基于大數(shù)據(jù)與機(jī)車畫像的貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警方法研究

常建和,姚志遠(yuǎn),付上源

(1.包神鐵路集團(tuán)機(jī)務(wù)分公司,陜西 神木 719300;2.安徽安為科技有限公司,安徽 合肥 230000)

鐵路調(diào)度指揮系統(tǒng)是一個(gè)由多個(gè)部門和學(xué)科組成的綜合管理體系,不僅包括安全監(jiān)控、綜合維修、旅客服務(wù),還包括移動(dòng)設(shè)備、運(yùn)輸組織等[1]。構(gòu)成調(diào)度指揮系統(tǒng)的各因素間存在著強(qiáng)烈的耦合關(guān)系,各因素間的細(xì)微差異都會(huì)影響系統(tǒng)的可靠性,輕則造成運(yùn)行不穩(wěn)定,運(yùn)輸組織秩序混亂,嚴(yán)重時(shí)會(huì)引發(fā)嚴(yán)重的交通事故[2]。在高速鐵路發(fā)展迅猛的今天,如果出現(xiàn)重大運(yùn)行事故,不但會(huì)對(duì)設(shè)備造成損害,旅客和工作人員的人身安全、財(cái)產(chǎn)安全也會(huì)受到威脅,還會(huì)對(duì)社會(huì)的穩(wěn)定和國(guó)家形象產(chǎn)生不利的影響[3]。因此,提高行車調(diào)度指揮系統(tǒng)的可靠性是非常必要的,必須結(jié)合調(diào)度指揮系統(tǒng)的可靠性理論,對(duì)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)進(jìn)行預(yù)警,達(dá)到及時(shí)控制貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的目的。

張錦等[4]從人-機(jī)-管-環(huán)的視角出發(fā),構(gòu)建了鐵路施工過(guò)程中的風(fēng)險(xiǎn)預(yù)警體系,根據(jù)風(fēng)險(xiǎn)預(yù)警的等級(jí)劃分原則,以可拓理論為基礎(chǔ),構(gòu)建了風(fēng)險(xiǎn)預(yù)警模型,采用層次分析和熵值法相結(jié)合的方法,確定了預(yù)警目標(biāo)與預(yù)警級(jí)別之間的相關(guān)性。以川藏鐵路工程為實(shí)例,對(duì)該模型進(jìn)行了應(yīng)用,結(jié)果顯示,該模型能夠?qū)Υú罔F路的風(fēng)險(xiǎn)進(jìn)行預(yù)警,但該方法的虛報(bào)率較高。韓忻辰等[5]考慮到傳統(tǒng)方法無(wú)法預(yù)測(cè)突發(fā)事件的發(fā)生時(shí)間,根據(jù)列車進(jìn)站和出站的時(shí)間,計(jì)算列車的延誤時(shí)間總和,以最小延誤時(shí)間為目標(biāo)函數(shù),構(gòu)建了列車調(diào)度模型,在交互環(huán)境下,利用Q-learning算法求解了調(diào)度模型,最后通過(guò)仿真試驗(yàn),驗(yàn)證了該模型在鐵路動(dòng)態(tài)調(diào)度中的實(shí)用性。但該方法考慮的風(fēng)險(xiǎn)模式較單一,導(dǎo)致虛報(bào)率及誤報(bào)率均較高。

基于以上研究背景,本文將大數(shù)據(jù)與機(jī)車畫像相結(jié)合,設(shè)計(jì)一種貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警方法,從而有效控制貨運(yùn)鐵路調(diào)度系統(tǒng)在運(yùn)行過(guò)程中的風(fēng)險(xiǎn)。

1 預(yù)警方法設(shè)計(jì)

1.1 鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù)聚類

考慮到貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)缺乏一定的規(guī)律性,需要對(duì)風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行聚類處理,及時(shí)控制鐵路調(diào)度的運(yùn)行風(fēng)險(xiǎn)。機(jī)車畫像是在大數(shù)據(jù)背景下產(chǎn)生的[6],利用貨運(yùn)機(jī)車的行為特征和屬性,將其抽象為一個(gè)標(biāo)簽化的模型,通過(guò)建立標(biāo)簽體系為貨運(yùn)機(jī)車賦予標(biāo)簽,以標(biāo)簽的形式描述貨運(yùn)鐵路調(diào)度運(yùn)行的真實(shí)狀態(tài)。

