CN112801541A - 一种危险化学品道路运输风险动态评估及风险导航方法 - Google Patents
一种危险化学品道路运输风险动态评估及风险导航方法 Download PDFInfo
- Publication number
- CN112801541A CN112801541A CN202110212378.8A CN202110212378A CN112801541A CN 112801541 A CN112801541 A CN 112801541A CN 202110212378 A CN202110212378 A CN 202110212378A CN 112801541 A CN112801541 A CN 112801541A
- Authority
- CN
- China
- Prior art keywords
- risk
- road
- dangerous chemical
- index
- net
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种危险化学品道路运输风险动态评估及风险导航方法,步骤1:获取移动客户端发送的导航请求,应包括起点位置、目的地位置,根据导航请求规划可通行路线;步骤2:互联网获取各个路段的待评估数据,结合危险化学品车辆信息数据,输入预先训练好的危险化学品道路风险BP神经网络模型型对各路段风险进行预评估,并用不同颜色进行区分和规划路径;步骤3:开始导航,根据实时联网数据进行路径提示、风险要素提示。本发明所述的危险化学品道路风险BP神经网络模型对各路段风险进行预评估,提示进行危险化学品运输的驾驶员路段的风险性,有关部门也可及时了解易出现危险的路段,及时采取合理规避措施,提高危险化学品运输的安全性。
Description
技术领域
本发明属于化学品道路运输领域,尤其是涉及一种危险化学品道路运输风险动态评估及风险导航方法。
背景技术
为了保障危险化学品道路运输安全,各地方政府、企业均采取了一系列措施,包括在车辆上加装GPS定位***、视频监控***,推行电子运单制度等,以上措施的施行使得危险化学品道路运输基础数据越来越丰富,可获取性越来越高。为强化监管力度,各地方政府、企业也在积极采用信息化手段对危险化学品道路运输秩序进行规范,但目前所开发的***多重点用于监管环节,车辆驾驶员多处于“被管理”的角色,对于车载定位***、监控***等的抵触心理较大。在危险化学品道路运输中,驾驶员的重要性不言而喻,因此,合理整合利用当前危险化学品道路运输相关信息化数据,为驾驶人员提供使用便利,同时兼顾监管作用,是当前危险化学品道路运输信息平台建设开发的重要方向。
发明内容
有鉴于此,本发明旨在提出一种危险化学品道路运输风险动态评估及风险导航方法,以BP神经网络模型对各路段风险进行预评估,提示进行危险化学品运输的驾驶员路段的风险性,有关部门也可及时了解易出现危险的路段,及时采取合理规避措施,提高危险化学品运输的安全性。
为达到上述目的,本发明的技术方案是这样实现的:
一种危险化学品道路运输风险动态评估及风险导航方法,包括:
步骤1、获取移动客户端发送的导航请求,根据导航请求规划可通行路线;
步骤2、通过互联网获取各个路段的待评估数据,结合危险化学品车辆信息数据,输入预先训练好的危险化学品道路风险BP神经网络模型对各路段风险进行预评估,并用不同颜色进行区分和规划路径;
步骤3、开始导航,根据实时联网数据进行路径提示、风险要素提示。
进一步的,所述步骤2中的危险化学品道路风险BP神经网络模型获取过程如下:
步骤201、基于案例库构建危险化学品道路运输风险评估指标体系;
步骤202、对指标体系的风险评估指标及风险评估结果量化,形成训练样本库;
步骤203、基于训练样本库,通过BP神经网络建立危险化学品道路风险BP神经网络模型。
进一步的,所述危险化学品道路风险BP神经网络模型还包括危险化学品道路运输风险评估指标体系及模型动态更新机制,在BP神经网络模型投入使用后,对案例库进行扩充,完善风险评估指标体系及权重。
进一步的,所述步骤201的风险指标包括:
驾驶人员指标:证件不全、疲劳驾驶、超速驾驶、健康状况及违法驾驶;
车辆状况指标:是否存在违法改造车辆、是否存在车辆故障;
道路类型指标:高速公路,国道,省道,除高速公路、国道、省道以外的公路;
道路状况指标:交通饱和度和运输时间段;
特殊路段指标:交叉口、隧道、涵洞、桥梁、陡坡、急转弯、临崖;
货物类型指标:易燃易爆性、毒性;
货物状况指标:货物储存状态和装载状态;
天气因素指标:雨、雾、雷、雪;
周边环境指标:学校、居民区、医院、商场的人员密集区,危险化学品企业、加油站的重要公共设施,自然环境敏感区。
进一步的,所述步骤202的结果量化取值分为是否型指标和分段型指标,是否类指标为指标符合规标准规范要求时取0,不符合时取1;分段型指标的取值为2个以上,根据实际情况进行量化取值。
进一步的,所述步骤203的危险化学品道路风险BP神经网络模型建立过程为:
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层;BP神经网络的工作信号传输分为正向传递和反向传递两个子过程;
