设置对应的滑动窗口大小向量；其中滑动策略与滑动窗口大小向量相对应；
使用WM方法确定第一级模糊系统的参数；
第一层模糊系统的输出组成新的数据集作为模糊神经网络的输入，对模糊神经网进行训练和测试。
优选的，步骤4中，将层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练后得到四个风险等级：其中四级风险等级为无事故发生；三级风险等级为有事故的发生，有经济损失但无人员伤亡；二级风险等级为有事故的发生，既有经济损失也有人员伤亡；一级风险等级为事故发生后一定造成人员伤亡。
优选的，步骤4中，采用深度学习模型评估指标精度Precision、召回率Recall以及F1分数F1-score对评估结果进行分析。
一种基于层次模糊神经网络的危货车运输风险评估系统，包括
第一处理模块，用于获取危险货物运输事故信息，并对危险货物运输事故信息进行预处理，得到危险货物运输事故数据；
第二处理模块，用于对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标关联关系挖掘得到各个影响因素之间的层次性关系；
第三处理模块，用于通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
第四处理模块，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供了一种基于层次模糊神经网络的危货车运输风险评估方法，通过对所获取的危险货物运输事故信息进行预处理得到危险货物运输事故数据，并对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素并通过危货运输事故风险评估指标关联关系挖掘得到各个影响因素之间的层次性关系；通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；使用危险货物道路运输事故数据，对基于层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练和测试得到评估结果，并对评估结果进行分析，提高了准确性。
附图说明
图1为本发明中基于层次模糊神经网络的危货车运输风险评估方法的流程图；
图2为本发明中风险评估指标层次性关系图；
图3为本发明中使用的层次模糊网络模型示意图；
图4为本发明中训练和测试的过程示意图；
图5为训练模型中模糊集数目q的变化时，模型的误差的曲线图；
图6为本发明中使用的层次模糊网络模型与对比模型的PR曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
本发明的目的在于提供一种基于层次模糊神经网络的危货车运输风险评估方法及系统，以解决现有技术中对危险货品运输风险的评估和预警中各指标权重的分配不明确的技术问题。
具体的，根据图1所示，该基于层次模糊神经网络的危货车运输风险评估方法，包括如下步骤：
步骤1，获取危险货物运输事故信息，并对危险货物运输事故信息进行预处理，得到危险货物运输事故数据；
具体的，在多个部门和使用多种渠道获得危险货物运输事故的多源数据，这些数据存在一定的数据缺陷经过数据的预处理之后得到有效的数据；其中，在所获取的危险货物运输事故信息存在数据缺失、重复、异常和数据冲突的情况在预处理中采用通过前后数据和平均值将数据补全、通过按主键或者集体规则去重去重重复记录、通过聚类方法对异常值进行处理以及根据数据的权威性解决数据冲突。
具体的，通过网络公开数据和python的爬虫来获取危险货物运输事故的数据。
步骤2，对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标得到各个影响因素之间的层次性关系；
引入模糊神经网络和层次模糊网络，由模糊集理论和神经网络之间的协同合作形成的从而提供了将模糊系统提供的不确定信息处理和神经网络授予的学习能力相结合的模型；
设计一种自上而下的模糊系统模型，共有两级，第一级由三个模糊系统单元构成、第二级是一个完整的模糊神经网络；
第一级的模糊系统可以看作是输出变量的一个弱估计量。第一级的模糊单元可以被看作是普通的弱估计器，每个模糊单元只使用了来自输入空间的非常少的输入变量，第一级模糊系统使用标准的Wang–Mendel(WM)方法进行训练后，参数变成固定的，它们的输出构成第二级模糊网络的输入空间。
对事故影响范围的估算，先是计算各个方向上对应的污染系数，在进一步计算影响区域内各个方向上的偏移量，公式如下：
Figure BDA0004136305300000071
Figure BDA0004136305300000072
Figure BDA0004136305300000073
Figure BDA0004136305300000074
其中，Δh表示各个方向的偏移量，d表示污染系数。接下来对偏移量进行分解，按照等效法在NS、EW方向进行分解后，在各方向上取算术平均值，得到偏移量；
具体的，所造成危险货物运输事故数据的各个影响因素包括车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素、操作失误因素、天气因素、时间因素、道路类型因素、车辆类型因素、危险货物数量因素和月份因素。
具体的，采用IBM SPSS Statistics数据统计分析平台选取危货运输事故风险评估指标，并通过IBM SPSS modeler数据挖掘软件对危货运输事故风险评估指标进行优化并确定危货运输事故风险评估指标为支持度和置信度来衡量可靠性。
其中支持度的公式如下所示：
Figure BDA0004136305300000075
其中分子表示同时包含前项X和后项Y的事务数量，分母表示数据集中的事务总数量。支持度通常用来规则的普遍程度。
置信度的公式如下所示：
Figure BDA0004136305300000076
其中分子表示同时包含前项X和后项Y的事务数量，分母表示前项X的事务数量。置信度通常用来表示规则的可靠性。