機(jī)車畫像利用貨運(yùn)機(jī)車使用、檢修、整備等各個(gè)方面的資料,根據(jù)其對(duì)應(yīng)的構(gòu)造,制成貨運(yùn)機(jī)車的畫像標(biāo)簽,標(biāo)準(zhǔn)化地表示貨運(yùn)機(jī)車的調(diào)度和運(yùn)行。

在鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)聚類處理之前,先建立貨運(yùn)機(jī)車標(biāo)簽與機(jī)車畫像的關(guān)系,見圖1。

圖1 貨運(yùn)機(jī)車標(biāo)簽與機(jī)車畫像的關(guān)系

根據(jù)建立貨運(yùn)機(jī)車標(biāo)簽與機(jī)車畫像的關(guān)系,利用大數(shù)據(jù)技術(shù)采集鐵路調(diào)度過(guò)程中產(chǎn)生、消除和替代的運(yùn)行數(shù)據(jù)[7],獲取調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù)標(biāo)簽,可表示為:

(1)

式中:Ri為第i個(gè)貨運(yùn)鐵路調(diào)度系統(tǒng)的風(fēng)險(xiǎn)指標(biāo);N為調(diào)度運(yùn)行風(fēng)險(xiǎn)的數(shù)量;Rop為風(fēng)險(xiǎn)數(shù)據(jù)標(biāo)簽,下標(biāo)o表示自定義屬性,p表示功能屬性。

數(shù)據(jù)聚類的方法有很多,當(dāng)無(wú)法獲取貨運(yùn)機(jī)車標(biāo)簽的類別劃分時(shí),利用機(jī)車畫像與機(jī)車標(biāo)簽的關(guān)系,可以得到貨運(yùn)機(jī)車調(diào)度運(yùn)行風(fēng)險(xiǎn)的標(biāo)簽。利用大數(shù)據(jù)技術(shù)挖掘貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù)[8],并對(duì)其進(jìn)行聚類處理,步驟如下:

Step1:對(duì)于包含m個(gè)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)樣本的數(shù)據(jù)集Ω={u1,u2,…,um},在數(shù)據(jù)集中選取H個(gè)風(fēng)險(xiǎn)樣本作為聚類處理的中心ei,那么貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的聚類類別為:

Q={q1,q2,…,qh}

(2)

Step2:在數(shù)據(jù)集Ω中,計(jì)算風(fēng)險(xiǎn)樣本數(shù)據(jù)ui與H個(gè)聚類處理中心ei之間的距離,并根據(jù)機(jī)車畫像對(duì)應(yīng)的標(biāo)簽類別,將該風(fēng)險(xiǎn)樣本劃分到最小距離的聚類中心所對(duì)應(yīng)的類別中。

Step3:當(dāng)所有風(fēng)險(xiǎn)樣本都完成遍歷之后,再一次計(jì)算每類風(fēng)險(xiǎn)樣本的聚類中心ei,表示為:

(3)

將式(3)計(jì)算的聚類中心作為貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)在下一次聚類中的類別中心點(diǎn)。

Step4:返回Step2,重新執(zhí)行Step2和Step3的操作,直到各個(gè)類別風(fēng)險(xiǎn)數(shù)據(jù)的聚類中心不再變化。

當(dāng)風(fēng)險(xiǎn)數(shù)據(jù)處于歐式空間時(shí),采用χ*作為風(fēng)險(xiǎn)數(shù)據(jù)聚類處理的目標(biāo)函數(shù),χ*的值越小,說(shuō)明聚類類別Qi中風(fēng)險(xiǎn)數(shù)據(jù)的一致性越高。要想使風(fēng)險(xiǎn)數(shù)據(jù)的聚類效果達(dá)到最優(yōu)[9],需要保證χ*的值足夠小,χ*值可以通過(guò)式(4)計(jì)算得到:

(4)

利用貨運(yùn)機(jī)車標(biāo)簽與機(jī)車畫像的關(guān)系,獲取貨運(yùn)鐵路調(diào)度運(yùn)行的風(fēng)險(xiǎn)數(shù)據(jù)標(biāo)簽,結(jié)合大數(shù)據(jù)技術(shù)挖掘貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù),通過(guò)計(jì)算每類風(fēng)險(xiǎn)數(shù)據(jù)的聚類中心,完成鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的聚類處理。

