CN116757336B - 基于数据驱动的轨道交通风险的预测方法及系统 - Google Patents
基于数据驱动的轨道交通风险的预测方法及系统 Download PDFInfo
- Publication number
- CN116757336B CN116757336B CN202311041548.6A CN202311041548A CN116757336B CN 116757336 B CN116757336 B CN 116757336B CN 202311041548 A CN202311041548 A CN 202311041548A CN 116757336 B CN116757336 B CN 116757336B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- accident
- abnormal
- record
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000002441 reversible effect Effects 0.000 claims description 20
- 230000001960 triggered effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002829 reductive effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 15
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了基于数据驱动的轨道交通风险的预测方法及系统，涉及轨道交通风险的预测技术领域，包括获取轨道交通的事故记录和预警记录，对预警记录的内容进行风险升级，预处理后进行特征提取，根据风险记录对数据关联进行特征降维；根据风险评估的结果的分歧根据降维后的风险记录对轨道交通的风险条件进行分析，对轨道交通风险做出预测；当本次实时采集的异常数据驱动达到满足风险的数据成分时，对轨道交通风险点做出预测。能够预测潜在的风险和问题；预测未来的运行状况，可以帮助运营商避免不必要的维修和停工，从而降低运营成本。通过对大量数据的分析，可以为运营商的决策提供有力的数据支持，使决策更加科学和合理。
Description
技术领域
本发明涉及轨道交通风险的预测技术领域，具体为基于数据驱动的轨道交通风险的预测方法及系统。
背景技术
轨道交通风险预测方法和系统是公共交通安全管理的重要组成部分。它们主要是通过收集和分析大量的运营数据，对可能出现的风险和危险情况进行预测，从而帮助运营商采取预防措施，减少事故发生的可能性。基于数据驱动的轨道交通风险预测方法和系统通常利用大数据分析、人工智能（AI）、机器学习等技术，对从车辆运行状况、道路状况、天气条件、乘客流量等多方面收集的大量数据进行深度分析和学习，以便发现可能的风险，现有的轨道交通风险的预测方法经常会出现预测结果不准确的情况。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的轨道交通风险的预测方法预测结果不够准确。
为解决上述技术问题，本发明提供如下技术方案：基于数据驱动的轨道交通风险的预测方法，包括：
获取轨道交通的事故记录和预警记录，对所述预警记录的内容进行风险升级，将所述事故记录与风险升级后的预警记录作为风险记录，同时采集轨道交通的实时数据；
对所述风险记录预处理后进行特征提取，利用提取到的特征进行风险的评估；根据数据关联的关系对所述风险记录中的特征进行特征降维；
根据降维后的风险记录对轨道交通的风险条件进行分析，当判定风险条件触发时，对轨道交通风险做出预测；
对风险评估的结果进行逆向分析并将逆向分析的结果作为满足风险的数据成分；当本次实时采集的异常数据驱动达到满足风险的数据成分时，对轨道交通风险做出预测。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述事故记录包括，获取轨道交通发生事故时的参数信息、事故类型以及事故发生位置的环境信息；
所述预警记录包括，获取轨道交通行驶过程中，没有发生事故但轨道交通运行的数据参数发生异常的异常记录；
所述风险升级包括，使轨道交通的技术人员对所述预警记录进行评估，获取评估结果为：若不经过应急处理则预警记录中的异常数据就会导致轨道交通事故的异常数据；同时获取所述技术人员对预警记录能够评估的交通风险类型；将获取的所述异常数据、预警记录的环境信息以及所述风险类型作为与所述事故记录相同的样本内容。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述预处理包括，对风险记录中的数据进行清洗去除由于系统记录异常而显示的异常值，保留数据内容真实的异常数据；
对清洗后的数据归一化处理后进行特征降维，减少特征的数量；
若同一组风险记录中多个异常数据之间存在必然的关联，则根据异常数据的所述关联关系减少异常特征的数量；当多个异常数据之间的关系表现为以相同比例变化时，则选择数据变化最大的数据作为特征降维后的异常数据；