具体的，根据危货运输事故风险评估指标将各个影响因素分为三个层次，其中，第一层次是车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素和操作失误因素；第二层次是天气因素和时间因素、道路类型因素；第三层次是车辆类型因素、危险货物数量因素和月份因素。层次性关系图如图2所示。
步骤3，通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
模糊神经网络的输出为zi，那么对应模糊规则ri可以表示为：
ri：如果
Figure BDA0004136305300000081
属于/>
Figure BDA0004136305300000082
属于/>
Figure BDA0004136305300000083
…，那么zi的计算公式(1)如下所示。其中/>
Figure BDA0004136305300000084
是规则ri第i个输入的高斯模糊集，/>
Figure BDA0004136305300000085
是结果对应的权重。
Figure BDA0004136305300000086
Figure BDA0004136305300000087
其中
Figure BDA0004136305300000088
和/>
Figure BDA0004136305300000089
分别表示对应模糊集的中心和宽度。
具体的，层次模糊神经网络一种T-S(Takagi–Sugeno)结构的模糊神经网络，包括五层结构，其中第一层结构为先行层，即模糊层,由公式2将输入进行模糊化；第二层为规则层,这一层的每个节点代表一个模糊规则，这些节点使用‘与’操作来与前一层的输出进行匹配；第三层解模糊化层,这里的每个节点对每个模糊规则采用加权平均操作进行解模糊处理；第四层为输出层,这一层的输出由第三层的模糊规则求和得到；第五层为分类输出层,输出最终结果。层次模糊网络示意图如图3所示。
步骤4，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
硬件条件的准备有AMD Ryzen 7系处理器，NVIDIA GeForce GTX 1650Ti系显卡，软件环境为Windows 10操作环境下Visual Studio Code。
模型的训练和测试示意图如图4所示。具体的，将层次模糊神经网络的危险货物道路车辆事故风险评估模型在python的环境下进行训练，其中训练步骤如下：
确定输入步长，层级模糊网络模型第一级的输入明确输入向量的滑动窗口大小向量m和滑动策略，根据评估指标各层包括指标数量情况为3-3-5，以向量形式设置对应的滑动窗口大小向量m为[3,3,5]；其中滑动策略与滑动窗口大小向量相对应；
使用WM方法确定第一级模糊系统的参数；，该方法只用利用训练数据训练一次就可以确定模糊系统中各模糊单元的参数。
第一层模糊系统的输出组成新的数据集作为模糊神经网络的输入，对模糊神经网进行训练和测试，最终得到需要的结果。
其中，在模型训练的过程中随着输入变量的模糊集数目q的取值的大小会影响最后的模型的结果。如图5所示，是q的变化导致结果误差的曲线图，可以得到q＝20时是最优的取值。
具体的，将层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练后得到四个风险等级：其中四级风险等级为无事故发生；三级风险等级为有事故的发生，有经济损失但无人员伤亡；二级风险等级为有事故的发生，既有经济损失也有人员伤亡；一级风险等级为事故发生后一定造成人员伤亡。
具体的，采用深度学习模型评估指标精度(Precision)、召回率(Recall)以及F1分数(F1-score)对评估结果进行分析。
本发明对模型进行多次迭代训练，使得损失函数稳定之后，准确率也得到一定的精度。
在该模型中共损失函数是带权重的交叉熵损失函数，是pytorch中的CrossEntropyLoss()损失函数是将nn.LogSoftmax()和nn.NLLLoss()两个函数进行结合。
模型的评估方法选用典型的深度学习模型评估指标精度(Precision)、召回率(Recall)以及F1分数(F1-score)计算方式如下：
Figure BDA0004136305300000101
Figure BDA0004136305300000102
Figure BDA0004136305300000103
其中，TP表示真阳性；FP表示假阳性；TN表示真阴性；FN表示假阴性；其中真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)分别代表模型预测的四种不同的状态。最后将本发明的中危险货物运输风险评估模型进行对比试验，结果如图6所示。
本发明还提供了一种基于层次模糊神经网络的危险货物运输风险评估系统，包括第一处理模块、第二处理模块、第三处理模块和第四处理模块；
第一处理模块，用于获取危险货物运输事故信息，并对危险货物运输事故信息进行预处理，得到危险货物运输事故数据；
第二处理模块，用于对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标得到各个影响因素之间的层次性关系；
第三处理模块，用于通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
第四处理模块，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
综上所述，本发明提供了一种基于层次模糊神经网络的危货车运输风险评估方法，通过对所获取的危险货物运输事故信息进行预处理得到危险货物运输事故数据，并对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素并通过危货运输事故风险评估指标得到各个影响因素之间的层次性关系；通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；使用危险货物道路运输事故数据，对基于层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果进行分析，提高了准确性。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，包括如下步骤：
