CN116822965B - 一种地铁施工风险预警方法及系统 - Google Patents

一种地铁施工风险预警方法及系统 Download PDF

Info

Publication number
CN116822965B
CN116822965B CN202311085469.5A CN202311085469A CN116822965B CN 116822965 B CN116822965 B CN 116822965B CN 202311085469 A CN202311085469 A CN 202311085469A CN 116822965 B CN116822965 B CN 116822965B
Authority
CN
China
Prior art keywords
population
early warning
construction risk
subway construction
construction
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
Application number
CN202311085469.5A
Other languages
English (en)
Other versions
CN116822965A (zh
Inventor
李鹏飞
郭峰
郑俊卿
王有道
罗远平
李庆锋
潘荣坤
丁剑博
南方蛟
张娟娟
赵培云
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.)
Wuhan Branch Of China Railway Seventh Group Group Electric Engineering Co ltd
Electrical Engineering Co Ltd of China Railway Seventh Group Co Ltd
Original Assignee
Wuhan Branch Of China Railway Seventh Group Group Electric Engineering Co ltd
Electrical Engineering Co Ltd of China Railway Seventh Group Co Ltd
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 Wuhan Branch Of China Railway Seventh Group Group Electric Engineering Co ltd, Electrical Engineering Co Ltd of China Railway Seventh Group Co Ltd filed Critical Wuhan Branch Of China Railway Seventh Group Group Electric Engineering Co ltd
Priority to CN202311085469.5A priority Critical patent/CN116822965B/zh
Publication of CN116822965A publication Critical patent/CN116822965A/zh
Application granted granted Critical
Publication of CN116822965B publication Critical patent/CN116822965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种地铁施工风险预警方法及系统，其方法包括采集多种特征数据并进行预处理；基于思维进化算法的特征关系选择模型对特征数据进行分析，获取特征之间最优边关系和方向；基于贝叶斯网络模型,根据特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；利用地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果。利用贝叶斯网络来建模相关数据，得到泛化能力强、预测精准的地铁施工风险预警分析网络模型，从而可以准确分析当前地铁施工环境和员工状态存在的风险，实现对施工风险的精准评估和快速响应，使得最终风险预警更加精准。

Description

一种地铁施工风险预警方法及系统
技术领域
本发明涉及地铁施工技术领域，尤其涉及一种地铁施工风险预警方法及系统。
背景技术
地铁工程施工中的安全管理是一项非常重要的工作。具备完善的安全管理方案不仅可以降低施工过程中的不确定性和风险，确保施工过程顺利、安全、高效地进行。而且可以帮助施工单位在施工前对地铁施工环境、工程设计、人员配备、材料采购等各方面进行全面分析和评估，确定可能出现的风险和问题，并制定相应的应对方案。这样可以最大程度地避免施工过程中的事故和延误，保证施工质量和工期的达成，同时也能降低施工成本和经济损失。因此，地铁施工风险管理对于保障地铁工程的安全、高效和可持续发展具有重要意义。