根据风险记录，将特征降维后的异常数据与事故类型相匹配形成配对样本，同时对匹配后的事故类型加入环境信息的标签。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述风险评估，对所述配对样本进行学习，在实时采集的轨道交通数据出现异常且实时异常数据持续接近事故记录中的异常数据时，则对事故发生的风险条件进行进一步评估；
若风险条件与轨道交通实时的风险条件相一致，则输出实时异常数据持续接近事故记录中的异常数据所匹配的配对样本，提取所述配对样本中对应的事故类型作为风险点预测结果。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述风险条件包括，对每一次事故记录中的所述配对样本进行分析，判断除数据异常而导致事故外的环境标签的影响；
对所述配对样本与本次实时采集的异常数据进行风险条件的分析，提取事故记录中所有与本次实时采集的异常数据具有相同特征数据的样本，判断样本中的环境标签与本次信息中存在相同环境标签的次数：
其中，i表示样本序号；T表示具有相同特征数据的样本总数；B=（x0，n）表示实时采集的轨道交通信息，x0表示实时的轨道交通信息对应的异常数据，n实时的轨道交通信息对应的环境编号；A=（x，y）表示每一个配对样本，x配对样本中特征降维后的异常数据，y表示每次的配对样本中的环境编号；表示在x=x0时，n和y一致性，若ｎ＝ｙ则记为1，若ｎ≠ｙ则记为0；/>；
所述相同特征数据包括，因实时异常数据持续接近事故记录中的异常数据而具有的特征，将实时的异常数据变更为记录中的异常数据；
当Ｃ/Ｔ＝1，则判定风险条件触发，生成与事故记录中事故类型相同的风险预测结果，并调度风险记录中与本次异常数据相匹配的应急处理记录；
当Ｃ/Ｔ≠1，则判定风险条件不必然触发，进一步对风险条件进行分析。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述进一步分析包括，若判定风险条件不必然触发，则提取风险记录中环境标签的相同环境特征，当提取出的环境特征存在于实时采集的环境特征的识别结果时，重新判定风险条件触发，生成风险记录中与本次异常数据相匹配的所有事故类型以及所有所述事故类型对应的应急处理记录；
若始终无法判定风险条件触发，则对风险进行逆向分析；
所述逆向分析包括，获取所有的风险记录，按照所有的风险记录中的所有事故类型，对事故类型进行划分并将事故类型对应的异常数据整合为一整个异常数据集作为风险预测的数据成分；将每一种事故类型中异常的数据成分与本次实时采集的异常数据进行匹配，将与本次实时采集的异常数据匹配得到匹配率最高的数据成分对应的事故类型作为预测结果。
作为本发明所述的基于数据驱动的轨道交通风险的预测方法的一种优选方案，其中：所述预测包括，根据判定风险条件触发生成的所述风险预测结果、重新判定风险条件触发后生成风险记录中与本次异常数据相匹配的所有事故类型、逆向分析得到的所述预测结果，输出对轨道交通风险的预测；
若生成结果为所述风险预测结果，则直接将结果输出作为对轨道交通风险的预测；
若生成结果为重新判定风险条件触发后生成风险记录中与本次异常数据相匹配的所有事故类型，则输出的所有事故类型作为对轨道交通风险的预测；
若生成结果为逆向分析得到的所述预测结果，则输出所述预测结果并插入评估标签，作为对轨道交通风险的预测；
所述评估标签包括，插入标签表示预测结果是根据数据推理得到的。
本发明的另外一个目的是提供一种基于数据驱动的轨道交通风险的预测系统，其包括，数据采集模块，获取轨道交通的事故记录和预警记录，对所述预警记录的内容进行风险升级，将所述事故记录与风险升级后的预警记录作为风险记录，同时采集轨道交通的实时数据；
风险分析模块，对所述风险记录预处理后进行特征提取，利用提取到的特征进行风险的评估；根据数据关联的关系对所述风险记录中的特征进行特征降维；根据降维后的风险记录对轨道交通的风险条件进行分析，当判定风险条件触发时，对轨道交通风险做出预测；对所述风险评估的结果进行逆向分析并将逆向分析的结果作为满足风险的数据成分；当本次实时采集的异常数据驱动达到满足风险的数据成分时，对轨道交通风险做出预测；
输出模块，根据风险分析模块的预测结果输出对轨道交通风险的预测。
一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
本发明的有益效果：本发明提供的基于数据驱动的轨道交通风险的预测方法能够预测潜在的风险和问题；预测未来的运行状况，可以帮助运营商避免不必要的维修和停工，从而降低运营成本。通过对大量数据的分析，可以为运营商的决策提供有力的数据支持，使决策更加科学和合理。使预测结果与所处环境相匹配，更具有应用的科学性。
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它的附图。其中：
图1为本发明第一个实施例提供的基于数据驱动的轨道交通风险的预测方法的整体流程图；
图2为本发明第二个实施例提供的基于数据驱动的轨道交通风险的预测方法与传统方法的对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了基于数据驱动的轨道交通风险的预测方法，包括：