步骤1，获取危险货物运输事故信息，并对危险货物运输事故信息进行数据预处理，得到危险货物运输事故数据；
步骤2，对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素做最优尺度回归分析，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标，进行关联关系挖掘得到各个影响因素之间的层次性关系；
步骤3，通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
步骤4，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
2.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤1中，在所获取的危险货物运输事故信息存在数据缺失、重复、异常和数据冲突的情况在预处理中采用通过前后数据和平均值将数据补全、通过按主键或者集体规则去重去重重复记录、通过聚类方法对异常值进行处理以及根据数据的权威性解决数据冲突。
3.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤2中，所造成危险货物运输事故数据的各个影响因素包括车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素、操作失误因素、天气因素、时间因素、道路类型因素、车辆类型因素、危险货物数量因素和月份因素。
4.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤2中，采用IBM SPSS Statistics数据统计分析平台选取危货运输事故风险评估指标，并通过IBM SPSS modeler数据挖掘软件对危货运输事故风险评估指标进行优化并确定危货运输事故风险评估指标为支持度和置信度来衡量可靠性。
5.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤2中，根据危货运输事故风险评估指标将各个影响因素分为三个层次，其中，第一层次是车速因素、危险货物种类因素、车辆状态因素、疲劳驾驶因素和操作失误因素；第二层次是天气因素和时间因素、道路类型因素；第三层次是车辆类型因素、危险货物数量因素和月份因素。
6.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤3中，层次模糊神经网络一种T-S(Takagi–Sugeno)结构的模糊神经网络，包括五层结构，其中第一层结构为先行层，即模糊层；第二层为规则层；第三层解模糊化层；第四层为输出层；第五层为分类输出层。
7.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤4中，将层次模糊神经网络的危险货物道路车辆事故风险评估模型在python的环境下进行训练，其中训练步骤如下：
确定输入步长，层级模糊网络模型第一级的输入明确输入向量的滑动窗口大小向量m和滑动策略，根据评估指标各层包括指标数量情况以向量形式设置对应的滑动窗口大小向量；其中滑动策略与滑动窗口大小向量相对应；
使用WM方法确定第一级模糊系统的参数；
第一层模糊系统的输出组成新的数据集作为模糊神经网络的输入，对模糊神经网进行训练和测试。
8.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤4中，将层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练后得到四个风险等级：其中四级风险等级为无事故发生；三级风险等级为有事故的发生，有经济损失但无人员伤亡；二级风险等级为有事故的发生，既有经济损失也有人员伤亡；一级风险等级为事故发生后一定造成人员伤亡。
9.根据权利要求1所述的一种基于层次模糊神经网络的危货车运输风险评估方法，其特征在于，步骤4中，采用深度学习模型评估指标精度Precision、召回率Recall以及F1分数F1-score对评估结果进行分析。
10.一种基于层次模糊神经网络的危货车运输风险评估系统，其特征在于，包括
第一处理模块，用于获取危险货物运输事故信息，并对危险货物运输事故信息进行预处理，得到危险货物运输事故数据；
第二处理模块，用于对危险货物运输事故数据分析并提取所造成危险货物运输事故数据的各个影响因素，选取危货运输事故风险评估指标，根据危货运输事故风险评估指标关联关系挖掘得到各个影响因素之间的层次性关系；
第三处理模块，用于通过危险货物运输事故数据以及所造成危险货物运输事故数据的各个影响因素之间的层次性关系构建层次模糊神经网络的危险货物道路车辆事故风险评估模型；
第四处理模块，对层次模糊神经网络的危险货物道路车辆事故风险评估模型进行训练得到评估结果，并对评估结果分析，完成危货车运输风险评估工作。
CN202310275824.9A 2023-03-20 2023-03-20 基于层次模糊神经网络的危货车运输风险评估方法及系统 Pending CN116245367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310275824.9A CN116245367A (zh) 2023-03-20 2023-03-20 基于层次模糊神经网络的危货车运输风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310275824.9A CN116245367A (zh) 2023-03-20 2023-03-20 基于层次模糊神经网络的危货车运输风险评估方法及系统

