CN116739345B - 一种危化品道路运输事故发生可能性实时评估方法 - Google Patents
一种危化品道路运输事故发生可能性实时评估方法 Download PDFInfo
- Publication number
- CN116739345B CN116739345B CN202310672230.1A CN202310672230A CN116739345B CN 116739345 B CN116739345 B CN 116739345B CN 202310672230 A CN202310672230 A CN 202310672230A CN 116739345 B CN116739345 B CN 116739345B
- Authority
- CN
- China
- Prior art keywords
- occurrence
- accident
- probability
- data
- node
- 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
Links
- 239000000126 substance Substances 0.000 title claims abstract description 99
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 30
- 238000004880 explosion Methods 0.000 claims description 26
- 238000011161 development Methods 0.000 claims description 14
- 230000018109 developmental process Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000002269 spontaneous effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 11
- 230000003068 static effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000003915 liquefied petroleum gas Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- 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
-
- 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
- G06Q10/0838—Historical data
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种危化品道路运输事故发生可能性实时评估方法，综合运用历史事故数据、运输企业运营管理数据以及实时监控数据构建运输事故链，根据基于Bow‑tie的危化品道路运输事故定性推理演化模型的映射规则得到危化品道路运输事故贝叶斯定量分析网络，使用EM算法来确定中间节点和子节点的条件概率,同时确定贝叶斯网络先验概率值，通过运用Bow‑tie理论以及贝叶斯方法，对危化品道路运输过程泄漏、火灾以及爆炸事故情景发生可能性的实时预测，解决了在事故发生可能性研究领域中，无法将动静态数据全面联合使用，评估方法选用数据较为片面，无法构成有效的事故发生发展推理网络模型且事故可能性评估结果静态性较强的技术问题。
Description
技术领域
本发明涉及危化品道路运输风险评估领域，是一种用于危化品道路运输过程中泄漏、火灾以及爆炸事故发生可能性实时评估的方法。
背景技术
危化品运输的主要方式包括公路运输、水路运输、铁路运输。由于国内化工原料产销分布不均，选择公路运输的灵活性优势突出，公路运输占据主要地位。危化品道路运输市场是我国危化品物流行业中最大的细分市场。2021年，危化品物流市场规模超过2.2万亿元，道路运输量占整体危化品物流市场的约70％；水路运输量占比约22％；铁路运输量占比8％。
由于道路运输的复杂多样性，运输化学品的危险特性，危化品运输事故具有事件突发性、形式多样性、危害严重性和处置艰巨性等显著特点，运输过程中一旦发生事故，容易造成较大的人员伤亡和财产损失。2020年6月13日，浙江沈海高速温岭段匝道口，一辆装有25.36吨液化石油气罐车在转弯时超速。由于离心力作用，车辆倾斜挤压匝道护栏，进而发生侧翻，罐体撞击匝道连接处混凝土护栏，发生物理爆炸并破裂解体，碎片四周抛射，泄漏的液化石油气扩散形成蒸气云团，发生蒸气云爆炸，相距近500米的良山村和良山工业区的建筑同时遭受毁灭性破坏，致20死175伤。当前，解决了在事故发生可能性研究领域中，无法将动静态数据全面联合使用，评估方法选用数据较为片面，无法构成有效的事故发生发展推理网络模型且事故可能性评估结果静态性较强的技术问题；
例如在授权公告号为CN112967007B的中国专利中一种危化品道路运输风险预警管理系统，所述系统包括中心端、路况端和车辆端，所述中心端，用于接收通行请求，发送运输信息获取指令，所述运输信息至少包括运输目的以及货物信息；基于运输信息生成路径规划，并向车辆端发送；接收车辆端发送的驾驶人状态信息，基于所述驾驶人状态信息确认处理措施。本发明通过中心端确认路径规划，所述路径规划为最优方案，通过路况端获取路况信息，基于路况信息确认问题车辆，通过车辆端实时获取驾驶人状态信息，通过中心端对驾驶人状态信息进行判断，最终确认应对措施；本发明在保证客观条件的同时，实时监测驾驶人状态，极大的规避了主观因素导致的意外事故；