S1：获取轨道交通的事故记录和预警记录，对所述预警记录的内容进行风险升级，将所述事故记录与风险升级后的预警记录作为风险记录，同时采集轨道交通的实时数据。
进一步的，事故记录包括，获取轨道交通发生事故时的参数信息、事故类型以及事故发生位置的环境信息；预警记录包括，获取轨道交通行驶过程中，没有发生事故但轨道交通运行的数据参数发生异常的异常记录；风险升级包括，使轨道交通的技术人员对所述预警记录进行评估，获取评估结果为：若不经过应急处理则预警记录中的异常数据就会导致轨道交通事故的异常数据；同时获取所述技术人员对预警记录能够评估的交通风险类型；将获取的所述异常数据、预警记录的环境信息以及所述风险类型作为与所述事故记录相同的样本内容。
要知道的是，想要预测轨道交通的风险，那么对已发生的风险的学习是非常重要的。而已发生的事故中，能够起到作用的是轨道交通的异常参数，信息和环境信息，以及对于技术人员的操作过程，因为如果技术人员操作的比较好的话，那么就不容易导致轨道交通发生事故。如果仅仅是预警记录的话，也就是说，不会包括事故类型那么没有事故类型，在预测时就会出现偏差，通过技术人员对预警记录进行评估，以评估的，事故类型作为预警记录中记录的异常数据，能够导致的事故类型。将这些所有的记录都归拢起来，作为训练的样本就形成了与事故记录相同的样本内容。
S2：对所述风险记录预处理后进行特征提取，利用提取到的特征进行风险的评估；根据数据关联的关系对所述风险记录中的特征进行特征降维。
进一步的，预处理包括，对风险记录中的数据进行清洗去除由于系统记录异常而显示的异常值，保留数据内容真实的异常数据。
对清洗后的数据归一化处理后进行特征降维，减少特征的数量。
若同一组风险记录中多个异常数据之间存在必然的关联，则根据异常数据的所述关联关系减少异常特征的数量；当多个异常数据之间的关系表现为以相同比例变化时，则选择数据变化最大的数据作为特征降维后的异常数据；根据风险记录，将特征降维后的异常数据与事故类型相匹配形成配对样本，同时对匹配后的事故类型加入环境信息的标签。
要知道的是，预处理的过程和数据归一化的过程是很容易实现的，为了保证数据的比较标准是统一的，不会出现过大或者过小的比较标准的数据。而对于特征降维是能够减少特征的数量，能够使系统在识别异常时，能够识别到最具有特征的数值。在获取降维后的异常数据时，识别同一组异常数据的多个异常数据之间的关系，如果这些数据是呈相同比例变化时，说明这些数据存在必然的相互关联。那么，根据这些关联，我们可以将很多的异常特征简化为一个最显著的异常特征进行分析。
S3：根据降维后的风险记录对轨道交通的风险条件进行分析，当判定风险条件触发时，对轨道交通风险做出预测；对所述风险评估的结果进行逆向分析并将逆向分析的结果作为满足风险的数据成分；当本次实时采集的异常数据驱动达到满足风险的数据成分时，对轨道交通风险点做出预测。
进一步的，风险评估包括，对所述配对样本进行学习，在实时采集的轨道交通数据出现异常且实时异常数据持续接近事故记录中的异常数据时，则对事故发生的风险条件进行进一步评估。
若风险条件与轨道交通实时的风险条件相一致，则输出实时异常数据持续接近事故记录中的异常数据所匹配的配对样本，提取所述配对样本中对应的事故类型作为风险点预测结果。
要知道的，如果异常数据达到历史记录中的异常数据，则轨道交通大概率会发生事故。所以选取持续接近事故记录中的数据，这样能够保证此时刻没有发生事故，且能够预测事故。将这个能够预测事故数据匹配到的异常数据，直接使用配对样本中的异常数据作为预测本次轨道交通的数据进行预测，能够保证在数据比对时减少工作量和运行延时。
要说的是，风险条件包括，对每一次事故记录中的所述配对样本进行分析，判断除数据异常而导致事故外的环境标签的影响；对所述配对样本与本次实时采集的异常数据进行风险条件的分析，提取事故记录中所有与本次实时采集的异常数据具有相同特征数据的样本，判断样本中的环境标签与本次信息中存在相同环境标签的次数：
其中，i表示样本序号；T表示具有相同特征数据的样本总数；B=（x0，n）表示实时采集的轨道交通信息，x0表示实时的轨道交通信息对应的异常数据，n实时的轨道交通信息对应的环境编号；A=（x，y）表示每一个配对样本，x配对样本中特征降维后的异常数据，y表示每次的配对样本中的环境编号；，/>表示在x=x0时，n和y一致性，若ｎ＝ｙ则记为1，若ｎ≠ｙ则记为0；所述相同特征数据包括，因实时异常数据持续接近事故记录中的异常数据而具有的特征，将实时的异常数据变更为记录中的异常数据；当Ｃ/Ｔ＝1，则判定风险条件触发，生成与事故记录中事故类型相同的风险预测结果，并调度风险记录中与本次异常数据相匹配的应急处理记录；当Ｃ/Ｔ≠1，则判定风险条件不必然触发，进一步对风险条件进行分析。
要说的是，如果在所有的配对样本中，都显示这样的异常数据在这样的环境下，会发生事故，即C=T，就说明根据历史记录学习的风险条件，已经被触发，一定会出现事故，所以需要调度处理。这次事故的记录，技术人员能够根据记录中表现好的数据，执行应急操作。同时要注意的是，如果仅仅是数据异常那么不一定发生事故，有的事故需要在特定的环境特征下才能够实现的，所以通过对环境特征的分析，进一步确认这一分析结果。