目前，在施工风险评估的方面已取得了一些成果，例如已授权的专利CN111967680A，授权日为2020年11月20日，专利名称为“一种电网安全施工管控与评估系统”，公开了一种涉及电网安全施工综合评估技术领域的电网安全施工管控与评估系统。通过电网工程开工前的固有风险分析,并结合项目实际作业特点对电网工程作业前的动态风险进行识别、评估,不同动态风险等级采取不同的管理措施,保证电网工程施工安全风险始终处于可控、在控、能控状态。在地铁施工风险方面已取得一些成果，例如已授权的专利CN102609774A，授权日为2012年7月25日，专利名称为“一种地铁施工安全风险识别推理系统及其识别推理方法”，公开了一种地铁施工安全风险识别推理系统及其识别推理方法。首先接收工点分类、工法分类和安全风险工程参数并存放在推理工作区中；然后进行分类规则库,致险因素匹配及规则推理,最终确定结论,并进行风险解释。已公开的专利CN115718946A，申请日为2023年2月28日，专利名称为“基于BIM+GIS的桥梁隧道施工安全风险管理方法”，公开了一种基于BIM+GIS的桥梁隧道施工安全风险管理方法。该方法利用BIM+GIS技术,构建桥梁隧道地铁施工环境的三维数字模型；根据所述三维数字模型,细化分解施工作业,得到多个作业活动；将致险因素关联到每个作业活动,以生成各作业活动对应的风险等级；根据所述风险等级生成风险管控等级；根据所述风险管控等级和施工进度计划,建立结合施工进度的动态施工风险公示数字模型,并将所述动态施工风险公示数字模型推送至相关责任人。这些方法虽然可以实现对地铁施工环境风险的评估，但仍存在一些不足和局限。比如：只从地铁施工环境进行评估，并没有考虑施工人员的影响因素；缺乏完整的风险管理体系，仅仅是针对某些方面进行管理，整体风险管理不够完备；在进行风险评估时，评估方法不够科学，评估结果不够准确，导致风险管理的效果不佳。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种地铁施工风险预警方法及系统。
本发明解决上述技术问题的技术方案如下：一种地铁施工风险预警方法，包括如下步骤：
采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果。
本发明的有益效果是：本发明的地铁施工风险预警方法，利用思维进化算法来建模地铁施工环境特征和员工状态特征的边关系，可以为贝叶斯模型构建提供节点和边等数据基础；利用贝叶斯网络来建模相关数据，得到泛化能力强、预测精准的地铁施工风险预警分析网络模型，从而可以准确分析当前地铁施工环境和员工状态存在的风险，实现对施工风险的精准评估和快速响应，使得最终风险预警更加精准。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理具体包括如下步骤：
采集包含地铁施工环境参数和施工项目参数的施工环境特征数据和包含员工身体状况和工作经验数据的员工状态特征数据；
对所述施工环境特征数据和员工状态特征数据进行数据清洗、去除异常值，并进行归一化处理。
上述进一步方案的有益效果是：通过采集用于表征施工环境特征和员工状态特征的多种特征数据，可以作为后续评估地铁施工的依据，对所述施工环境特征数据和员工状态特征数据进行数据清洗、去除异常值，可以保证评估结果的准确性，对数据进行归一化处理，可以保证处理后的数据具有相同的尺度，便于计算处理。
进一步：所述对所述特征数据进行分析具体包括如下步骤：
对所述特征数据进行编码，并进行特征向量化处理；
将向量化处理后的特征映射至预设的解空间内，并对每个包含多个用于表征特征之间边关系的个体的一般子种群进行初始化；
利用适应度值函数与用于表征特征数据种类的自由度对每个所述一般子种群中的个体进行适应度值计算和排序；
利用趋同操作，根据每个所述一般子种群中所述适应度值最高的个体生成临时子种群；
利用异化操作，根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解，得到所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的最优边关系和方向。
上述进一步方案的有益效果是：通过对所述特征数据进行编码及向量化处理，然后映射至解空间内，这样即可得到包含多个表征特征之间边关系的个体的一般子种群，然后对一般子种群内的个体进行适应度值计算和排序后，通过“趋同”和“异化”处理，得到边关系的全局最优解，进而得到所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的最优边关系和方向。
进一步：所述根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解具体包括如下步骤：
计算所述临时子种群中适应度值最高的个体所在的所述一般子种群的适应度平均值和所述临时子种群的适应度平均值；
在所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值大于所述临时子种群的适应度平均值时，将所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群互换，并重复上述计算和排序步骤，直至所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值不大于所述临时子种群的适应度平均值时，确定所述临时子种群中临时子种群所在的所述一般子种群中的边关系为全局最优解。
上述进一步方案的有益效果是：通过“趋同”操作不停迭代寻找全局最优个体，采用“异化”操作将“趋同”操作保留下来的最优个体的子群体，以概率改变个体的表现值，使节点之间的邻接关系不断变化，求得子父节点之间最优的依赖关系。
进一步：所述基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型具体包括如下步骤：
将所述施工环境特征和员工状态特征作为贝叶斯网络节点内容；
基于所述特征关系选择模型、施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的边关系构建贝叶斯网络模型；
利用施工环境历史数据、员工状态历史信息以及施工风险类型和对应的施工风险等级对所述贝叶斯网络模型进行训练，得到地铁施工风险预警分析网络模型。
上述进一步方案的有益效果是：将所述施工环境特征和员工状态特征作为贝叶斯网络节点内容，并根据边关系构建贝叶斯网络模型，然后用施工环境历史数据、员工状态历史信息以及施工风险类型和对应的施工风险等级对贝叶斯网络模型进行训练，即可得到可以对实时地铁施工环境影响数据和实时员工状态信息进行分析的地铁施工风险预警分析网络模型。