又如在申请公开号为CN113065804A的中国专利中公开了一种危化品道路运输风险评估方法及系统，本发明在分析危化品车辆运输风险大数据基础上，全方位辨识影响危化品车辆运输安全的风险要素，以危化品车辆运输的事故可能发生概率和事故潜在后果损失为主线，采用定性与定量相结合的方法，分析多种风险要素之间的耦合关联性，分别构建事故可能发生概率及事故潜在后果损失的估算模型，通过两者之间的叠加效应分析，得到准确可靠的危化品车辆运输风险评估等级，从而达到主动降低危化品车辆运输事故的可能发生概率和可能发生后果，提高危化品车辆运输的安全性和稳定性；
上述专利中均存在：在事故发生可能性研究领域中，无法将动静态数据全面联合使用，评估方法选用数据较为片面，无法构成有效的事故发生发展推理网络模型且事故可能性评估结果静态性较强的技术问题，本发明是为了解决这一问题，提出一种危化品道路运输事故发生可能性实时评估方法。
发明内容
本发明的主要目的在于提供一种危化品道路运输事故发生可能性实时评估方法，能够有效解决背景技术中的问题：解决了在事故发生可能性研究领域中，无法将动静态数据全面联合使用，评估方法选用数据较为片面，无法构成有效的事故发生发展推理网络模型且事故可能性评估结果静态性较强的技术问题。
为实现上述目的，本发明采取的技术方案为：
一种危化品道路运输事故发生可能性实时评估方法，包括以下具体步骤：
S1、对储存模块中储存的危化品道路运输企业运营管理数据、历史事故数据以及实时监控数据进行提取；
S2、将数据导入数据分析模块进行数据的分类，根据提取数据的类型将数据分类为事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据，以“事故原因→最前端事故形式→失效形式→事故后果”的方式来构建危化品道路运输事故链；
S3、将分类得到的事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据导入Bow-tie图构建软件，进而构建基于Bow-tie的危化品道路运输事故定性推理演化模型，Bow-tie领结图由关键事件、故障树以及事件树三个部分组成，其构建方法包括：首先确定领结图分析的关键事件，关键事件为泄漏，然后以关键事件作为顶上事件构建故障树，明确事故发展过程和致因，以关键事件为顶上事件构建事件树，考虑内外界因素确定事故不同灾种演化发展的路径和模式；
S4、根据基于Bow-tie的危化品道路运输事故定性推理演化模型的映射规则得到危化品道路运输事故贝叶斯定量分析网络；
S5、使用EM算法来确定中间节点和子节点的条件概率,同时确定贝叶斯网络先验概率值，并结合历史事故数据、实时监控数据和运输企业管理数据构建危化品道路运输事故发生可能性实时评估模型。
本发明进一步的改进在于，所述S4的具体步骤如下：
S41:依据构建的Bow-tie蝴蝶图确定事故发生发展全过程各个阶段以及各个阶段对应的事故节点采集，将各个阶段对应的事故节点作为贝叶斯网络的节点；
S42：依据历史事故数据构建的事故链对贝叶斯网络节点进行筛选处理，最终对贝叶斯网络节点进行确定；
所述Bow-tie危化品道路运输事故定性推理演化模型包括左侧故障树和右侧故障树，
其中，Bow-tie危化品道路运输事故定性推理演化模型的左侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S411)左侧故障树中的顶上事件、充要条件事件、直接原因事件以及详细直接原因事件均对应着贝叶斯网络的各个节点，并且左侧故障树中各个事件之间的连接关系对应贝叶斯网络各个节点之间的连接关系；
S412)左侧故障树的直接原因事件的发生概率对应着贝叶斯网络相对应节点的先验概率；
S413)左侧故障树各个事件之间的逻辑门关系对应贝叶斯网络各个节点间的连接强度，其可用于实现贝叶斯网络各个节点之间条件概率的确定。
本发明进一步的改进在于，所述Bow-tie危化品道路运输事故定性推理演化模型的右侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S414)对事件树中的每一个变量都相应的在贝叶斯网络中设置一个节点；
S415)对事故后果，设置节点“泄漏”、“火灾”、“爆炸”；
S416)以事件树中的逻辑关系为连接关系，根据贝叶斯网络构建规则，使用有向边进行节点间的连接；
S417)依据事件树中各个节点的概率，以及节点间的逻辑关系，确定贝叶斯网络中节点的先验概率和条件概率的取值。
本发明进一步的改进在于，所述S5中使用EM算法来确定中间节点和子节点的条件概率的具体步骤包括：
S51：样本集表示为V＝<v1,v2,v3,v4,……,vn>，其中vn为样本集中第n个样本，并且将概率密度函数表示为p(vk|θk)，其中θk为样本集中第k个样本出现的概率，同时因为N个样本之间不相互关联，且相互独立，所以将此样本集的联合概率表示如下式：其中，vi为样本集中第i个样本，θi为样本集中第i个样本出现的概率；
S52：寻找能够使样本集N的概率最大的θ，即需要使p(θ)最大，将满足这种要求的成为最大似然值，如下式：
上式两边同时取对数并求导，得到的方程如下：
对上式进行求解得到最大似然的值；
以历史事故为训练数据，通过EM算法计算得到各个中间结点以及字节点的条件概率，并设定参数，“Y”表示节点发生，“N”表示节点不发生。
本发明进一步的改进在于，所述S5中使用EM算法来确定贝叶斯网络先验概率值的具体内容包括：计算父节点与采集数据的对应关系，贝叶斯网络的父节点包括操作不当、避让不当、超速、驾驶状态不良、撞击、车辆异常、轮胎故障、安全附件故障、老化破损、危化品自燃、不良天气、道路不良以及燃爆特性，依据采集数据对各个父节点的先验概率进行取值，其中取值确定规则包括：依靠实时报警数据取值的父节点先验概率确定规则、依靠实时运输环境数据取值的父节点先验概率确定规则和依靠运输企业管理数据取值的父节点先验概率确定规则。
