CN118114975A - 一种基于态势感知的城市轨道交通系统风险监测预警方法 - Google Patents
一种基于态势感知的城市轨道交通系统风险监测预警方法 Download PDFInfo
- Publication number
- CN118114975A CN118114975A CN202410132751.2A CN202410132751A CN118114975A CN 118114975 A CN118114975 A CN 118114975A CN 202410132751 A CN202410132751 A CN 202410132751A CN 118114975 A CN118114975 A CN 118114975A
- Authority
- CN
- China
- Prior art keywords
- rail transit
- risk
- transit system
- data
- situation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001915 proofreading effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于态势感知的城市轨道交通系统风险监测预警方法，包括：获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行风险态势感知，输出监测结果并进行预警。本发明结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势分析和感知的准确性。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及的是一种基于态势感知的城市轨道交通系统风险监测预警方法。
背景技术
轨道交通系统运营过程中存在各类设备监测数据、故障报警数据、日志、视频、图片等结构化、半结构化和非结构化数据，这些数据分布在多个数据源中，具有多源异构的特点。通过对这些多源数据的解析，有助于从数据本质视角发现轨道交通中潜在风险的演化规律并进行态势分析，更好地服务于轨道交通运营风险态势感知，以实现运营风险主动预警与防控。
但是，现有研究中缺乏基于多源数据视角对城市轨道交通系统运营风险态势进行全局化的分析与感知。如何结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，仍然需要进一步探索。
为保障城市轨道交通运营安全，轨道交通系统运营风险主动防控的重要一环是进行风险态势分析，并在此基础上进行风险预测和预警。风险态势分析结果能够对运营风险未来发展趋势做出精准预测，从而为运营风险主动防控提供重要决策支持。现有的对城市轨道交通系统运营风险态势进行分析与感知的方式只能基于某些数据集进行分析，导致对全局运营风险态势分析和感知准确性低。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于态势感知的城市轨道交通系统风险监测预警方法，以解决现有轨道交通系统运营过程中对运营风险态势分析和感知准确性低的问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供基于态势感知的城市轨道交通系统风险监测预警方法，包括：
获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；
基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；
根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。
在一种实现方式中，所述获取多源异构数据，包括：
从多方数据源采集与轨道交通系统运营过程有关的数据，得到所述多源异构数据；其中，所述多源异构数据包括：结构化数据、半结构化数据以及非结构化数据。
在一种实现方式中，所述对所述多源异构数据进行预处理，包括：
确定所述多源异构数据中的遗漏数据所对应类型的平均值和众数取值，并根据所述平均值和所述众数取值对所述遗漏数据进行填补；
采用卡尔曼滤波算法进行图像数据降噪，并采用校对方法和极值法对不同数据库中相同类型的数据进行一致化处理。
在一种实现方式中，所述对所述多源异构数据进行预处理，还包括：
根据数据演化趋势确定所述遗漏数据的演化趋势，通过回归分析确定对应的取值，根据确定的取值对所述遗漏数据进行补齐；
采用卡尔曼滤波算法进行图像数据降噪，并采用校对方法和极值法对不同数据库中相同类型的数据进行一致化处理。
在一种实现方式中，所述基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型，包括：
确定城市轨道交通系统运营风险因素，并根据所述风险因素确定风险等级划分标准，基于马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型。
在一种实现方式中，所述根据所述风险因素确定风险等级划分标准，基于马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型，包括：
根据城市轨道交通系统运营状态的评估维度，将各个风险状态按照n个风险等级划分为n个区间，每个区间分别对应一种特定的风险状态；
结合工程实践和领域专家打分，构建轨道交通运行态势等级信度求解模型，预测轨道交通系统风险状态转移到下一状态的概率。
在一种实现方式中，所述根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警，包括：
根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统稳态态势进行稳态和风险态势感知，得到城市轨道交通系统运营风险状态的预测结果；
基于所述预测结果，评判轨道交通系统风险状态，对轨道交通系统运行中的短临风险做出诊断与分析；