进一步：所述利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果具体包括如下步骤：
对所述实时地铁施工环境影响数据和实时员工状态信息进行异常值删除，并进行归一化处理；
将处理后的所述实时地铁施工环境影响数据和实时员工状态信息输入至所述地铁施工风险预警分析网络模型进行预测，得到实时施工风险类型和实时施工风险等级；
在所述实时施工风险类型和/或实时施工风险等级超过预设施工风险类型和/或预设风险等级阈值时生成预警信息。
上述进一步方案的有益效果是：通过对所述实时地铁施工环境影响数据和实时员工状态信息进行异常值删除，可以提高计算记过的准确性，进行归一化处理，可以保证处理后的数据具有相同的尺度，便于计算处理，通过地铁施工风险预警分析网络模型对处理后的所述实时地铁施工环境影响数据和实时员工状态信息进行预测，即可得到实时施工风险等级，以便于对地铁施工风险进行准确预警。
进一步：所述地铁施工风险预警方法还包括如下步骤：将所述实时地铁施工环境影响数据和实时员工状态信息以及实时施工风险类型和对应的实时施工风险等级作为新的历史数据信息进行存储，并同步输入至所述地铁施工风险预警分析网络模型进行训练。
上述进一步方案的有益效果是：通过将所述述实时地铁施工环境影响数据和实时员工状态信息以及实时施工风险类型和对应的实时施工风险等级作为新的历史数据信息进行存储，以便后续需要时随时调取，并同步输入至所述地铁施工风险预警分析网络模型进行训练，可以进一步提高所述地铁施工风险预警分析网络模型的预测精度。
本发明还提供了一种地铁施工风险预警系统，包括数据采集模块、特征关系选择模块、模型构建训练模块以及风险预测预警模块；
所述数据采集模块，用于采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
所述特征关系选择模块，用于基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
所述模型构建训练模块，基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
所述风险预测预警模块，用于利用所述地铁施工风险预警分析网络模型对所述数据采集模块采集的实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果。
本发明的地铁施工风险预警系统，利用思维进化算法来建模地铁施工环境特征和员工状态特征的边关系，可以为贝叶斯模型构建提供节点和边等数据基础；利用贝叶斯网络来建模相关数据，得到泛化能力强、预测精准的地铁施工风险预警分析网络模型，从而可以准确分析当前地铁施工环境和员工状态存在的风险，实现对施工风险的精准评估和快速响应，使得最终风险预警更加精准。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现所述地铁施工风险预警方法。
本发明还提供了一种地铁施工风险预警设备，所述地铁施工风险预警方法设备包括：
至少一个处理器和存储介质，所述存储介质与所述处理器通信连接；
其中，所述存储介质上存储有可被所述至少一个所述处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述地铁施工风险预警方法。
附图说明
图1为本发明一实施例的地铁施工风险预警方法的流程示意图；
图2为本发明一实施例的地铁施工风险预警系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种地铁施工风险预警方法,包括如下步骤：
S1：采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
这里，施工环境特征包括施工环境参数、周围环境参数信息和施工场地因素；
S2：基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
具体来说，基于思维进化算法的特征关系选择模型，首先将地铁地铁施工环境特征数据和施工人员状态特征信息编码成特征矩阵，接着根据特征数据生成随机初始种群，并计算适应度值函数用于种群个体寻优。通过“趋同”操作不停迭代寻找全局最优个体，采用“异化”操作是指将“趋同”操作保留下来的最优个体的子群体，以概率改变个体基因的表现值，使节点之间的邻接关系不断变化，求得子父节点之间最优的依赖关系。
S3：基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
具体来说，通过基于思维进化算法获取的特征之间最优边关系，对相应的特征进行贝叶斯网络构建，将特征作为节点，利用最优边关系建立一个完善的地铁施工预警网络，通过原始数据对网络进行训练，调整相应节点参数的概率权重。
S4：利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果。
具体来说，利用建立的贝叶斯网络对新的地铁施工环境、人员数据进行分析，根据地铁地铁施工环境因素和施工人员状态给出相应的风险评估结果，并做出相应的预警措施。
本发明的地铁施工风险预警方法，利用思维进化算法来建模地铁施工环境特征和员工状态特征的边关系，可以为贝叶斯模型构建提供节点和边等数据基础；利用贝叶斯网络来建模相关数据，得到泛化能力强、预测精准的地铁施工风险预警分析网络模型，从而可以准确分析当前地铁施工环境和员工状态存在的风险，实现对施工风险的精准评估和快速响应，使得最终风险预警更加精准
在本发明的一个或多个实施例中，所述采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理具体包括如下步骤：
S11：采集包含地铁施工环境参数和施工项目参数的施工环境特征数据和包含员工身体状况和工作经验数据的员工状态特征数据；