本发明进一步的改进在于，所述依靠实时报警数据取值的父节点先验概率确定规则的具体内容如下：其中包含的父节点有：操作不当、避让不当、超速、驾驶状态不良、撞击、轮胎故障以及危化品自燃，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，因为内外环境变化会导致各种各样的报警，在每两次数据采集期间产生的报警数据会成为相应父节点先验概率的取值依据，若父节点所对应的报警在数据采集间隔内未发生，则贝叶斯网络中父节点发生的先验概率为0，不发生的概率为1；
若仅发生一次，且为一级报警，则贝叶斯网络中父节点发生的先验概率为0.5，不发生的概率为0.5；
若仅发生一次，且为二级报警，则贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0；
若发生两次及以上，不论是一级或者二级报警，贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0。
本发明进一步的改进在于，所述依靠实时运输环境数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：不良天气以及道路不良，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，外部道路环境以及天气会随着车辆位置的变化而不断变化，
天气通过影响能见度和车辆与地面间的摩擦力进而对危化品道路运输产生影响，因此除多云、晴天、阴天外的天气均称为不良天气，若运输过程中采集到的天气为雨、雾则对应父节点“不良天气”发生的先验概率为0.5，不发生的先验概率为0.5；若运输过程中采集到的天气为雪、冰雹、沙尘暴则对应父节点“不良天气”发生的先验概率为1，不发生的先验概率为0，
道路的固有特征会对危化品道路运输安全产生影响，包含道路等级、弯曲情况、平陡情况、车道数量以及桥隧数量，确定父节点“道路不良”先验概率取值原则如下：若四个因素因子之和小于等于4，则发生的先验概率为0，不发生为1；若五个因素因子之和大于4小于等于6，则发生的先验概率为0.5，不发生为0.5；若五个因素因子之和大于6，则发生的先验概率为1，不发生为0。
本发明进一步的改进在于，所述依靠运输企业管理数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：道路不良、车辆异常、安全附件故障、老化破损以及燃爆特性，依靠运输企业管理数据确定运输车辆以及安全附件是否定期检维修和更换，若定期检维修和更换，则父节点发生的先验概率为0，不发生为1；若未定期检维修和更换，则父节点发生的先验概率为1，不发生为0，并依据运单信息确定运载的危化品的种类，进而确定运载危化品是否具有燃爆特性，若具有燃爆特性则父节点“燃爆特性”发生的先验概率为1，不发生为0；若不具有燃爆特性则父节点“燃爆特性”发生的先验概率为0，不发生为1。
本发明进一步的改进在于，将S4、S5确定的条件概率以及先验概率输入到S3确定的贝叶斯网络中，即得到危化品道路运输事故发生可能性实时评估模型。
与现有技术相比，本发明具有如下有益效果：
本发明提出了一种基于多源数据，依靠Bow-tie以及贝叶斯网络等理论方法，构建了可实现对危化品道路运输事故发生可能性进行实时评估的模型，可以实现对危化品道路运输全过程状态进行监控，对于保障运输安全具有非常重大的现实意义。
附图说明
图1为本发明一种危化品道路运输事故发生可能性实时评估方法的基于Bow-tie的危化品道路运输事故定性推理演化模型示意图。
图2为本发明一种危化品道路运输事故发生可能性实时评估方法的流程示意图。
图3为本发明一种危化品道路运输事故发生可能性实时评估方法的Bow-tie与贝叶斯网络间映射关系示意图。
图4为本发明一种危化品道路运输事故发生可能性实时评估方法的逻辑门与条件概率间映射关系示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“一号”、“二号”、“三号”仅用于描述目的，而不能理解为指示或暗示相对重要性。下面结合具体实施方式，进一步阐述本发明。
实施例
本实施例提出一种基于多源数据，依靠Bow-tie以及贝叶斯网络等理论方法，构建了可实现对危化品道路运输事故发生可能性进行实时评估的模型。可以实现对危化品道路运输全过程状态进行监控，对于保障运输安全具有非常重大的现实意义，如图1-4所示，一种危化品道路运输事故发生可能性实时评估方法，包括以下具体步骤：
S1、对储存模块中储存的危化品道路运输企业运营管理数据、历史事故数据以及实时监控数据进行提取；
S2、将数据导入数据分析模块进行数据的分类，根据提取数据的类型将数据分类为事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据，以“事故原因→最前端事故形式→失效形式→事故后果”的方式来构建危化品道路运输事故链；
S3、将分类得到的事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据导入Bow-tie图构建软件，进而构建基于Bow-tie的危化品道路运输事故定性推理演化模型，Bow-tie领结图由关键事件、故障树以及事件树三个部分组成，其构建方法包括：首先确定领结图分析的关键事件，关键事件为泄漏，然后以关键事件作为顶上事件构建故障树，明确事故发展过程和致因，以关键事件为顶上事件构建事件树，考虑内外界因素确定事故不同灾种演化发展的路径和模式；
S4、根据基于Bow-tie的危化品道路运输事故定性推理演化模型的映射规则得到危化品道路运输事故贝叶斯定量分析网络；
S5、使用EM算法来确定中间节点和子节点的条件概率,同时确定贝叶斯网络先验概率值，并结合历史事故数据、实时监控数据和运输企业管理数据构建危化品道路运输事故发生可能性实时评估模型。
在本实施例中，S4的具体步骤如下：
S41:依据构建的Bow-tie蝴蝶图确定事故发生发展全过程各个阶段以及各个阶段对应的事故节点采集，将各个阶段对应的事故节点作为贝叶斯网络的节点；