1.2 檢測(cè)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)

貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)經(jīng)過(guò)聚類處理之后,先提取貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的特征,提高貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)檢測(cè)的效率。貨運(yùn)鐵路調(diào)度系統(tǒng)在運(yùn)行過(guò)程中,受到多種因素的影響[10],會(huì)出現(xiàn)調(diào)度運(yùn)行風(fēng)險(xiǎn),對(duì)于風(fēng)險(xiǎn)程度較低、信噪比較高的調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù),通過(guò)量化處理,可以得到風(fēng)險(xiǎn)數(shù)據(jù)的量化形式:

La=φmin·σmax

(5)

式中:φmin為調(diào)度運(yùn)行風(fēng)險(xiǎn)的最小特征;σmax為風(fēng)險(xiǎn)數(shù)據(jù)的最大信噪比。

要想提取出風(fēng)險(xiǎn)數(shù)據(jù)的有效特征,需要利用大數(shù)據(jù)技術(shù)去除風(fēng)險(xiǎn)數(shù)據(jù)的冗余特征[11],根據(jù)風(fēng)險(xiǎn)發(fā)生的概率,預(yù)測(cè)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的分布特征,即:

(6)

式中:ψ為風(fēng)險(xiǎn)分布的加權(quán)值;ζi為風(fēng)險(xiǎn)發(fā)生的概率。

根據(jù)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的分布特征,對(duì)風(fēng)險(xiǎn)特征進(jìn)行挖掘,并分析風(fēng)險(xiǎn)數(shù)據(jù)的函數(shù)特征,表示為:

(7)

式中:U為風(fēng)險(xiǎn)數(shù)據(jù)的特征集合;Ki為支持度計(jì)算系數(shù)。

通過(guò)以上計(jì)算,挖掘貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的特征,根據(jù)風(fēng)險(xiǎn)數(shù)據(jù)的特征,對(duì)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)進(jìn)行檢測(cè),步驟如下:

Step1:對(duì)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的特征進(jìn)行歸一化處理[12]:

(8)

式中:yi為風(fēng)險(xiǎn)特征;ymin為最小特征值;ymax為最大特征值。

Step2:確定貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)等級(jí)。

Step3:引入激活函數(shù),計(jì)算風(fēng)險(xiǎn)數(shù)據(jù)在大數(shù)據(jù)分析中的輸出矩陣。

Step4:利用輸出矩陣,建立貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)檢測(cè)模型。

Step5:利用Step4的貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)檢測(cè)模型,檢測(cè)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)。

利用大數(shù)據(jù)技術(shù)去除風(fēng)險(xiǎn)數(shù)據(jù)的冗余特征,根據(jù)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的分布特征,挖掘貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的特征,并結(jié)合歸一化處理,檢測(cè)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)。

1.3 構(gòu)建貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警模型

根據(jù)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的檢測(cè)結(jié)果,對(duì)風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行篩查和采集,結(jié)合標(biāo)準(zhǔn)化處理[13],構(gòu)建風(fēng)險(xiǎn)預(yù)警模型,在貨運(yùn)鐵路調(diào)度系統(tǒng)I上,發(fā)生Ni次運(yùn)行風(fēng)險(xiǎn)的概率函數(shù)可以用泊松分布表示:

(9)

式中:χi為調(diào)度系統(tǒng)中設(shè)定運(yùn)行風(fēng)險(xiǎn)發(fā)生的估計(jì)值,該值可以描述成規(guī)定調(diào)度時(shí)間內(nèi)運(yùn)行風(fēng)險(xiǎn)發(fā)生概率的函數(shù)值,可利用式(10)表示:

χi=exp(ε0+ε1xi1+…+εkxik)

(10)

式中:ε0,ε1,…,εk為鐵路調(diào)度系統(tǒng)運(yùn)行的常數(shù)項(xiàng);xi1,…,xik為運(yùn)行風(fēng)險(xiǎn)的變化參數(shù)。

在貨運(yùn)鐵路調(diào)度系統(tǒng)I中,ξ為運(yùn)行風(fēng)險(xiǎn)變量,那么運(yùn)行風(fēng)險(xiǎn)頻率的伸縮系數(shù)可以通過(guò)式(11)計(jì)算:

(11)

式中:?ij為貨運(yùn)鐵路調(diào)度系統(tǒng)I中運(yùn)行風(fēng)險(xiǎn)變量ξ的取值。

根據(jù)運(yùn)行風(fēng)險(xiǎn)頻率的伸縮系數(shù)[14],在不同風(fēng)險(xiǎn)等級(jí)下,計(jì)算貨運(yùn)鐵路調(diào)度運(yùn)行的風(fēng)險(xiǎn)因子,表示為:

(12)

式中:J為風(fēng)險(xiǎn)等級(jí);λ*為運(yùn)行風(fēng)險(xiǎn)的高危系數(shù);tc為貨運(yùn)鐵路的調(diào)度時(shí)間。

利用貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)因子,給出風(fēng)險(xiǎn)的統(tǒng)計(jì)函數(shù):

(13)

式中:φ和β分別為風(fēng)險(xiǎn)預(yù)警的形態(tài)參數(shù)和標(biāo)準(zhǔn)參數(shù)。

根據(jù)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的統(tǒng)計(jì)情況[15],構(gòu)建貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警模型,表示為:

(14)

式中:Pa,b為貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的波動(dòng)情況;S*為風(fēng)險(xiǎn)等級(jí)。

貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警模型構(gòu)建完成之后,利用大數(shù)據(jù)技術(shù)檢驗(yàn)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警模型的擬合優(yōu)度,檢驗(yàn)結(jié)果與風(fēng)險(xiǎn)檢測(cè)結(jié)果的熵值越接近1,說(shuō)明模型的擬合優(yōu)度越高,即:

Q=-2[-log(Gh)]-log(Gs)

(15)

式中:log(Gh)為風(fēng)險(xiǎn)預(yù)警模型的對(duì)數(shù)似然函數(shù)值;log(Gs)為無(wú)效預(yù)警模型的對(duì)數(shù)似然函數(shù)值。

綜上所述,本文利用泊松分布定義了鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的概率函數(shù),根據(jù)運(yùn)行風(fēng)險(xiǎn)頻率的伸縮系數(shù),計(jì)算貨運(yùn)鐵路調(diào)度運(yùn)行的風(fēng)險(xiǎn)因子,基于運(yùn)行風(fēng)險(xiǎn)的統(tǒng)計(jì)情況,構(gòu)建貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警模型。

2 試驗(yàn)分析

2.1 試驗(yàn)數(shù)據(jù)來(lái)源

為了驗(yàn)證本文方法在貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警中的性能,以某貨運(yùn)鐵路調(diào)度系統(tǒng)為研究對(duì)象,進(jìn)行以下試驗(yàn)過(guò)程:

(1)數(shù)據(jù)收集

利用各種傳感器和監(jiān)測(cè)設(shè)備,對(duì)鐵路運(yùn)輸過(guò)程中的車輛、鐵路設(shè)施、天氣等相關(guān)數(shù)據(jù)進(jìn)行收集,生成運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù)庫(kù),作為試驗(yàn)樣本。在數(shù)據(jù)庫(kù)中,隨機(jī)抽取3 586份運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù),選擇其中的1 000份作為測(cè)試樣本,2 586份為訓(xùn)練樣本。將1 000份測(cè)試樣本劃分為10組,原始試驗(yàn)數(shù)據(jù)見表1。

表1 原始試驗(yàn)數(shù)據(jù)

(2)數(shù)據(jù)清洗

對(duì)收集到的數(shù)據(jù)進(jìn)行篩選、去重、異常值處理、缺失值填充等清洗工作[16],確保數(shù)據(jù)的準(zhǔn)確性和完整性。

(3)特征提取

分析和處理清洗后的數(shù)據(jù),提取其中的特征信息,如列車時(shí)刻表、運(yùn)行速度、載重情況等。

(4)數(shù)據(jù)更新

不同方法根據(jù)歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù),各自更新參數(shù)。

(5)風(fēng)險(xiǎn)評(píng)估

對(duì)當(dāng)前運(yùn)輸情況進(jìn)行評(píng)估,如風(fēng)險(xiǎn)避免、轉(zhuǎn)移、減輕、承擔(dān)等方案,得出風(fēng)險(xiǎn)等級(jí)。

