CN115081918A - 基于数据驱动的轨道交通风险点预测方法及*** - Google Patents
基于数据驱动的轨道交通风险点预测方法及*** Download PDFInfo
- Publication number
- CN115081918A CN115081918A CN202210794372.0A CN202210794372A CN115081918A CN 115081918 A CN115081918 A CN 115081918A CN 202210794372 A CN202210794372 A CN 202210794372A CN 115081918 A CN115081918 A CN 115081918A
- Authority
- CN
- China
- Prior art keywords
- risk
- rail transit
- accident
- point
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 63
- 230000007246 mechanism Effects 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 30
- 238000010168 coupling process Methods 0.000 claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 claims abstract description 30
- 230000002265 prevention Effects 0.000 claims abstract description 26
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 25
- 239000011229 interlayer Substances 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 206010039203 Road traffic accident Diseases 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供基于数据驱动的轨道交通风险点预测方法及***,属于轨道交通技术领域,提取轨道交通事故特征,获取事故致因模式,构建轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;构建轨道交通领域风险点‑风险词库,建立轨道交通风险知识库;基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,构建轨道交通风险知识图谱;基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,确定各个风险点在事故演化中的重要程度。本发明保证了轨道交通运营事故管理的高效性、风险辨识提取的全面性、客观性以及风险点量化评价的科学性,实现了对轨道交通主动安全防控效能的有效提升和防控资源的合理利用。
Description
技术领域
本发明涉及轨道交通技术领域,具体涉及一种基于数据驱动的轨道交通风险点预测方法及***。
背景技术
安全是轨道交通运营的前提和核心。现如今已有的风险防控管理模式仍然通过事后追查分析和以往经验找到事故根因,面对复杂、庞大的轨道交通***,这种“被动安全”模式已无法满足轨道交通运营现状的管控需求,而保证轨道交通运营***的“主动安全”才是有效降低事故发生频率的科学方法。为有效提高轨道交通运营安全管理效能,践行主动防控理念,实现安全管理关口前置,目前轨道交通安全管理模式的发展趋势逐渐由被动转向主动、由传统事后响应转向事前风险防控。然而,随着轨道交通***逐渐趋于全自动化技术设计,运营***内部复杂度和耦合度逐渐增加,风险表现形式和传播路径错综复杂,整体加大了风险辨识难度和风险链防控难度。因此如何根据复杂多变的运行环境,快速精准定位风险源头,实现科学合理、精准地风险管控,从而保障列车安全、可靠、高效运行成为目前亟待解决的问题。
目前,事故报告被证明是事故信息获取、风险知识挖掘的重要数据来源,通过不断分析事故数据,研究事故特征,总结风险演化规律和传播路径,进而从根源上降低事故发生率,减少事故造成的经济损失及人员伤亡,实现事故数据与风险知识双重驱动下的轨道交通主动安全保障。近年来,许多国内外研究学者通过采用文本提取、关系挖掘等方法分析处理事故报告,提取风险知识并通过与感知技术相互融合,在一定程度上提高了轨道交通风险辨识的精准度以及日常运营安全管理效能的提升。然而,由于轨道交通事故风险分析、提取、存储方法的规范化和普适性程度较低,使得事故描述不清晰、风险提取不全面、评价结果不精准等问题仍然没有得到有效解决。
发明内容
本发明的目的在于提供一种可有效提升风险主动防控施策的精准性和防控资源利用的高效性的基于数据驱动的轨道交通风险点预测方法及***,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种基于数据驱动的轨道交通风险点预测方法,包括:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
优选的,构建轨道交通风险知识图谱模式层,包括:
定义轨道交通风险知识图谱类概念,即风险点、风险、事件、事故四类概念;定义轨道交通风险知识图谱类关系,即关联关系、所属关系、因果关系三类关系,具体表现为风险点间关联关系、风险间关联关系、事件-风险点间所属关系、事件-风险间所属关系、风险点-风险间所属关系、事件间因果关系;基于定义轨道交通风险知识图谱类概念及轨道交通风险知识图谱类关系,结合protege本体建模工具构建轨道交通风险知识图谱模式层,确定轨道交通风险知识图谱数据存储模式。
优选的,将轨道交通事故解构范式与风险知识充分融合,构建轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则,共同构成轨道交通事故致因因素提取规则,从而完成国内外轨道交通运营事故案例实例提取,建立轨道交通风险知识库,包括:
建立轨道交通风险知识库,具体包括:按照“轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则”三个阶段共同构成轨道交通事故致因因素提取规则,分别为:A阶段采用中文文本分词工具、综合词频算法及组分分析解构方法构建轨道交通领域风险点-风险词库;B阶段结合中文文本分割工具和中文文本关键词识别方法构建事件提取规则,规范化拆解事故报告,构建事故因果链,为风险-风险点提取提供事实依据;C阶段构建风险点-风险提取规则,通过结合A阶段轨道交通领域风险点-风险词库实现对B阶段事件中风险点、风险信息提取及关系构建,形成风险点链/网和风险链/网,为风险点量化评价与分析提供数据基础,同时通过辨识新的风险点、风险词汇完成领域词库不断修正和更新。