S42：依据历史事故数据构建的事故链对贝叶斯网络节点进行筛选处理，最终对贝叶斯网络节点进行确定；
Bow-tie危化品道路运输事故定性推理演化模型包括左侧故障树和右侧故障树，
其中，Bow-tie危化品道路运输事故定性推理演化模型的左侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S411)左侧故障树中的顶上事件、充要条件事件、直接原因事件以及详细直接原因事件均对应着贝叶斯网络的各个节点，并且左侧故障树中各个事件之间的连接关系对应贝叶斯网络各个节点之间的连接关系；
S412)左侧故障树的直接原因事件的发生概率对应着贝叶斯网络相对应节点的先验概率；
S413)左侧故障树各个事件之间的逻辑门关系对应贝叶斯网络各个节点间的连接强度，其可用于实现贝叶斯网络各个节点之间条件概率的确定。
在本实施例中，Bow-tie危化品道路运输事故定性推理演化模型的右侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S414)对事件树中的每一个变量都相应的在贝叶斯网络中设置一个节点；
S415)对事故后果，设置节点“泄漏”、“火灾”、“爆炸”；
S416)以事件树中的逻辑关系为连接关系，根据贝叶斯网络构建规则，使用有向边进行节点间的连接；
S417)依据事件树中各个节点的概率，以及节点间的逻辑关系，确定贝叶斯网络中节点的先验概率和条件概率的取值。
在本实施例中，S5中使用EM算法来确定中间节点和子节点的条件概率的具体步骤包括：
S51：样本集表示为V＝<v1,v2,v3,v4,……,vn>，其中vn为样本集中第n个样本，并且将概率密度函数表示为p(vk|θk)，其中θk为样本集中第k个样本出现的概率，同时因为N个样本之间不相互关联，且相互独立，所以将此样本集的联合概率表示如下式：其中，vi为样本集中第i个样本，θi为样本集中第i个样本出现的概率；
S52：寻找能够使样本集N的概率最大的θ，即需要使p(θ)最大，将满足这种要求的成为最大似然值，如下式：
上式两边同时取对数并求导，得到的方程如下：
对上式进行求解得到最大似然的值；
以历史事故为训练数据，通过EM算法计算得到各个中间结点以及字节点的条件概率，并设定参数，“Y”表示节点发生，“N”表示节点不发生。
在本实施例中，S5中使用EM算法来确定贝叶斯网络先验概率值的具体内容包括：计算父节点与采集数据的对应关系，贝叶斯网络的父节点包括操作不当、避让不当、超速、驾驶状态不良、撞击、车辆异常、轮胎故障、安全附件故障、老化破损、危化品自燃、不良天气、道路不良以及燃爆特性，依据采集数据对各个父节点的先验概率进行取值，其中取值确定规则包括：依靠实时报警数据取值的父节点先验概率确定规则、依靠实时运输环境数据取值的父节点先验概率确定规则和依靠运输企业管理数据取值的父节点先验概率确定规则，父节点与多源数据的映射如表1所示
表1
在本实施例中，依靠实时报警数据取值的父节点先验概率确定规则的具体内容如下：其中包含的父节点有：操作不当、避让不当、超速、驾驶状态不良、撞击、轮胎故障以及危化品自燃，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，因为内外环境变化会导致各种各样的报警，在每两次数据采集期间产生的报警数据会成为相应父节点先验概率的取值依据，若父节点所对应的报警在数据采集间隔内未发生，则贝叶斯网络中父节点发生的先验概率为0，不发生的概率为1；
若仅发生一次，且为一级报警，则贝叶斯网络中父节点发生的先验概率为0.5，不发生的概率为0.5；
若仅发生一次，且为二级报警，则贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0；
若发生两次及以上，不论是一级或者二级报警，贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0。
在本实施例中，依靠实时运输环境数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：不良天气以及道路不良，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，外部道路环境以及天气会随着车辆位置的变化而不断变化，
天气通过影响能见度和车辆与地面间的摩擦力进而对危化品道路运输产生影响，因此除多云、晴天、阴天外的天气均称为不良天气，若运输过程中采集到的天气为雨、雾则对应父节点“不良天气”发生的先验概率为0.5，不发生的先验概率为0.5；若运输过程中采集到的天气为雪、冰雹、沙尘暴则对应父节点“不良天气”发生的先验概率为1，不发生的先验概率为0，
道路的固有特征会对危化品道路运输安全产生影响，包含道路等级、弯曲情况、平陡情况、车道数量以及桥隧数量，确定父节点“道路不良”先验概率取值原则如下：若四个因素因子之和小于等于4，则发生的先验概率为0，不发生为1；若五个因素因子之和大于4小于等于6，则发生的先验概率为0.5，不发生为0.5；若五个因素因子之和大于6，则发生的先验概率为1，不发生为0。
道路特征因子如表2所示：
在本实施例中，依靠运输企业管理数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：道路不良、车辆异常、安全附件故障、老化破损以及燃爆特性，依靠运输企业管理数据确定运输车辆以及安全附件是否定期检维修和更换，若定期检维修和更换，则父节点发生的先验概率为0，不发生为1；若未定期检维修和更换，则父节点发生的先验概率为1，不发生为0，并依据运单信息确定运载的危化品的种类，进而确定运载危化品是否具有燃爆特性，若具有燃爆特性则父节点“燃爆特性”发生的先验概率为1，不发生为0；若不具有燃爆特性则父节点“燃爆特性”发生的先验概率为0，不发生为1。
在本实施例中，将S4、S5确定的条件概率以及先验概率输入到S3确定的贝叶斯网络中，即得到危化品道路运输事故发生可能性实时评估模型。
