基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求,以盗窃作为典型社会安全事件,提出基于机器学习模型的社会安全事件分析预测方法,并以A市2012—2016年的实际盗窃犯罪数据为基础,提取发案时间、发案地点、实施手段和损失金额作为分类特征,通过比较多种机器学习算法,研究盗窃前科人员的预测方法,并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上;对于盗窃这一典型社会安全事件,其前科人员倾向于选择下午时段和人流量大的地区实施,盗窃金额明显高于初犯和惯犯。最后,基于前述研究,提出构建数据驱动的社会安全事件预测预警和综合研判系统,并针对该系统的前期建设和后期使用,给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

基于机器学习的恐怖袭击事件后果预测方法研究

恐怖袭击事件通常会造成严重的人员伤亡、财产损失和社会影响,针对在不同场景下发生恐怖袭击所造成的后果进行预测是目前应对恐怖袭击事件急需解决的问题之一。利用多源数据,首先基于随机森林算法对恐怖袭击事件是否造成死伤进行分类预测,进而基于岭回归算法预测事件造成的具体死伤人数。研究结果表明:随机森林在测试集上对有死伤事件的召回率达到0.85,岭回归预测死亡和受伤人数的平均绝对误差分别小于1人和2人。研究结果可为反恐资源配置优化、预防恐怖袭击事件和减少其造成的损害提供辅助决策支持。     

基于高斯过程机器学习算法的矿柱稳定性分析

矿柱是地下矿山支撑顶板围岩、维持采场稳定的关键结构要素。为迅速准确地判别矿柱稳定性,选取矿柱宽度、矿柱高度、矿柱宽高比、矿岩单轴抗压强度和矿柱承受载荷作为影响指标,利用高斯过程机器学习算法建立矿柱状态与其主要影响因素之间的非线性映射关系,进而提出一种基于高斯过程二元分类(GPC)的矿柱状态识别模型。结合工程实例,以40组样本数据进行训练,以10组样本数据对该模型进行检验,并与ANN和SVM进行对比。结果表明,矿柱状态识别的高斯过程模型是科学可行的,该模型具有参数自适应化获取、分类精度高、计算复杂度低等优点,还可对矿柱状态判别结果的不确定性或可信度进行定量化评价。     

基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

基于机器学习的CNG加气站风险预警模型研究

加气站一旦发生事故,不仅会造成人员伤亡和财产损失,而且也会给周边居民乃至社会带来一定的负面影响。借助机器学习技术,构建CNG加气站风险预警模型,对加气站的风险状态进行预警,实现对事故的事前控制。首先建立了加气站风险预警指标体系,以12座加气站为研究对象,采集指标样本数据,通过大数据分析技术构建训练数据集,并采用SMOTE算法解决了样本不均衡问题;然后分别采用决策树、朴素贝叶斯、SVM、KNN等4种机器学习分类算法构建预警模型。研究证明,采用决策树算法和SVM构建的预警模型准确度均达到97.8%,可以对加气站的风险状态进行有效识别和预警。     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

基于模糊聚类关联分析法的煤与瓦斯突出程度分析

运用模糊聚类分析方法对煤与瓦斯突出的样本集合进行分类,建立了不同突出程度的模糊模式.用关联分析确定待分析样本与模式的关联程度,以此预测预报样本的煤与瓦斯突出危险程度.实例分析表明,与模糊聚类分类后、将模式与待预报样本组成新样本集合进行聚类分析并以此分类结果进行预报的方法相比,这种预报方法不仅可靠程度高,而且能定量描述待报样本与模式的亲和程度.     

基于机器学习的高速公路大型货车追尾风险预测

针对高速公路大型货车追尾事故频发的问题,评估高速公路大型货车追尾风险,并分析交通流特性对大型货车追尾风险的影响,以降低追尾事故的发生率。根据德国HighD开源数据集,以不同冲突风险等级的碰撞时间(TTC)阈值作为大型货车冲突风险的划分标准,提取大型货车的车辆轨迹与交通特征参数等数据,基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)等3种机器学习模型分别建立高速公路大型货车追尾风险实时预测模型;以混淆矩阵、受试者工作特征曲线的曲线下面积(AUC)和洛伦兹(KS)检验等评价指标,对比分析各模型的整体预测能力,并选取预测精度最好的模型分析各个特征参数对追尾风险的影响程度。研究结果表明：RF模型的预测准确率达75%,相对SVM模型高出8%,相对ANN模型高出10%,且RF模型的预测精确度、召回率、AUC值和KS值均优于SVM模型和ANN模型;最小车头间距、车速标准差和加速度标准差3个参数对大型货车追尾风险影响程度最高。     

