CN116484056A - 一种基于知识图谱的轨道交通事故的预防方法 - Google Patents
一种基于知识图谱的轨道交通事故的预防方法 Download PDFInfo
- Publication number
- CN116484056A CN116484056A CN202310181504.7A CN202310181504A CN116484056A CN 116484056 A CN116484056 A CN 116484056A CN 202310181504 A CN202310181504 A CN 202310181504A CN 116484056 A CN116484056 A CN 116484056A
- Authority
- CN
- China
- Prior art keywords
- hazard
- accident
- source
- dangerous
- sources
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002265 prevention Effects 0.000 title claims abstract description 21
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012098 association analyses Methods 0.000 claims abstract description 31
- 230000001364 causal effect Effects 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000009826 distribution Methods 0.000 claims description 12
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012097 association analysis method Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于知识图谱的轨道交通事故的预防方法。该方法包括:获取轨道交通事故数据;基于所述轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型;确定轨道交通危险源关联分析模型的分析指标;利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略。本发明提供了一种知识图谱与数据混合驱动的轨道交通危险源关联分析方法,设计分析指标对轨道交通危险源进行分析,以此来进行轨道交通事故的预防。
Description
技术领域
本发明涉及轨道交通安全技术领域,尤其涉及一种基于知识图谱的轨道交通事故的预防方法。
背景技术
近年来,随着轨道交通网络的不断发展建设,与轨道交通有关的事故频繁发生,威胁着轨道交通的安全管理水平。直接导致轨道交通事故发生的危险源因素是单一的,然而在整个轨道交通系统,常见的危险源因素是多样的,各种危险源因素通过复杂多变的关系最终会导致轨道交通事故的发生。对以往发生过的轨道交通事故中的危险源数据进行分析,获取危险源之间的关联关系,有利于轨道交通事故的预防和整个轨道交通系统的安全管理。因此,有效的危险源分析方法决定了轨道交通事故预防的科学性。
目前,现有技术中的针对轨道交通危险源关联分析研究方法在理论上已经有了一定的积累。但这些方法多是利用复杂网络的关联分析方法,这些方法所构建的轨道交通事故网络大多是由相同类型的节点和相同类型的边组成的一维复杂网络,只提供相对较少的信息。与此同时,在多维复杂网络中,针对轨道交通危险源关联分析的网络拓扑分析指标相对较少,分析获取的信息依然不够完善。
因此,亟需一种包含多维度信息的铁路事故危险源的关联分析方法。
发明内容
本发明的实施例提供了一种基于知识图谱的轨道交通事故的预防方法,以实现有效地对轨道交通事故进行预防。
为了实现上述目的,本发明采取了如下技术方案。
一种基于知识图谱的轨道交通事故的预防方法,包括:
获取轨道交通事故数据;
基于所述轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型;
确定轨道交通危险源关联分析模型的分析指标;
利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略。
优选地,所述轨道交通事故数据包括:事故类型、各事故的伤亡人数极其严重情况、各事故发生时间、各事故中危险源、各事故中危险源的类型、各事故中危险源的因果关系和各事故的因果关系。
优选地,所述的基于所述轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,包括:
将轨道交通事故、事故的危害后果、事故发生时间、事故中危险源和危险源的类型识别为轨道交通事故的知识实体;
定义关键词“Result-In”表示知识实体之间的因果关系,定义关键字“Type-Is”表示危险源与危险源类型之间的关系,定义关键字“Value-Is”表示事故与事故危害后果之间的关系,并记录为特定的结果值,定义关键词“Happened-When”表示危险源与其发生时间之间的关系。
优选地,所述的基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型,包括:
基于已识别的知识实体和知识实体之间的关系依次构建因果强度矩阵CSM、类型矩阵TYM、结果矩阵RM、时间矩阵TIM、去权因果矩阵RWCSM、最短路径矩阵SPM和因果可达性矩阵CAM;
第一步,构建由式(1)定义的因果强度矩阵CSM,由包含关键字“Result-In”的知识三元组确定,i和j均表示危险源或事故,δ表示特定值,KTs表示识别的所有知识三元组,CSM矩阵描述危险源之间、危险源和事故以及事故与事故之间的因果关系;
第二步,构建由式(2)定义的类型矩阵TYM,由包含关键字“Type-Is”的知识三元组确定,i表示危险源,j表示危险源类型。TYM矩阵描述危险源与危险源类型之间的关联关系;
第三步,构建由式(3)定义的结果矩阵RM,由包含关键字“Value-Is”的知识三元组确定,i表示事故,j表示事故危害后果,δ表示特定值,KTs表示识别的所有知识三元组。RM矩阵描述事故与事故危害后果之间的关联关系;
第四步,构建由式(4)定义的时间矩阵TIM,由包含关键字“Happened-When”的知识三元组确定,i表示风险源,j表示风险源发生时间,δ表示特定值,KTs表示识别的所有知识三元组。TIM矩阵描述风险源与风险源发生时间之间的关联关系;
第五步,根据因果强度矩阵构建式(5)定义的去权因果矩阵RWCSM;
第六步,根据去权因果矩阵构建由式(6)定义的最短路径矩阵SPM,表示从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的最短路径长度,p和q表示两个实体,N表示最短路径上的所有实体;
SPMij=∑p,q∈NRWCSMpq (6)
第七步,根据最短路径矩阵构建由式(7)定义的因果可达性矩阵CAM,表示是否存在从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的因果路径;
利用所有的矩阵组成轨道交通危险源关联分析模型。
优选地,所述的确定轨道交通危险源关联分析模型的分析指标,利用所述分析指标确定不同类型的危险源在不同时间的关联关系,包括:
确定轨道交通危险源关联分析模型的10个分析指标,包括:主动因果关联亲密度、被动因果关联亲密度、主动危险源类型分布比例指标、被动危险源类型分布比例指标、直接危险源类型关联性指标、间接危险源类型关联性指标、直接时间关联性指标、间接时间关联性指标、直接危险源危害后果指标和中间危险源危害后果指标;
所述主动因果关联亲密度指标表示在TI时间内,一个特定的危险源h导致其它危险源产生的难易程度,由式(8)定义:
所述被动因果关联亲密度指标表示在TI时间内,一个特定的危险源h由其他危险源导致产生的难易程度,由式(9)定义:
所述主动危险源类型分布比例指标表示在TI时间段内,一个特定的危险源h能够直接导致产生的所有危险源中,T型危险源所占的比例,由式(10)定义:
所述被动危险源类型分布比例指标表示在TI时间段内所有能够直接导致一个特定的危险源h的危险源中,类型为T的危险源所占的比例,由式(11)定义:
所述直接危险源类型关联性指标表示在TI时间段内,危险源类型为E的危险源和危险源类型为F的危险源之间的直接因果关联关系的强度,由式(12)定义:
所述间接危险源类型关联性指标表示在TI时间段内,危险源类型为E的危险源和危险源类型为F的危险源之间间接因果关联关系的强度,由式(13)定义:
所述直接时间关联性指标表示危险源类型为E的危险源在TI时间段之间发生因果关联关系的程度,由式(14)定义:
所述间接时间关联性指标表示危险源类型为E的危险源在TI时间段之间的间接关联关系的强度,由式(15)定义:
所述直接危险源危害后果指标是衡量危险源h在TI时间内产生的直接危害后果,由式(16)定义:
TIM矩阵记录了危险发生时间的强度,即N年内TI时间内发生的危险源数量,表示危险源h在TI时间内发生的可能性;CAMhAi是因果可达矩阵的一个实体,当危险h导致事故Ai时,该值为1;RMAiCon是结果矩阵的实体,表示事故Ai的平均后果:
所述中间危险源危害后果指标是衡量某一特定的危险源h发生时,对于人员伤害的严重程度,中间危险源危害后果指标由式(17)定义:
其中CAMih和CAMhAi是因果可达矩阵的实体,当危险源h在危险源i到事故Ai的路径中起中介作用时,它们的乘积等于1;是由危险源i产生的危害后果,由式(16)定义。
优选地,所述的利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略,包括:
利用各个分析指标确定不同类型的危险源在不同时间的关联关系,利用在不同时间的中间危险源危害后果指标确认关键危险源,利用在不同时间的因果关联亲密度指标进行轨道交通事故危险源关联分析,根据关键危险源在不同时间与其他危险源具体的关系制定轨道交通事故的预防策略。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供了一种知识图谱与数据混合驱动的轨道交通危险源关联分析方法,设计分析指标对轨道交通危险源进行分析,以此来进行轨道交通事故的预防。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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,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的附图。
图1为本发明实施例提供的一种基于知识图谱的轨道交通事故的预防方法的处理流程图;
图2为本发明实施例提供的一种轨道交通事故的预防策略的制定流程图;
