[發(fā)明專(zhuān)利]一種基于大數(shù)據(jù)的車(chē)務(wù)段安全信息分析與輔助決策預(yù)警系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110465051.1
• 申請(qǐng)日: 2021-04-28
• 公開(kāi)（公告）號(hào): CN113157744A
• 公開(kāi)（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 劉志鵬;廖家舟
• 申請(qǐng)（專(zhuān)利權(quán)）人: 成都理工大學(xué)
• 主分類(lèi)號(hào): G06F16/2455
• 分類(lèi)號(hào): G06F16/2455;G06F16/2458;G06F16/26;G06N3/04;G06N3/08;G06Q10/04;G06Q10/10
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于大數(shù)據(jù)的車(chē)務(wù)段安全信息分析與輔助決策預(yù)警系統(tǒng)，其特征在于，包括基礎(chǔ)數(shù)據(jù)管理模塊，統(tǒng)計(jì)分析及可視化模塊和輔助決策模塊。

所述的基礎(chǔ)數(shù)據(jù)管理模塊主要用于實(shí)時(shí)記錄和存儲(chǔ)各類(lèi)安全信息，并對(duì)安全信息做基礎(chǔ)的增刪改查等處理。

所述的統(tǒng)計(jì)分析及可視化模塊主要用于通過(guò)對(duì)實(shí)時(shí)數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行挖掘，對(duì)不同類(lèi)別的數(shù)據(jù)進(jìn)行篩選，形成可視化圖表，從而更直觀的反應(yīng)出當(dāng)前工作狀態(tài)中所存在的實(shí)際問(wèn)題與安全隱患。

所述的輔助決策模塊的預(yù)警模塊中對(duì)各車(chē)間、班組、個(gè)人做安全預(yù)警，并根據(jù)未來(lái)一周的天氣情況進(jìn)行輔助決策。在預(yù)測(cè)模塊中，利用深度學(xué)習(xí)模型對(duì)未來(lái)兩天進(jìn)行安全問(wèn)題的數(shù)量進(jìn)行預(yù)測(cè)，為后續(xù)工作重點(diǎn)確定方向。

所述的系統(tǒng)編程語(yǔ)言為Python，它是一種高效強(qiáng)大且廣泛使用的編程語(yǔ)言。基于這種語(yǔ)言的特點(diǎn)，它非常適合完成具有大數(shù)據(jù)處理、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法的任務(wù)。因此這也正是本項(xiàng)目采用python語(yǔ)言的重要原因之一。python也經(jīng)常被人們用來(lái)進(jìn)行處理系統(tǒng)管理的任務(wù)和對(duì)網(wǎng)絡(luò)系統(tǒng)的編寫(xiě)，所以本系統(tǒng)在python語(yǔ)言下編寫(xiě)。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于對(duì)不不同用戶(hù)角色的使用權(quán)限不同。由于本系統(tǒng)使用人群較為復(fù)雜，為保護(hù)數(shù)據(jù)安全需要區(qū)分使用角色權(quán)限，因此本系統(tǒng)大體分為前臺(tái)系統(tǒng)與后臺(tái)系統(tǒng)。并為不同等級(jí)的用戶(hù)賦予不同等級(jí)的權(quán)限，并由管理員統(tǒng)一對(duì)所有用戶(hù)進(jìn)行管理與權(quán)限劃分。

3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于統(tǒng)計(jì)分析及可視化模塊中對(duì)不同主體，不同維度，不同角度，不同變量之間的關(guān)系及可視化。其中指標(biāo)類(lèi)信息對(duì)不同的安全指標(biāo)進(jìn)行了獨(dú)立分析，反映了不同因素和指標(biāo)對(duì)于安全問(wèn)題影響程度，并進(jìn)行可視化。時(shí)間類(lèi)信息統(tǒng)計(jì)并繪制了安全信息數(shù)量的年度，季度，月度的同比與環(huán)比信息，這反映了在宏觀上的變化趨勢(shì)。在此基礎(chǔ)之上還對(duì)周、日、時(shí)進(jìn)行了統(tǒng)計(jì)，而這里反映了近期在某些細(xì)節(jié)上存在的問(wèn)題與隱患。主體類(lèi)信息統(tǒng)計(jì)分析了在車(chē)間/班組/個(gè)人的各個(gè)維度的安全信息。在同一維度當(dāng)中，對(duì)各個(gè)車(chē)間/班組/個(gè)人進(jìn)行精確統(tǒng)計(jì)，并在同一維度進(jìn)行可視化對(duì)比，將問(wèn)題落實(shí)在相應(yīng)主體上，更好的為后續(xù)工作畫(huà)出重點(diǎn)，并對(duì)該主體進(jìn)行重點(diǎn)盯控。綜合類(lèi)信息主要對(duì)整個(gè)單位的員工進(jìn)行人員基礎(chǔ)信息統(tǒng)計(jì)，如政治面貌、教育程度，人員來(lái)源等基礎(chǔ)信息。綜合類(lèi)信息反映了整個(gè)單位的員工結(jié)構(gòu)情況，為后續(xù)人力資源分配有很好的輔助作用。關(guān)鍵點(diǎn)類(lèi)信息將通過(guò)對(duì)人員動(dòng)態(tài)、關(guān)鍵作業(yè)環(huán)節(jié)、關(guān)鍵崗位、關(guān)鍵風(fēng)險(xiǎn)點(diǎn)等進(jìn)行分析，生成一個(gè)時(shí)期安全風(fēng)險(xiǎn)的動(dòng)態(tài)變化，并配有該個(gè)體的詳細(xì)安全信息，為各部門(mén)的考核提供重要的參考依據(jù)。

