技术领域
本发明属于物联网技术领域,具体涉及一种全链条物流风险因素识别预 测系统及方法。
背景技术
全链条物流风险是指在公共重大活动进行中,寄递、运输、交接三个环 节中未来一定时期内,可能出现的由于人、车、货及环境等各因素造成的人 员伤亡或者财产损失的风险。面对这些海量的基础采集数据,现有技术缺乏 有效的多维、多源数据表达方法,无法为物流运输风险分析提供全面的数据 支撑;本发明从系统的角度进行着手,采用数据挖掘技术提出了一种全链条 物流风险因素识别预测系统及方法。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的就是提供一种全 链条物流风险因素识别预测系统,包括数据采集模块、风险等级统计分析模 块、预测模块、报警模块。
进一步地,所述数据采集模块包括全链条物流事故数据库建模和全链条 物流事故数据库构建;
进一步地,所述数据包括;
(1)司机
运输过程中,司机的因素很大程度决定了其风险等级。这其中,与司机 的性别、年龄、身体状况、驾龄、出车前一天是否饮酒、是否生病均有相关 性。因此,司机是运输环节必须考虑的风险因素之一。
(2)车辆
运输货车的车龄、事故次数、大修次数、年检情况均影响运输环节的安 全稳定性,因此将其考虑进运输环节的风险影响因素。
(3)环境
不利环境涉及的内容主要是不利于交通安全的天气条件、能见度及自然 灾害。天气条件对交通安全的影响,是通过对驾驶人和车辆的影响来体现的。 因此它对交通安全的风险作用是间接的。通常不利环境包括阴、雨、雪、雾、 大风、沙尘、冰雹、其他等不利天气和地震、洪水、泥石流、塌方、滑坡等 自然灾害。
(4)货物
货物的特性稳定与否影响运输环节的风险等级,有的货物禁压、禁撞、 禁磕碰,这些特性就对司机、车辆、道路等提出一系列要求,货物的易燃、 易爆等特点也是运输环节的极大风险。
进一步地,所述风险等级统计分析模块采用随机森林算法进行计算。
随机森林的构建通过以下两个方面:数据的随机性选取,以及待选特征 的随机选取。
(1)数据的随机选取
首先,从原始的数据集中采取有放回的抽样,构造子数据集,子数据集 的数据量是和原始数据集相同的。不同子数据集的元素可以重复,同一个子 数据集中的元素也可以重复。第二,利用子数据集来构建子决策树,将这个 数据放到每个子决策树中,每个子决策树输出一个结果。最后,如果有了新 的数据需要通过随机森林得到分类结果,就可以通过对子决策树的判断结果 的投票,得到随机森林的输出结果了。
(2)待选特征的随机选取
与数据集的随机选取类似,随机森林中的子树的每一个分裂过程并未用 到所有的待选特征,而是从所有的待选特征中随机选取一定的特征,之后再 在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都 能够彼此不同,提升系统的多样性,从而提升分类性能。
进一步地,所述预测模块根据风险等级统计分析模块的计算结果进行预 测。
本发明另一目的是提供一种全链条物流风险因素识别预测方法,其中所 述预测模块根据风险等级统计分析模块的计算结果进行计算,而后得到处理 结果,并将所述计算结果发送给报警模块进行预警。
进一步地,所述风险等级统计分析模块中物流过程单一的寄递、运输、 配送风险的生成机制及过程可以采用如下公式:
r
其中,r
本发明成功实现了全链条物流风险因素的识别和预测,提高了物流运输 的安全性和可靠性,降低了事故率。
附图说明
图1为本发明的全链条物流风险定义图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步详细说明。
实施例1:
参考附图1,在本实施例中,涉及一种全链条物流风险因素识别预测系统, 包括数据采集模块、风险等级统计分析模块、预测模块、报警模块。
进一步地,所述数据采集模块包括全链条物流事故数据库建模和全链条 物流事故数据库构建;
进一步地,所述数据包括;
(1)司机
运输过程中,司机的因素很大程度决定了其风险等级。这其中,与司机 的性别、年龄、身体状况、驾龄、出车前一天是否饮酒、是否生病均有相关 性。因此,司机是运输环节必须考虑的风险因素之一。
(2)车辆
运输货车的车龄、事故次数、大修次数、年检情况均影响运输环节的安 全稳定性,因此将其考虑进运输环节的风险影响因素。
(3)环境
不利环境涉及的内容主要是不利于交通安全的天气条件、能见度及自然 灾害。天气条件对交通安全的影响,是通过对驾驶人和车辆的影响来体现的。 因此它对交通安全的风险作用是间接的。通常不利环境包括阴、雨、雪、雾、 大风、沙尘、冰雹、其他等不利天气和地震、洪水、泥石流、塌方、滑坡等 自然灾害。
(4)货物
货物的特性稳定与否影响运输环节的风险等级,有的货物禁压、禁撞、 禁磕碰,这些特性就对司机、车辆、道路等提出一系列要求,货物的易燃、 易爆等特点也是运输环节的极大风险。
进一步地,所述风险等级统计分析模块采用随机森林算法进行计算。
随机森林的构建通过以下两个方面:数据的随机性选取,以及待选特征 的随机选取。
(1)数据的随机选取
首先,从原始的数据集中采取有放回的抽样,构造子数据集,子数据集 的数据量是和原始数据集相同的。不同子数据集的元素可以重复,同一个子 数据集中的元素也可以重复。第二,利用子数据集来构建子决策树,将这个 数据放到每个子决策树中,每个子决策树输出一个结果。最后,如果有了新 的数据需要通过随机森林得到分类结果,就可以通过对子决策树的判断结果 的投票,得到随机森林的输出结果了。
(2)待选特征的随机选取
与数据集的随机选取类似,随机森林中的子树的每一个分裂过程并未用 到所有的待选特征,而是从所有的待选特征中随机选取一定的特征,之后再 在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都 能够彼此不同,提升系统的多样性,从而提升分类性能。
进一步地,所述预测模块根据风险等级统计分析模块的计算结果进行预 测。
本发明另一目的是提供一种全链条物流风险因素识别预测系统,其中所 述预测模块根据风险等级统计分析模块的计算结果进行计算,而后得到处理 结果,并将所述计算结果发送给报警模块进行预警。
进一步地,所述风险等级统计分析模块中物流过程单一的寄递、运输、 配送风险的生成机制及过程可以采用如下公式:
r
其中,r
上述实施例并非对本发明的范围进行限定,在不脱离本发明设计构思的 前提下,本领域所属技术人员对本发明的技术方案作出的各种变形和改进, 均应纳入本发明的权利要求书确定的保护范围内。
机译: 物流容器需求预测系统,物流容器需求预测方法,物流容器需求预测程序以及记录有该介质的物流容器需求预测程序
机译: 物流集装箱需求预测系统,物流集装箱需求预测方法,物流集装箱需求预测程序,记录介质存储物流集装箱需求预测程序
机译: 疾病风险预测系统,疾病风险预测方法和疾病风险预测计划