优选的,将轨道交通事故解构范式与风险知识充分融合,结合轨道交通领域风险点-风险词库实现对事件中风险点、风险信息提取及关系构建,并形成风险点链/网和风险链/网,具体包括:
结合A阶段构建的轨道交通领域风险点-风险词库,对B阶段中提取的事件进行风险点及风险信息的识别及提取;
将所提取的信息按照致因因素间的所属关系完成关系构建,包括:<事件,所属关系,风险点>、<事件,所属关系,风险>、<风险点,所属关系,风险>、<风险,所属关系,风险点>;同理,将所提取的信息按照致因因素间的关联关系完成关系构建,包括:<风险点,所属关系,风险点>、<风险,所属关系,风险>,风险点间和风险间直接或者间接的作用关系与事件间传播关系相互映射,形成风险点链(网)和风险链(网);
当所提取的风险点、风险信息未包含于轨道交通领域风险点-风险词库中,须对具体事件下风险点、风险信息进行规范化判别、描述及总结,其后将概念结果导入领域词库中完成知识的修正和更新。
优选的,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,包括:
构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算表达式,具体解析如下:
Cd(x)=∑αi*Cdi(x)=α1Cd1(x)+α2Cd2(x)+α3Cd3(x)
α1+α2+α3=1
其中,αi是权重系数代表层间权值关系,包含α1、α2、α3分别表示风险点间关联关系权值、风险点-风险间所属关系权值以及事件-风险点间所属关系权值,系数具体取值由不同层间关系对风险点重要度的影响程度来决定;Cdi(x)代表层间联系紧密程度;
Cd(x)值越大,说明该风险点在事故演化中的发挥的作用越大,越应该加大对其防控监管力度。
优选的,Cd1(x)、Cd2(x)、Cd3(x)具体解析如下:
Cd1(x)=β1a(x)+β2b(x)(i=1,2)
β1+β2=1
其中,Cd1(x)代表风险点层内部的联系紧密程度,a(x)代表风险点x被其他风险点连接的频次,b(x)代表风险点x连接其他风险点连接的频次;β1和β2表示权重系数,用来调节不同作用关系对风险点重要度计算的影响程度;
Cd1(x)值越高,说明该风险点x在事故中与其他风险点间的耦合度较高;a(x)值越大,说明该风险点x越容易受到其他风险点影响,一般控制的难度也较大;b(x)值越大,说明该风险点x越容易干扰其他风险点,一般造成的影响也越大;
Cd2(x)=c(x);
其中,Cd2(x)用来表示风险点与风险间的联系紧密程度,c(x)代表风险点x与不同类型风险间的连接频次;Cd2(x)越高,即c(x)值越大,说明风险点x在发生状态转移的可能性越高,对于诱导事故发生越关键;
Cd3(x)=d(x);
其中,Cd3(x)用来表示风险点与事件间的联系紧密程度,d(x)代表风险点x与事件间的连接频次;Cd3(x)越高,即d(x)值越大,说明风险点x在事故中参与度较高,对于参与事故的发生越频繁。
第二方面,本发明提供一种基于数据驱动的轨道交通风险点预测***,包括:
第一构建模块,用于基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
第二构建模块,用于基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
第三构建模块,用于基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
计算模块,用于基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的基于数据驱动的轨道交通风险点预测方法。
第四方面,本发明提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的基于数据驱动的轨道交通风险点预测方法。
第五方面,本发明提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于数据驱动的轨道交通风险点预测方法。
本发明有益效果:保证了轨道交通运营事故管理的高效性、风险辨识提取的全面性、客观性以及风险点量化评价的科学性,从根本上实现了对轨道交通主动安全防控效能的有效提升和防控资源的合理利用。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施实例所述的基于数据驱动的轨道交通风险知识图谱构建与应用方法的流程图。
图2为本发明实施实例所述的基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通事故解构范式图模型。
图3为本发明实施实例所述的基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通风险知识图谱模式层。
图4为本发明实施实例所述的基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通事故致因因素提取规则图模型。
图5为本发明实施实例所述的基于数据驱动的轨道交通风险知识图谱构建与应用方法的“风险点、风险、事件”三重耦合网络权值关系图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供了一种基于数据驱动的轨道交通风险点预测***,该***包括:
第一构建模块,用于基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
第二构建模块,用于基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
第三构建模块,用于基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
计算模块,用于基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
本实施例1中,利用上述的基于数据驱动的轨道交通风险点预测***,实现了一种基于数据驱动的轨道交通风险点预测方法,包括:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
构建轨道交通风险知识图谱模式层,包括:
