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BN的FTA在通用航空风险评价中的应用

针对事故树分析法(FTA)在风险评价中的局限性,采用以事故树为基础建立的贝叶斯网络(BN)风险模型,对通用航空中的两机空中相撞事故进行分析和推理,对事故模型进行改进和修正时,注重基事件的多态性和事件间的逻辑合理性。根据贝叶斯推理得出的数据,找到了事故的主要致因。结果表明,基于BN的FTA既能向前预测顶事件的发生概率,又能向后诊断基本事件的后验概率,可以更好地对通用航空风险进行评价。     

辅助驾驶中的换道决策安全研究

换道是驾驶员达到快速通行目标的一种常用手段,但换道会带来很多公路交通事故。为有效避免交通事故,需给驾驶员提供换道安全预警。构建了安全换道决策模型,将换道决策分为换道意图识别和换道条件判断分别建立模型以提高预测精确度。通过神经网络方法SOM(Self-Organization-Map)聚类及BP(Back Propagation)建立换道意图识别模型,基于贝叶斯理论建立最小风险贝叶斯换道条件判别模型。模型开发和测试采用车辆轨迹数据集(NGSIM),提取数据中的换道行为特征参数作为模型的输入,将驾驶员换道决策预测视为输入变量的函数。通过对比最小贝叶斯和最小风险贝叶斯方法发现,由后者构建的换道条件判别模型效果较好,对于不换道行为的预测精度为90.4%,换道行为的预测精度为73.8%。鉴于错误的换道决策可能导致交通事故,而错误的不换道决策只会导致失去一次换道的机会,在换道辅助系统中,不换道决策的精确度要求需高于换道决策的精度。最后,在微观交通仿真系统中加入换道决策模型,其结果验证换道决策安全。最小风险贝叶斯换道条件判别模型的引入,使得换道决策系统能够通过修正风险系数,进一步提高换道判别精度,减少不安全的换道概率。     

基于HHM-RFRM理论的智能船舶航行风险识别与筛选

针对智能船舶航行过程中航行关键风险因素的有效识别和筛选问题，提出了基于等级全息建模(Hierarchical Holographic Modeling, HHM)框架和风险过滤、评级与管理(Risk Filter, Ranking and Management, RFRM)思想的智能船舶航行风险识别与筛选理论。首先，构建智能船舶航行风险识别HHM模型，以全面而准确地选取和反映智能船舶航行风险来源；其次，通过RFRM模型对风险因素进行过滤、排序和筛选，结合贝叶斯方法的多判据评估模型，识别出智能船舶航行过程中可能存在的关键风险因素。结果可以为相关海事机构和船舶公司进行动态管理提供理论依据，同时为保障智能船舶航行安全提供一种手段。     

基于贝叶斯网络的我国电网安全风险关联分析

为了有效识别电网运行的关键风险要素,基于典型电网企业2014-2019年代表性事故案例,采用贝叶斯网络的机器学习方法分别构建了电网事故、设备事故及人身事故致因的贝叶斯网络模型,分析各风险因素对事故的影响程度并反向诊断事故发生的关键诱因.结果表明:1)3种贝叶斯网络模型预测精度分别达到87.85％、89.24％、96.88％;2)不同类型事故的关键风险因素存在差异,但人因仍是主要致因.电网事故的关键影响因素为巡检不到位、检修质量不良和验收不合格;设备事故的关键风险因素为处理不当、巡检不到位和施工质量不良;人身事故的关键风险因素为安全意识缺乏、施工质量不良、监护不到位和验收不合格.最后,对电网系统安全运行提出了针对性建议.     

基于DBT-DBN模型的气化炉超温动态风险分析

为加强煤气化装置核心设备气化炉的安全风险管理,利用动态领结(DBT)模型和动态贝叶斯网络(DBN)相结合的风险分析方法,构建气化炉超温事故风险分析模型.首先,分析设备故障的时序性,建立超温事故的DBT模型,结合模糊评价确定设备故障的发生概率;然后,将DBT映射到DBN中,将故障维修的动态特征定义为转移概率,双向推理气化...     