图3为本发明实施例提供的一种基于知识图谱的轨道交通危险源关联分析模型;
图4为本发明实施例提供的一种各危险源的主动因果关联亲密度指标和被动因果关联亲密度指标示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明提供了一种轨道交通危险源关联分析方法,通过构建基于知识图谱理论的轨道交通危险源关联分析模型,设计10个适应轨道交通危险源关联分析模型的分析指标,借助指标结果分析轨道交通事故危险源的关联关系,制定轨道交通事故的预防策略。
本发明实施例提供的一种基于知识图谱的轨道交通事故的预防方法的处理流程如图1所示,包括如下的处理步骤:
步骤S1,获取轨道交通事故数据。
本发明中,选取的轨道交通事故数据包括:事故,事故危害后果、各事故发生时间、各事故中危险源、各事故中危险源的类型、各事故中危险源的因果关系和各事故的因果关系。
步骤S2,基于轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型。
优先地,步骤S2进一步包括:
步骤S2-1:识别知识实体。在本发明中,提出知识实体的选择方法。选择将轨道交通事故、事故危害后果、事故发生时间、事故中危险源和危险源的类型识别为知识实体。
步骤S2-2:确定知识实体之间的关系。在本发明中,提出一种知识实体之间的关系确定策略。定义四个关键字危险源之间的因果关系、危险源与事故之间的关系、危险源与危险源类型之间的关系、危险源与其发生时间之间的关系以及事故与事故后果之间的关系。
第一步,定义关键词“Result-In”表示知识实体之间的因果关系。例如,当且仅当危险源H01是导致危险源H02的直接原因时,其知识三元组可以表示为<H01,Result-In1,H02>。类似地,当且仅当危险源H02是导致碰撞事故A01的直接原因时,其知识三元组可以表示为<H02,Result-In1,A01>。
第二步,定义关键字“Type-Is”用于表示危险源和危险源类型之间的关系。例如,H01是H型危险。知识三元组可以表示为<H01,Type-Is,H-Type>。
第三步,定义关键字“Value-Is”用于表示事故及事故危害后果之间的关系,并记录为特定的结果值。例如,假设事故AO1的事故后果量化为0.008。知识三元组可以表示为<A01,Value-Is0.008,Con>。
第四步,定义关键词“Happened-When”表示危险源与其发生时间之间的关系。例如,危险源H01在夜间发生一次,则知识三元组可以表示为<H01,Happened-When1,night>。
步骤S2-3:在本发明中,基于已识别的知识实体和知识实体之间的关系构建轨道交通危险源关联分析模型,定义了四个矩阵来构建该轨道交通危险源关联分析模型,并根据所定义的矩阵构建了三个矩阵。
第一步,构建因果强度矩阵CSM,由式(1)定义。由包含关键字“Result-In”的知识三元组确定。i和崩表示危险源或事故,δ表示特定值,KTs表示步骤2-2中识别的所有知识三元组。CSM矩阵描述危险源之间、危险源和事故以及事故与事故之间的因果关系。
第二步,构建类型矩阵TYM,由式(2)定义。由包含关键字“Type-Is”的知识三元组确定。i表示危险源,j表示危险源类型,KTs表示步骤2-2中识别的所有知识三元组。
第三步,构建结果矩阵RM,由式(3)定义。由包含关键字“Value-Is”的知识三元组确定。i表示事故,j表示事故危害后果,δ表示具体值,KTs表示步骤2-2中识别的所有知识三元组。
第四步,构建时间矩阵TIM,由式(4)定义。由包含关键字“Happened-When”的知识三元组确定。i表示危险源,j表示危险源的发生时间,δ表示特定值,KTs表示步骤2-2中识别的所有知识三元组。
第五步,根据第一步所构建的因果强度矩阵构建去权因果矩阵RWCSM,由式(5)定义,将因果关系单独描述为矩阵。
第六步,根据第五步所构建的去权因果矩阵构建最短路径矩阵SPM,由式(6)定义。其表示从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的最短路径长度,p和q表示两个实体,N表示最短路径上的所有实体。
sPMij=∑p,q∈NRWCSMpq (6)
第七步,根据第六步所构建的最短路径矩阵构建因果可达性矩阵CAM,由式(7)定义。表示是否存在从从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的因果路径。这一特定的危险源h可以造成其他危险源的发生,也可以由其他风险源导致,中间危险源危害后果指。
步骤S3,确定多个轨道交通危险源关联分析模型的分析指标。
在本发明中,提出一种适用于知识图谱模型的指标分析方法,共提出了10个分析指标,包括:主动因果关联亲密度和被动因果关联亲密度两个指标,主动危险源类型分布比例指标和被动危险源类型分布比例指标,直接危险源类型关联性指标和间接危险源类型关联性指标,直接时间关联性指标和间接时间关联性指标,直接危险源危害后果指标和中间危险源危害后果指标。
优先地,步骤S3进一步包括:
步骤S3-1:主动因果关联亲密度指标表示在TI时间内,一个特定的危险源h导致其它危险源产生的难易程度,由式(8)定义。
被动因果关联亲密度指标表示在TI时间内,一个特定的危险源h由其他危险源导致产生的难易程度,由式(9)定义。
步骤S3-2:主动危险源类型分布比例指标表示在TI时间段内,一个特定的危险源h可以直接导致产生的所有危险源中,T型危险源所占的比例,由式(10)定义。
被动危险源类型分布比例指标表示在TI时间段内所有可以直接导致一个特定的危险源h的危险源中,类型为T的危险源所占的比例,由式(11)定义。