通过本实施例能过实现：构建了可实现对危化品道路运输事故发生可能性进行实时评估的模型，可以实现对危化品道路运输全过程状态进行监控，对于保障运输安全具有非常重大的现实意义。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种危化品道路运输事故发生可能性实时评估方法，其特征在于：包括以下具体步骤：
S1、对储存模块中储存的危化品道路运输企业运营管理数据、历史事故数据以及实时监控数据进行提取；
S2、将数据导入数据分析模块进行数据的分类，根据提取数据的类型将数据分类为事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据，以“事故原因→最前端事故形式→失效形式→事故后果”的方式来构建危化品道路运输事故链；
S3、将分类得到的事故原因数据、最前端事故形式数据、失效形式数据和事故后果数据导入Bow-tie图构建软件，进而构建基于Bow-tie的危化品道路运输事故定性推理演化模型，Bow-tie领结图由关键事件、故障树以及事件树三个部分组成，其构建方法包括：首先确定领结图分析的关键事件，关键事件为泄漏，然后以关键事件作为顶上事件构建故障树，明确事故发展过程和致因，以关键事件为顶上事件构建事件树，考虑内外界因素确定事故不同灾种演化发展的路径和模式；
S4、根据基于Bow-tie的危化品道路运输事故定性推理演化模型的映射规则得到危化品道路运输事故贝叶斯定量分析网络；S5、使用EM算法来确定中间节点和子节点的条件概率,同时确定贝叶斯网络先验概率值，并结合历史事故数据、实时监控数据和运输企业管理数据构建危化品道路运输事故发生可能性实时评估模型；所述S4的具体步骤如下：
S41:依据构建的Bow-tie蝴蝶图确定事故发生发展全过程各个阶段以及各个阶段对应的事故节点采集，将各个阶段对应的事故节点作为贝叶斯网络的节点；
S42：依据历史事故数据构建的事故链对贝叶斯网络节点进行筛选处理，最终对贝叶斯网络节点进行确定；
所述Bow-tie危化品道路运输事故定性推理演化模型包括左侧故障树和右侧故障树，
其中，Bow-tie危化品道路运输事故定性推理演化模型的左侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S411)左侧故障树中的顶上事件、充要条件事件、直接原因事件以及详细直接原因事件均对应着贝叶斯网络的各个节点，并且左侧故障树中各个事件之间的连接关系对应贝叶斯网络各个节点之间的连接关系；
S412)左侧故障树的直接原因事件的发生概率对应着贝叶斯网络相对应节点的先验概率；
S413)左侧故障树各个事件之间的逻辑门关系对应贝叶斯网络各个节点间的连接强度，其可用于实现贝叶斯网络各个节点之间条件概率的确定；所述Bow-tie危化品道路运输事故定性推理演化模型的右侧故障树转化为贝叶斯网络的方法包括以下具体步骤：
S414)对事件树中的每一个变量都相应的在贝叶斯网络中设置一个节点；
S415)对事故后果，设置节点“泄漏”、“火灾”、“爆炸”；
S416)以事件树中的逻辑关系为连接关系，根据贝叶斯网络构建规则，使用有向边进行节点间的连接；
S417)依据事件树中各个节点的概率，以及节点间的逻辑关系，确定贝叶斯网络中节点的先验概率和条件概率的取值；所述S5中使用EM算法来确定中间节点和子节点的条件概率的具体步骤包括：
S51：样本集表示为V＝<v1,v2,v3,v4,……,vn>，其中vn为样本集中第n个样本，并且将概率密度函数表示为p(vk|θk)，其中θk为样本集中第k个样本出现的概率，同时因为N个样本之间不相互关联，且相互独立，所以将此样本集的联合概率表示如下式：其中，vi为样本集中第i个样本，θi为样本集中第i个样本出现的概率；
S52：寻找能够使样本集N的概率最大的θ，即需要使p(θ)最大，将满足这种要求的成为最大似然值，如下式：
上式两边同时取对数并求导，得到的方程如下：
对上式进行求解得到最大似然的值；
以历史事故为训练数据，通过EM算法计算得到各个中间结点以及字节点的条件概率，并设定参数，“Y”表示节点发生，“N”表示节点不发生。
2.根据权利要求1所述的一种危化品道路运输事故发生可能性实时评估方法，其特征在于：所述S5中使用EM算法来确定贝叶斯网络先验概率值的具体内容包括：计算父节点与采集数据的对应关系，贝叶斯网络的父节点包括操作不当、避让不当、超速、驾驶状态不良、撞击、车辆异常、轮胎故障、安全附件故障、老化破损、危化品自燃、不良天气、道路不良以及燃爆特性，依据采集数据对各个父节点的先验概率进行取值，其中取值确定规则包括：依靠实时报警数据取值的父节点先验概率确定规则、依靠实时运输环境数据取值的父节点先验概率确定规则和依靠运输企业管理数据取值的父节点先验概率确定规则。
3.根据权利要求2所述的一种危化品道路运输事故发生可能性实时评估方法，其特征在于：所述依靠实时报警数据取值的父节点先验概率确定规则的具体内容如下：其中包含的父节点有：操作不当、避让不当、超速、驾驶状态不良、撞击、轮胎故障以及危化品自燃，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，因为内外环境变化会导致各种各样的报警，在每两次数据采集期间产生的报警数据会成为相应父节点先验概率的取值依据，若父节点所对应的报警在数据采集间隔内未发生，则贝叶斯网络中父节点发生的先验概率为0，不发生的概率为1；
若仅发生一次，且为一级报警，则贝叶斯网络中父节点发生的先验概率为0.5，不发生的概率为0.5；
若仅发生一次，且为二级报警，则贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0；
若发生两次及以上，不论是一级或者二级报警，贝叶斯网络中父节点发生的先验概率为1，不发生的概率为0。