强降雨下地铁车站施工安全风险演化推理研究

强降雨易引发地铁车站施工安全事故,为揭示此类工程受强降雨的致灾机制,评价施工安全风险,结合蝴蝶结(BT)分析法进行演化,得到包含2个顶事件、27个中间事件、47个基本事件的安全风险事故树;基于贝叶斯网络(BN)理论,改进节点模糊多态化与直觉模糊化2个方面,得到优化后的直觉模糊多态贝叶斯网络(IFPBN)安全风险演化推理模型;以广州21号线地铁工程为例,进行演绎推理应用,并验证模型有效性。结果表明：优化后的模型推理结果与实际情况基本相符,相较于常规推理模型更为精准、高效;所构建的风险演化结构中,强降雨等级、人的不安全行为和主体工程环境不安全状态是影响强降雨下地铁车站施工安全风险的重要宏观因素,应急组织混乱、安全意识缺乏与支护不稳定是重要微观因素。     

面向液氨泄漏应急救援区域的XGBoost预测方法研究

液氨发生泄漏事故后，随着扩散距离的增加，会对人员和环境造成严重的危害。为便于发生泄漏事故后，快速展开应急救援工作，对液氨泄漏事故应急救援区域预测方法开展研究。通过PHAST(Process Hazard Analysis Software Tool)软件模拟液氨泄漏事故工况，建立基于极端梯度提升(Extreme Gradient Boosting XGBoost)的液氨泄漏应急救援区域预测模型。利用网格搜索结合K折交叉验证进行超参数调优，并与随机森林、决策树模型性能进行对比分析。研究结果显示：以预测ERPG-2标准下液氨泄漏扩散距离为例，XGBoost模型预测性能最佳；与决策树和随机森林相比，XGBoost模型的E_MAPE分别减少了4.19个百分点和2.37个百分点，E_RMSE分别减少了66.74和2.93;基于优化后XGBoost模型液氨泄漏事故应急救援区域预测模型，预测结果R²为0.997 8,E_RMSE为50.37,E_MAPE为2.61%,基本满足工程实践应用。     

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。     

考虑异质性的翻车事故伤害建模

为深入分析影响翻车事故伤害程度的各项因素及其对不同受伤等级事故的影响,根据人、车、路、环境及事故5方面的安全因素,构建考虑异质性的翻车事故伤害混合logit模型;采用蒙特卡罗方法估计模型参数,并计算相应显著变量的弹性;通过显著性水平为5%的假设检验,从22个备选变量中确定混合logit模型的输入自变量。结果表明:驾驶员性别、年龄、安全带使用、安全气囊展开、甩出车外、酒驾、毒驾、偏离车道行驶、疲劳驾驶、采取错误避让措施、车辆类型、车辆行驶意图、路段类型、限速值、事故发生地、事故发生日期、不良天气、光线及路面条件与翻车事故伤害程度显著相关;年轻驾驶员与男性驾驶员群体对事故伤害程度的影响具有个体差异性。     

公路工程施工建设安全风险预测及时序分析

准确地预测施工建设中的安全风险对于开展高质量的公路建设作业至关重要。基于南中项目安全巡查记录，建立致因指标体系，通过比较分析K邻近(K-Nearest Neighbor, KNN)、支持向量机(Support Vector Machines, SVM)、随机森林(Random Forest, RF)、极端梯度提升(Extreme Gradient Boosting, XGBoost)模型预测的准确率，选择XGBoost模型进行风险等级及风险类型预测，通过自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)和长短期记忆网络(Long Short Term Memory, LSTM)模型对建设风险进行时序分析。结果表明，XGBoost模型相较于其他模型对风险等级预测的准确率最高，为0.82,对风险类型预测的准确率为0.74,具有较高的精确度。临边围蔽及设置警戒线、特种设备装置、电缆架空、气瓶保管等方面管理不到位对施工风险的影响较大，且临边围蔽及设置警戒线指标在管理指标的交互影响下与宏观风险等级呈负相关。LSTM...     