输入层:输入指标的量化值x和案例样本库的风险值y;
隐藏层:通过正向传递求解隐含层中间值z,设置九个中间值z,故第一步输出一行九列矩阵,代入下一步,
中间值d的矩阵为:d=[d1,d2,...,d9],
其中,dj=2/(1+exp(-2*netj))-1
net=XW+bi
所述net表达式如下所示:
net1=x1*w1,1+x2*w1,2+...x32*w1,32+b1
net2=x1*w2,1+x2*w2,2+...x32*w2,32+b2
net3=x1*w3,1+x2*w3,2+...x32*w3,32+b3
net4=x1*w4,1+x2*w4,2+...x32*w4,32+b4
net5=x1*w5,1+x2*w5,2+...x32*w5,32+b5
net6=x1*w6,1+x2*w6,2+...x32*w6,32+b6
net7=x1*w7,1+x2*w7,2+...x32*w7,32+b7
net8=x1*w8,1+x2*w8,2+...x32*w8,32+b8
net9=x1*w9,1+x2*w9,2+...x32*w9,32+b9
其中,x1~xn是输入向量,wi表示从上一个神经元至下一个神经元的连接权重向量,即每个输入信号对输出的影响所占比重,b表示阈值或偏差,所述w和b的初始值通过BP神经网络的初始赋值规则得到;
d为某一次计算结束以后的输出向量,y为学习样本的输出向量,迭代使E(w,b)趋向0.01,得到最终的修正权值W和阈值B;
输出层:通过风险值求解公式Z=dW+B,
Z=w1*d1+w2*d2+w3*d3+w4*d4+w5*d5+w6*d6+w7*d7+w8*d8+w9*d9+B,
Z为最终风险值。
进一步的,所述最终风险值Z分为五个等级,结果落于0-0.2为低风险;0.2-0.4为中风险;0.4-0.6为较高风险;0.6-0.8为高风险;0.8及以上特高风险,并设置颜色区分。
相对于现有技术,本发明所述的一种危险化学品道路运输风险动态评估及风险导航方法具有以下有益效果:
(1)本发明所述的危险化学品道路风险BP神经网络模型对各路段风险进行预评估,提示进行危险化学品运输的驾驶员路段的风险性,有关部门也可及时了解易出现危险的路段,及时采取合理规避措施,提高危险化学品运输的安全性;
(2)本发明所述的危险化学品道路风险BP神经网络模型是由之前一段时间的样本进行学习形成的,同时在之后出现事故的样本依旧可以进入BP神经网络进行学习优化,经常更新,保证为驾驶员和相关部门提供及时讯息。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种危险化学品道路运输风险动态评估及风险导航方法示意图;
图2为本发明实施例所述的道路风险提示及规划流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明提供了一种基于风险评估的危险化学品道路运输车辆专用导航方法,
本发明所指的导航方法其使用环境的实现方法是开发类似于高德地图、百度地图等移动APP,安装在移动客户端上,包括但不限于个人手提电脑、智能手机、平板电脑等可联网设备。
根据使用对象不同分为三类用户端口,即个人端、企业端和政府端,用户分别为驾驶员、企业及主管部门。导航功能主要供驾驶员使用,企业及主管部门端主要用于接收风险报警和事故报警,从而及时干预道路运输违法行为,及时响应事故。
驾驶员首次使用导航***前,应进行驾驶员信息录入,包括姓名、性别、从业资格证号、从业资格类别、有效期起、有效期止、证照状态、联系电话、所在企业等;绑定车辆信息,车辆信息应包括车辆(挂车)号牌(颜色)、车辆厂牌型号、车辆类型、核定载质量、车辆罐体容积、车辆营运状态、车辆技术等级、道路运输证号、有效期起、有效期止、经营范围、车辆年度审验状态等。
如图2所示,信息录入完毕后,可正常使用,用户发起导航请求,包括导航起始位置和目的地;后台服务器收到导航请求后,规划可通行的路线,联网获取各个路段的待评估数据,结合危险化学品车辆信息数据,输入预先训练好的危险化学品道路风险BP神经网络模型对各路段风险进行预评估,并用不同颜色进行区分;当存在高风险路段时,提示路段所在位置及导致高风险的原因,重新规划路线;
完成路径规划待用户提交申请后开始导航,根据实时联网数据进行路径提示、风险要素提示、风险预警等;路径提示包括前方拥堵提示、事故多发路段提示、特殊路段(陡坡、急转弯、临崖、邻水、桥梁等)提示、绕行提示,风险要素提示包括疲劳驾驶提示、超速提示、周边敏感目标提示(人员密集场所、重要设施等);风险报警及预警包括本车辆事故报警、本车辆违规报警,报警信息直接发送至企业,便于企业及时干预。
本发明提出的危险化学品道路风险BP神经网络模型,包括如下步骤:
步骤A:基于案例库构建危险化学品道路运输风险评估指标体系
基于207个与危险化学品道路运输相关的重大及以上等级的事故案例库,通过原因与原因频次分析,结合专家经验构建指标体系。
驾驶人员指标:驾驶人员是危险化学品道路运输的直接参与者,也是引发事故的核心要素。驾驶人员的驾驶行为、健康状况及自身素质均是造成事故的主要因素。根据危险化学品运输车辆驾驶人员的从业素质,从证件不全、疲劳驾驶、超速驾驶、健康状况及违法驾驶等五个方面对驾驶人员指标评估。