步骤S3-3:直接危险源类型关联性指标表示在TI时间段内,危险源类型为E的危险源和危险源类型为F的危险源之间的直接因果关联关系的强度,由式(12)定义。
间接危险源类型关联性指标表示在TI时问段内,危险源类型为E的危险源和危险源类型为F的危险源之间间接因果关联关系的强度,由式(13)定义。
步骤S3-4:直接时间关联性指标表示危险源类型为E的危险源在TI时间段之间发生因果关联关系的程度,由式(14)定义。
间接时间关联性指标表示危险源类型为E的危险源在TI时间段之间的间接关联关系的强度,由式(15)定义。
步骤S3-5:直接危险源危害后果指标是衡量危险源h在TI时间内产生的直接危害后果,由式(16)定义。TIM矩阵记录了危险发生时间的强度,即N年内TI时间内发生的危险源数量,表示危险源h在TI时间内发生的可能性;CAMhAi是因果可达矩阵的一个实体。当且仅当危险h可导致事故Ai时,该值为1;RMAiCon是结果矩阵的实体,表示事故Ai的平均后果。
中间危险源危害后果指标意是衡量某一特定的危险源发生时,对于人员伤害的严重程度,由式(17)定义。这一特定的危险源可以由其他危险源导致产生,并且也会导致其他危险源的发生,在危险源的传播过程中起到了一个中间的作用。其中CAMih和CAMhAi是因果可达矩阵的实体,当且仅当危险源h在危险源i到事故Ai的路径中起中介作用时,它们的乘积等于1;是由危险源i产生的危害后果,由式(17)定义。
步骤S4,利用多个轨道交通危险源关联分析模型的分析指标,制定轨道交通事故的预防策略。
图2为本发明实施例提供的一种轨道交通事故的预防策略的制定流程图。如图2所示,首先利用在不同时间的中间危险源危害后果指标确认关键危险源,其次利用在不同时间的因果关联亲密度指标进行轨道交通事故危险源关联分析,最后根据关键危险源在不同时间与其他危险源具体的关系制定轨道交通事故的预防策略。
实施例一
该实施例以2011-2020年英国轨道交通事故为例,对轨道交通危险源之间的关系进行了分析。
步骤1,确定轨道交通事故数据。
选取2011-2020年英国轨道交通事故危险源数据作为研究数据。数据来源于英国铁路事故调查部门发布的事故调查报告。
统计危险源为人员、设备、环境和管理4种类型,共计89种危险源。将危险源进行编号,其中编号为H01~H34的危险源为人员类型危险源,编号为EI01~EI21的危险源为设备类型危险源,编号为E01~F15的危险源为环境类型危险源,编号为M01~M19的危险源为管理类型危险源。由于篇幅限制,这里仅选取部分人员、设备、环境和管理类型危险源进行列举如表1所示。编号为A01~A08的铁路运营事故类型如表2所示。
表1危险源及其描述
表2铁路事故类型
铁路事故的后果通过在事故中造成的人员伤亡的严重程度来衡量,伤亡严重程度通过表3所示的死亡和加权伤害(FWI,fatalities and weighted injuries请提供英文全称)来量化。通过计算,得到每种事故的危害如下表4所示,以此确定铁路事故的加权。
表3死亡率和加权伤害量化
表4铁路事故及其危害后果
步骤2:识别轨道交通事故的知识实体,确定知识实体之间的关系,基于知识实体构建基于知识图谱理论的轨道交通危险源关联分析模型。
具体地,步骤2-1:识别知识实体,各知识实体编号如表5所示;
表5知识实体
具体地,步骤2-2:确定知识实体之间的关系,由于篇幅限制仅仅展示部分知识实体之间的关系,如表6所示。
表6知识实体
具体地,步骤2-3:基于已识别的知识实体和知识实体之间的关系,建立如图3所示基于知识图谱的轨道交通危险源关联分析模型。轨道交通危险源关联分析模型由105个节点和525条边组成。105个节点包括89种危险源、4种危险源类型、8种事故、Con、Daytime和Night。525条边包括89条包含关键字“Type-Is”的边、274条包含关键字“Result-In”的边、8条包含关键字“Value-Is”的边和154条包含关键字“Happened-When”的边。
步骤3:构建轨道交通危险源关联分析模型的分析指标,利用分析指标确定不同类型的危险源在不同时间的关联关系。
以主动因果关联亲密度指标和主动因果关联亲密度指标为例分析不同类型的危险源在不同时间的关联关系。
通过计算得到如图4所示的各危险源的主动因果关联亲密度指标和被动因果关联亲密度指标。人员类型危险源在白天和夜晚的主动因果关联亲密度和被动因果关联亲密度如图4(a)所示。从整体上来看,在白天和夜晚,危险源的在被动因果关联亲密度较之主动因果关联亲密度普遍会更高。在白天的H04、H05、H13、H19和在夜晚的H04、H34的被动因果关联亲密度等明显远高于大部分危险源的被动因果关联亲密度,更容易由其他危险源导致产生,需要重点关注。
设备类型危险源在白天和夜晚的主动因果关联亲密度和被动因果关联亲密度如图4(b)所示,从整体上来看,在白天和夜晚,危险源的被动因果关联亲密度较之主动因果关联亲密度普遍会更高,其中在白天的EI11、EI14、EI16、EI19和夜晚的EI14、EI16的在被动因果关联亲密度均高于大部分危险源的被动因果关联亲密度,表明在该时间段更容易由其他危险源导致产生,需要重点关注。
环境类型危险源在白天和夜晚的主动因果关联亲密度和被动因果关联亲密度如图4(c)所示。从整体上来看,在白天和夜晚,危险源的被动因果关联亲密度较之主动因果关联亲密度普遍会更高。其中在白天的E04、E07、F10和在夜晚的E07、F10被动因果关联亲密度均高于大部分危险源的被动因果关联亲密度,表明在该时间段更容易由其他危险源导致产生,需要重点关注。