4.根据权利要求3所述的一种危化品道路运输事故发生可能性实时评估方法，其特征在于：所述依靠实时运输环境数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：不良天气以及道路不良，此类父节点先验概率在危化品道路运输过程中是实时变化的，车辆在运输过程中，外部道路环境以及天气会随着车辆位置的变化而不断变化，
天气通过影响能见度和车辆与地面间的摩擦力进而对危化品道路运输产生影响，因此除多云、晴天、阴天外的天气均称为不良天气，若运输过程中采集到的天气为雨、雾则对应父节点“不良天气”发生的先验概率为0.5，不发生的先验概率为0.5；若运输过程中采集到的天气为雪、冰雹、沙尘暴则对应父节点“不良天气”发生的先验概率为1，不发生的先验概率为0，
道路的固有特征会对危化品道路运输安全产生影响，包含道路等级、弯曲情况、平陡情况、车道数量以及桥隧数量，确定父节点“道路不良”先验概率取值原则如下：若四个因素因子之和小于等于4，则发生的先验概率为0，不发生为1；若五个因素因子之和大于4小于等于6，则发生的先验概率为0.5，不发生为0.5；若五个因素因子之和大于6，则发生的先验概率为1，不发生为0。
5.根据权利要求4所述的一种危化品道路运输事故发生可能性实时评估方法，其特征在于：所述依靠运输企业管理数据取值的父节点先验概率确定规则包括以下具体方法：其包含的父节点有：道路不良、车辆异常、安全附件故障、老化破损以及燃爆特性，依靠运输企业管理数据确定运输车辆以及安全附件是否定期检维修和更换，若定期检维修和更换，则父节点发生的先验概率为0，不发生为1；若未定期检维修和更换，则父节点发生的先验概率为1，不发生为0，并依据运单信息确定运载的危化品的种类，进而确定运载危化品是否具有燃爆特性，若具有燃爆特性则父节点“燃爆特性”发生的先验概率为1，不发生为0；若不具有燃爆特性则父节点“燃爆特性”发生的先验概率为0，不发生为1。
6.根据权利要求5所述的一种危化品道路运输事故发生可能性实时评估方法，其特征在于：将S4、S5确定的条件概率以及先验概率输入到S3确定的贝叶斯网络中，即得到危化品道路运输事故发生可能性实时评估模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672230.1A CN116739345B (zh) | 2023-06-08 | 2023-06-08 | 一种危化品道路运输事故发生可能性实时评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672230.1A CN116739345B (zh) | 2023-06-08 | 2023-06-08 | 一种危化品道路运输事故发生可能性实时评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116739345A CN116739345A (zh) | 2023-09-12 |
| CN116739345B true CN116739345B (zh) | 2024-03-22 |
Family
ID=87907402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310672230.1A Active CN116739345B (zh) | 2023-06-08 | 2023-06-08 | 一种危化品道路运输事故发生可能性实时评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739345B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090034236A (ko) * | 2007-10-02 | 2009-04-07 | (주) 코네스코퍼레이션 | 방사성폐기물 육로운반 안전성 평가 시스템 |
| KR20090079092A (ko) * | 2008-01-16 | 2009-07-21 | (주)위니텍 | 위험물 수송차량의 관제를 위한 위험관제시스템 |
| JP2010257269A (ja) * | 2009-04-27 | 2010-11-11 | National Institute Of Advanced Industrial Science & Technology | 確率的推論装置 |
| CN105045975A (zh) * | 2015-06-30 | 2015-11-11 | 北京师范大学 | 基于贝叶斯网络模型的道路运输事故的风险评估方法 |
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| JP2019114094A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社東芝 | 道路交通管制装置、および、自動運転車両制御方法 |
| CN110008350A (zh) * | 2019-03-06 | 2019-07-12 | 杭州哲达科技股份有限公司 | 一种基于贝叶斯推理的机泵安康知识库查找方法 |
| CN110796368A (zh) * | 2019-10-23 | 2020-02-14 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
| CN111046977A (zh) * | 2019-12-30 | 2020-04-21 | 成都康赛信息技术有限公司 | 基于em算法和knn算法的数据预处理方法 |
| CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
| CN111985804A (zh) * | 2020-08-18 | 2020-11-24 | 华中科技大学 | 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法 |