车辆状况指标:车辆和设备是诱发危险化学品运输事故发生的客观因素,车辆本身的安全程度和其零部件的性能直接关系着车辆的安全情况。运输车辆的完整度、行驶部件的灵敏度、安全装置性能、储运容器抗损性等均是造成事故发生的主要风险要素。根据危险化学品运输车辆的状态,从是否存在违法改造车辆、是否存在车辆故障两个方面进行评估。
道路类型指标:危险化学品运输道路类型可分为高速公路、国道、省道、其他公路四类,不同的类型其通行技术条件如车道宽度、封闭程度等均有所不同。
道路状况指标:该指标用于反映危险化学品道路交通事故发生可能性,包括交通饱和度和运输时间段两个指标。良好的交通运行状态则发生事故的可能性也小。
特殊路段指标:运输车辆在特殊路段行驶时,路面的坡度、转弯弧度及凹凸程度等因素容易产生剧烈的震动,造成内部化学品的碰撞,直接影响危险化学品运输事故的发生。结合案例中事故的多发路段,将特殊路段分为交叉口、隧道、涵洞、桥梁、陡坡、急转弯、临崖等指标。
货物类型指标:危险化学品的理化性质是决定事故后果的重要因素,由于危险化学品自身活泼、不稳定的化学特性,在发生碰撞、翻车等交通事故后,极易发生火灾***等严重破坏性事故。根据事故后果影响重点考虑其易燃易爆性、毒性。
货物状况指标:货物状况包括货物储存状态和装载状态,货物储存状态包括高压低温和常温常压两种,装载状态为是否存在超载、超装现象。
天气因素指标:该指标用于综合反映危险化学品道路交通事故发生可能性及事故后果严重程度。天气因素是根据实时信息变化的,大雨、大雾、雷暴、大雪等天气是不可避免的自然环境,考虑雨、雪、雾等常见天气对危险化学品道路交通风险的影响,当出现大雨、大雪、浓雾等天气时,因路面摩擦系数降低、能见度差等原因,驾驶员在路面可见度较差或路面过滑的情况下常由于避让不及而导致事故的发生。
周边环境指标:该指标用于反映危险化学品道路交通事故后果严重程度,考虑事故发生后对周边的影响,包括学校、居民区、医院、商场等人员密集区,危险化学品企业、加油站等重要公共设施,自然环境敏感区三类。
步骤B:对指标体系的风险评估指标及风险评估结果量化,形成训练样本库;
本发明提出的风险评估指标按取值区间可划分为两大类,即是否型指标和分段型指标。是否型指标的取值只有两种状态,道路类型、特殊路段、驾驶人员、车辆状况等指标均为是否型指标,对于是否类指标,当指标符合法律法规标准规范要求时取0,不符合时取1,如驾驶员证件齐全取值为0,存在证件过期情况则取1;驾驶员正常驾驶取值为0,若疲劳驾驶则取值为1。分段型指标的取值为2个以上,如交通饱和度、天气因素指标等,根据实际情况进行量化。以交通饱和度指标为例,其量化标准见表1。
表1交通饱和度指标量化标准
风险状态 | 取值 | 定性描述 |
低危险度 | 0 | 一级服务水平:道路交通顺畅,服务良好,V/C介于0至0.6之间 |
危险度较低 | 0.33 | 二级服务水平:道路稍有拥堵,服务水平较高,V/C介于0.6至0.8之间 |
危险度较高 | 0.66 | 三级服务水平:道路拥堵,服务水平较差,V/C介于0.8至1之间 |
高危险度 | 1 | 四级服务水平:道路交严重拥堵,服务水平极差,V/C大于1 |
本发明提出的风险评估结果可量化为五个等级,参考事故案例库中事故后果影响,各等级所对应的定性描述及颜色表示见表2。
表2风险评估结果量化标准
将事故案例库中所有案例根据上述量化标准进行量化后,将作为训练样本库用于BP神经网络模型的训练。
步骤C:基于训练样本库,通过BP神经网络建立危险化学品道路风险BP神经网络模型;
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层;BP神经网络的工作信号传输分为正向传递和反向传递两个子过程;
输入层:输入指标的量化值x和案例样本库的风险值y;
隐藏层:通过正向传递求解隐含层中间值z,设置九个中间值z,故第一步输出一行九列矩阵,代入下一步,
中间值d的矩阵为:d=[d1,d2,...,d9],
其中,dj=2/(1+exp(-2*netj))-1
net=XW+bi
所述net表达式如下所示:
net1=x1*w1,1+x2*w1,2+...x32*w1,32+b1
net2=x1*w2,1+x2*w2,2+...x32*w2,32+b2
net3=x1*w3,1+x2*w3,2+...x32*w3,32+b3
net4=x1*w4,1+x2*w4,2+...x32*w4,32+b4
net5=x1*w5,1+x2*w5,2+...x32*w5,32+b5
net6=x1*w6,1+x2*w6,2+...x32*w6,32+b6
net7=x1*w7,1+x2*w7,2+...x32*w7,32+b7
net8=x1*w8,1+x2*w8,2+...x32*w8,32+b8
net9=x1*w9,1+x2*w9,2+...x32*w9,32+b9
其中,x1~xn是输入向量,wi表示从上一个神经元至下一个神经元的连接权重向量,即每个输入信号对输出的影响所占比重,b表示阈值或偏差,所述w和b的初始值通过BP神经网络的初始赋值规则得到;