管理类型危险源在白天和夜晚的主动因果关联亲密度和被动因果关联亲密度如图4(d)所示。从整体上来看,危险源的被动因果关联亲密度较之主动因果关联亲密度普遍会更低,大部分危险源的被动因果关联亲密度为0,表明其不能由其他危险源导致产生,而只有其中在白天发生的M04和M05和在夜晚发生的M03、M04和M05的被动因果关联亲密度大于0,表明在该时间段可以由其他危险源导致产生。其中在白天的M04、M07和M12的主动因果关联亲密度较高,表明在该时间段这些危险源更容易导致其他危险源的,需要重点关注。
其他指标经过计算均可获得危险源之间的关联关系。
步骤4:利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略。
首先根据危险源的危害后果指标,可以识别到中间危险源危害后果较高的危险源,其次步骤3计算得到的不同的危险源的危害后果指标进行具体分析,最后提出具体的预防策略。
在白天和夜晚两个时间段识别到的中间危险源危害后果较高的危险源数量较多,这里从各种危险源类型中的选取一个危险源为例,介绍针对各危险源的预防策略制定情况。H11、EI07、E08和M04在白天和夜晚两个时间段的中间危险源危害后果均较高,因此选取这四个危险源进行具体预防策略的制定,分别如下所示。
H07(列车司机加速、超速或未及时减速行驶):由图4(a)可以看出,在白天和夜晚,H07的主动因果关联亲密度为0,说明其是由其他危险源导致产生,并不能导致其他危险源,会直接导致事故的发生。在白天时,H07的被动因果关联亲密度大于在夜晚的H07的被动因果关联亲密度,表明在白天发生的H07更容易被能够被其他危险源导致产生。在该知识图谱模型中,直接导致H07危险源产生的危险源主要有H01、H03、H04、H06、EI10、F10、M03,因此针对这些危险源可以制定一些有针对性的措施,如“提高列车司机的上岗要求,保证具备充分的能力和经验再上岗”,“加强对列车司机的警告警示培训”,“合理安排列车司机排班以及休息时间,在列车司机上岗前进行健康安全检查”,“对管理、监控工作人员进行更加完备的管理培训,保证上岗能力”,“完善轨道监察清理预警,及时保障轨道的稳定适运状态”,“按时对列车的保护警告系统和进行保障和维护,保证列车司机收到准确警报信息并及时调整”。同时在进行日常的安全危险源防护时,可选择适当增加日间的检查排班计划。通过及时阻断这些危险源的发生来消除H07危险源,从而阻断与其他危险源的关联关系,预防事故的发生。
EI07(列车部件损坏脱落车辆):由图4(b)可以看出,在白天和夜晚,EI07的主动因果关联亲密度为0,说明其是由其他危险源导致产生,并不能导致其他危险源,会直接导致事故的发生。在白天和夜晚,EI07的被动因果关联亲密度不为0且相等,表明其能够被其他危险源导致产生,且力度相同。在该知识图谱模型中,直接导致EI07危险源产生的危险源有EI04,EI12,EI15和E01,因此针对这些危险源可以制定一些有针对性的措施,如“及时更换故障车轮,按时检查保障车轮正常使用状态”,“完善列车零部件的检查程序,提高安全检查标准”,“保障列车运行轨道的运营状态,提高安全检查标准”,“及时清理落叶等可能破坏污染列车部件的污物”。同时在进行日常的安全危险源防护时,对日间和夜间进行无差别排班检查安排,保证日间和夜间的检查排班计划大体一致。通过及时阻断这些危险源的发生来消除EI07危险源,从而阻断与其他危险源的关联关系,预防事故的发生。
E08(器械设备等阻塞线路):由图4(c)可以看出,在白天和夜晚,E08的主动因果关联亲密度为0,说明其是由其他危险源导致产生,并不能导致其他危险源,会直接导致事故的发生。在白天和夜晚,E08的被动因果关联亲密度均不为0,且在白天的E08的被动因果关联亲密度较高,表明在白天较容易被其他危险源导致产生。在该知识图谱模型中,直接导致E08危险源产生的危险源有H34、EI17、E04和M12,因此针对这些危险源可以制定一些有针对性的措施,如“加强对各机械设备操作人员的管理培训,确保操作规范、准确”,“及时检查电路、电气等系统,保障电线等处于安全位置”,“及时清理因大风造成的轨道线路的堵塞情况”,“完善安全检查制度,及时对轨道线路周围的设备、环境等进行检查、维护,及时排除安全隐患”。同时在进行日常的安全危险源防护时,可选择适当增加日间的检查排班计划。通过及时阻断这些危险源的发生来消除E08危险源,从而阻断与其他危险源的关联关系,预防事故的发生。
M04(未实施或实施不适合的安全工作系统):由图4(d)可以看出,M04的在白天的主动因果关联亲密度较高,在夜晚的主动因果关联亲密度较低,表明其更容易在白天导致其他危险源的发生,需要重点关注。而在白天和夜晚两个时间段的被动因果关联亲密度均较低表明在该时间段不容易导致其他危险源的发生。在该知识图谱模型中,导致M04危险源产生的危险源有H16、H22、H32、M16、M19。因此针对这些危险源可以制定一些有针对性的措施,如“合理规划铁路工作人员的工作安排,确保工作量适中,禁止长时间疲劳作业”、“加强对现场安全控制员的岗前培训,在上岗前进行更多的操作训练,确保其能力与岗位匹配”、“对管理、监控工作人员进行更加完备的管理培训,保证上岗能力”、“对各岗位人员的职责进行更加详细的划分与安排,确保各岗位人员工作职责不冲突”、“加强对各管理人员以及轨道工作人员的培训管理、并增加监督计划”。同时在进行日常的安全危险源防护时,适当增加日间的检查排班安排。通过及时阻断这些危险源的发生来消除M04危险源,从而阻断与其他危险源的关联关系,预防阻止事故的发生。