S12：对所述施工环境特征数据和员工状态特征数据进行数据清洗、去除异常值，并进行归一化处理。
通过采集用于表征施工环境特征和员工状态特征的多种特征数据，可以作为后续评估地铁施工的依据，对所述施工环境特征数据和员工状态特征数据进行数据清洗、去除异常值，可以保证评估结果的准确性，对数据进行归一化处理，可以保证处理后的数据具有相同的尺度，便于计算处理。
在本发明的一个或多个实施例中，所述对所述特征数据进行分析具体包括如下步骤：
S21：对所述特征数据进行编码，并进行特征向量化处理；
将所有用到的地铁施工环境特征和员工状态信特征息转化为向量，将每一条特征数据作为一个个体均匀散布在解空间中。
S22：将向量化处理后的特征映射至预设的解空间内，并对每个包含多个用于表征特征之间边关系的个体的一般子种群进行初始化；
这里, 对解空间中的所有个体计算得分，选出T个得分最高的个体，即最优个体，其值一般在[2,10]，通过随机选取N个个体与最优个体结合形成一般子种群。所述一般子种群的个体数量在2-10之间,每个个体代表一个可能的解。
S23：利用适应度值函数与用于表征特征数据种类的自由度对每个所述一般子种群中的个体进行适应度值计算和排序；
这里，计算时，将每种特征数据记为一个自由度，通过修改自由度数量，调整解空间的搜索范围和广度，利用适应值函数结合自由度值对每个一般子种群包含的个体进行适应度计算和排序。
具体地，在求最优个体时，将其求解过程转换成求其极小值问题：
（1）
其中，W表示最优个体求解过程，min表示求最小值函数，，X和Y分别是最优个体和所有个体中的离散点集，X同样也是解空间，/>.由此产生了一种映射关系：,f就是/>适应度值函数，将X解空间中的离散点x通过函数来获得值域Y中的值。
如果极小值存在，则等式成立，就形成了一个数列。其中，/>。由初始化过程求出了规模为T的最优个体，并设定N为子群体中除了中心最优个体外的其他个体数，从而形成了一种一般子群体映射：
（2）
（3）
其中，ST表示子群体映射过程，б表示变量的方差，，通过正态分布/>随机生成N个新个体与最优个体生成一个一般子群体。/>（4）
S24：利用趋同操作，根据每个所述一般子种群中所述适应度值最高的个体生成临时子种群；
利用函数对一般子群体内的N个新个体和之前选出的最优个体进行竞争，选出新的最优个体代表的一般子种群进行异化操作，/>代表新的最优个体；
（5）
S25：利用异化操作，根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解，得到所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的最优边关系和方向。
将临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群的自适应度值进行比较，进行跌代，计算得到全局最优边关系。
通过对所述特征数据进行编码及向量化处理，然后映射至解空间内，这样即可得到包含多个表征特征之间边关系的个体的一般子种群，然后对一般子种群内的个体进行适应度值计算和排序后，通过“趋同”和“异化”处理，得到边关系的全局最优解，进而得到所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的最优边关系和方向。
在本发明的一个或多个实施例中，所述根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解具体包括如下步骤：
S251：计算所述临时子种群中适应度值最高的个体所在的所述一般子种群的适应度平均值和所述临时子种群的适应度平均值；
S252：在所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值大于所述临时子种群的适应度平均值时，将所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群互换，并重复上述计算和排序步骤，直至所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值不大于所述临时子种群的适应度平均值时，确定所述临时子种群中临时子种群所在的所述一般子种群中的边关系为全局最优解。
通过“趋同”操作不停迭代寻找全局最优个体，采用“异化”操作将“趋同”操作保留下来的最优个体的子群体，以概率改变个体的表现值，使节点之间的邻接关系不断变化，求得子父节点之间最优的依赖关系。
在本发明的一个或多个实施例中，所述基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型具体包括如下步骤：
S31：将所述施工环境特征和员工状态特征作为贝叶斯网络节点内容；
在贝叶斯网络中，各个节点对应着模型中的变量，所以根据建模首先确定节点和其对应变量的关系，通常情况下贝叶斯网络节点具有三种类型。其一是目标节点，该节点表示需要根据解决目标来确定，是系统决策通常根据贝叶斯网络分析求解其概率分布，这里将预警类型作为目标节点；其二是证据节点，这一节点是实现观测到的节点取值，并以此为基础构建已知条件，这类节点在贝叶斯网络中是理论推理的先决条件，设定地铁地铁施工环境和人员状态作为该类节点；其三是中间节点，其通常是连接前两种节点的纽带，这类节点主要由施工流程等因素组成。各个节点的取值方法需要依据所构建的模型中的全部节点的确定来界定的。
S32：基于所述特征关系选择模型、施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的边关系构建贝叶斯网络模型；
这里，边关系主要由思维进化算法生成的最优边关系构成。
S33：利用施工环境历史数据、员工状态历史信息以及施工风险类型和对应的施工风险等级对所述贝叶斯网络模型进行训练，得到地铁施工风险预警分析网络模型。