基于模糊DEMATEL-BN的管制单位动态风险评估

为研究管制单位风险的动态性，提高风险评估的准确性，预防风险事故的发生，提出基于毕达哥拉斯模糊、试验与评估实验室(Decision Making Trial and Evaluation Laboratory, DEMATEL)、贝叶斯网络(Bayesian Network, BN)和模糊损失率的管制单位动态风险评估模型。首先识别管制单位风险因素；其次应用毕达哥拉斯模糊和DEMATEL模型探究风险因素之间的相互关系；再次将因素间的相互关系映射到BN,构建管制单位风险演化过程；然后确定先验概率，并以前兆数据作为输入信息，推导计算管制单位的动态风险概率；最后利用模糊损失率量化风险后果，计算管制单位的动态风险评估值。以某管制单位为例，对构建的管制单位动态风险评估模型进行了实证研究。结果表明：特情处置预案不合理等高严重后果概率持续上升的风险因素是该管制单位的风险管控的重点；t₁～t₅时间段该管制单位的动态风险评估值从1.035×10^-2上升到1.106 3×10^-2。构建的管制单位动态风险评估模型克服了管制传...     

基于风险与成本的海洋溢油事故应急控制决策

为提高海洋溢油事故应急控制决策的科学性,降低海洋溢油事故所造成的海洋生态环境风险,提出一种基于风险与成本最优的海洋溢油事故应急控制决策方法,识别海洋原油泄漏事件升级过程中的主要变量与时序节点;采用贝叶斯网络构建海洋溢油事故演化模型,评估海洋溢油事故所产生的生态环境风险;在此基础上,引入海面溢油应急处置措施,并考虑不同溢油处置措施的执行成本与效果,构建海洋溢油事故应急控制决策的贝叶斯影响图模型,确定风险控制效果与成本最优的海面溢油事故应急控制策略。结果表明:同时采用海面燃烧和自然恢复方法是进行实际海面溢油处置的最佳方案,可降低海面溢油事故的致灾风险和控制成本。     

基于机器学习与SHAP的油气储运事故风险分析

为深入研究对油气储运事故风险产生显著影响的因素,并探究其发生的特征与规律,本文研究收集了627起油气储运事故数据,并运用这些数据进行了建模分析。研究选取了11个关键因素,包括事故场景、操作因素等,作为模型的输入特征,而事故风险程度则作为输出结果。在评估体系方面,本研究引入了一系列指标,如准确率、AUC等,以评价模型的性能表现。在模型比较方面,我们将LightGBM模型与XGBoost和RF三种模型进行了综合对比,结果显示LightGBM模型表现出色,性能优异。此外,研究还利用SHAP方法对模型进行了可视化分析,以探究各种因素对事故风险程度的影响。研究结果明确指出,事故风险程度受到多个因素的影响,其中最为关键的因素包括事故场景、员工操作、安全管理,以及二者之间的耦合影响。为减少重大事故风险的发生,本研究强调了两个关键方面：首先需着重关注各类事故场景的安全管理体系是否健全,以确保事故场景的安全性。其次需要确保员工具备熟练的职业技能和接受充分的安全培训,从而降低操作因素和安全知识匮乏对事故风险的影响。这些举措将有助于预防重大事故的发生。     

严重冲突场景下山区双车道公路货车跟驰风险预测

为预测严重冲突场景下山区双车道公路货车跟驰事故风险，基于视频轨迹数据、实测交通流数据、道路线形数据及交通事故数据，采用双变量冲突极值模型、轻量型梯度提升机，构建严重冲突场景下山区双车道公路货车跟驰事故风险实时预测(Truck Following Accident Risk Real-Time Prediction, TFARRP)模型，并利用耦合度模型分析变量耦合程度。研究显示：碰撞时间(Time to Collision)为5.418 s,后侵入时间(Post Encroachment Time)为0.512 s,这是严重冲突场景阈值；TFARRP模型准确率高达95.000%;平均车头时距(A_HD)、两车间距(T_CD)、货车平均速度(T_AS)、及货车横向偏移(T_LO)对TFARRP模型的重要度都超过了10%;当监测到A_HD<21.11 s、T_CD<35.00 m、T_AS<29.00 km/h或T_LO     

