以ARIMA模型预测全国生产安全事故

本文根据2000~2015年全国各类生产安全事故死亡人数统计数据,建立ARIMA(1,1,0)模型,并对2020年全国各类生产安全事故死亡人数进行了预测,预测结果表明,ARIMA(1,1,0)模型预测值与全国安全生产"十三五"规划中规划目标值的相对误差为1.4%,建立的模型预测精度较高,预测结果可为安全生产管理决策提供科学依据。     

基于ARIMA的安全生产事故预测与实证研究

为了减少企业安全管理者在生产作业中由于不确定性导致错误决策所产生的风险,在企业历年安全生产事故数据基础上进行预测具有一定的现实意义。以某企业2008年至2011年的安全生产事故次数时序数据,采用EViews 5统计分析软件,基于ARIMA时间序列预测模型更加关注对事故发生是否平稳而相对于其他预测模型更关注于趋势研究的良好特点,建立安全生产事故ARIMA时序预测模型,并对2012年的安全生产事故发生次数进行预测,通过效果检验发现该模型预测结果基本上能够反映该企业安全生产事故发生的实际情况。通过ARIMA方法在某企业安全生产事故预测具体案例的实现,是对现有安全生产事故预测方法的补充和完善,可为企业安全管理和决策提供一定的指导。     

时间序列模型在火警短期预测中的应用

基于某市的119火警数据,采用时间序列模型中的ARIMA算法进行了分析.计算结果表明,该市119火警数据的天序列服从ARIMA(0,1,2)模型,周序列服从ARIMA(1,0,0)模型.从模型对数据的拟合效果来看,ARIMA模型较为准确的反映了数据序列的发展趋势.采用这两种模型对数据序列分别进行了短期的预测,其预测值与实际结果在趋势上基本一致,研究表明采用周序列预测的效果要好于天序列.基于时序模型的火警预测方法是实现时火灾应急处置中关口前移的重要措施.     

基于ARIMA模型的航空装备事故时序预测

为提高航空装备事故预防的针对性、有效性和主动性,预防和减少事故的发生,降低事故造成的损失,提出一种时序的差分自回归滑动平均(ARIMA)模型。其建模过程先在时间序列基础上辨识一个试用模型,然后加以诊断,并作出必要调整,反复进行辨识、估计、诊断,直至获得较为满意的ARIMA预测模型。在实例验证中,所构建的用来预测美国空军飞行事故万时率的ARIMA模型,能够将预测的平均相对误差控制在7%以内,预测结果总体反映航空装备的实际安全状况。     

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     

SARIMA模型在航空公司运营安全状态预测中的应用

应用季节性差分自回归移动平均模型(SARIMA)对X航空公司动态安全指数进行预测分析,为航空公司运营安全的规划和发展提供决策依据。收集整理X航空公司2005年1—6月的安全事件和运行数据。利用动态安全指数计算方法对数据进行预处理,建立时间序列。应用SPSS软件对动态安全指数的时间序列进行模型拟合,建立SARIMA模型。对所获得的模型进行参数检验,选取最优模型。利用最优模型对2015年7—12月动态安全指数进行预测,并对预测值与实际值进行对比分析。结果表明,SARIMA(1,0,2)(0,1,0)12模型在显著性水平0.05下通过了所有参数检验。各月实际值都落入了拟合值95%的可信区间范围,动态安全指数的实际值与拟合值变化趋势基本一致。2010年之后精度较高,实际值与拟合值具有较好的重合度。△ln Yt拟合值的最大绝对误差为1.976 6(2009年12月),最小绝对误差为0.000 4(2013年9月)。2015年7—12月,动态安全指数的实际值与预测值变化趋势基本一致,但误差较大。SARIMA模型能够较好地短期模拟X航空公司动态安全状况和趋势,预测效果良好。当发生事故、严重事故征候时,序列的实际值会偏离序列原有的结构,预测精度下降。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