| CN112465304A (zh) * | 2020-11-07 | 2021-03-09 | 西南交通大学 | 一种基于贝叶斯网络铁路道岔区列车脱轨事故评估方法 |
| CN113065804A (zh) * | 2021-04-27 | 2021-07-02 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
| CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
| CN113449955A (zh) * | 2021-04-12 | 2021-09-28 | 中国市政工程华北设计研究总院有限公司 | 一种基于故障树分析法的综合管廊危敏管道安全评估方法 |
| CN115713226A (zh) * | 2021-08-19 | 2023-02-24 | 南京工业大学 | 危险品罐车运输风险评估模型构建方法、风险评估方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7158958B2 (en) * | 2003-12-24 | 2007-01-02 | The Boeing Company | Automatic generation of baysian diagnostics from fault trees |
| WO2007086823A2 (en) * | 2004-12-21 | 2007-08-02 | University Of Virginia Patent Foundation | Method and system for dynamic probabilistic risk assessment |
| CN110135596A (zh) * | 2019-04-18 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种继电保护系统风险评估及故障定位方法及装置 |
-
2023
- 2023-06-08 CN CN202310672230.1A patent/CN116739345B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090034236A (ko) * | 2007-10-02 | 2009-04-07 | (주) 코네스코퍼레이션 | 방사성폐기물 육로운반 안전성 평가 시스템 |
| KR20090079092A (ko) * | 2008-01-16 | 2009-07-21 | (주)위니텍 | 위험물 수송차량의 관제를 위한 위험관제시스템 |
| JP2010257269A (ja) * | 2009-04-27 | 2010-11-11 | National Institute Of Advanced Industrial Science & Technology | 確率的推論装置 |
| CN105045975A (zh) * | 2015-06-30 | 2015-11-11 | 北京师范大学 | 基于贝叶斯网络模型的道路运输事故的风险评估方法 |
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| JP2019114094A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社東芝 | 道路交通管制装置、および、自動運転車両制御方法 |
| CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
| CN110008350A (zh) * | 2019-03-06 | 2019-07-12 | 杭州哲达科技股份有限公司 | 一种基于贝叶斯推理的机泵安康知识库查找方法 |
| CN110796368A (zh) * | 2019-10-23 | 2020-02-14 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
| CN111046977A (zh) * | 2019-12-30 | 2020-04-21 | 成都康赛信息技术有限公司 | 基于em算法和knn算法的数据预处理方法 |
| CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
| CN111985804A (zh) * | 2020-08-18 | 2020-11-24 | 华中科技大学 | 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法 |
| CN112465304A (zh) * | 2020-11-07 | 2021-03-09 | 西南交通大学 | 一种基于贝叶斯网络铁路道岔区列车脱轨事故评估方法 |
| CN113449955A (zh) * | 2021-04-12 | 2021-09-28 | 中国市政工程华北设计研究总院有限公司 | 一种基于故障树分析法的综合管廊危敏管道安全评估方法 |
| CN113065804A (zh) * | 2021-04-27 | 2021-07-02 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
| CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
| CN115713226A (zh) * | 2021-08-19 | 2023-02-24 | 南京工业大学 | 危险品罐车运输风险评估模型构建方法、风险评估方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 基于故障树和贝叶斯网络的危化品罐式运输车道路 运输系统的可靠性分析;曹闰烽等;山东大学学报( 理学版);第57卷(第1期);20-29 * |
