基于后悔理论的危化品公路桥梁运输风险评估

为有效评估危化品公路桥梁运输风险,并解决现有的危化品桥梁运输风险评估方法主观性过强的不足,提出一种基于组合赋权和后悔理论的危化品公路桥梁运输风险评估方法.该方法首先根据危化品公路桥梁运输风险的影响因素建立了风险评估指标体系,并通过改进的层次分析法和熵权法组合赋权的方法确定各指标的权重;然后选取一理想评分值,采用专家评分...     

基于注意力机制优化的LSTM河流溶解氧预测模型研究

溶解氧(DO)是水体中的重要水质指标,构建数据驱动模型,实现对溶解氧的准确预测,将为水环境管理提供科学有效的技术手段. 考虑到溶解氧序列数据非线性强、非平稳性突出的特点,提出一种基于双阶段注意力权重优化机制的长短时记忆网络(long short-term memory, LSTM)的河流溶解氧预测模型(DAIW-LSTM模型),该模型的编码器包含双阶段权重优化的空间注意力机制,而解码器包含双阶段权重优化的时间注意力机制. 将该模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测的研究,开展了该模型与DA-LSTM、LSTM、Bi-LSTM等基线模型的预测效果对比分析,探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响. 结果表明:①通过与基线模型的预测效果对比,验证了DAIW-LSTM模型的精准性,其对白云李溪坝站溶解氧预测的对称平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)分别为0.075、0.611、0.712,在所有模型中最优. ②对于新的注意力权重优化机制,第二阶段会对第一阶段的初步权重进行优化修正;针对pH、电导率、水温、气温等影响溶解氧预测的重要特征,DAIW-LSTM模型会自适应调整其权重在时间序列上的分布,从而提高该模型的预测精度. ③加入上游水质特征的输入影响,通过9个组合试验对比可知,DAIW-LSTM模型仍然为表现最佳的模型,该系列组合试验也证明上游站点及其特征变量选取的重要性. 研究显示,注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性,可为地表水水质预测研究提供新思路.      

基于集对分析的民航运输事故征候预测模型研究

加强对事故征候的分析、预测和相应的风险管理是民航主动安全管理的重要内容。本文以集对分析中的同异反模式识别的"择近原则"和聚类分析理论为基础,利用相关性分析得出与民航运输事故征候量变化高度相关的因素,并利用事故征候量与其影响因素的历史数据,建立了民航运输事故征候集对分析聚类预测模型,通过对我国2011年民航运输事故征候量的预测,结果表明民航运输事故征候的集对分析聚类预测模型的精度要高于现有的预测模型,并且所需样本少、运算简便,具有较高的实用价值。     

危险化学品的物流运输安全

1危化品物流运输环节安全现状目前,全国危化品运输单位有5962户(不含个体运输户),危化品运输车辆有9多万辆,60%为槽罐车,危化品运输单位排在前5位是江苏、广东、辽宁,山东、河南。目前,我国危险化学品的储运安全管理形势十分严峻,与飞速发展的工业水平相比,相应的储运安全监督与管理则比较落后,由此引发了一系列重大恶性事故。     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的基于LSTM网络建立的矿井瓦斯浓度多步预测模型,实现了对矿井瓦斯浓度发展趋势的预测,并利用损失函数计算预测误差大小,评估模型的预测精度;最后以贵州某煤矿掘进工作面为工程背景,利用基于LSTM网络建立的矿井瓦斯浓度多步预测模型,开展了矿井瓦斯浓度预测研究,并通过与ARMA模型、ARIMA模型的预测结果进行对比,验证该模型的预测效果。结果表明:该模型预测结果的均方根误差RMSE值最小仅为2%,且预测步长约为ARMA模型、ARIMA模型的5倍,说明该模型的预测效果好,可为煤矿井下合理规避瓦斯灾害事故提供科学依据。     

关于加强专业救捞队伍应对海上危险化学品事故处置能力的思考

介绍了我国海上危险化学品(简称危化品)运输的现状、危化品的特殊性和危害性,并对危化品运输的风险因素进行了分析评估。结合目前救捞系统在危化品应急处置上的能力的不足,研究认为应从完善应急处置体制机制、补充专业装备技术、提高应急人员素质水平、加强危化品应急体系理论研究等方面予以补强。     

不同载荷下轮式车辆运输振动数据预测模型研究

目的为便于执行GJB 150A进行车辆运输振动试验,研究了不同载荷下运输振动数据预测模型。方法对模型的特点和适用范围进行了分析;运用该模型分析了不同载荷下运输振动试验的试验数据规律。结果随着载荷的增加,运输振动逐渐减小,能够反映轮式车辆不同载荷下的运输振动规律,给出了运用该模型对不同载荷下车辆运输振动数据的预测方法。结论该模型简单实用,在执行GJB 150A进行运输振动试验过程中,若直接引用标准中的数据,可以采用该模型对不同载荷下的运输振动试验数据进行预测。     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