d为某一次计算结束以后的输出向量,y为学习样本的输出向量,迭代使E(w,b)趋向0.01,得到最终的修正权值W和阈值B;
输出层:通过风险值求解公式Z=dW+B,
Z=w1*d1+w2*d2+w3*d3+w4*d4+w5*d5+w6*d6+w7*d7+w8*d8+w9*d9+B,
Z为最终风险值,Z分为五个等级,结果落于0-0.2为低风险;0.2-0.4为中风险;0.4-0.6为较高风险;0.6-0.8为高风险;0.8及以上特高风险,并设置颜色区分。
步骤D:危险化学品道路运输风险评估指标体系及模型动态更新机制;
本发明提出的风险导航方法在上线运行以后,在使用过程中将不断对案例库进行扩充,从而不断修正、完善风险评估指标体系及权重。一旦发生危险化学品运输事故,其相应参数将会被完整的记录下来(包括但不限于现有指标体系内容)。每半年将结合导航***记录的事故情况对案例库进行一次扩充并根据扩充后的案例库重新计算风险模型对其进行修正和完善。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:包括:
步骤1、获取移动客户端发送的导航请求,根据导航请求规划可通行路线;
步骤2、通过互联网获取各个路段的待评估数据,结合危险化学品车辆信息数据,输入预先训练好的危险化学品道路风险BP神经网络模型对各路段风险进行预评估,并用不同颜色进行区分和规划路径;
步骤3、开始导航,根据实时联网数据进行路径提示、风险要素提示。
2.根据权利要求1所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述步骤2中的危险化学品道路风险BP神经网络模型获取过程如下:
步骤201、基于案例库构建危险化学品道路运输风险评估指标体系;
步骤202、对指标体系的风险评估指标及风险评估结果量化,形成训练样本库;
步骤203、基于训练样本库,通过BP神经网络建立危险化学品道路风险BP神经网络模型。
3.根据权利要求2所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述危险化学品道路风险BP神经网络模型还包括危险化学品道路运输风险评估指标体系及模型动态更新机制,在BP神经网络模型投入使用后,对案例库进行扩充,完善风险评估指标体系及权重。
4.根据权利要求2所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述步骤201的风险指标包括:
驾驶人员指标:证件不全、疲劳驾驶、超速驾驶、健康状况及违法驾驶;
车辆状况指标:是否存在违法改造车辆、是否存在车辆故障;
道路类型指标:高速公路,国道,省道,除高速公路、国道、省道以外的公路;
道路状况指标:交通饱和度和运输时间段;
特殊路段指标:交叉口、隧道、涵洞、桥梁、陡坡、急转弯、临崖;
货物类型指标:易燃易爆性、毒性;
货物状况指标:货物储存状态和装载状态;
天气因素指标:雨、雾、雷、雪;
周边环境指标:学校、居民区、医院、商场的人员密集区,危险化学品企业、加油站的重要公共设施,自然环境敏感区。
5.根据权利要求2所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述步骤202的结果量化取值分为是否型指标和分段型指标,是否类指标为指标符合规标准规范要求时取0,不符合时取1;分段型指标的取值为2个以上,根据实际情况进行量化取值。
6.根据权利要求2所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述步骤203的危险化学品道路风险BP神经网络模型建立过程为:
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层;BP神经网络的工作信号传输分为正向传递和反向传递两个子过程;
输入层:输入指标的量化值x和案例样本库的风险值y;
隐藏层:通过正向传递求解隐含层中间值z,设置九个中间值z,故第一步输出一行九列矩阵,代入下一步,
中间值d的矩阵为:d=[d1,d2,...,d9],
其中,dj=2/(1+exp(-2*netj))-1
net=XW+bi
net表达式如下所示:
net1=x1*w1,1+x2*w1,2+...x32*w1,32+b1
net2=x1*w2,1+x2*w2,2+...x32*w2,32+b2
net3=x1*w3,1+x2*w3,2+...x32*w3,32+b3
net4=x1*w4,1+x2*w4,2+...x32*w4,32+b4
net5=x1*w5,1+x2*w5,2+...x32*w5,32+b5
net6=x1*w6,1+x2*w6,2+...x32*w6,32+b6
net7=x1*w7,1+x2*w7,2+...x32*w7,32+b7
net8=x1*w8,1+x2*w8,2+...x32*w8,32+b8
net9=x1*w9,1+x2*w9,2+...x32*w9,32+b9