通过网络学习能够获取贝叶斯网络中单一节点的条件概率。设e为未知不变的一个参数，在给定拓扑结构S和已获取到的数据D后，便能够推算出参数e的全部可能取值，最后再根据样本集在贝叶斯网络拓扑结构中的训练，得出计算公式：
（6）
其中，P(e|D,S)表示在已知D和S的条件下求e的概率，P(D|e,S)表示在已知e和S的条件下求D的概率，P(e|S)表示在已知S的条件下求e的概率，P(D|S)表示在已知S的条件下求D的概率。
将所述施工环境特征和员工状态特征作为贝叶斯网络节点内容，并根据边关系构建贝叶斯网络模型，然后用施工环境历史数据、员工状态历史信息以及施工风险类型和对应的施工风险等级对贝叶斯网络模型进行训练，即可得到可以对实时地铁施工环境影响数据和实时员工状态信息进行分析的地铁施工风险预警分析网络模型。
在本发明的一个或多个实施例中，所述利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果具体包括如下步骤：
S41：对所述实时地铁施工环境影响数据和实时员工状态信息进行异常值删除，并进行归一化处理；
S42：将处理后的所述实时地铁施工环境影响数据和实时员工状态信息输入至所述地铁施工风险预警分析网络模型进行预测，得到实时施工风险类型和实时施工风险等级；
S43：在所述实时施工风险类型和/或实时施工风险等级超过预设施工风险类型和/或预设风险等级阈值时生成预警信息。
通过对所述实时地铁施工环境影响数据和实时员工状态信息进行异常值删除，可以提高计算记过的准确性，进行归一化处理，可以保证处理后的数据具有相同的尺度，便于计算处理，通过地铁施工风险预警分析网络模型对处理后的所述实时地铁施工环境影响数据和实时员工状态信息进行预测，即可得到实时施工风险类型和实时施工风险等级，以便于对地铁施工风险进行准确预警。
在本发明的一个或多个实施例中，所述地铁施工风险预警方法还包括如下步骤：
S5：将所述实时地铁施工环境影响数据和实时员工状态信息以及实时施工风险类型和对应的实时施工风险等级作为新的历史数据信息进行存储，并同步输入至所述地铁施工风险预警分析网络模型进行训练。
通过将所述述实时地铁施工环境影响数据和实时员工状态信息以及实时施工风险类型和对应的实时施工风险等级作为新的历史数据信息进行存储，以便后续需要时随时调取，并同步输入至所述地铁施工风险预警分析网络模型进行训练，可以进一步提高所述地铁施工风险预警分析网络模型的预测精度。
如图2所示，本发明还提供了一种地铁施工风险预警系统，包括数据采集模块、特征关系选择模块、模型构建训练模块以及风险预测预警模块；
所述数据采集模块，用于采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
所述特征关系选择模块，用于基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
所述模型构建训练模块，基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
所述风险预测预警模块，用于利用所述地铁施工风险预警分析网络模型对所述数据采集模块采集的实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果。
本发明的地铁施工风险预警系统，利用思维进化算法来建模地铁施工环境特征和员工状态特征的边关系，可以为贝叶斯模型构建提供节点和边等数据基础；利用贝叶斯网络来建模相关数据，得到泛化能力强、预测精准的地铁施工风险预警分析网络模型，从而可以准确分析当前地铁施工环境和员工状态存在的风险，实现对施工风险的精准评估和快速响应，使得最终风险预警更加精准。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现所述地铁施工风险预警方法。
本发明还提供了一种地铁施工风险预警设备，所述地铁施工风险预警方法设备包括：
至少一个处理器和存储介质，所述存储介质与所述处理器通信连接；
其中，所述存储介质上存储有可被所述至少一个所述处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述地铁施工风险预警方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种地铁施工风险预警方法, 其特征在于，包括如下步骤：
采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果；
基于思维进化算法的特征关系选择模型，首先将地铁地铁施工环境特征数据和施工人员状态特征信息编码成特征矩阵，接着根据特征数据生成随机初始种群，并计算适应度值函数用于种群个体寻优，通过“趋同”操作不停迭代寻找全局最优个体，采用“异化”操作是指将“趋同”操作保留下来的最优个体的子群体，以概率改变个体基因的表现值，使节点之间的邻接关系不断变化，求得子父节点之间最优的依赖关系。
2.根据权利要求1所述地铁施工风险预警方法, 其特征在于，所述采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理具体包括如下步骤：
采集包含地铁施工环境参数和施工项目参数的施工环境特征数据和包含员工身体状况和工作经验数据的员工状态特征数据；
对所述施工环境特征数据和员工状态特征数据进行数据清洗、去除异常值，并进行归一化处理。
3.根据权利要求1所述地铁施工风险预警方法, 其特征在于，所述对所述特征数据进行分析具体包括如下步骤：
对所述特征数据进行编码，并进行特征向量化处理；
将向量化处理后的特征映射至预设的解空间内，并对每个包含多个用于表征特征之间边关系的个体的一般子种群进行初始化；
利用适应度值函数与用于表征特征数据种类的自由度对每个所述一般子种群中的个体进行适应度值计算和排序；
利用趋同操作，根据每个所述一般子种群中所述适应度值最高的个体生成临时子种群；