要说的是，进一步分析包括，若判定风险条件不必然触发，则提取风险记录中环境标签的相同环境特征，当提取出的环境特征存在于实时采集的环境特征的识别结果时，重新判定风险条件触发，生成风险记录中与本次异常数据相匹配的所有事故类型以及所有所述事故类型对应的应急处理记录；若始终无法判定风险条件触发，则对风险进行逆向分析；所述逆向分析包括，获取所有的风险记录，按照所有的风险记录中的所有事故类型，对事故类型进行划分并将事故类型对应的异常数据整合为一整个异常数据集作为风险预测的数据成分；将每一种事故类型中异常的数据成分与本次实时采集的异常数据进行匹配，将与本次实时采集的异常数据匹配得到匹配率最高的数据成分对应的事故类型作为预测结果。
本来的目的是根据数据预测事故，那么反向分析则是通过事故来总结。如果总结到的这些数据，在本次实时异常数据的测试样本中，有多少数据能够与异常数据集的数据成分相同，这个相同的部分在测试样本比例就是匹配率。这个匹配率越高，说明数据异常，更贴近于某一种事故，那么用这种方式对事故进行预测是相对正确。
要知道的是，预测包括，根据判定风险条件触发生成的所述风险预测结果、重新判定风险条件触发后生成风险记录中与本次异常数据相匹配的所有事故类型、逆向分析得到的所述预测结果，输出对轨道交通风险的预测；若生成结果为所述风险预测结果，则直接将结果输出作为对轨道交通风险的预测；若生成结果为重新判定风险条件触发后生成风险记录中与本次异常数据相匹配的所有事故类型，则输出的所有事故类型作为对轨道交通风险的预测；若生成结果为逆向分析得到的所述预测结果，则输出所述预测结果并插入评估标签，作为对轨道交通风险的预测；所述评估标签包括，插入标签表示预测结果是根据数据推理得到的。
要知道的是，风险预测结果是，在历史数据中存在一一对应关系的预测结果，所以他可以直接输出内容是相对准确的。而重新判定风险条件的预测内容，只是对交通风险的预测方向，所以可以输出多个预测结果，技术人员可以根据经验对输出的多个预测结果进行分析，从而适用于本次数据异常的应急处理。同样，如果是根据逆向分析得到的预测结果，说明这个预测结果其实是估计的，所以插入一个估计标签，这样能够提醒技术人员，这一预测是估计的，不能作为确凿的证据使用，需要进行进一步的人为判断。
本实施例还提供了一种基于数据驱动的轨道交通风险的预测系统，其包括：数据采集模块、风险分析模块和输出模块。
具体的，数据采集模块用于获取轨道交通的事故记录和预警记录，对所述预警记录的内容进行风险升级，将所述事故记录与风险升级后的预警记录作为风险记录，同时采集轨道交通的实时数据；风险分析模块，对所述风险记录预处理后进行特征提取，利用提取到的特征进行风险的评估根据数据关联的关系对所述风险记录中的特征进行特征降维；根据降维后的风险记录对轨道交通的风险条件进行分析，当判定风险条件触发时，对轨道交通风险做出预测；对所述风险评估的结果进行逆向分析并将逆向分析的结果作为满足风险的数据成分；当本次实时采集的异常数据驱动达到满足风险的数据成分时，对轨道交通风险做出预测；输出模块，根据风险分析模块的预测结果输出对轨道交通风险的预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。
本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
实施例2
参照图2，为本发明的一个实施例，提供了基于数据驱动的轨道交通风险的预测方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
表1为在3组1000次的场景实验中，本发明的预测准确率的数据结果。
表1 准确率表
| 1组 | 2组 | 3组 | |
| 预测准确率 | 98% | 91% | 96.5% |
能够看出，本发明在实验中预测准确率明显很高，且具有很高的稳定性，所以，本发明的预测是合理可靠的。
图2为本发明与传统方法的对比，通过4个模拟类型，每个模拟类型100次的模拟实验进行多次的实验对比，能够看出本发明不光在预测准确率上明显高于传统发明，且具有很高的稳定性，而传统方法稳定性较差且准确率高，显低于本发明。
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 (3)
1.基于数据驱动的轨道交通风险的预测方法，其特征在于，包括：
获取轨道交通的事故记录和预警记录，对所述预警记录的内容进行风险升级，将所述事故记录与风险升级后的预警记录作为风险记录，同时采集轨道交通的实时数据；
对风险记录中的数据进行清洗去除由于系统记录异常而显示的异常值，保留数据内容真实的异常数据；
对清洗后的数据归一化处理后进行特征降维，减少特征的数量；
若同一组风险记录中多个异常数据之间存在必然的关联，则根据异常数据的所述关联关系减少异常特征的数量；当多个异常数据之间的关系表现为以相同比例变化时，则选择数据变化最大的数据作为特征降维后的风险数据；
根据风险记录，将特征降维后的风险数据与事故类型相匹配形成配对样本，同时对匹配后的事故类型加入环境标签；