定义轨道交通风险知识图谱类概念,即风险点、风险、事件、事故四类概念;定义轨道交通风险知识图谱类关系,即关联关系、所属关系、因果关系三类关系,具体表现为风险点间关联关系、风险间关联关系、事件-风险点间所属关系、事件-风险间所属关系、风险点-风险间所属关系、事件间因果关系;基于定义轨道交通风险知识图谱类概念及轨道交通风险知识图谱类关系,结合protege本体建模工具构建轨道交通风险知识图谱模式层,确定轨道交通风险知识图谱数据存储模式。
将轨道交通事故解构范式与风险知识充分融合,构建轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则,共同构成轨道交通事故致因因素提取规则,从而完成国内外轨道交通运营事故案例实例提取,建立轨道交通风险知识库,包括:
建立轨道交通风险知识库,具体包括:按照“轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则”三个阶段共同构成轨道交通事故致因因素提取规则,分别为:A阶段采用中文文本分词工具、综合词频算法及组分分析解构方法构建轨道交通领域风险点-风险词库;B阶段结合中文文本分割工具和中文文本关键词识别方法构建事件提取规则,规范化拆解事故报告,构建事故因果链,为风险-风险点提取提供事实依据;C阶段构建风险点-风险提取规则,通过结合A阶段轨道交通领域风险点-风险词库实现对B阶段事件中风险点、风险信息提取及关系构建,形成风险点链/网和风险链/网,为风险点量化评价与分析提供数据基础,同时通过辨识新的风险点、风险词汇完成领域词库不断修正和更新。
将轨道交通事故解构范式与风险知识充分融合,结合轨道交通领域风险点-风险词库实现对事件中风险点、风险信息提取及关系构建,并形成风险点链/网和风险链/网,具体包括:
结合A阶段构建的轨道交通领域风险点-风险词库,对B阶段中提取的事件进行风险点及风险信息的识别及提取;
将所提取的信息按照致因因素间的所属关系完成关系构建,包括:<事件,所属关系,风险点>、<事件,所属关系,风险>、<风险点,所属关系,风险>、<风险,所属关系,风险点>;同理,将所提取的信息按照致因因素间的关联关系完成关系构建,包括:<风险点,所属关系,风险点>、<风险,所属关系,风险>,风险点间和风险间直接或者间接的作用关系与事件间传播关系相互映射,形成风险点链(网)和风险链(网);
当所提取的风险点、风险信息未包含于轨道交通领域风险点-风险词库中,须对具体事件下风险点、风险信息进行规范化判别、描述及总结,其后将概念结果导入领域词库中完成知识的修正和更新。
计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,包括:
构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算表达式,具体解析如下:
Cd(x)=∑αi*Cdi(x)=α1Cd1(x)+α2Cd2(x)+α3Cd3(x)
α1+α2+α3=1
其中,αi是权重系数代表层间权值关系,包含α1、α2、α3分别表示风险点间关联关系权值、风险点-风险间所属关系权值以及事件-风险点间所属关系权值,系数具体取值由不同层间关系对风险点重要度的影响程度来决定;Cdi(x)代表层间联系紧密程度;
Cd(x)值越大,说明该风险点在事故演化中的发挥的作用越大,越应该加大对其防控监管力度。
Cd1(x)、Cd2(x)、Cd3(x)具体解析如下:
Cd1(x)=β1a(x)+β2b(x)(i=1,2)
β1+β2=1
其中,Cd1(x)代表风险点层内部的联系紧密程度,a(x)代表风险点x被其他风险点连接的频次,b(x)代表风险点x连接其他风险点连接的频次;β1和β2表示权重系数,用来调节不同作用关系对风险点重要度计算的影响程度;
Cd1(x)值越高,说明该风险点x在事故中与其他风险点间的耦合度较高;a(x)值越大,说明该风险点x越容易受到其他风险点影响,一般控制的难度也较大;b(x)值越大,说明该风险点x越容易干扰其他风险点,一般造成的影响也越大;
Cd2(x)=c(x);
其中,Cd2(x)用来表示风险点与风险间的联系紧密程度,c(x)代表风险点x与不同类型风险间的连接频次;Cd2(x)越高,即c(x)值越大,说明风险点x在发生状态转移的可能性越高,对于诱导事故发生越关键;
Cd3(x)=d(x);
其中,Cd3(x)用来表示风险点与事件间的联系紧密程度,d(x)代表风险点x与事件间的连接频次;Cd3(x)越高,即d(x)值越大,说明风险点x在事故中参与度较高,对于参与事故的发生越频繁。
实施例2
如图1所示,本实施例2中提出一种基于数据驱动的轨道交通风险知识图谱构建与应用方法,具体步骤包括:
步骤101,基于事故机理分析方法,研究轨道交通事故特征,挖掘事故发生的本质规律,剖析引起事故的关键致因因素及其关联关系;根据轨道交通事故发生、发展、演化规律,提炼事故致因模式,构建一套基于“风险点-风险-事件”的轨道交通事故解构范式;基于轨道交通事故分析解构形式,构建轨道交通风险知识图谱模式层;
步骤103,基于轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,实现致因因素辨识速度和精度的有效提升;建立事件提取规则,实现事故文本规范化拆解及事故因果链构建;建立风险点-风险提取规则,实现风险点、风险信息精准提取及关联关系构建,同时完成领域词库的修正和更新;基于轨道交通事故致因因素提取规则,完成国内外轨道交通运营事故案例实例提取,建立轨道交通风险知识库;
步骤105,基于轨道交通风险知识图谱模式层,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱数据层;
步骤107,基于轨道交通风险知识图谱复杂网络特性,构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算方法,通过加权层间关系,定量分析各个风险点在事故演化中的重要程度,实现对轨道交通事故关键风险点的量化评价和科学排序。
本实施例2中提出一种基于数据驱动的轨道交通风险知识图谱构建与应用方法,针对目前轨道交通事故风险分析、提取、存储方法的规范化和普适性程度较低,使得事故描述不清晰、风险提取不全面、评价结果不精准等问题,研究轨道交通事故特征,构建“风险点-风险-事件”轨道交通事故解构范式,形成轨道交通风险知识图谱模式层;其次研究构建轨道交通领域风险点-风险词库、及事件和风险点-风险提取规则,实现对轨道交通事故报告实例信息提取,建立轨道交通风险知识库;之后采用Neo4j图数据库以<实体、关系、实体>作为标准元组结构对轨道交通***风险知识进行存储,构建轨道交通风险知识图谱数据层;最后构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算方法,实现对事故演化过程中关键风险点的量化评价与科学排序,对面向轨道交通***风险点精细化分级主动防控提供重要指导意义,有效提升防控方案实施的针对性和防控资源利用的高效性。
