基于决策融合的多模型顶板安全预警

为了对矿井深部开采中煤层巷道的动压规律进行准确的预警预测,采用决策融合的多模型顶板来压预测方法。利用聚合经验模态分解方法(EEMD)对每个传感器监测数据进行模态分解,得到各子模型的多个固有模态函数(IMF)序列;根据模态函数的特点,对非线性序列运用支持向量机(SVM)模型,线性序列运用单整自回归移动平均(ARIMA)模型进行预测,再将各子模型中各种预测值合成重构得到各子模型的预测输出;通过统计识别模式将各子模型的预测数据进行归一化决策融合后,在同一个时空坐标系中表示出来。实际应用表明,用多模型融合的预测方法能实现采场顶板动态规律的远期、近期以及实时预测,并能很好地反映动压大变形规律,捕捉顶板灾害的预兆信息。     

基于EEMD-LSTM模型的尾矿库风险预测模型研究*

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解（EEMD）和长短期记忆（LSTM）的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明:EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

基于车速的交通事故贝叶斯预测

为了降低交通事故的发生率 ,提高道路交通安全水平 ,提出了基于车速的贝叶斯预测方法来检测和预测交通事故。首先对车速与交通事故之间的关系进行分析。在分析的基础上 ,以车速为衡量对象 ,提出贝叶斯预测方法。通过使用车速观测数据 ,应用 χ2 检验 ,确定是否为异常数据 ;并通过最小风险的贝叶斯预测 ,确定该异常是否会导致交通事故。最后 ,绘出利用该贝叶斯预测方法进行交通事故预测的流程图     

基于随机森林的高速公路运营隧道风险判别法则研究*

为快速、准确识别山区高速公路隧道不同区段风险因素组合,基于交通事故调研数据,分析其时空变化规律;从人-车-路-环境角度系统筛选风险影响因素,采用随机森林理论构建风险等级预测模型;以决策树与规则相互关系为基础,结合自变量重要评分法,提出基于随机森林的高速公路运营隧道风险判别法则。研究结果表明:判别法则集预测精度较好且运行时间短,能够明确高速公路不同隧道区段事故成因,为预防隧道严重交通事故发生提供参考。     

基于海洋环境要素的动态航行风险评估*

为得到精确动态航行评估结果,将多准则决策方法与GIS风险制图技术相结合,以5种海洋环境要素（风场、洋流、海浪、海温和海底地形）作为评估因子,通过数据时空插值法和层次分析法（AHP,Analytic Hierarchy Process）确定评估因子权重,提出权重优化算法改进权重值,进而得到最优动态航行风险评估结果。结果表明:动态航行风险评估结果能够直观展示海域航行风险空间分布和变化趋势,评估具有实时性和连续性,可以为海域恶劣海况提供足够预警能力。     

水上交通事故分析研究进展

为更好地开展水上交通事故分析研究,提高我国水上交通安全水平,从船舶风险评估与事故预测、事故分析以及事故及通航安全数据的组织与数据库建立3个方面对国内外的相关研究进行论述和分析。提出以建立水上交通事故时空数据平台为基础,结合数据挖掘和安全工程的理论方法研究事故发生机理,评估事故风险,并将研究事故模拟再现技术作为事故分析的重要技术手段。     

基于QAR2Vec模型的QAR数据特征提取

针对传统特征提取方法难以从海量、高维的快速存取记录器(QAR)数据中提取有效特征,且QAR数据缺乏足够的标记等问题,提出一种以Transformer网络为核心的QAR2Vec模型,将QAR数据与位置信息、飞行阶段信息共同编码,作为QAR2Vec模型的输入;通过构建自回归预测的预训练任务以自监督的方式来学习海量QAR数据中的深层特征;保存预训练好的QAR2Vec模型权重,并在飞行状态预测和着陆异常天气识别任务上,微调预训练模型,使模型适应不同的下游任务;将QAR2Vec模型与2种没有预训练步骤的深度学习算法CNN-LSTM、MTL-LSTM进行对比。结果表明:QAR2Vec模型能够更有效地从QAR数据中提取特征,在飞行状态预测和着陆异常天气识别任务上的预测误差更低、识别准确度更高。     

基于EMD-LSSVM的瓦斯浓度动态预测模型

为提高回采工作面瓦斯体积分数预测时效性,建立了EMDLSSVM的瓦斯体积分数动态预测模型;为能够快速有效地反映瓦斯体积分数当前状态,避免早期历史数据对模型预测的影响,采用复合窗口技术对瓦斯体积分数时间序列进行动态更新;为提高算法预测精度,先采用经验模态分解算法(EMD)对更新后的窗口数据进行分解得到高频项、低频项和趋势项,考虑到瓦斯体积分数变化受到诸多因素干扰导致预测难度较大,但由同类因素影响的瓦斯体积分数变化特征具有较高的相似性,利用聚类方法将瓦斯体积分数监测数据划分成性质相似的若干个模式类别,以减少各种随机因素对预测结果的影响,再利用最小二乘支持向量机(LSSVM)对高、低频项进行加权预测,用自回归(AR)模型对趋势项进行预测,最后进行组合预测。实例对比分析表明,该预测模型能够有效地预测瓦斯体积分数的变化趋势,减少了预测时间,预测精度也满足矿山安全工程实际要求。     