基于北京市火灾统计数据的时间序列分析

采用Box-Jenkins法分析了城市火灾时间序列上的趋势性规律,通过数据预处理和模型的识别与诊断,最终建立了城市火灾预测模型。对北京市2000—2006年的火灾统计数据进行了平稳性处理,通过城市火灾预测模型的建模方法对北京市火灾发生次数的时间序列进行了ARIMA建模。根据得到的ARIMA(1,1,0)(1,1,1)12模型对北京市2007年的火灾发生次数进行了预测,并将该模型和BP神经网络模型的预测结果与实际情况进行对比分析。结果表明,ARIMA模型特别适用于随机性较大的火灾数据的趋势预测,并且方法简单,算法经济。     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

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%。     

道路交通事故发展趋势分析与预测

根据福建省2000 -2010年交通事故相关指标,采用统计图表分析法进行交通事故发展趋势分析与安全水平比较研究,结果表明交通事故各项绝对指标总体呈下降趋势,但从万车死亡率、受伤人数与死亡人数比及交通事故死亡人数占各类事故死亡人数比重等相对指标看,交通安全总体水平偏低,交通事故后果比较严重.对交通事故死亡人数与GDP、机动车保有量、公路通车里程、人口数四项影响因素进行了多元线性回归分析,分析得出四个影响因素总体对交通事故死亡人数的线性影响是显著的,采取向后筛选策略线性回归分析得出,死亡人数与GDP的线性关系是显著的,根据回归结果建立了交通事故的预测模型.     

基于Hankel-DMD的城市交通事故风险时空预测

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解(DMD)的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型(Hankel-DMD)捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明：DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。     

基于ISODATA算法的水上交通事故黑点识别

针对水上交通安全问题,基于ISODATA算法和水上交通事故等级综合加权平均法,构建水上交通事故黑点识别模型。结合道路交通黑点及现有水上交通多发区的研究方法,定义水上交通事故黑点;采用ISODATA算法分析水上交通事故空间分布特征,实现对水上交通事故空间的构建;对水上交通事故等级梯度赋值,以量化事故的严重程度,利用等级综合加权平均法确定黑点阈值。并以深圳西部港区水上交通事故为例进行模型应用,共识别出10处事故黑点及其边界,表明水上交通黑点识别模型能有效识别水上交通黑点的空间分布及特征,为水上交通安全状态分析提供了一种度量方法。     

基于最优尺度Logit模型的交通事故形态致因分析

为剖析典型交通事故形态致因,在利用最优尺度分析法诊断交通事故形态致因共线性的基础上,筛选关键影响因素,构建无序多分类Logit交通事故致因模型并对模型进行参数标定,并选择100个交通事故样本对模型进行精度验证,该模型相对误差仅为4.0%,能够较为准确地分析典型交通事故形态致因。研究结果表明:路侧及中央隔离设施、照明是事故的保护性因子,可有效降低事故率;路侧行道树设置不合理或未及时修剪,使车辆不能有效识别道路信息,是正面碰撞的重要影响因素;机非混合道是事故的危险因子,增大了侧面碰撞事故发生概率。研究结果可为交通隐患精准识别、交通事故主动预防以及交通设施科学设计提供理论依据和技术支撑。     

建筑工程生产事故死亡人数时间序列分析

为研究建筑工程安全生产事故死亡人数的变化规律,采用时间序列分析方法,分析了建筑安全事故死亡人数时间序列上的趋势性规律,通过数据预处理和模型的识别与检验,最终建立了安全事故死亡人数预测模型。对全国2005—2014年建筑工程安全生产事故造成的死亡人数进行了分析和预测。结果表明:ARIMA模型各年预测值与实际值误差率为0.393,相比灰色模型和BP神经网络模型误差率最小。总体上说,ARIMA模型较适用于随机性较大的数据的趋势预测。     

基于模糊评价法的建筑安全事故预测模型

针对建筑工程安全领域中许多对象具有"内涵明确,外延不明确"的特点,本文利用模糊数学对建筑安全事故影响因素进行度量,通过层次分析法确定各影响因素权重,提出了一种基于模糊评价法的建筑安全事故预测模型,解决了建筑生产中安全事故的即时预测,并通过实例给予说明,说明了模型在建筑安全事故预测中的有效性和实用性.     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。