对所述配对样本进行学习，在实时采集的轨道交通数据出现异常且实时异常数据持续接近事故记录中的风险数据时，则对事故发生的风险条件进行评估，具体包括：
提取事故记录中所有与本次实时采集的异常数据具有相同特征数据的样本，判断样本中的环境标签与本次实时采集的异常数据中存在相同环境标签的次数：
；
其中，i表示样本序号；T表示具有相同特征数据的样本总数；B=（x0，n）表示实时采集的轨道交通信息，x0表示实时的轨道交通信息对应的异常数据，n表示实时的轨道交通信息对应的环境标签；A=（x，y）表示每一个配对样本，x表示配对样本中特征降维后的风险数据，y表示每次的配对样本中的环境标签；表示在x=x0时，n和y一致性，若ｎ＝ｙ则记为1，若ｎ≠ｙ则记为0；
所述相同特征数据包括，因实时异常数据持续接近事故记录中的风险数据而具有的特征；
将本次实时的异常数据变更为记录中的风险数据；
当Ｃ/Ｔ＝1，则判定风险条件触发，生成与事故记录中事故类型相同的风险预测结果，并调度风险记录中与本次异常数据相匹配的应急处理记录；
当Ｃ/Ｔ≠1，则判定风险条件不必然触发，进一步对风险条件进行分析；
若判定风险条件不必然触发，则提取特征降维后的风险数据的环境标签的相同环境特征，当提取出的环境特征存在于实时采集的环境特征的识别结果时，重新判定风险条件触发，生成特征降维后的风险数据中与本次实时采集的异常数据相匹配的所有事故类型以及所有所述事故类型对应的应急处理记录；
若始终无法判定风险条件触发，则对风险进行逆向分析；
所述逆向分析包括，获取所有的特征降维后的风险数据，按照所有的特征降维后的风险数据中的所有事故类型，对事故类型进行划分并将事故类型对应的风险数据整合为一整个风险数据集作为风险预测的数据成分；将每一种事故类型中异常的数据成分与本次实时采集的异常数据进行匹配，将与本次实时采集的异常数据匹配得到匹配率最高的数据成分对应的事故类型作为预测结果。
2.如权利要求1所述的基于数据驱动的轨道交通风险的预测方法，其特征在于：所述事故记录包括，获取轨道交通发生事故时的参数信息、事故类型以及事故发生位置的环境信息；
所述预警记录包括，获取轨道交通行驶过程中，没有发生事故但轨道交通运行的数据参数发生异常的异常记录；
所述风险升级包括，使轨道交通的技术人员对所述预警记录进行评估，获取评估结果为：若不经过应急处理则预警记录中的异常数据就会导致轨道交通事故的异常数据；同时获取所述技术人员对预警记录能够评估的交通风险类型；将获取的所述异常数据、预警记录的环境信息以及所述风险类型作为与所述事故记录相同的样本内容。
3.如权利要求2所述的基于数据驱动的轨道交通风险的预测方法，其特征在于：所述将与本次实时采集的异常数据匹配得到匹配率最高的数据成分对应的事故类型作为预测结果包括，根据判定风险条件触发生成的所述风险预测结果、重新判定风险条件触发后生成特征降维后的风险数据中与本次实时采集的异常数据相匹配的所有事故类型、逆向分析得到的所述预测结果，输出对轨道交通风险的预测；
若生成结果为所述风险预测结果，则直接将结果输出作为对轨道交通风险的预测；
若生成结果为重新判定风险条件触发后生成特征降维后的风险数据中与本次实时采集的异常数据相匹配的所有事故类型，则输出的所有事故类型作为对轨道交通风险的预测；
若生成结果为逆向分析得到的所述预测结果，则输出所述预测结果并插入评估标签，作为对轨道交通风险的预测；
所述评估标签包括，插入标签表示预测结果是根据数据推理得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311041548.6A CN116757336B (zh) | 2023-08-18 | 2023-08-18 | 基于数据驱动的轨道交通风险的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311041548.6A CN116757336B (zh) | 2023-08-18 | 2023-08-18 | 基于数据驱动的轨道交通风险的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757336A CN116757336A (zh) | 2023-09-15 |
| CN116757336B true CN116757336B (zh) | 2023-11-14 |
Family
ID=87953686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311041548.6A Active CN116757336B (zh) | 2023-08-18 | 2023-08-18 | 基于数据驱动的轨道交通风险的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757336B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108995675A (zh) * | 2018-06-28 | 2018-12-14 | 上海工程技术大学 | 一种轨道交通运营风险智能识别预警系统及方法 |