如图2所示,本实施例2中提出的基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通事故解构范式图模型,以节点和边的形式分别表示致因因素及致因因素间的复杂关系,以图模型方式整体呈现事故解构范式。
其中,致因因素间的复杂关系可总结为以下两点:
1)事故是由“风险点、风险、事件”不断发生、发展、演化而来。由于轨道交通***风险点间存在耦合作用机制,当一个或者多个风险点的风险属性出现异常并处于某种风险状态,相继造成人员的不安全行为、设备的不安全状态、环境的异常变化以及管理的缺陷等风险事件时,若未及时对其进行有效控制,风险事件会通过相互关联、叠加积累,最终演变形成事故,从而造成人员伤亡、经济损失等严重后果;
2)“风险点、风险、事件”发生、发展、演化过程会受到风险点所处环境的影响。对于轨道交通这样的复杂***而言,风险点间耦合方式一般是动态且呈现非线性的,即使两个看似由同一风险点的同种风险引起的事故,也可能因为风险点所处环境不同,导致风险点的形式状态、与其它风险点间的耦合方式以及造成的事故后果存在一定程度的差异。
参照图3,示出了一种基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通风险知识图谱模式层,确定轨道交通风险知识存储模式。本实施例2中主要采用自顶向下构建方式,为知识嵌入提供模式框架后完成实例数据存储,构建轨道交通风险知识图谱模式层具体步骤如下:
步骤1、定义轨道交通风险知识图谱类概念,即风险点、风险、事件、事故四类概念;
步骤2、定义轨道交通风险知识图谱类关系,即关联关系、所属关系、因果关系三类关系,具体表现为风险点间关联关系、风险间关联关系、事件-风险点间所属关系、事件-风险间所属关系、风险点-风险间所属关系、事件间因果关系;
步骤3、基于上述类概念及类关系定义,结合protege本体建模工具构建轨道交通风险知识图谱模式层,确定轨道交通风险知识存储模式,为事故致因因素实例及实例间关系的有效存储提供模式框架。
参照图4,一种基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通事故致因因素提取规则图模型,由轨道交通领域风险点-风险词库(A阶段)、事件提取规则以(B阶段)以及风险点-风险提取规则(C阶段)共同构成轨道交通事故致因因素提取规则模式;基于上述事故致因因素提取规则模式,完成国内外轨道交通运营事故案例实例提取,建立轨道交通风险知识库。其中,各个阶段具体步骤如下:
1)A阶段轨道交通领域风险点-风险词库,具体步骤如下:
步骤1、采用中文文本分词工具对事故报告进行文本分割,其后通过词性过滤提取所有名词词汇,并经人工校验完成停用词剔除及领域词汇消歧;
步骤2、采用综合词频算法计算词汇综合频率Fcw,获得词汇权重并进行排序;
步骤3、选取权重排名在前n的词汇作为词库候选词,经人工校验后构建轨道交通事故风险点词库Riskpoints1;
Riskpoints1=Rank(Fcw,n)
步骤4、采用组分分析方法全面解析***内部关键组分及运营环节,从“人员、环境、管理、设备”四个维度对轨道交通***组分进行分类解构,重点针对设施设备、内部员工和内部工作环境中所涉及的关键风险点进行辨识;
步骤5、依据风险清单、专家经验等判断步骤4中提取的风险点是否符合轨道交通领域词库要求,构建轨道交通组分风险点词库Riskpoints2;
Riskpoints2={Rp人员,Rp环境,Rp管理,Rp设备}
步骤6、对属于轨道交通事故风险点词库Riskpoints1或属于轨道交通组分风险点词库Riskpoints2的风险点充分融合取并集,保证领域词汇的全面性和有效性,形成轨道交通领域风险点词库Riskpoints;
Riskpoints=Riskpoints1∪Riskpoints2
步骤7、采用protege本体建模工具对轨道交通领域风险点词库Riskpoints进行统一结构化存储,构建风险点概念;
步骤8、收集整理国内外轨道交通事故致因,结合经验判断法和直接定性法,围绕“人的不安全行为、物的不安全状态、作业环境的缺陷、管理的缺陷”四个维度对轨道交通***中存在的风险进行分类、分析及总结,提取风险概念,构建轨道交通领域风险词库Risks;
Risks={R人员,R环境,R管理,R设备}
步骤9、采用protege本体建模工具对轨道交通领域风险词库Risks进行统一结构化存储,构建风险概念;
2)B阶段构建事件提取规则,具体步骤为:
步骤10、定义事故报告R,事件{E1、E2...Et},其中事件又分为一般事件{GE1,GE2...GEm}和风险事件{RE1,RE2...REm};
步骤11、采用中文文本分割工具剔除对事故风险分析意义不大且可能会干扰事件提取的情境要素,包括轨道交通事故报告中含有的事故发生日期、地点、设备编号等;
步骤12、设定事件识别关键词列表Kws_list,并利用中文文本关键词识别方法查找事故报告文本中关键词所在位置,根据关键词所在位置对事故报告文本分割,Kws_list如下:
Kws_list=[“,”,“”,“.”,“;”,”。”,“导致”,”由于”,”因为”,”引起”]
步骤13、人工校验步骤11输出结果,提取事故报告文本中的事件及事件间逻辑关系;
步骤14、建立事件间的因果关系,构建事故因果链;
3)C阶段构建风险点-风险提取规则,具体步骤为:
步骤15、结合A阶段构建的轨道交通领域风险点-风险词库,对B阶段中提取的事件进行风险点及风险信息的识别及提取;
步骤16、将步骤15中所提取的信息按照致因因素间的所属关系完成关系构建,包括:<事件,所属关系,风险点>、<事件,所属关系,风险>、<风险点,所属关系,风险>、<风险,所属关系,风险点>;
步骤17、将步骤15中所提取的信息按照致因因素间的关联关系完成关系构建,包括:<风险点,所属关系,风险点>、<风险,所属关系,风险>,风险点间和风险间直接或者间接的作用关系与事件间传播关系相互映射,形成风险点链(网)和风险链(网);
步骤18、当步骤15中所提取的风险点、风险信息未包含于轨道交通领域风险点-风险词库中,须对具体事件下风险点、风险信息进行规范化判别、描述及总结,其后将概念结果导入轨道交通领域风险点-风险词库中完成知识的修正和更新。
步骤19、收集整理典型场景下轨道交通运营事故案例,并依据上述步骤1-步骤19事故致因因素提取规则,完成轨道交通运营事故实例及实例间关系与概念及关系间的匹配和提取,建立轨道交通风险知识库;
步骤20、依据轨道交通风险知识图谱模式层及Neo4j图数据库存储规范,以<实体、关系、实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化表示;