基于CatBoost算法的孔隙压力预测方法及其在井壁稳定分析中的应用

为解决传统孔隙压力预测方法(如伊顿法和鲍尔斯法)在预测孔隙压力时,适用范围较小、受人为因素影响较大等问题。基于CatBoost机器学习回归算法建立孔隙压力智能预测模型,并与决策树回归算法和随机森林回归算法进行比较,以某区块2口直井为例验证模型的预测效果。结合CatBoost模型的孔隙压力预测结果,利用数值模拟软件分析孔隙压力对井壁稳定的影响。研究结果表明：CatBoost模型的5个评价指标相对最优,孔隙压力当量密度实测值与预测值的相对误差最小,CatBoost模型具有较强的泛化能力和较高的预测精度;在低孔隙压力条件下,井周等效塑性应变不均匀性明显,井周进入塑性区的围岩区域主要集中在最大主应力方向;在较大孔隙压力作用下,井周等效塑性应变不均匀性有所降低,但井周等效塑性应变的极大值仍存在于最大主应力方向。研究结果可对孔隙压力精确预测和钻井作业安全施工提供一定指导作用。     

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性,将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题,根据实车运行中的电池状态数据,选择电池的单体电压最高值、单体电压极差等作为关键预测对象;利用费舍尔计分和最大信息系数(MIC)进行特征选择,采用样本卷积和交互网络模型(SCINet)实现关键状态预测;基于预测的状态,建立多分类随机森林(RF)模型,对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力,如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

基于多尺度排列熵和极限学习机的风机叶片覆冰故障检测方法*

针对风机叶片结冰故障检测中状态数据维度高和检测率低的问题,提出1种使用功率数据驱动的多尺度排列熵（multiscale permutation entropy,MPE）和极限学习机（extreme learning machine,ELM）的风机叶片结冰故障检测方法。首先,使用多尺度排列熵提取功率数据的多重尺度特征,得到特征向量;随后,采用极限学习机,结合环境温度,对结冰故障进行检测;最后,通过使用某风电场的数据采集与监视控制系统（supervisory control and data acquisition,SCADA）对数据进行仿真。研究结果表明:所提方法的故障检测率达到100％,同时虚警率仅有0.14％,表明所提方法在风机叶片的覆冰故障检测中的有效性。研究结果可为风机叶片覆冰故障检测提供1种有效方法。     

LNG船舶港口泄漏事故情景构建及危害程度分析

情景构建理论是处理重大突发事件的前沿应急管理理论。提高突发事件的应急处理能力,是提前开展战略性研究和应急准备工作的一种有效的科学手段。针对LNG船舶港口碰撞发生泄漏事故,结合重大突发事件情景构建所需要的“情景-应对”模式进行描述,建立LNG船舶在港口卸船期间发生泄漏事故的情景构建方案,通过分析得到LNG船舶碰撞后发生意外泄漏后产生的火灾、爆炸等危害。此案例的研究方法对LNG船舶港口泄漏事故应急管理体系具有较好的参考和指导意义。     

基于集成学习的改进灰色瓦斯浓度序列预测

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度.结果表明:瓦斯浓度时间序列近似线性时,基于集...     

基于支持向量机的化工工艺安全评价模型构建及优化研究

为解决现阶段基于风险分级的安全评价方法仍存在着高维数据处理不当、评价智能化程度不高等问题,创建支持向量机的安全评价模型,利用核函数解决安全评价因子分类问题,粒子群算法(PSO)寻找最适合模型的正则项C,进一步提升安全评价模型的正确率,形成适用高维数据的化工工艺安全评价方法。研究结果表明：该模型与经典支持向量机模型和BP神经网络评价模型相比具有更高的正确率,研究结果对借用机器学习来创新安全评价理论及工程应用具有现实意义及理论价值。