| CN110766258A (zh) * | 2018-07-25 | 2020-02-07 | 高德软件有限公司 | 一种道路风险的评估方法及装置 |
| 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 |
| CN115965235A (zh) * | 2022-10-31 | 2023-04-14 | 北京红山信息科技研究院有限公司 | 一种公交城市公交事故风险因素分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11312374B2 (en) * | 2020-01-31 | 2022-04-26 | International Business Machines Corporation | Prediction of accident risk based on anomaly detection |
-
2023
- 2023-08-18 CN CN202311041548.6A patent/CN116757336B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108995675A (zh) * | 2018-06-28 | 2018-12-14 | 上海工程技术大学 | 一种轨道交通运营风险智能识别预警系统及方法 |
| CN110766258A (zh) * | 2018-07-25 | 2020-02-07 | 高德软件有限公司 | 一种道路风险的评估方法及装置 |
| 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 |
| CN115965235A (zh) * | 2022-10-31 | 2023-04-14 | 北京红山信息科技研究院有限公司 | 一种公交城市公交事故风险因素分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757336A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
| CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
| CN103703487B (zh) | 信息识别方法以及系统 | |
| CN102282516B (zh) | 异常检测方法及异常检测系统 | |
| US20110191076A1 (en) | Error detection method and system | |
| Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
| CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
| CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN118037047A (zh) | 基于ai的矿山安全监控系统 | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
| CN113469247B (zh) | 网络资产异常检测方法 | |
| CN118446118A (zh) | 基于神经网络的高速公路机电系统故障预测方法、装置、电子设备及存储介质 | |
| CN113505639B (zh) | 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法 | |
| CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
| CN116757336B (zh) | 基于数据驱动的轨道交通风险的预测方法及系统 | |
| CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| Suresh et al. | Predicting the e-learners learning style by using support vector regression technique | |
| Vagnoli et al. | A machine learning classifier for condition monitoring and damage detection of bridge infrastructure | |
| Yue et al. | Bayesian hybrid gamma-GPD model for extreme traffic conflict threshold determination in the peak over threshold approach | |
| CN116311080B (zh) | 监控影像检测方法及装置 |
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 |