步骤21、采用python工具将元组结构链接到Neo4j图数据库,创建节点和关系,构建轨道交通风险知识图谱数据层,形成轨道交通风险知识图谱。
参照图5,示出了一种基于数据驱动的轨道交通风险知识图谱构建与应用方法的轨道交通风险网络权值关系图,其整体呈现了风险点层、风险层及事件层的层间连接关系及权重系数。通过构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算方法,进而定量分析各个风险点在事故演化中的重要程度,实现对事故演化过程中关键风险点的量化评价与科学排序,从而有效提升防控方案实施的针对性和防控资源利用的高效性。风险点重要度计算具体步骤如下:
步骤1、基于轨道交通风险知识图谱较强的复杂网络特性,设定事件层、风险点层和风险层三层链网结构层间权重系数;
步骤2、构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算方法,将求解风险点重要度问题转化为权值计算问题,定量分析各个风险点在事故演化中的重要程度;
“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算表达式为:
Cd(x)=∑αi*Cdi(x)=α1Cd1(x)+α2Cd2(x)+α3Cd3(x)
α1+α2+α3=1
其中,αi是权重系数代表层间权值关系,包含α1、α2、α3分别表示风险点间关联关系权值、风险点-风险间所属关系权值以及事件-风险点间所属关系权值,系数具体取值由不同层间关系对于计算风险点重要度的影响程度来决定;Cdi(x)代表层间联系紧密程度;
α1值越高,说明对于事故造成的影响程度对计算风险点重要度越重要;α2值越高,说明引起事故发生的关键程度对于计算风险点重要度影响越大;α3值越高,说明风险点参与事故发生的频繁次数对于计算其重要度越具有重要作用;Cd(x)值越大,说明该风险点在事故演化中的重要程度越大,越应该加大对其的防控监管力度。Cd1(x)、Cd2(x)、Cd3(x)具体解析如下;
Cd1(x)=β1a(x)+β2b(x)(i=1,2)
β1+β2=1
其中,Cd1(x)代表风险点层内部的联系紧密程度,a(x)代表风险点x被其他风险点连接的频次,b(x)代表风险点x连接其他风险点连接的频次;β1和β2表示权重系数,用来调节不同作用关系对于风险点重要度计算的影响程度;
Cd1(x)值越高,说明该风险点x在事故中与其他风险点间的耦合度较高;a(x)值越大,说明该风险点x越容易受到其他风险点影响,一般控制的难度也较大;b(x)值越大,说明该风险点x越容易干扰其他风险点,一般造成的影响也越大;
Cd2(x)=c(x)
其中,Cd2(x)用来表示风险点与风险间的联系紧密程度,c(x)代表风险点x与风险间的连接频次;
Cd2(x)越高,即c(x)值越大,说明风险点x在事故中关键度较高,对于诱导事故的发生越关键;
Cd3(x)=d(x)
其中,Cd3(x)用来表示风险点与事件间的联系紧密程度,d(x)代表风险点x与事件间的连接频次;
Cd3(x)越高,即d(x)值越大,说明风险点x在事故中参与度较高,对于参与事故的发生越频繁;
步骤3、根据具体应用实例,确定轨道交通风险网络权重系数α1、α2、α3及调节系数β1、β2具体取值,并将系数值代入“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算表达式中;
步骤4、将步骤3表达式应用于具体轨道交通运营事故案例中进行风险点重要度计算,量化各个风险点在事故演化中的重要程度;
步骤5、完成风险点重要度评价计算与排序;
步骤6、选取重要度排序在前30%(比例可根据具体场景进行更改)的风险点进一步展开分析评价,从而提出相应的针对性防控策略,实现更加科学合理、精细化地风险点防控。
本实施例2中,针对轨道交通事故风险分析、提取、存储的规范化程度较低,使得事故描述不清晰、风险提取不全面、评价结果不精准等问题,研究一种基于数据驱动的轨道交通风险知识图谱构建与应用方法,用以保证轨道交通运营事故管理的高效性、风险辨识提取的全面性、客观性以及风险点量化评价的科学性,从根本上实现对轨道交通主动安全防控效能的有效提升和防控资源的合理利用。
实施例3
本发明实施例3提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行基于数据驱动的轨道交通风险点预测方法,该方法包括如下流程步骤:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
实施例4
本发明实施例4提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现基于数据驱动的轨道交通风险点预测方法,该方法包括如下流程步骤:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
实施例5
本发明实施例5提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行基于数据驱动的轨道交通风险点预测方法,该方法包括如下步骤:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
综上所述,本发明实施例所述的基于数据驱动的轨道交通风险点预测方法,针对目前轨道交通事故风险分析、提取、存储方法的规范化和普适性程度较低,使得事故描述不清晰、风险提取不全面、评价结果不精准等问题,研究轨道交通事故特征,构建“风险点-风险-事件”轨道交通事故解构范式,形成轨道交通风险知识图谱模式层;其次研究构建轨道交通领域风险点-风险词库、及事件和风险点-风险提取规则,实现对轨道交通事故报告实例信息提取,建立轨道交通风险知识库;之后采用Neo4j图数据库以<实体、关系、实体>作为标准元组结构对轨道交通***风险知识进行存储,构建轨道交通风险知识图谱数据层;最后构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算方法,实现对事故演化过程中关键风险点的量化评价与科学排序,对面向轨道交通***风险点精细化分级主动防控提供重要指导意义,有效提升防控方案实施的针对性和防控资源利用的高效性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于数据驱动的轨道交通风险点预测方法,其特征在于,包括:
基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
2.根据权利要求1所述的基于数据驱动的轨道交通风险点预测方法,其特征在于,构建轨道交通风险知识图谱模式层,包括:
定义轨道交通风险知识图谱类概念,即风险点、风险、事件、事故四类概念;定义轨道交通风险知识图谱类关系,即关联关系、所属关系、因果关系三类关系,具体表现为风险点间关联关系、风险间关联关系、事件-风险点间所属关系、事件-风险间所属关系、风险点-风险间所属关系、事件间因果关系;基于定义轨道交通风险知识图谱类概念及轨道交通风险知识图谱类关系,结合protege本体建模工具构建轨道交通风险知识图谱模式层,确定轨道交通风险知识图谱数据存储模式。
3.根据权利要求1所述的基于数据驱动的轨道交通风险点预测方法,其特征在于,将轨道交通事故解构范式与风险知识充分融合,构建轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则,共同构成轨道交通事故致因因素提取规则,从而完成国内外轨道交通运营事故案例实例提取,建立轨道交通风险知识库,包括:
建立轨道交通风险知识库,具体包括:按照“轨道交通领域风险点-风险词库、事件提取规则、风险点-风险提取规则”三个阶段共同构成轨道交通事故致因因素提取规则,分别为:A阶段采用中文文本分词工具、综合词频算法及组分分析解构方法构建轨道交通领域风险点-风险词库;B阶段结合中文文本分割工具和中文文本关键词识别方法构建事件提取规则,规范化拆解事故报告,构建事故因果链,为风险-风险点提取提供事实依据;C阶段构建风险点-风险提取规则,通过结合A阶段轨道交通领域风险点-风险词库实现对B阶段事件中风险点、风险信息提取及关系构建,形成风险点链/网和风险链/网,为风险点量化评价与分析提供数据基础,同时通过辨识新的风险点、风险词汇完成领域词库不断修正和更新。
4.根据权利要求3所述的基于数据驱动的轨道交通风险点预测方法,其特征在于,将轨道交通事故解构范式与风险知识充分融合,结合轨道交通领域风险点-风险词库实现对事件中风险点、风险信息提取及关系构建,并形成风险点链/网和风险链/网,具体包括:
结合A阶段构建的轨道交通领域风险点-风险词库,对B阶段中提取的事件进行风险点及风险信息的识别及提取;
将所提取的信息按照致因因素间的所属关系完成关系构建,包括:<事件,所属关系,风险点>、<事件,所属关系,风险>、<风险点,所属关系,风险>、<风险,所属关系,风险点>;同理,将所提取的信息按照致因因素间的关联关系完成关系构建,包括:<风险点,所属关系,风险点>、<风险,所属关系,风险>,风险点间和风险间直接或者间接的作用关系与事件间传播关系相互映射,形成风险点链(网)和风险链(网);
当所提取的风险点、风险信息未包含于轨道交通领域风险点-风险词库中,须对具体事件下风险点、风险信息进行规范化判别、描述及总结,其后将概念结果导入领域词库中完成知识的修正和更新。
5.根据权利要求1所述的基于数据驱动的轨道交通风险点预测方法,其特征在于,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,包括:
构建“风险点、风险、事件”三重网络耦合机制下的风险点重要度计算表达式,具体解析如下:
Cd(x)=∑αi*Cdi(x)=α1Cd1(x)+α2Cd2(x)+α3Cd3(x)
α1+α2+α3=1
其中,αi是权重系数代表层间权值关系,包含α1、α2、α3分别表示风险点间关联关系权值、风险点-风险间所属关系权值以及事件-风险点间所属关系权值,系数具体取值由不同层间关系对风险点重要度的影响程度来决定;Cdi(x)代表层间联系紧密程度;
Cd(x)值越大,说明该风险点在事故演化中的发挥的作用越大,越应该加大对其防控监管力度。
6.根据权利要求5所述的基于数据驱动的轨道交通风险点预测方法,其特征在于,Cd1(x)、Cd2(x)、Cd3(x)具体解析如下:
Cd1(x)=β1a(x)+β2b(x)(i=1,2)
β1+β2=1
其中,Cd1(x)代表风险点层内部的联系紧密程度,a(x)代表风险点x被其他风险点连接的频次,b(x)代表风险点x连接其他风险点连接的频次;β1和β2表示权重系数,用来调节不同作用关系对风险点重要度计算的影响程度;Cd1(x)值越高,说明该风险点x在事故中与其他风险点间的耦合度较高;a(x)值越大,说明该风险点x越容易受到其他风险点影响,一般控制的难度也较大;b(x)值越大,说明该风险点x越容易干扰其他风险点,一般造成的影响也越大;
Cd2(x)=c(x);
其中,Cd2(x)用来表示风险点与风险间的联系紧密程度,c(x)代表风险点x与不同类型风险间的连接频次;Cd2(x)越高,即c(x)值越大,说明风险点x在发生状态转移的可能性越高,对于诱导事故发生越关键;
Cd3(x)=d(x);
其中,Cd3(x)用来表示风险点与事件间的联系紧密程度,d(x)代表风险点x与事件间的连接频次;Cd3(x)越高,即d(x)值越大,说明风险点x在事故中参与度较高,对于参与事故的发生越频繁。
7.一种基于数据驱动的轨道交通风险点预测***,其特征在于,包括:
第一构建模块,用于基于事故机理分析方法,提取轨道交通事故特征,分析引起事故的关键致因因素及其关联关系,获取事故致因模式,构建基于“风险点-风险-事件”的轨道交通事故解构范式,构建轨道交通风险知识图谱模式层;
第二构建模块,用于基于所述轨道交通事故解构范式,构建轨道交通领域风险点-风险词库,进行事故文本规范化拆解,构建事故因果链,提取风险点、风险信息并构建关联关系,完成领域词库的修正和更新,建立轨道交通风险知识库;
第三构建模块,用于基于轨道交通风险知识图谱模式层,结合轨道交通风险知识库,采用图数据库以<实体,关系,实体>作为标准元组结构,对轨道交通***事件、风险、风险点及其复杂内在关系以知识的形式进行规范化、可视化存储,构建轨道交通风险知识图谱;
计算模块,用于基于轨道交通风险知识图谱,计算“风险点、风险、事件”三重网络耦合机制下的风险点重要度,通过加权层间关系,确定各个风险点在事故演化中的重要程度。
8.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于数据驱动的轨道交通风险点预测方法。
9.一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如权利要求1-6任一项所述的基于数据驱动的轨道交通风险点预测方法。
10.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如权利要求1-6任一项所述的基于数据驱动的轨道交通风险点预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210794372.0A CN115081918B (zh) | 2022-07-07 | 2022-07-07 | 基于数据驱动的轨道交通风险点预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210794372.0A CN115081918B (zh) | 2022-07-07 | 2022-07-07 | 基于数据驱动的轨道交通风险点预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081918A true CN115081918A (zh) | 2022-09-20 |