基于关联分析和反馈校验后的风险分析结果，对超出风险阈值的项目进行实时预警。
第二方面，本发明提供一种基于态势感知的城市轨道交通系统风险监测预警装置，包括：
预处理模块，用于获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；
分析模型构建模块，用于基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；
输出及预警模块，用于根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。
第三方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有基于态势感知的城市轨道交通系统风险监测预警程序，所述基于态势感知的城市轨道交通系统风险监测预警程序被所述处理器执行时用于实现如第一方面所述的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
第四方面，本发明还提供一种介质，所述介质为计算机可读存储介质，所述介质存储有基于态势感知的城市轨道交通系统风险监测预警程序，所述基于态势感知的城市轨道交通系统风险监测预警程序被处理器执行时用于实现如第一方面所述的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
本发明采用上述技术方案具有以下效果：
本发明通过获取多源异构数据，并对多源异构数据进行预处理，可基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；并且，可根据轨道交通系统运营风险态势分析模型，从而对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。本发明结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势分析和感知的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。
图1是本发明的一种实现方式中基于态势感知的城市轨道交通系统风险监测预警方法的流程图。
图2是本发明的一种实现方式中基于态势感知的城市轨道交通系统风险监测预警方法的整体方案示意图。
图3是本发明的一种实现方式中终端的功能原理图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
示例性方法
现有研究中缺乏基于多源数据视角对城市轨道交通系统运营风险态势进行全局化的分析与感知。如何结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，仍然需要进一步探索。
为保障城市轨道交通运营安全，轨道交通系统运营风险主动防控的重要一环是进行风险态势分析，并在此基础上进行风险预测和预警。风险态势分析结果能够对运营风险未来发展趋势做出精准预测，从而为运营风险主动防控提供重要决策支持。因此，如何构建一套科学的态势分析模型对轨道交通系统运营风险进行态势感知和分析，并构建轨道交通系统运营风险智能预警机制，以实现轨道交通系统运营风险管控从“事后被动型”的管理模式向“事前主动式”模式的转变，是保障轨道交通系统运营连续性和安全性亟需解决的一个问题。
针对以上的技术问题，本发明实施例中提供了一种基于态势感知的城市轨道交通系统风险监测预警方法，该方法通过获取多源异构数据，并对多源异构数据进行预处理，可基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；并且，可根据轨道交通系统运营风险态势分析模型，从而对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。本发明结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势分析的准确性。
如图1所示，本发明实施例提供一种基于态势感知的城市轨道交通系统风险监测预警方法，包括以下步骤：
步骤S100，获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据。
在本实施例中，主要是结合轨道交通系统运营过程中的多源数据环境，针对运营风险态势感知和分析的结果进行智能精准监测及预警；为了实现智能精准监测及预警的功能，本实施例中从城市轨道交通系统的数据的本质出发，对轨道交通系统的多源数据的内容特征和结构特征进行系统梳理，为轨道交通系统运营风险分析与感知提供良好的数据基础。
具体地，在本实施例的一种实现方式中，获取多源异构数据，包括以下步骤：
步骤S101，从多方数据源采集与轨道交通系统运营过程有关的数据，得到所述多源异构数据。
如图2所示，在本实施例中，从城市轨道交通系统中获取多源异构数据的过程中，首先需要对城市轨道交通系统多源异构数据特征进行分析；从多源异构数据的内容特征来看，包括：静态数据和动态数据等数据属性。由于多源异构数据中不同的数据源所在的操作系统、管理系统不同，数据的存储模式和逻辑结构不同，造成了数据的多源性特征，以及由于数据的类型、特征等不一致，数据的产生时间、使用场所、代码协议等也不同导致数据种类及形态具有复杂性，造成了数据的“异构”特征；此外，从结构特征来看，轨道交通系统多源异构数据来自不同的职能部门，在数据采集和数据生成方式上也有所区别，因而也具有不同的存储和表现形式，即不同的部门存储的数据源具有各自的结构。
结合多源数据特征分析的结果，从多方数据源(例如：人员、设施设备、管理、环境等维度)采集与轨道交通系统运营过程有关的数据，得到多源异构数据；其中，所述多源异构数据包括：结构化数据(例如：各类设备监测数据、故障报警数据、日志、视频、图片等数据)、半结构化数据以及非结构化数据。