| 基于贝叶斯网络的危化品道路运输动态风险分析;徐豆豆;中国优秀硕士学位论文全文数据库基础科学辑;12-46 * |
| 基于贝叶斯网络的罐式汽车运输风险分析;陈琳;谢学飞;;汽车工程师;20160225(第02期);44-47 * |
| 徐豆豆.基于贝叶斯网络的危化品道路运输动态风险分析.中国优秀硕士学位论文全文数据库基础科学辑.2022,12-46. * |
| 韩忠明.数据分析与R.北京邮电大学出版社,2014,234-237. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116739345A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
| Lam et al. | Network topological approach to modeling accident causations and characteristics: Analysis of railway incidents in Japan | |
| Li et al. | Real-time risk analysis of road tanker containing flammable liquid based on fuzzy Bayesian network | |
| CN113255188B (zh) | 一种基于事故树的桥梁安全预警方法及系统 | |
| Noguchi et al. | Network theory-based accident scenario analysis for hazardous material transport: A case study of liquefied petroleum gas transport in Japan | |
| CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
| CN113515720B (zh) | 一种危险化学品企业重大安全风险辨识与评估方法 | |
| CN113947316A (zh) | 基于动静态数据的危化品运输运单风险评估方法 | |
| Gu et al. | The prediction of potential risk path in railway traffic events | |
| CN116739345B (zh) | 一种危化品道路运输事故发生可能性实时评估方法 | |
| Jiang et al. | Study on route selection for hazardous chemicals transportation | |
| Chu et al. | A targeted risk prediction method based on statistical analysis of accidents in petroleum geophysical exploration | |
| Lim et al. | Damage prediction on bridge decks considering environmental effects with the application of deep neural networks | |
| Hu et al. | Risk assessment of long distance oil and gas pipeline based on grey clustering | |
| CN116402349A (zh) | 一种电缆沟管井的风险预警方法 | |
| Kumar et al. | Reliability analysis of dumpers through FMEA-TOPSIS integration | |
| He et al. | Risk Management of Port Operations: A Systematic Literature Review and Future Directions | |
| JP3674707B1 (ja) | 防災事業計画支援システムとその方法 | |
| Deng et al. | Exploring the metro construction accidents and causations for improving safety management based on data mining and network theory | |
| Berton et al. | Statistics and prediction of vehicle–bridge collisions in Quebec | |
| CN112396209A (zh) | 一种道路行车安全风险预测预警指标体系 | |
| Mohammed et al. | Review of Incident Duration Prediction Methods | |
| Zhou et al. | Evaluation of dangerous chemical transportation scheme based on grey analytic hierarchy process (GAHP) | |
| CN112884233B (zh) | 高速铁路系统多模态融合晚点预测方法 | |
| Çiftçioglu et al. | Journal of Infrastructure Intelligence and Resilience |
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 |