CN115081918B CN115081918B (zh) | 2023-05-23 |
Family
ID=83256761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210794372.0A Active CN115081918B (zh) | 2022-07-07 | 2022-07-07 | 基于数据驱动的轨道交通风险点预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081918B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167616A (zh) * | 2022-12-29 | 2023-05-26 | 北京交通大学 | 一种数据驱动的突发事件下城市轨道交通风险点量化方法 |
CN116227714A (zh) * | 2023-03-14 | 2023-06-06 | 西华大学 | 一种出行方式选择预测与分析方法和*** |
CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
CN116761145A (zh) * | 2023-07-26 | 2023-09-15 | 江苏飞梭智行设备有限公司 | 一种轨道交通设备故障影响监测方法 |
CN116757336A (zh) * | 2023-08-18 | 2023-09-15 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492054A (zh) * | 2018-04-11 | 2018-09-04 | 北京交通大学 | 基于多层网络的城市轨道交通风险链群构建方法 |
CN108520359A (zh) * | 2018-04-11 | 2018-09-11 | 北京交通大学 | 城市轨道交通***的风险网络模型的构建方法 |
CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
CN110503236A (zh) * | 2019-07-08 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 基于知识图谱的风险预测方法、装置、设备以及存储介质 |
CN111882159A (zh) * | 2020-06-24 | 2020-11-03 | 北京工业大学 | 一种基于svm的ppp城市轨道交通项目风险评价方法 |
CN112365162A (zh) * | 2020-11-12 | 2021-02-12 | 北京交通大学 | 一种基于事故致因网络的铁路运行风险控制方法 |
CN112950011A (zh) * | 2021-02-20 | 2021-06-11 | 北京交通大学 | 轨道交通***风险链分析方法和装置 |
CN112990551A (zh) * | 2021-02-20 | 2021-06-18 | 国电南瑞科技股份有限公司 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
CN113535978A (zh) * | 2021-07-13 | 2021-10-22 | 北京交通大学 | 一种轨道交通***运营风险本体的构建方法 |
CN113641827A (zh) * | 2021-06-29 | 2021-11-12 | 武汉众智数字技术有限公司 | 一种基于知识图谱的网络诈骗识别方法及*** |
WO2022041267A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种轨道交通运维物流供应链风险识别与评估方法 |
-
2022
- 2022-07-07 CN CN202210794372.0A patent/CN115081918B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492054A (zh) * | 2018-04-11 | 2018-09-04 | 北京交通大学 | 基于多层网络的城市轨道交通风险链群构建方法 |
CN108520359A (zh) * | 2018-04-11 | 2018-09-11 | 北京交通大学 | 城市轨道交通***的风险网络模型的构建方法 |
CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
CN110503236A (zh) * | 2019-07-08 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 基于知识图谱的风险预测方法、装置、设备以及存储介质 |
CN111882159A (zh) * | 2020-06-24 | 2020-11-03 | 北京工业大学 | 一种基于svm的ppp城市轨道交通项目风险评价方法 |
WO2022041267A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种轨道交通运维物流供应链风险识别与评估方法 |
CN112365162A (zh) * | 2020-11-12 | 2021-02-12 | 北京交通大学 | 一种基于事故致因网络的铁路运行风险控制方法 |
CN112950011A (zh) * | 2021-02-20 | 2021-06-11 | 北京交通大学 | 轨道交通***风险链分析方法和装置 |
CN112990551A (zh) * | 2021-02-20 | 2021-06-18 | 国电南瑞科技股份有限公司 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
CN113641827A (zh) * | 2021-06-29 | 2021-11-12 | 武汉众智数字技术有限公司 | 一种基于知识图谱的网络诈骗识别方法及*** |
CN113535978A (zh) * | 2021-07-13 | 2021-10-22 | 北京交通大学 | 一种轨道交通***运营风险本体的构建方法 |
Non-Patent Citations (3)
Title |
---|