利用异化操作，根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解，得到所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的最优边关系和方向。
4.根据权利要求3所述地铁施工风险预警方法, 其特征在于，所述根据所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群确定边关系的全局最优解具体包括如下步骤：
计算所述临时子种群中适应度值最高的个体所在的所述一般子种群的适应度平均值和所述临时子种群的适应度平均值；
在所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值大于所述临时子种群的适应度平均值时，将所述临时子种群中适应度值最高的个体所在的所述一般子种群与所述临时子种群互换，并重复上述计算和排序步骤，直至所述临时子种群中临时子种群所在的所述一般子种群的适应度平均值不大于所述临时子种群的适应度平均值时，确定所述临时子种群中临时子种群所在的所述一般子种群中的边关系为全局最优解。
5.根据权利要求1所述地铁施工风险预警方法, 其特征在于，所述基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型具体包括如下步骤：
将所述施工环境特征和员工状态特征作为贝叶斯网络节点内容；
基于所述特征关系选择模型、施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间的边关系构建贝叶斯网络模型；
利用施工环境历史数据、员工状态历史信息以及施工风险类型和对应的施工风险等级对所述贝叶斯网络模型进行训练，得到地铁施工风险预警分析网络模型。
6.根据权利要求1-5任一项所述地铁施工风险预警方法, 其特征在于，所述利用所述地铁施工风险预警分析网络模型对实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果具体包括如下步骤：
对所述实时地铁施工环境影响数据和实时员工状态信息进行异常值删除，并进行归一化处理；
将处理后的所述实时地铁施工环境影响数据和实时员工状态信息输入至所述地铁施工风险预警分析网络模型进行预测，得到实时施工风险类型和实时施工风险等级；
在所述实时施工风险类型和/或实时施工风险等级超过预设施工风险类型和/或预设风险等级阈值时生成预警信息。
7.根据权利要求5所述地铁施工风险预警方法, 其特征在于，还包括如下步骤：将所述实时地铁施工环境影响数据和实时员工状态信息以及实时施工风险类型和对应的实时施工风险等级作为新的历史数据信息进行存储，并同步输入至所述地铁施工风险预警分析网络模型进行训练。
8.一种地铁施工风险预警系统，其特征在于：包括数据采集模块、特征关系选择模块、模型构建训练模块以及风险预测预警模块；
所述数据采集模块，用于采集用于表征施工环境特征和员工状态特征的多种特征数据，并进行预处理；
所述特征关系选择模块，用于基于思维进化算法的特征关系选择模型对所述特征数据进行分析，获取所述施工环境特征之间、员工状态特征之间以及施工环境特征之间与员工状态特征之间最优边关系和方向；
所述模型构建训练模块，基于贝叶斯网络模型,根据所述特征数据和边关系以及施工风险类型和对应的施工风险等级进行建模，得到地铁施工风险预警分析网络模型；
所述风险预测预警模块，用于利用所述地铁施工风险预警分析网络模型对所述数据采集模块采集的实时地铁施工环境影响数据和实时员工状态信息进行分析，得到地铁施工风险预警结果；
基于思维进化算法的特征关系选择模型，首先将地铁地铁施工环境特征数据和施工人员状态特征信息编码成特征矩阵，接着根据特征数据生成随机初始种群，并计算适应度值函数用于种群个体寻优，通过“趋同”操作不停迭代寻找全局最优个体，采用“异化”操作是指将“趋同”操作保留下来的最优个体的子群体，以概率改变个体基因的表现值，使节点之间的邻接关系不断变化，求得子父节点之间最优的依赖关系。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述地铁施工风险预警方法。
10.一种地铁施工风险预警设备，其特征在于，所述地铁施工风险预警方法设备包括：
至少一个处理器和存储介质，所述存储介质与所述处理器通信连接；
其中，所述存储介质上存储有可被所述至少一个所述处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述地铁施工风险预警方法。
CN202311085469.5A 2023-08-28 2023-08-28 一种地铁施工风险预警方法及系统 Active CN116822965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311085469.5A CN116822965B (zh) 2023-08-28 2023-08-28 一种地铁施工风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311085469.5A CN116822965B (zh) 2023-08-28 2023-08-28 一种地铁施工风险预警方法及系统

Publications (2)

Publication Number Publication Date
CN116822965A CN116822965A (zh) 2023-09-29
CN116822965B true CN116822965B (zh) 2023-11-21

Family