浅析危险品运输突发环境事件应急体系

据统计,国内有危险品运输公司三万余家,运营中的运输车辆有八万余辆。相关危化品运输过程中难免在高速公路上通行。因运输车辆在运输过程中发生事故导致突发环境事件的情况常有发生。因此,对我国危险品交通输运的环境应急体系以及事故处理的研究,有非常重要的意义。本文通过对湖南省某高速项目(以下简称"L高速公路项目")进行分析,研究环境事件应急体系的相关作用。     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-样本熵（sample entropy,SE）和长短期记忆神经网络（long short-term memory,LSTM）的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

多学科交叉的危化品运输安全保障技术及动态演示

针对我国危化品运输事故多发,运输安全形势依然严峻的现状,依托多学科交叉的教学改革和科技计划项目研究,以"不倾翻、泄漏收集、全方位监控"为技术目标,从事故防控和过程监控两个方面出发,介绍了危化品运输安全智能化管控的四大关键技术,即重点区域车路协同监控技术、车辆识别跟踪及安全预警技术、侧翻事故主动防控技术和泄漏事故主动防控技术,并以宁波石化基地为工程背景,借助区域动态场景沙盘对涉及交通工程、信息工程、车辆工程、消防救灾等多学科知识领域的关键技术进行了集成应用示范。结果表明:四大关键技术的应用有助于提升危化品公路运输安全的保障性,可支撑国家公共安全风险防控的重大战略需求。     

城市交通道路氮氧化物浓度的CART回归树预测研究

提出了基于CART回归树的氮氧化物(NO_x)浓度预测模型,利用杭州市延安路路边空气质量监测站2016年6—9月空气污染物监测数据和同期延安路路段车辆抓拍识别数据,通过数据处理、影响因素分析及CART回归树构造,搭建了NO_x浓度预测模型.实验分析结果表明,相对于支持向量机和BP神经网络预测模型,基于CART回归树的NO_x浓度预测模型的预测精度有大幅度提升,可决系数在0.92以上;同时,对环境条件差异较大的G20会议期间NO_x浓度进行预测分析,结果表明,CART回归树方法的预测精度比其它方法更高,能够适应不同条件下的预测需求.     

基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.     

加强管理:让危险化学品运输不危险

随着我国石油、石化、煤化、化工等产业的迅速发展,危险化学品(以下简称危化品)的品种和数量日益剧增.我国危化品的产量已达14亿吨,从业单位总数量达31万家,其中生产单位25014家,仓储单位11071家,经营单位136735家,运输单位9796家,使用单位135310家,废弃物处理单位709家.其中大部分危化品涉及到异地运输的问题.由于危化品具有易燃、易爆、强腐蚀性等特点,因此危化品的运输具有巨大的危险性.由各种事故导致的泄漏、燃烧、爆炸等,不仅造成直接的人员伤亡和财产损失,还可能对周边的大气、水、土壤环境造成次生污染,引发突发环境事件.因此,危化品的运输事关人民生命财产和生态环境的安全,必须引起充分的重视.     

面向方面级情感分类与深度学习的分层网络模型

针对已有基于方面级别的情感分类通常只考虑独立的句子及关注每个句子的方面情感的问题,提出了一种基于方面情感分类的分层区域CNN-LSTM模型。与基于注意力机制LSTM和基于注意力机制CNN不同,通过分层关注机制将注意力集中在单词级别和句子级别上。采用一种新的基于分层CNN作为输入层,在整个评论中提取基于方面的长距离依赖特征,这种分层CNN和区域LSTM可以捕获与关注更深入更细粒度的信息,并且可以在预测过程中考虑句子内部和句子之间的关系。在多领域数据集上进行实验,结果表明,与仅使用单词向量基于方面情感分类的同类模型相比,所提出的模型性能更好。     

面向尾气预测需求的VMT模型

车辆行驶里程(VMT)是机动车尾气排放预测模型的重要输入参数之一，VMT值的精确度直接影响了模型的预测精度。文中提出了一种VMT估算模型，该模型引入指数回归模型，结合采样交通流量和路段特征来估测所有路段流量和VMT，并按时间和速度进行了进一步划分，在实际运用中，该模型在现有技术条件下也易于标定。     

面向密闭空间内外温度的时序预测模型

目的 研究密闭空间条件下已知外部温度时间序列对内部实时温度的预测推理问题。方法 选取密闭空间内外温度时序预测典型场景,抽象为多变量时间序列预测问题,分析变量间的关联性和依赖性。借鉴特征融合、注意力机制、多任务模型等思路,结合物理机制与数据特征,基于长短期记忆网络基本网络单元,构建密闭空间内外温度时序预测模型,并在万宁、敦煌、漠河对某型密闭空间进行数据采样,基于三地数据集进行不同模型试验。结果 多变量模型比单变量模型具有更好性能,注意力机制对该场景没有显著性能提升,结合物理机制的模型结构设计充分考虑了变量之间的关联性和依赖性,能显著提升预测精度,双输入双输出的多变量时序预测模型具有相对最高的精度和最稳定的鲁棒性,是面向密闭空间内外温度时序预测的相对最优模型。结论 研究结论可指导密闭空间其他环境特征建模,研究思路可为其他多变量时序建模问题中变量之间的关联性、依赖性分析提供参考。     

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

大型石化企业危化品道路运输安全管理应用实践

分析了某大型石化企业危化品道路运输安全管理存在的问题以及采取的对策,阐述了该企业的做法和取得的成效,为行业提供借鉴。