由于，轨道交通系统运营过程中的数据监测不可避免地存在一定程度的不完整性、不一致性的问题，并存在一定的噪声和冗余性；例如：数据的缺失或遗漏或不确定性，数据的定义不同导致数据代表的含义不同，数据之严重偏离期望值，数据记录或数据属性之间有重复等。因此，导出城市轨道交通系统运营过程的多源数据后，为了有效进行数据挖掘和融合，需要进行数据预处理。
具体地，在本实施例的一种实现方式中，对所述多源异构数据进行预处理，包括以下步骤：
步骤S102，确定所述多源异构数据中的遗漏数据所对应类型的平均值和众数取值，并根据所述平均值和所述众数取值对所述遗漏数据进行填补；或根据数据演化趋势确定所述遗漏数据的演化趋势，通过回归分析确定对应的取值，根据确定的取值对所述遗漏数据进行补齐；
步骤S103，采用卡尔曼滤波算法进行图像数据降噪，并采用校对方法和极值法对不同数据库中相同类型的数据进行一致化处理。
本实施例中主要对导出的数据进行数据清洗，即对所述多源异构数据中的遗漏数据进行补齐，或对异常数据进行降噪等工作。
作为一个示例，针对数据不完整性，由于监测数据中经常会出现数据遗漏的情况，对遗漏数据进行填补，利用平均值、众数等取值进行补齐，或对数据演化趋势进行归回分析来确定该遗漏数据的最可能趋势，通过回归分析确定取值，最大限度的让补齐的数据接近数据原值。
针对多源异构数据中图像噪声问题，采用卡尔曼滤波算法进行图像数据降噪，提高图像分辨率。由于城市轨道交通系统运营数据往往来源于多源数据库，不同数据库对同一类型数据定义可能不同，因此，采用校对、极值法等方法进行数据一致化处理；其中，对于歧义或数据极化等问题通过校对发现违反约束条件的数据；对于计量单位不同或数值范围差异太大等问题采用极值法进行数据标准化。
如图2所示，本实施例中通过构建城市轨道交通系统多源异构数据库，将预处理后的数据整合到本地数据库中，为进行城市轨道交通系统运营风险多源数据融合与挖掘提供数据基础。
如图1所示，在本发明实施例的一种实现方式中，基于态势感知的城市轨道交通系统风险监测预警方法还包括以下步骤：
步骤S200，基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型。
在本实施例中，基于所述预处理后的多源异构数据，从各个数据的特点出发，从多个城市轨道交通系统运营状态的评估维度进行综合势态分析，结合马尔可夫链的态势分析方法构，构建所述轨道交通系统运营风险态势分析模型，以通过所述构建所述轨道交通系统运营风险态势分析模型预测各个节点在当前环节的风险状态，以及预测轨道交通系统风险状态转移到下一状态的概率。
具体地，在本实施例的一种实现方式中，步骤S200包括以下步骤：
步骤S201，确定城市轨道交通系统运营风险因素，并根据所述风险因素确定风险等级划分标准，基于马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型。
在本实施例的一种实现方式中，步骤S201包括以下步骤：
步骤S201a，根据城市轨道交通系统运营状态的评估维度，将各个风险状态按照n个风险等级划分为n个区间，每个区间分别对应一种特定的风险状态；
步骤S201b，结合工程实践和领域专家打分进行模糊评价，评价结果输入多层感知机模型，构建轨道交通运行态势等级信度求解模型，预测轨道交通系统风险状态转移到下一状态的概率。
在本实施例中，根据预处理后的多源异构数据类型及其特点，提取城市轨道交通系统运营状态的评估维度；具体为，首先确定城市轨道交通系统运营风险因素，例如，根据城市轨道交通系统运营风险特性，所述风险因素包括：人员风险、设施设备风险、管理风险、环境风险、软件系统风险以及硬件系统风险等；在确定多维的风险因素后，对于每一种风险因素的评估，将各个风险状态按照n个风险等级划分为n个区间，每个区间分别对应一种特定的风险状态；例如，对于环境风险，从环境的角度进行综合分析，划分为低级风险、中级风险、高级风险等，其中，每一种风险等级可以对应一种风险概率。
在确定城市轨道交通系统运营状态的评估维度以及对应的风险状态后，可分析衡量各维度下反映的轨道交通运行状态的变化，实现基于多源信息综合的轨道交通系统运行态势评估；具体为，首先获取模糊评价结果，例如，结合工程实践和领域专家打分进行模糊评价，确定每个维度(风险因素)下的风险概率；当然，还可以根据各评估维度(风险因素)所对应的历史案例进行综合分析，得到模糊评价结果。
然后，根据所述模糊评价结果，利用马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型；其中，所述轨道交通系统运营风险态势分析模型包括：多层感知机模型和轨道交通运行态势等级信度求解模型；在构建所述轨道交通系统运营风险态势分析模型的过程中，将所述模糊评价结果输入多层感知机模型，得到轨道交通系统运营风险态势感知结果；然后，构建轨道交通运行态势等级信度求解模型，预测轨道交通系统风险状态转移到下一状态的概率。
如图1所示，在本发明实施例的一种实现方式中，基于态势感知的城市轨道交通系统风险监测预警方法还包括以下步骤：
步骤S300，根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行风险态势感知，输出监测结果并进行预警。
在本实施例中，结合城市轨道交通系统运营风险态势感知模型，对轨道交通系统稳态态势进行粗粒度和细粒度感知，从而实现城市轨道交通系统运营风险状态的智能监测和预警。
具体地，在本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行风险态势感知，得到城市轨道交通系统运营风险状态的预测结果；
步骤S302，基于所述预测结果，评判轨道交通系统风险状态，对轨道交通系统运行中的短临风险做出诊断与分析；
步骤S303，基于关联分析和反馈校验后的风险分析结果，对超出风险阈值的项目进行实时预警。
如图2所示，在本实施例中，基于城市轨道交通系统运营风险状态的监测结果，评判轨道交通系统风险实时状态，对轨道交通系统运行中的短临风险做出实时诊断与分析，考虑经关联分析和反馈校验后的风险分析结果，对于超出风险阈值即触发预警状态；其中，所述风险阈值的设定综合参考设计要求和现行规范。