其中,x1~xn是输入向量,wi表示从上一个神经元至下一个神经元的连接权重向量,即每个输入信号对输出的影响所占比重,b表示阈值或偏差,w和b的初始值通过BP神经网络的初始赋值规则得到;
d为某一次计算结束以后的输出向量,y为学习样本的输出向量,迭代使E(w,b)趋向0.01,得到最终的修正权值W和阈值B;
输出层:通过风险值求解公式Z=dW+B,
Z=w1*d1+w2*d2+w3*d3+w4*d4+w5*d5+w6*d6+w7*d7+w8*d8+w9*d9+B,
Z为最终风险值。
7.根据权利要求6所述的一种危险化学品道路运输风险动态评估及风险导航方法,其特征在于:所述最终风险值Z分为五个等级,结果落于0-0.2为低风险;0.2-0.4为中风险;0.4-0.6为较高风险;0.6-0.8为高风险;0.8及以上为特高风险,并设置颜色区分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212378.8A CN112801541B (zh) | 2021-02-25 | 2021-02-25 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212378.8A CN112801541B (zh) | 2021-02-25 | 2021-02-25 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801541A true CN112801541A (zh) | 2021-05-14 |
CN112801541B CN112801541B (zh) | 2023-06-09 |
Family
ID=75815730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110212378.8A Active CN112801541B (zh) | 2021-02-25 | 2021-02-25 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801541B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222418A (zh) * | 2021-05-17 | 2021-08-06 | 重庆梅安森科技股份有限公司 | 一种用于井下自动化运输***的调度管理方法 |
CN114548839A (zh) * | 2022-04-26 | 2022-05-27 | 交通运输部水运科学研究所 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
CN117852991A (zh) * | 2024-03-07 | 2024-04-09 | 江苏五城星耀网络科技有限公司 | 化学品智慧物流数据处理方法及*** |
CN118096005A (zh) * | 2024-04-23 | 2024-05-28 | 江西交通职业技术学院 | 快递配送电动三轮车***的方法、装置及*** |
CN118195459A (zh) * | 2024-05-16 | 2024-06-14 | 万联易达物流科技有限公司 | 基于多源数据的物流运输管理方法及*** |
CN118195459B (zh) * | 2024-05-16 | 2024-07-26 | 万联易达物流科技有限公司 | 基于多源数据的物流运输管理方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140380422A1 (en) * | 2013-06-19 | 2014-12-25 | Verizon Patent And Licensing Inc. | Risk predictive engine |
US20160047666A1 (en) * | 2014-08-15 | 2016-02-18 | Gil Emanuel Fuchs | Determination and Display of Driving Risk |
CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
CN110033615A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网的道路危险货物运输动态风险评估方法 |
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 一种基于神经网络的高速公路交通运行实时风险评估方法 |
CN112070215A (zh) * | 2020-09-10 | 2020-12-11 | 北京理工大学 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
CN112215446A (zh) * | 2019-07-10 | 2021-01-12 | 小蜜蜂互联(北京)消防信息技术有限公司 | 一种基于神经网络的单位动态火灾风险评估方法 |