(6)風(fēng)險(xiǎn)預(yù)警

根據(jù)風(fēng)險(xiǎn)等級(jí)和對(duì)應(yīng)的預(yù)警方案,對(duì)潛在風(fēng)險(xiǎn)進(jìn)行預(yù)警,如風(fēng)險(xiǎn)根本原因、風(fēng)險(xiǎn)因素、風(fēng)險(xiǎn)控制策略等,確定優(yōu)先解決的重點(diǎn)風(fēng)險(xiǎn),提示相關(guān)人員及時(shí)采取措施避免或減輕風(fēng)險(xiǎn)。

2.2 試驗(yàn)平臺(tái)

為了準(zhǔn)確對(duì)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)進(jìn)行預(yù)警,及時(shí)控制風(fēng)險(xiǎn)的發(fā)生,借助www.onlinedown.net測(cè)試平臺(tái),搭建的試驗(yàn)平臺(tái)見圖2。

將表1的試驗(yàn)數(shù)據(jù)導(dǎo)入上述試驗(yàn)平臺(tái),利用本文方法對(duì)不同風(fēng)險(xiǎn)模式下的貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)進(jìn)行預(yù)警。

2.3 風(fēng)險(xiǎn)預(yù)警

在對(duì)貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警之前,當(dāng)風(fēng)險(xiǎn)值超過(guò)0.5時(shí),風(fēng)險(xiǎn)數(shù)據(jù)的聚類效果達(dá)到最優(yōu),文中方法才能檢測(cè)到風(fēng)險(xiǎn)數(shù)據(jù)。由此,基于表1的10組樣本,利用本文方法檢測(cè)不同風(fēng)險(xiǎn)模式下的貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù),風(fēng)險(xiǎn)預(yù)警結(jié)果見圖3。

圖2 試驗(yàn)平臺(tái)

圖3 風(fēng)險(xiǎn)預(yù)警結(jié)果

根據(jù)圖3的結(jié)果可知,采用本文方法能夠檢測(cè)不同風(fēng)險(xiǎn)模式下的風(fēng)險(xiǎn)數(shù)據(jù),與實(shí)際值相比,差距較小即二者擬合度較高,表明對(duì)風(fēng)險(xiǎn)數(shù)據(jù)預(yù)警的準(zhǔn)確率更高。

2.4 性能對(duì)比

為了對(duì)幾種方法的性能進(jìn)行對(duì)比,引入文獻(xiàn)[4]中基于可拓理論的預(yù)警方法和文獻(xiàn)[5]中基于Q-learning的預(yù)警方法,測(cè)試貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的虛報(bào)率,結(jié)果見圖4。

圖4 貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的虛報(bào)率

從圖4的結(jié)果可以看出,采用基于可拓理論的預(yù)警方法和基于Q-learning的預(yù)警方法,貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的虛報(bào)率均在20%以上。采用本文方法時(shí),可以將風(fēng)險(xiǎn)預(yù)警的虛報(bào)率控制在5%以內(nèi),在3種方法中最低,說(shuō)明本文方法能夠降低貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)的虛報(bào)率。

圖5為貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的誤報(bào)率。從圖5可知,在貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的誤報(bào)率方面,本文方法可以控制在8%以內(nèi),基于Q-learning的預(yù)警方法誤報(bào)率為14%～20%,而基于可拓理論的預(yù)警方法,其誤報(bào)率超過(guò)了20%,由此說(shuō)明本文方法在貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的誤報(bào)率較低,在誤報(bào)率方面具有更好的性能。

圖5 貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警的誤報(bào)率

3 結(jié)論

本文將大數(shù)據(jù)與機(jī)車畫像應(yīng)用到貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警方法設(shè)計(jì)中,經(jīng)過(guò)試驗(yàn)測(cè)試發(fā)現(xiàn),該方法在貨運(yùn)鐵路調(diào)度運(yùn)行風(fēng)險(xiǎn)預(yù)警中,可以降低風(fēng)險(xiǎn)預(yù)警的虛報(bào)率和誤報(bào)率。但是本文的研究還存在很多不足,在今后的研究中,希望可以考慮到客運(yùn)鐵路調(diào)度運(yùn)行存在的風(fēng)險(xiǎn),從而保證客運(yùn)鐵路調(diào)度運(yùn)行的安全與穩(wěn)定。