如图2所示，在对短临风险做出实时诊断与分析的过程中，还可以根据历史案例、专家意见、异常情况发生的时点、阶段和风险等级等多源异构数据资料，构建城市轨道交通系统运营风险响应方案库，基于风险预警信息和案例推理，以相似度算法给出方案处理和应急措施，为运营风险管控提供决策支持。在风险响应完成后再次进行知识积累，形成闭环的运营风险管控模式。
本实施例中基于多源数据融合进行轨道交通系统运营风险态势分析，实现轨道交通系统运营风险整体态势感知，为运营风险智能预警和主动防控提供决策支持。
本实施例通过上述技术方案达到以下技术效果：
本实施例通过获取多源异构数据，并对多源异构数据进行预处理，可基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；并且，可根据轨道交通系统运营风险态势分析模型，从而对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。本实施例结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势感知的准确性。示例性设备
基于上述实施例，本发明还提供一种基于态势感知的城市轨道交通系统风险监测预警装置，包括：
预处理模块，用于获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；
分析模型构建模块，用于基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；
输出及预警模块，用于根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。
本实施例通过上述技术方案达到以下技术效果：
本实施例通过获取多源异构数据，并对多源异构数据进行预处理，可基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；并且，可根据轨道交通系统运营风险态势分析模型，从而对轨道交通系统进行风险态势感知，输出监测结果并进行预警。本实施例结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势感知的准确性。
基于上述实施例，本发明还提供一种终端，其原理框图可以如图3所示。
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部设备；该显示屏用于显示相应的信息；该通讯模块用于与云端服务器或其他设备进行通讯。
该计算机程序被处理器执行时用以实现基于态势感知的城市轨道交通系统风险监测预警方法的操作。
本领域技术人员可以理解的是，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有基于态势感知的城市轨道交通系统风险监测预警程序，基于态势感知的城市轨道交通系统风险监测预警程序被处理器执行时用于实现如上的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
在一个实施例中，提供了一种存储介质，其中，存储介质存储有基于态势感知的城市轨道交通系统风险监测预警程序，基于态势感知的城市轨道交通系统风险监测预警程序被处理器执行时用于实现如上的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
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，计算机程序可存储于一非易失性存储介质中，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，本发明所提供的各实施例中所使用的对存储器、存储、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。
综上，本发明提供了一种基于态势感知的城市轨道交通系统风险监测预警方法，方法包括：获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。本发明结合轨道交通系统运营过程中的多源数据环境，并针对运营风险态势感知和分析的结果进行智能精准监测及预警，提高了轨道交通系统运营过程中对运营风险态势感知的准确性。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，包括：
获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；
基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；
根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。
2.根据权利要求1所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述获取多源异构数据，包括：
从多方数据源采集与轨道交通系统运营过程有关的数据，得到所述多源异构数据；其中，所述多源异构数据包括：结构化数据、半结构化数据以及非结构化数据。
3.根据权利要求1所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述对所述多源异构数据进行预处理，包括：
确定所述多源异构数据中的遗漏数据所对应类型的平均值和众数取值，并根据所述平均值和所述众数取值对所述遗漏数据进行填补；
采用卡尔曼滤波算法进行图像数据降噪，并采用校对方法和极值法对不同数据库中相同类型的数据进行一致化处理。
4.根据权利要求1所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述对所述多源异构数据进行预处理，还包括：
根据数据演化趋势确定所述遗漏数据的演化趋势，通过回归分析确定对应的取值，根据确定的取值对所述遗漏数据进行补齐；
采用卡尔曼滤波算法进行图像数据降噪，并采用校对方法和极值法对不同数据库中相同类型的数据进行一致化处理。