CN112308434A (zh) * | 2020-11-03 | 2021-02-02 | 中国交通通信信息中心 | 一种交通安全风险评估方法及*** |
-
2021
- 2021-02-25 CN CN202110212378.8A patent/CN112801541B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140380422A1 (en) * | 2013-06-19 | 2014-12-25 | Verizon Patent And Licensing Inc. | Risk predictive engine |
US20160047666A1 (en) * | 2014-08-15 | 2016-02-18 | Gil Emanuel Fuchs | Determination and Display of Driving Risk |
CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
CN110033615A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网的道路危险货物运输动态风险评估方法 |
CN112215446A (zh) * | 2019-07-10 | 2021-01-12 | 小蜜蜂互联(北京)消防信息技术有限公司 | 一种基于神经网络的单位动态火灾风险评估方法 |
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 一种基于神经网络的高速公路交通运行实时风险评估方法 |
CN112070215A (zh) * | 2020-09-10 | 2020-12-11 | 北京理工大学 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
CN112308434A (zh) * | 2020-11-03 | 2021-02-02 | 中国交通通信信息中心 | 一种交通安全风险评估方法及*** |
Non-Patent Citations (1)
Title |
---|
孙燕楠等: "基于神经网络的G IS和RS数据融合", 《大连理工大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222418A (zh) * | 2021-05-17 | 2021-08-06 | 重庆梅安森科技股份有限公司 | 一种用于井下自动化运输***的调度管理方法 |
CN114548839A (zh) * | 2022-04-26 | 2022-05-27 | 交通运输部水运科学研究所 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
CN114548839B (zh) * | 2022-04-26 | 2022-07-12 | 交通运输部水运科学研究所 | 基于风险分级和定位的危险货物集装箱落水分类救援方法 |
CN117852991A (zh) * | 2024-03-07 | 2024-04-09 | 江苏五城星耀网络科技有限公司 | 化学品智慧物流数据处理方法及*** |
CN117852991B (zh) * | 2024-03-07 | 2024-05-03 | 江苏五城星耀网络科技有限公司 | 化学品智慧物流数据处理方法及*** |
CN118096005A (zh) * | 2024-04-23 | 2024-05-28 | 江西交通职业技术学院 | 快递配送电动三轮车***的方法、装置及*** |
CN118195459A (zh) * | 2024-05-16 | 2024-06-14 | 万联易达物流科技有限公司 | 基于多源数据的物流运输管理方法及*** |
CN118195459B (zh) * | 2024-05-16 | 2024-07-26 | 万联易达物流科技有限公司 | 基于多源数据的物流运输管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112801541B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | The impact of aggressive driving behavior on driver‐injury severity at highway‐rail grade crossings accidents | |
CN112801541B (zh) | 一种危险化学品道路运输风险动态评估及风险导航方法 | |
Fabiano et al. | A framework for risk assessment and decision-making strategies in dangerous good transportation | |
D'este et al. | Network vulnerability: an approach to reliability analysis at the level of national strategic transport networks | |