Publications (1)

Publication Number Publication Date
CN116245367A true CN116245367A (zh) 2023-06-09

Family

ID=86624205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310275824.9A Pending CN116245367A (zh) 2023-03-20 2023-03-20 基于层次模糊神经网络的危货车运输风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN116245367A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520856A (zh) * 2023-07-04 2023-08-01 交通运输部水运科学研究所 基于igv智慧导航的码头运输车定量安全避让系统
CN117474344A (zh) * 2023-12-28 2024-01-30 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520856A (zh) * 2023-07-04 2023-08-01 交通运输部水运科学研究所 基于igv智慧导航的码头运输车定量安全避让系统
CN116520856B (zh) * 2023-07-04 2023-09-22 交通运输部水运科学研究所 基于igv智慧导航的码头运输车定量安全避让系统
CN117474344A (zh) * 2023-12-28 2024-01-30 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统
CN117474344B (zh) * 2023-12-28 2024-03-22 青岛盈智科技有限公司 一种货物运输过程的风险评估方法及系统

Similar Documents

Publication Publication Date Title
CN116245367A (zh) 基于层次模糊神经网络的危货车运输风险评估方法及系统
CN112465393B (zh) 基于关联分析FP-Tree算法的企业风险预警方法
CN111242484B (zh) 基于转移概率的车辆风险综合评价方法
CN107153914B (zh) 一种汽车运行风险的评价系统及方法
CN111275333B (zh) 污染数据处理方法和装置
CN109472075B (zh) 一种基站性能分析方法及系统
US20220341996A1 (en) Method for predicting faults in power pack of complex equipment based on a hybrid prediction model
Niu et al. Analysis of truck drivers’ unsafe driving behaviors using four machine learning methods
CN110555565A (zh) 基于决策树模型的高速路出口匝道事故严重程度预测方法
CN112836967B (zh) 新能源汽车电池安全风险评估系统
CN117035563B (zh) 产品质量安全风险监测方法、设备、监测系统及介质
Liao et al. Hierarchical quantitative analysis to evaluate unsafe driving behaviour from massive trajectory data
CN113283673A (zh) 一种模型性能衰减评价方法、模型训练方法及装置
CN116092296B (zh) 交通状态评估方法、装置、电子设备及存储介质
CN116432864A (zh) 一种区域营运驾驶员群体安全态势的预测方法及系统
CN113807587B (zh) 一种基于多梯核深度神经网络模型积分预警方法以及系统
CN116739742A (zh) 信贷风控模型的监控方法、装置、设备及存储介质
CN115310900A (zh) 一种网络货运平台诚信管理的大数据预警系统
Yuan et al. A gray prediction method for economic loss of road traffic accidents based on Logistic model.
CN115936293A (zh) 一种基于pca的地铁施工安全事故风险评价方法
Plotnikov Civil aviation flight safety: pilot properties soft computing
CN113064883A (zh) 物流风控模型的构建方法、计算机设备和存储介质
Tsopa et al. THE DANGEROUS FACTORS IDENTIFICATION FEATURES OF OCCUPATIONAL HAZARDS IN THE TRANSPORTATION CARGO PROCESS.
Chen et al. Fire and explosion analysis of filling station based on fuzzy mathematics and Bayesian network model
CN116739391B (zh) 一种多制式轨道交通应急协同决策方法及装置

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