5.根据权利要求1所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述基于预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型，包括：
确定城市轨道交通系统运营风险因素，并根据所述风险因素确定风险等级划分标准，基于马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型。
6.根据权利要求5所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述根据所述风险因素确定风险等级划分标准，基于马尔可夫链的态势分析方法构建所述轨道交通系统运营风险态势分析模型，包括：
根据城市轨道交通系统运营状态的评估维度，将各个风险状态按照n个风险等级划分为n个区间，每个区间分别对应一种特定的风险状态；
结合工程实践和领域专家打分，构建轨道交通运行态势等级信度求解模型，预测轨道交通系统风险状态转移到下一状态的概率。
7.根据权利要求1所述的基于态势感知的城市轨道交通系统风险监测预警方法，其特征在于，所述根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警，包括：
根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统稳态态势进行稳态和风险态势感知，得到城市轨道交通系统运营风险状态的预测结果；
基于所述预测结果，评判轨道交通系统风险状态，对轨道交通系统运行中的短临风险做出诊断与分析；
基于关联分析和反馈校验后的风险分析结果，对超出风险阈值的项目进行实时预警。
8.一种基于态势感知的城市轨道交通系统风险监测预警装置，其特征在于，包括：
预处理模块，用于获取多源异构数据，并对所述多源异构数据进行预处理，得到预处理后的多源异构数据；
分析模型构建模块，用于基于所述预处理后的多源异构数据，构建轨道交通系统运营风险态势分析模型；
输出及预警模块，用于根据所述轨道交通系统运营风险态势分析模型，对轨道交通系统进行稳态和风险态势感知，输出监测结果并进行预警。
9.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有基于态势感知的城市轨道交通系统风险监测预警程序，所述基于态势感知的城市轨道交通系统风险监测预警程序被所述处理器执行时用于实现如权利要求1-7中任意一项所述的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
10.一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基于态势感知的城市轨道交通系统风险监测预警程序，所述基于态势感知的城市轨道交通系统风险监测预警程序被处理器执行时用于实现如权利要求1-7中任意一项所述的基于态势感知的城市轨道交通系统风险监测预警方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410132751.2A CN118114975A (zh) | 2024-01-29 | 2024-01-29 | 一种基于态势感知的城市轨道交通系统风险监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410132751.2A CN118114975A (zh) | 2024-01-29 | 2024-01-29 | 一种基于态势感知的城市轨道交通系统风险监测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118114975A true CN118114975A (zh) | 2024-05-31 |
Family
ID=91214712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410132751.2A Pending CN118114975A (zh) | 2024-01-29 | 2024-01-29 | 一种基于态势感知的城市轨道交通系统风险监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118114975A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3388306A1 (de) * | 2017-04-13 | 2018-10-17 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | System und verfahren zur warnung vor gefahren im schienenfahrzeugverkehr |
| CN111260525A (zh) * | 2020-01-16 | 2020-06-09 | 深圳市广道高新技术股份有限公司 | 社区安全态势感知和预警方法、系统及存储介质 |
| CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
| CN112633740A (zh) * | 2020-12-30 | 2021-04-09 | 北京城市轨道交通咨询有限公司 | 一种城市轨道交通线网安全测评方法 |
| CN115221776A (zh) * | 2022-06-06 | 2022-10-21 | 广西电网有限责任公司电力科学研究院 | 一种新型配电网的智能感知诊断模型的训练方法及装置 |
| CN116342059A (zh) * | 2023-03-16 | 2023-06-27 | 吉林省瑞凯科技股份有限公司 | 一种基于物联网的城市轨道交通地下结构智能监测系统 |
-
2024