基于贝叶斯网的交通事故机理分析

针对道路交通事故的形成机理进行定性、定量研究,根据我国道路交通事故记录数据特征,应用贝叶斯网对事故发生概率进行定量分析.引入"驾驶员紧张度"和"道路线形合理度"两个隐节点,建立了事故分析的贝叶斯网多层隐类模型,采用最大似然估计方法确定了模型的边缘概率和条件概率.将贝叶斯网模型应用于国道104二级公路(K1310+000～K1330+000)的事故分析中,运用贝叶斯网分析软件包Netica对其历史事故记录数据进行分析.结果表明: 贝叶斯网不仅可以定量计算某种道路交通状态下的事故发生概率,而且可以找出影响事故概率的关键原因和最不利状态组合(事故概率最大时的道路交通状态).     

基于贝叶斯网络的地铁暴雨内涝风险预警模型及协同响应机制研究

为提升暴雨灾害发生后的风险预警能力,有效化解地铁内涝重大风险,建立基于贝叶斯网络的风险预警模型,分析提出协同预警响应需求。以暴雨导致城市地铁内涝事故为例,建立综合考虑暴雨及预警、地铁站系统结构、客流量、应急措施、事故后果的基于贝叶斯网络的风险预警模型,分析预警信息对事故后果的影响,进而提出风险预警协同响应机制建设需求。研究结果表明：风险预警对提升地铁暴雨内涝事故应急处置的及时性、精准性和协同性具有显著影响,能够有效减小事故后果。研究结果可为建立重大灾害风险预警方法和机制提供参考。     

基于FDHHFLTS-BN的海底管道泄漏失效风险定量分析

为预防海底油气管道泄漏失效事故,提出基于自由双层次犹豫模糊语言术语集(FDHHFLTS)和贝叶斯网络(BN)的FDHHFLTS-BN风险分析方法,用于分析海底油气管道泄漏失效事故概率及事故的关键风险因素。将故障树模型转换为BN结构,由专家根据FDHHFLTS评估基本事件发生可能性;采用最佳最差法(BWM)确定专家权重,结合相似性聚合方法(SAM)聚合专家意见;依据构建的BN模型,正向推理得到事故发生概率,反向推理得到后验概率,并进行敏感性分析。将该方法应用于实例分析,结果表明：分析段海底管道泄漏事故的概率值为P=6.20×10^-3;焊缝施工缺陷、材料施工缺陷和渔具作用等为事故发生的关键因素;与传统方法对比分析结果证明,所提方法在确定海底管道风险方面具有一定的优势。     

危化品道路运输事故风险因子影响关系研究

为研究危险化学品道路运输风险影响因素,探究其事故发生机理,本文在改进前人模型的基础上,首先,利用贝叶斯网络,对我国2017-2021年发生的1 348起危化品道路运输事故进行参数学习,得到改进的危化品道路运输风险预测模型;然后,用2022年1月发生的20起事故案例,进行情境模拟以验证该预测模型的有效性;最后,利用该模型对危化品道路运输事故风险因子之间的影响关系进行推理分析,结果表明：该模型预测结果准确率均达到70%以上,该模型有效;因果推理结果表明,驾驶员操作不当易造成侧翻事故,驾驶员疲劳驾驶更可能导致碰撞、侧翻事故,以及驾驶员操作不当是泄漏事故发生的主要原因;敏感性分析结果表明,影响驾驶员行为最主要的因素是天气,影响事故后果最主要的因素是物质类别。     

桥梁施工安全性评价的贝叶斯网络方法研究

为更好地控制桥梁施工的安全风险,开发一种基于贝叶斯网络理论的安全性评价方法。首先,构建风险因素、风险事件的贝叶斯网络关系模型;然后,引入连锁故障的事故链理论,以环节控制为核心,由影响传递、重要度、失效影响等指标组成环节关联性指标,通过K-means聚类分析选取关联性最大的下级节点,与上级节点组成环节,构成事故链,形成事故链集;最后,利用层次分析法(AHP)对各事故链评分排序,识别诱发风险事件的关键线路。用武汉某斜拉桥上部结构施工实例验证所提方法,结果表明,该工程项目应从强化安全意识、加强安全监管方面控制风险。