考虑数据去噪分解的滑坡位移组合预测研究

为准确掌握滑坡位移变化规律,基于滑坡变形监测结果统计,对位移数据进行去噪分解处理,将滑坡位移数据分解为趋势项和误差项,并分别利用优化多核极限学习机和Arima模型构建预测模型,以实现滑坡位移的组合预测.结果表明:Morlet复小波较传统去噪模型分解效果更优,且通过优化处理,能更好地提高其分解能力;通过对多核极限学习机的...     

基于APRIORI-TAN的交通事故伤害分析与预测*

为探究道路交通事故因素和事故伤害的相关性,以2 467起涉及人员伤亡的交通事故为数据集,运用Apriori算法分别挖掘事故伤害关联规则,并结合社会网络分析的可视化和核心-边缘分析构建受伤事故和死亡事故的关联规则网络。结果表明:事故伤害程度与事故时间、道路条件和交通环境等因素关系紧密,尤其死亡事故与碰撞固定物、人行横道事故、高速公路、高速道路、非市区、酒驾和超速存在高相关性。基于树型贝叶斯网络（TAN）构建事故伤害程度的预测模型,预测结果准确率可达87.56%。     

基于贝叶斯网络的城市地下燃气管网动态风险分析

为研究城市燃气管网风险的动态性,针对传统风险分析方法的局限性,提出基于贝叶斯网络的燃气管网动态风险分析方法。构建燃气管网失效蝴蝶结模型并将其转化为贝叶斯网络模型;在事故发生状态下更新事件失效概率,识别出关键因素;根据异常事件数据和贝叶斯理论,对基本事件失效概率进行实时动态改变;随之更新管网失效及各后果发生的概率,从而实现管网的动态风险分析。研究结果表明:该方法克服了传统风险分析方法的不足,可动态反映燃气管网失效和事故后果发生概率随时间变化的特征,能够为城市地下燃气管网的风险分析与事故预防提供参考。     

基于CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

事故车辆影响下的城市道路交通仿真研究

为研究事故车辆影响下城市道路交通的特征，构建考虑车辆抢道行为的元胞自动机交通流模型，研究给定冲突区域长度下不同进车率和不同事故持续时间对城市道路交通流的影响。研究结果表明:事故车辆会诱发交通瓶颈，对城市交通产生显著干扰并形成拥堵带，且拥堵带向事故车辆上游传递。不同事故持续时间下交通流演化存在差异，道路平均车流量、车流平均密度随着事故持续时间的增加而增加，车辆平均速度随之减小。当道路中车辆较少（pin=0.3）且事故持续时间达到15 min时，交通处于严重拥堵状态；当道路中车辆较多（pin=0.5）、事故持续时间达到5 min时，交通即处于严重拥堵状态。研究结果可为优化城市交通事故处理机制提供依据。     

基于强化学习的城镇燃气事故信息抽取方法

为解决因城镇燃气事故调查报告标注样本缺乏,从而影响命名实体识别性能这一问题,提出基于BiLSTM-CRF+强化学习的燃气事故领域命名实体识别方法。首先在数据预处理阶段,采用基于文本结构的主旨段落抽取方法,识别事故调查报告的关键段落;其次在模型训练阶段,采用BiLSTM-CRF+强化学习模型,实现城镇燃气事故命名实体识别模型训练;最后利用城镇燃气事故调查报告作为试验数据进行验证。研究结果表明:经由强化学习模型降噪后,实体识别模型的综合评价指标提高5.76%,主旨段落识别方法相比Word2vec特征表示方法,使模型的综合评价指标提升7.17%。     

山区二级公路运营期常态交通风险评价

为客观准确地评价山区二级公路常态交通风险,将风险源分为动态风险源和静态风险源.首先,基于白化权函数的综合评价法建立事故后果模型,基于历史事故数据建立事故概率模型,以评价静态风险;其次,结合白化权函数和层次分析法(AHP)建立事故后果模型,采用有序Logit模型建立事故概率模型,以评价动态风险;最后综合动静态风险结果评价...     

交通事故现场警务取证区块化溯源分析方法*

为突破以现场为中心的取证模式，研究基于交通事故过程导向的交通事故现场警务取证系统化方法，以审判为中心理念重构警务取证的新模式，应用区块链溯源方法的思想与技术，提出警务取证区块化溯源分析方法。结果表明:交通事故现场警务取证，应当以交通事故认定的交通事故构成的“七何”要件为证明标准；警务取证包括交通事故全过程的道路交通系统、交通事故现场、交通事故事实3个区块节点；取证具体涉及交通安全风险控制系统的8个系统要素，现场系统的7个系统要素，以及交通事故元素的2个事实要素。该方法的双向溯源技术可确保警务取证的成效，有效提升取证执法效能。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。