- 2024-01-29 CN CN202410132751.2A patent/CN118114975A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3388306A1 (de) * | 2017-04-13 | 2018-10-17 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | System und verfahren zur warnung vor gefahren im schienenfahrzeugverkehr |
| CN111260525A (zh) * | 2020-01-16 | 2020-06-09 | 深圳市广道高新技术股份有限公司 | 社区安全态势感知和预警方法、系统及存储介质 |
| CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
| CN112633740A (zh) * | 2020-12-30 | 2021-04-09 | 北京城市轨道交通咨询有限公司 | 一种城市轨道交通线网安全测评方法 |
| CN115221776A (zh) * | 2022-06-06 | 2022-10-21 | 广西电网有限责任公司电力科学研究院 | 一种新型配电网的智能感知诊断模型的训练方法及装置 |
| CN116342059A (zh) * | 2023-03-16 | 2023-06-27 | 吉林省瑞凯科技股份有限公司 | 一种基于物联网的城市轨道交通地下结构智能监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 胡南燕: "普通高等教育十四五规划教材 融媒体教材 系统安全预测技术", 31 January 2022, 冶金工业出版社, pages: 89 - 91 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112596495B (zh) | 一种基于知识图谱的工业设备故障诊断方法及系统 | |
| Raheja et al. | Data fusion/data mining-based architecture for condition-based maintenance | |
| Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
| US10769570B2 (en) | Artificial intelligence based risk and knowledge management | |
| Xu et al. | A novel health indicator for intelligent prediction of rolling bearing remaining useful life based on unsupervised learning model | |
| CN110647414A (zh) | 具有异常检测的改善的模拟功能安全 | |
| EP1983437A1 (en) | Determining of data quality in data streams | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| CN109255523A (zh) | 基于kks编码规则和大数据架构的分析指标计算平台 | |
| CN117909784A (zh) | 一种基于人工智能的设备故障检测分析方法及装置 | |
| CN112613995A (zh) | 异常诊断方法和装置 | |
| CN116993306A (zh) | 基于知识图谱的网络协同制造系统的构建方法和装置 | |
| Gross et al. | A supervisory control loop with Prognostics for human-in-the-loop decision support and control applications | |
| CN115730815A (zh) | 基于物联感知的工业生产安全风险预警系统及方法 | |
| Atzmueller et al. | Anomaly detection and structural analysis in industrial production environments | |
| CN115169779A (zh) | 一种企业安全风险预警预测系统及方法 | |
| Awad et al. | Predicting urban rail transit safety via artificial neural networks | |
| KR102419782B1 (ko) | 인공지능 기반의 산업설비 고장예측 모델링 기법과 경보 통합 시스템 및 그 방법 | |
| CN118114975A (zh) | 一种基于态势感知的城市轨道交通系统风险监测预警方法 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| Farhat et al. | Medical equipment efficient failure management in IoT environment | |
| Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
| Comerford et al. | Managing safety and hazard through dependability | |
| CN102279793A (zh) | 一种基于熵的构件可信度量方法 | |
| Jin et al. | Anomaly detection and health-status analysis in a core router system |
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 |