叶颖婕: "基于关联规则的交通事故风险因素挖掘及预测模型构建", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
吴海涛等: "基于ISM-FCM的地铁运营风险因素演化分析与权重计算", 《交通运输工程与信息学报》 * |
李佳遥等: "基于事故链情境的铁路潜在风险关联推理研究", 《铁道学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167616A (zh) * | 2022-12-29 | 2023-05-26 | 北京交通大学 | 一种数据驱动的突发事件下城市轨道交通风险点量化方法 |
CN116167616B (zh) * | 2022-12-29 | 2023-07-28 | 北京交通大学 | 一种数据驱动的突发事件下城市轨道交通风险点量化方法 |
CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
CN116484056B (zh) * | 2023-02-20 | 2023-11-07 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
CN116227714A (zh) * | 2023-03-14 | 2023-06-06 | 西华大学 | 一种出行方式选择预测与分析方法和*** |
CN116227714B (zh) * | 2023-03-14 | 2023-10-27 | 西华大学 | 一种出行方式选择预测与分析方法和*** |
CN116761145A (zh) * | 2023-07-26 | 2023-09-15 | 江苏飞梭智行设备有限公司 | 一种轨道交通设备故障影响监测方法 |
CN116761145B (zh) * | 2023-07-26 | 2024-04-16 | 江苏飞梭智行设备有限公司 | 一种轨道交通设备故障影响监测方法 |
CN116757336A (zh) * | 2023-08-18 | 2023-09-15 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及*** |
CN116757336B (zh) * | 2023-08-18 | 2023-11-14 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115081918B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081918B (zh) | 基于数据驱动的轨道交通风险点预测方法及*** | |
Li et al. | DP-LSTM: Differential privacy-inspired LSTM for stock prediction using financial news | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
WO2021073409A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
Rudin et al. | A process for predicting manhole events in Manhattan | |
CN107704512A (zh) | 基于社交数据的金融产品推荐方法、电子装置及介质 | |
CN113312447A (zh) | 基于概率标签估计的半监督日志异常检测方法 | |
CN110175324A (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及*** | |
US11030516B1 (en) | Heirarchical prediction models for unstructured transaction data | |
CN113139705A (zh) | 业务项目的风险识别方法及装置 | |
CN113268370A (zh) | 一种根因告警分析方法、***、设备及存储介质 | |
CN115033705A (zh) | 电网调控风险预警信息知识图谱设计方法及*** | |
CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构*** | |
CN113065580B (zh) | 一种基于多信息融合的电厂设备管理方法及*** | |
Shi et al. | Human resources balanced allocation method based on deep learning algorithm | |
CN115292274B (zh) | 一种数据仓库主题模型构建方法和*** | |
CN113988083B (zh) | 一种用于航运新闻摘要生成的事实性信息编码与评估方法 | |
Ren et al. | Fault decision of computer numerical control machine system using grey clustering analysis and rough set theory | |
CN115794798A (zh) | 一种市场监管信息化标准管理与动态维护***及方法 | |
Noursalehi et al. | Machine-learning-augmented analysis of textual data: application in transit disruption management | |
CN111242520B (zh) | 特征合成模型的生成方法、装置及电子设备 | |
Xia et al. | Analysis and prediction of telecom customer churn based on machine learning | |
CN113835739A (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
Zong et al. | Research on the Decision Model of Product Design Based on a Deep Residual Network | |
Chen et al. | Research on knowledge graph modeling method for financial audit of power grid enterprises |
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 |