ID=88122422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311085469.5A Active CN116822965B (zh) 2023-08-28 2023-08-28 一种地铁施工风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN116822965B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006112864A2 (en) * 2004-07-07 2006-10-26 Exxonmobil Upstream Research Company Bayesian network applications to geology and geophysics
CN103077447A (zh) * 2013-01-24 2013-05-01 华中科技大学 一种基于贝叶斯网络的地铁施工安全管理决策方法
JP2016143299A (ja) * 2015-02-04 2016-08-08 株式会社日立製作所 リスク評価システムおよびリスク評価方法
CN108197748A (zh) * 2018-01-08 2018-06-22 国网江苏省电力有限公司 一种基于思维进化算法的人流量预测方法
CN110991855A (zh) * 2019-11-28 2020-04-10 西南交通大学 一种基于贝叶斯网络的高速铁路风险评估的方法
CN111105163A (zh) * 2019-12-23 2020-05-05 交通运输部科学研究院 一种交通工程安全隐患评估装置及方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112434896A (zh) * 2020-09-14 2021-03-02 中铁工程服务有限公司 一种地铁盾构施工风险及其发展趋势的预测方法
CN114997049A (zh) * 2022-05-27 2022-09-02 江苏航运职业技术学院 基于fram-dbn的船舶引航过程风险演化分析方法
CN116090839A (zh) * 2023-04-07 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 水资源耦合系统多重风险分析与评估方法及系统
CN116167121A (zh) * 2022-09-08 2023-05-26 合肥工业大学 一种基于高斯贝叶斯网络的桥梁施工支架体系安全性能评定方法
CN116644954A (zh) * 2023-05-06 2023-08-25 长电新能有限责任公司 抽蓄工程施工安全风险智能化决策方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006112864A2 (en) * 2004-07-07 2006-10-26 Exxonmobil Upstream Research Company Bayesian network applications to geology and geophysics
CN103077447A (zh) * 2013-01-24 2013-05-01 华中科技大学 一种基于贝叶斯网络的地铁施工安全管理决策方法
JP2016143299A (ja) * 2015-02-04 2016-08-08 株式会社日立製作所 リスク評価システムおよびリスク評価方法
CN108197748A (zh) * 2018-01-08 2018-06-22 国网江苏省电力有限公司 一种基于思维进化算法的人流量预测方法
CN110991855A (zh) * 2019-11-28 2020-04-10 西南交通大学 一种基于贝叶斯网络的高速铁路风险评估的方法
CN111105163A (zh) * 2019-12-23 2020-05-05 交通运输部科学研究院 一种交通工程安全隐患评估装置及方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112434896A (zh) * 2020-09-14 2021-03-02 中铁工程服务有限公司 一种地铁盾构施工风险及其发展趋势的预测方法
CN114997049A (zh) * 2022-05-27 2022-09-02 江苏航运职业技术学院 基于fram-dbn的船舶引航过程风险演化分析方法
CN116167121A (zh) * 2022-09-08 2023-05-26 合肥工业大学 一种基于高斯贝叶斯网络的桥梁施工支架体系安全性能评定方法
CN116090839A (zh) * 2023-04-07 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 水资源耦合系统多重风险分析与评估方法及系统
CN116644954A (zh) * 2023-05-06 2023-08-25 长电新能有限责任公司 抽蓄工程施工安全风险智能化决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
,Jordan W. Suchow.Evolution in Mind: Evolutionary Dynamics, Cognitive Processes,and Bayesian Inference.Trends in Cognitive Sciences.2017,第21卷(第7期),全文. *
MEABP神经网络在隧道监测数据处理中的应用;任明洋;;公路与汽运(06);全文 *
基于模糊多态贝叶斯网络的地铁运营风险评估方法;曾明华;王旭;王转敏;王敏;;城市轨道交通研究(05);全文 *

Also Published As

Publication number Publication date