JP6045846B2 (ja) | 交通事故発生予報装置、方法およびプログラム | |
Agrawal et al. | Bridge-vehicle impact assessment | |
CN104978853A (zh) | 一种道路交通安全评估方法及*** | |
Tengilimoglu et al. | Infrastructure requirements for the safe operation of automated vehicles: Opinions from experts and stakeholders | |
Mehta et al. | Safety performance function development for analysis of bridges | |
Mou et al. | Spatial influence of engineering construction on traffic accidents, a case study of Jinan | |
Wang et al. | Risk analysis and route optimization of dangerous goods transportation based on the empirical path set | |
Heidarian et al. | Location of Emergency Escape Ramps on Two‐Lane Rural Highways Based on the Fuzzy Multicriteria Decision‐Making Method | |
CN115310822A (zh) | 一种公路货运通道综合风险评价方法及电子设备 | |
Liao et al. | Driver route planning method based on accident risk cost prediction | |
Bargegol et al. | Investigating the Factors Affecting the On-Street Parking Maneuver Time on Urban Roads | |
Bennett et al. | Connected vehicle pilot deployment independent evaluation: Mobility, environmental, and public agency efficiency (MEP) refined evaluation plan-wyoming | |
Gayah et al. | Quantification of systemic risk factors for pedestrian safety on North Carolina | |
Rahman et al. | Evaluating Effect of Operating Speed on Crashes of Rural Two‐Lane Highways | |
Fuchs et al. | How to calculate the accident probability of dangerous substance transport | |
Lu et al. | Dynamic risk assessment method for road transport of hazardous chemicals based on BP neural network algorithm. | |
Hamad et al. | Multi-objective, risk-based approach for safe and sustainable vehicle routing. | |
Bruglieri et al. | Safety in hazardous material road transportation: state of the art and emerging problems | |
Regan | Strategies for successful implementation of virtual weigh and compliance systems in california | |
Li et al. | Transportation networks, case-based reasoning and traffic collision analysis: A methodology for the 21st century | |
Berton et al. | Statistics and prediction of vehicle–bridge collisions in Quebec |
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 |