铁路事故持续时长预测背景下的影响因素分析

论文摘要

为提高铁路事故持续时长预测能力及行车调度指挥水平,选取2006—2015年中国铁路事故报告数据为研究对象,根据事故持续时长特征,首先利用焦点损失（FL）和双向门控神经网络（BiGRU）的分类模型（FL-BiGRU）对事故直接致因进行分类;然后应用统计学方法最大信息系数进行相关性分析,得到与持续时长相关的前8个因素并选其作为预测指标;最后利用5种机器学习算法建立事故持续时长预测模型以验证相关性分析进行因子集筛选的合理性。结果表明:FL-BiGRU分类模型精确度达到94%;最大信息系数构建的预测指标体系能够显著提高预测模型的准确度,其中卡方检测决策树（CHAID）模型较其他模型预测性能最佳,准确度为79%;在实际工作中可用于辅助调度工作。

论文目录

• 0 引言
• 1 铁路事故直接致因分类
•   1.1 数据及变量
•   1.2 FL-BiGRU分类模型
•   1.3 结果分析
• 2 铁路事故时长影响因素分析
•   2.1 数据描述及处理
•   2.2 事故持续时长指标相关性分析
•   2.3 MIC结果分析
•   2.4 MIC预测指标选择与验证
• 3 结论

文章来源

类型: 期刊论文

作者: 樊梦琳,郑伟

关键词: 事故持续时长预测,铁路事故报告,焦点损失,双向门控循环单元,最大信息系数

来源: 中国安全科学学报 2019年S1期

年度: 2019

分类: 工程科技Ⅰ辑,工程科技Ⅱ辑

专业: 安全科学与灾害防治,铁路运输

单位: 北京交通大学国家轨道交通安全评估研究中心,北京交通大学智能交通数据安全与隐私保护技术北京市重点实验室

分类号: U298.5

DOI: 10.16265/j.cnki.issn1003-3033.2019.S1.019

页码: 101-106

总页数: 6

文件大小: 180K

下载量: 111