分析结果符合轨道交通事故实际需求,由此本轨道交通危险源关联分析方法具有良好的实际意义。
综上所述,本发明实施例方法能分析轨道交通事故危险源的关联关系;有利于轨道交通事故的预防和轨道交通日常的安全管理,选取的知识实体及其关联关系更符合轨道交通事故危险源的关联分析,建模过程更加规范;构建的指标适应异构结构的知识图谱模型,易于理解与计算,应用性较强。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明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产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (6)
1.一种基于知识图谱的轨道交通事故的预防方法,其特征在于,包括:
获取轨道交通事故数据;
基于所述轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型;
确定轨道交通危险源关联分析模型的分析指标;
利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略。
2.根据权利要求1所述的方法,其特征在于,所述轨道交通事故数据包括:事故类型、各事故的伤亡人数极其严重情况、各事故发生时间、各事故中危险源、各事故中危险源的类型、各事故中危险源的因果关系和各事故的因果关系。
3.根据权利要求2所述的方法,其特征在于,所述的基于所述轨道交通事故数据识别轨道交通事故的知识实体,确定知识实体之间的关系,包括:
将轨道交通事故、事故的危害后果、事故发生时间、事故中危险源和危险源的类型识别为轨道交通事故的知识实体;
定义关键词“Result-In”表示知识实体之间的因果关系,定义关键字“Type-Is”表示危险源与危险源类型之间的关系,定义关键字“Value-Is”表示事故与事故危害后果之间的关系,并记录为特定的结果值,定义关键词“Happened-When”表示危险源与其发生时间之间的关系。
4.根据权利要求3所述的方法,其特征在于,所述的基于已识别的知识实体和知识实体之间的关系构建基于知识图谱理论的轨道交通危险源关联分析模型,包括:
基于已识别的知识实体和知识实体之间的关系依次构建因果强度矩阵CSM、类型矩阵TYM、结果矩阵RM、时间矩阵TIM、去权因果矩阵RWCSM、最短路径矩阵SPM和因果可达性矩阵CAM;
第一步,构建由式(1)定义的因果强度矩阵CSM,由包含关键字“Result-In”的知识三元组确定,i和j均表示危险源或事故,δ表示特定值,KTs表示识别的所有知识三元组,CSM矩阵描述危险源之间、危险源和事故以及事故与事故之间的因果关系;
第二步,构建由式(2)定义的类型矩阵TYM,由包含关键字“Type-Is”的知识三元组确定,i表示危险源,j表示危险源类型,TYM矩阵描述危险源与危险源类型之间的关联关系;
第三步,构建由式(3)定义的结果矩阵RM,由包含关键字“Value-Is”的知识三元组确定,i表示事故,j表示事故危害后果,δ表示特定值,KTs表示识别的所有知识三元组,RM矩阵描述事故与事故危害后果之间的关联关系;
第四步,构建由式(4)定义的时间矩阵TIM,由包含关键字“Happened-When”的知识三元组确定,i表示风险源,j表示风险源发生时间,δ表示特定值,KTs表示识别的所有知识三元组,TIM矩阵描述风险源与风险源发生时间之间的关联关系;
第五步,根据因果强度矩阵构建式(5)定义的去权因果矩阵RWCSM;
第六步,根据去权因果矩阵构建由式(6)定义的最短路径矩阵SPM,表示从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的最短路径长度,p和q表示两个实体,N表示最短路径上的所有实体;
SPMij=∑p,q∈NRWCSMpq (6)
第七步,根据最短路径矩阵构建由式(7)定义的因果可达性矩阵CAM,表示是否存在从危险源i到危险源j、从危险源i到事故j以及从事故i到事故j的因果路径;
利用所有的矩阵组成轨道交通危险源关联分析模型。
5.根据权利要求4所述的方法,其特征在于,所述的确定轨道交通危险源关联分析模型的分析指标,利用所述分析指标确定不同类型的危险源在不同时间的关联关系,包括:
确定轨道交通危险源关联分析模型的10个分析指标,包括:主动因果关联亲密度、被动因果关联亲密度、主动危险源类型分布比例指标、被动危险源类型分布比例指标、直接危险源类型关联性指标、间接危险源类型关联性指标、直接时间关联性指标、间接时间关联性指标、直接危险源危害后果指标和中间危险源危害后果指标;
所述主动因果关联亲密度指标表示在TI时间内,一个特定的危险源h导致其它危险源产生的难易程度,由式(8)定义:
所述被动因果关联亲密度指标表示在TI时间内,一个特定的危险源h由其他危险源导致产生的难易程度,由式(9)定义:
所述主动危险源类型分布比例指标表示在TI时间段内,一个特定的危险源h能够直接导致产生的所有危险源中,T型危险源所占的比例,由式(10)定义:
所述被动危险源类型分布比例指标表示在TI时间段内所有能够直接导致一个特定的危险源h的危险源中,类型为T的危险源所占的比例,由式(11)定义:
所述直接危险源类型关联性指标表示在TI时间段内,危险源类型为E的危险源和危险源类型为F的危险源之间的直接因果关联关系的强度,由式(12)定义:
所述间接危险源类型关联性指标表示在TI时间段内,危险源类型为E的危险源和危险源类型为F的危险源之间间接因果关联关系的强度,由式(13)定义:
所述直接时间关联性指标表示危险源类型为E的危险源在TI时间段之间发生因果关联关系的程度,由式(14)定义:
所述间接时间关联性指标表示危险源类型为E的危险源在TI时间段之间的间接关联关系的强度,由式(15)定义:
所述直接危险源危害后果指标是衡量危险源h在TI时间内产生的直接危害后果,由式(16)定义:
TIM矩阵记录了危险发生时间的强度,即N年内TI时间内发生的危险源数量,表示危险源h在TI时间内发生的可能性;CAMhAi是因果可达矩阵的一个实体,当危险h导致事故Ai时,该值为1;RMAiCon是结果矩阵的实体,表示事故Ai的平均后果:
所述中间危险源危害后果指标是衡量某一特定的危险源h发生时,对于人员伤害的严重程度,中间危险源危害后果指标由式(17)定义:
其中CAMih和CAMhAi是因果可达矩阵的实体,当危险源h在危险源i到事故Ai的路径中起中介作用时,它们的乘积等于1;是由危险源i产生的危害后果,由式(16)定义。
6.根据权利要求5所述的方法,其特征在于,所述的利用所述分析指标确定不同类型的危险源在不同时间的关联关系,根据不同类型的危险源在不同时间的关联关系制定轨道交通事故的预防策略,包括:
利用各个分析指标确定不同类型的危险源在不同时间的关联关系,利用在不同时间的中间危险源危害后果指标确认关键危险源,利用在不同时间的因果关联亲密度指标进行轨道交通事故危险源关联分析,根据关键危险源在不同时间与其他危险源具体的关系制定轨道交通事故的预防策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181504.7A CN116484056B (zh) | 2023-02-20 | 2023-02-20 | 一种基于知识图谱的轨道交通事故的预防方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181504.7A CN116484056B (zh) | 2023-02-20 | 2023-02-20 | 一种基于知识图谱的轨道交通事故的预防方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484056A true CN116484056A (zh) | 2023-07-25 |
CN116484056B CN116484056B (zh) | 2023-11-07 |
Family
ID=87223953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310181504.7A Active CN116484056B (zh) | 2023-02-20 | 2023-02-20 | 一种基于知识图谱的轨道交通事故的预防方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484056B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933400A (zh) * | 2024-03-21 | 2024-04-26 | 深圳大学 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
CN117933400B (zh) * | 2024-03-21 | 2024-07-09 | 深圳大学 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
CN112215458A (zh) * | 2020-09-01 | 2021-01-12 | 青岛海信网络科技股份有限公司 | 灾害分析方法和电子设备 |
CN115063056A (zh) * | 2022-08-18 | 2022-09-16 | 西南交通大学 | 基于图拓扑分析改进的建造行为安全风险动态分析方法 |
CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及系统 |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
-
2023
- 2023-02-20 CN CN202310181504.7A patent/CN116484056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
CN112215458A (zh) * | 2020-09-01 | 2021-01-12 | 青岛海信网络科技股份有限公司 | 灾害分析方法和电子设备 |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及系统 |
CN115063056A (zh) * | 2022-08-18 | 2022-09-16 | 西南交通大学 | 基于图拓扑分析改进的建造行为安全风险动态分析方法 |
Non-Patent Citations (2)
Title |
---|
JINTAO LIU等: "A knowledge graph-based approach for exploring railway operational accidents", RELIABILITY ENGINEERING AND SYSTEM SAFETY 207 (2021) 107352, pages 1 - 14 * |