4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在輔助決策模塊中的天氣預(yù)警與主體預(yù)警。其中由于天氣狀況是影響安全生產(chǎn)與運(yùn)輸?shù)闹匾绊懸蛩兀虼藢?duì)于天氣狀況的預(yù)警必不可少。該模塊通過(guò)爬蟲(chóng)訪問(wèn)一個(gè)天氣預(yù)報(bào)的API，實(shí)時(shí)爬取不同地區(qū)的天氣預(yù)報(bào)。之后會(huì)將預(yù)報(bào)信息經(jīng)過(guò)系統(tǒng)數(shù)據(jù)處理，最終系統(tǒng)會(huì)自動(dòng)根據(jù)不同的天氣變化，溫度變化等變量提前進(jìn)行郵件預(yù)警，并給出建議的應(yīng)對(duì)措施。

5.根據(jù)權(quán)利要求3所述的系統(tǒng)，其特征在于對(duì)不不同主體的預(yù)警閾值。對(duì)于車(chē)間主體與班組主體而言，由于各個(gè)車(chē)間/班組的規(guī)模不同，人員組成結(jié)構(gòu)也不同，所以每個(gè)車(chē)間/班組都有其獨(dú)立的預(yù)警閾值，該閾值只有用戶(hù)等級(jí)最高的人才可以制定。當(dāng)超過(guò)預(yù)警閾值系統(tǒng)會(huì)自動(dòng)發(fā)送郵件至車(chē)間/班組負(fù)責(zé)人。對(duì)于個(gè)人主體而言，則統(tǒng)一使用一個(gè)預(yù)警閾值，若超過(guò)閾值，系統(tǒng)會(huì)自動(dòng)給個(gè)人發(fā)送郵件作為警示。本系統(tǒng)的預(yù)警等級(jí)根據(jù)實(shí)際需求分為普通預(yù)警與特殊預(yù)警。當(dāng)超過(guò)普通預(yù)警閾值時(shí)，說(shuō)明已經(jīng)出現(xiàn)的安全問(wèn)題已經(jīng)比較嚴(yán)重，而當(dāng)超過(guò)特殊預(yù)警時(shí)，說(shuō)明該主體出現(xiàn)的安全問(wèn)題已經(jīng)很?chē)?yán)重。實(shí)際工作當(dāng)中會(huì)根據(jù)不同的預(yù)警等級(jí)對(duì)不同主體進(jìn)行不同的應(yīng)急處置，并進(jìn)行相應(yīng)的日度和月度考核反饋。

6.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于所述輔助決策模塊的LSTM預(yù)測(cè)。在申請(qǐng)中的安全預(yù)警預(yù)測(cè)模塊中采用了一種堆疊式的LSTM結(jié)構(gòu)。堆疊式LSTM的隱藏層使模型更深入，附加的隱藏層被理解為重新組合來(lái)自先前層的學(xué)習(xí)表示，并在高抽象級(jí)別創(chuàng)建新表示。最后在數(shù)據(jù)集上進(jìn)行訓(xùn)練和評(píng)估。1、配置Anaconda版本為Anaconda3，python版本為3.6.5。Tensorflow版本tensorflow-gpu 1.14.0以及其他所需要的安裝包。2、對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作并作歸一化處理，該操作在裝有Anaconda環(huán)境的pycharm中運(yùn)行。3、在數(shù)據(jù)處理好后，對(duì)預(yù)處理過(guò)后的數(shù)據(jù)集使用LSTM算法進(jìn)行訓(xùn)練并進(jìn)行模型的建立。在本模型中共有4層，再經(jīng)過(guò)大量的測(cè)試與調(diào)整參數(shù)，最終每一層的架構(gòu)如表1所示。模型建立好后，將訓(xùn)練集與測(cè)試集導(dǎo)入進(jìn)行訓(xùn)練，預(yù)測(cè)模型參數(shù)如表2所示。通過(guò)評(píng)價(jià)指標(biāo)在測(cè)試集上對(duì)該模型進(jìn)行評(píng)價(jià)。優(yōu)化器選擇Adam算法優(yōu)化器進(jìn)行優(yōu)化。評(píng)價(jià)指標(biāo)采用MSE(Mean Square Error)。在訓(xùn)練時(shí)得到的loss值(訓(xùn)練集損失值)與val_loss(驗(yàn)證集損失值)的變化。

表1輸出模型各層參數(shù)情況

表2 LSTM訓(xùn)練模型參