CN116822965A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Xiang et al. A clustering-based surrogate-assisted multiobjective evolutionary algorithm for shelter location problem under uncertainty of road networks
Feng et al. The learning of fuzzy cognitive maps with noisy data: A rapid and robust learning method with maximum entropy
Van et al. Research trends on machine learning in construction management: a scientometric analysis
Al-Zwainy et al. Forecasting the cost of structure of infrastructure projects utilizing artificial neural network model (highway projects as case study)
Xue et al. Self-adaptive particle swarm optimization-based echo state network for time series prediction
Tümer et al. Application of radial basis function networks with feature selection for gdp per capita estimation based on academic parameters
Cao et al. Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree
Tiruneh et al. Feature selection for construction organizational competencies impacting performance
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
Rajper et al. Software development cost estimation: a survey
Danish A framework for modeling and optimization of data-driven energy systems using machine learning
CN116822965B (zh) 一种地铁施工风险预警方法及系统
Abdelbari et al. Learning structures of conceptual models from observed dynamics using evolutionary echo state networks
Yolcu et al. An enhanced fuzzy time series forecasting method based on artificial bee colony
Kai et al. Notice of Retraction: A Novel Forecasting Model of Fuzzy Time Series Based on K-means Clustering
Nazarov et al. Optimization of prediction results based on ensemble methods of machine learning
Gunawan et al. Information Systems Students' Study Performance Prediction Using Data Mining Approach
Dewi et al. Modification of random forest method to predict student graduation data
Momeni et al. Uncertain Network Data Envelopment Analysis with Parallel Structure and Imprecisely Inputs and Outputs (Case Study: Social Security Organization)
Aladag et al. A novel membership value based performance measure
Ali et al. GIS-based multi-scale residential building energy modeling using a data-driven approach
Crossingham et al. Using optimisation techniques to granulise rough set partitions
Cheng et al. Evaluating Subcontractor Performance Using Evolutionary Gaussian Process Inference Model
Romanenko et al. Development of Estimation and Forecasting Method in Intelligent Decision Support Systems
Ali et al. GIS-based Multi-scale Residential Building Energy Performance Prediction using a Data-driven Approach

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