YING WANG: "A Novel Method for Constructing Knowledge Graph of Railway", CSAE \'22: PROCEEDINGS OF THE 6TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND APPLICATION ENGINEERING, pages 1 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933400A (zh) * | 2024-03-21 | 2024-04-26 | 深圳大学 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
CN117933400B (zh) * | 2024-03-21 | 2024-07-09 | 深圳大学 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116484056B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198629B (zh) | 一种传染病跨境输入传播风险自动评估系统及方法 | |
CN106529696B (zh) | 一种电网中设备预警方法及预警装置 | |
Barabadi et al. | Post-disaster infrastructure recovery: Prediction of recovery rate using historical data | |
van Noortwijk et al. | Two probabilistic life-cycle maintenance models for deteriorating civil infrastructures | |
Bobbio et al. | Fine grained software degradation models for optimal rejuvenation policies | |
CN100412993C (zh) | 基于状态监测的核电厂智能维护系统 | |
CN104616212B (zh) | 继电保护系统可靠性分析方法与系统 | |
An et al. | Railway risk assessment-the fuzzy reasoning approach and fuzzy analytic hierarchy process approaches: a case study of shunting at waterloo depot | |
Csenki | An integral equation approach to the interval reliability of systems modelled by finite semi-Markov processes | |
CN113191687A (zh) | 一种弹性配电网全景信息可视化方法及系统 | |
CN110942235A (zh) | 一种电力应急评估系统 | |
Wang et al. | A data-driven integrated framework for predictive probabilistic risk analytics of overhead contact lines based on dynamic Bayesian network | |
CN104037760A (zh) | 一种不确定注入功率的电力系统预想事故选择方法 | |
CN116484056B (zh) | 一种基于知识图谱的轨道交通事故的预防方法 | |
CN107145995A (zh) | 生产环境安全性预测方法、装置和系统 | |
Hatziargyriou et al. | Probabilistic load flow for assessment of voltage instability | |
Wanik et al. | Estimated time of restoration (ETR) guidance for electric distribution networks | |
Lawal et al. | A two-level deterministic reasoning pattern to curb the spread of COVID-19 in Africa | |
CN106549831B (zh) | 一种信息系统的健康分析方法和系统 | |
EP3846096A1 (en) | Systems and methods for identifying an officer at risk of an adverse event | |
CN108108909A (zh) | 面向电力事故、误操作事故与违章操作事故的数据分析方法 | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
Mahfoud et al. | Reliability assessment of degradable systems under imperfect maintenance and utilisation rate: a case study | |
CN107644278A (zh) | 用于保护半导体制造业务连续性的方法和系统 | |
CN114862121B (zh) | 考虑人因影响的关联基础设施系统建模方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |