亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析

        2020-11-30 07:50:22何世偉劉朝輝王沂棟王夢瑤毛偉文
        鐵道運(yùn)輸與經(jīng)濟(jì) 2020年11期
        關(guān)鍵詞:關(guān)聯(lián)規(guī)則鐵路

        許 未,何世偉,劉朝輝,王沂棟,王夢瑤,毛偉文

        (北京交通大學(xué) 交通運(yùn)輸學(xué)院,北京 100044)

        0 引言

        鐵路系統(tǒng)安全需要從人員、設(shè)備和復(fù)雜的內(nèi)外部環(huán)境等多方面進(jìn)行管控,當(dāng)前對(duì)事故的致因分析大多基于專家經(jīng)驗(yàn)構(gòu)建事故模型,主要有順序事故模型、傳染病事故模型和系統(tǒng)化事故模型等[1-2],分析結(jié)果的優(yōu)劣往往取決于模型及其假設(shè)與實(shí)際事故的符合情況。鐵路事故致因復(fù)雜且種類繁多,在系統(tǒng)結(jié)構(gòu)復(fù)雜性和非線性背景下,研究不同致因因素的重要程度和各致因因素間的內(nèi)在聯(lián)系并提出相應(yīng)的管控措施,對(duì)保障鐵路的運(yùn)營安全具有重要意義。

        利用關(guān)聯(lián)規(guī)則挖掘可以快速分析事物之間的強(qiáng)弱關(guān)系。楊劍紅[3]基于數(shù)據(jù)挖掘理論,利用Apriori算法在Weka平臺(tái)上挖掘道路交通事故數(shù)據(jù)間的聯(lián)系;楊余壘[4]將改進(jìn)的Apriori算法應(yīng)用到高血壓患者的體檢數(shù)據(jù)處理中,挖掘符合醫(yī)學(xué)規(guī)律的關(guān)聯(lián)規(guī)則,準(zhǔn)確判斷高血壓患者的心血管風(fēng)險(xiǎn)水平,為實(shí)現(xiàn)自動(dòng)化判診提供理論基礎(chǔ)。網(wǎng)絡(luò)化分析方法是探索復(fù)雜系統(tǒng)內(nèi)部特征的有效手段。王亞浩等[5]和曾俊偉等[6]基于復(fù)雜網(wǎng)絡(luò)理論分別構(gòu)建鐵路客運(yùn)復(fù)雜網(wǎng)絡(luò)模型和公共交通站點(diǎn)復(fù)雜網(wǎng)絡(luò)模型,通過分析相關(guān)拓?fù)鋮?shù)對(duì)網(wǎng)絡(luò)可靠性展開研究;Fan等[7]基于復(fù)雜網(wǎng)絡(luò)理論提出一種新型的有人機(jī)與無人機(jī)協(xié)同作戰(zhàn)網(wǎng)絡(luò)模型的構(gòu)建方法,并通過分析網(wǎng)絡(luò)拓?fù)鋮?shù)評(píng)估協(xié)同作戰(zhàn)效果。

        在既有研究的基礎(chǔ)上,結(jié)合關(guān)聯(lián)規(guī)則挖掘和復(fù)雜網(wǎng)絡(luò)理論,對(duì)大量鐵路事故調(diào)查報(bào)告進(jìn)行預(yù)處理,挖掘鐵路事故致因關(guān)聯(lián)規(guī)則并確定致因間的相互關(guān)系,基于關(guān)聯(lián)規(guī)則挖掘結(jié)果構(gòu)建鐵路事故致因網(wǎng)絡(luò)并分析網(wǎng)絡(luò)拓?fù)涮卣?,從而高效處理繁雜的鐵路事故數(shù)據(jù),挖掘事故發(fā)生的內(nèi)在機(jī)制和潛在規(guī)律,輔助鐵路安全監(jiān)管決策。

        1 基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析方法

        1.1 建立鐵路事故致因數(shù)據(jù)集

        基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析方法主要分為以下3個(gè)步驟:①數(shù)據(jù)預(yù)處理,確定鐵路事故致因因素,并通過文本提取建立鐵路事故致因數(shù)據(jù)集;②利用Apriori算法挖掘因素間的強(qiáng)關(guān)聯(lián)規(guī)則;③結(jié)合復(fù)雜網(wǎng)絡(luò)理論,構(gòu)建鐵路事故致因網(wǎng)絡(luò),并劃分網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)和計(jì)算網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)指標(biāo),得到網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)和節(jié)點(diǎn)間的相互關(guān)系。基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析過程如圖1所示。

        圖1 基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析過程Fig.1 Process of constructing and analyzing the railway accident causation network based on association rules

        鐵路事故調(diào)查報(bào)告詳細(xì)記錄了事故概況、事故過程、原因分析和所暴露的問題等對(duì)鐵路事故進(jìn)行分類,通過分析典型事故報(bào)告,從人、機(jī)、環(huán)、管4個(gè)方面確定鐵路事故致因因素?;趐ython語言利用正則表達(dá)式找到事故調(diào)查報(bào)告中的“原因分析”和“暴露問題”等段落,將致因因素拆解為相關(guān)的關(guān)鍵字,對(duì)重點(diǎn)段落的內(nèi)容進(jìn)行關(guān)鍵字抓取,從而得到每起事故的致因因素,建立鐵路事故致因數(shù)據(jù)集。

        1.2 挖掘鐵路事故致因關(guān)聯(lián)規(guī)則

        鐵路系統(tǒng)內(nèi)一個(gè)或多個(gè)因素的非正常狀態(tài)會(huì)對(duì)其相關(guān)聯(lián)的因素產(chǎn)生影響,影響逐步蔓延致使風(fēng)險(xiǎn)不斷積累與傳播,最終可能導(dǎo)致事故的發(fā)生。這個(gè)過程涉及到了眾多因素,部分因素間關(guān)系緊密且當(dāng)這些因素同時(shí)故障時(shí),很容易導(dǎo)致某種特定事故的發(fā)生,這就需要挖掘因素間的關(guān)聯(lián)關(guān)系。關(guān)聯(lián)規(guī)則挖掘會(huì)得到大量因素之間的關(guān)聯(lián),為接下來鐵路事故致因網(wǎng)絡(luò)的構(gòu)建和分析做準(zhǔn)備。

        記某起鐵路事故的事故類型及其全部致因因素的集合為一個(gè)事務(wù)T,D為鐵路事故致因數(shù)據(jù)集中所有事務(wù)的個(gè)數(shù),X表示一個(gè)非空項(xiàng)集,且X?T。關(guān)聯(lián)規(guī)則是形如X?Y的蘊(yùn)含式,表示項(xiàng)集X和項(xiàng)集Y間的關(guān)聯(lián)關(guān)系,其中X為關(guān)聯(lián)規(guī)則的前項(xiàng),Y為后項(xiàng),且X∩Y= ?。通常采用支持度(Support)和置信度(Confidence) 2個(gè)指標(biāo)作為關(guān)聯(lián)規(guī)則的衡量標(biāo)準(zhǔn),關(guān)聯(lián)規(guī)則的頻繁程度和強(qiáng)度分別可以表示為

        式中:Support(X?Y)為X?Y的支持度,滿足最小支持度閾值的關(guān)聯(lián)規(guī)則的項(xiàng)集又稱為頻繁項(xiàng)集;Confidence(X?Y)為X?Y的置信度;σ(X)為所有事務(wù)中包含項(xiàng)集X的個(gè)數(shù);σ({X,Y})為所有事務(wù)中同時(shí)包含項(xiàng)集X和Y的個(gè)數(shù)。

        由于通過支持度和置信度挖掘得到的關(guān)聯(lián)規(guī)則中,存在前后項(xiàng)呈負(fù)相關(guān)的情況,采用提升度(Lift)反映關(guān)聯(lián)規(guī)則中前項(xiàng)和后項(xiàng)之間的相關(guān)性,當(dāng)Lift(X?Y) > 1時(shí),X出現(xiàn)和Y出現(xiàn)是正相關(guān)的,即X出現(xiàn)促使Y出現(xiàn)。關(guān)聯(lián)規(guī)則的提升度可以表示為

        式中:Lift(X?Y)為X?Y的支持度;P(Y)為所有事務(wù)中包含項(xiàng)集Y的比例;P(Y|X)為所有事務(wù)包含項(xiàng)集X的同時(shí)包含項(xiàng)集Y的比例。

        Apriori算法是挖掘布爾關(guān)聯(lián)規(guī)則的經(jīng)典算法[8],該算法使用逐層搜索迭代的方式,通過低維頻繁項(xiàng)集產(chǎn)生高維頻繁項(xiàng)集,主要包括頻繁項(xiàng)集的產(chǎn)生和強(qiáng)關(guān)聯(lián)規(guī)則的生成2個(gè)階段??衫肁priori算法進(jìn)行鐵路事故致因關(guān)聯(lián)規(guī)則挖掘,算法主要流程如下。

        (1)設(shè)定最小支持度、最小置信度和最小提升度的閾值。

        (2)掃描鐵路事故致因數(shù)據(jù)集,產(chǎn)生候選1-項(xiàng)集的集合C1,并根據(jù)最小支持度閾值,由C1產(chǎn)生頻繁1-項(xiàng)集L1。

        (3)由L1自連接產(chǎn)生候選2-項(xiàng)集C2,得到滿足最小支持度閾值的頻繁2-項(xiàng)集L2。重復(fù)該過程,直到算法進(jìn)行到第k次循環(huán)并產(chǎn)生頻繁k-項(xiàng)集Lk后,無法進(jìn)一步產(chǎn)生Ck+1,由此獲得全部的頻繁項(xiàng)集。

        (4)根據(jù)最小置信度和提升度閾值,產(chǎn)生鐵路事故致因的強(qiáng)關(guān)聯(lián)規(guī)則。

        1.3 鐵路事故致因網(wǎng)絡(luò)分析

        1.3.1 鐵路事故致因網(wǎng)絡(luò)構(gòu)建

        在關(guān)聯(lián)規(guī)則挖掘過程中已經(jīng)過濾掉了較不重要的事故致因、事故類型及這些因素間的弱關(guān)聯(lián)關(guān)系,鐵路事故致因網(wǎng)絡(luò)的構(gòu)建分為3個(gè)步驟:①將所有強(qiáng)關(guān)聯(lián)規(guī)則的前項(xiàng)和后項(xiàng)表示為網(wǎng)絡(luò)中的節(jié)點(diǎn),根據(jù)項(xiàng)集的實(shí)際含義,可將節(jié)點(diǎn)劃分為人因?qū)?、設(shè)備層、環(huán)境層、管理層、事故類型層和組合層6種類型;②每條強(qiáng)關(guān)聯(lián)規(guī)則中,前項(xiàng)和后項(xiàng)間的關(guān)系表示為節(jié)點(diǎn)間的邊;③選擇關(guān)聯(lián)規(guī)則的提升度作為邊的權(quán)重,提升度>1的規(guī)則表示因素間正向相關(guān),值越大則相關(guān)性越大。

        1.3.2 網(wǎng)絡(luò)社團(tuán)劃分

        復(fù)雜網(wǎng)絡(luò)中的節(jié)點(diǎn)可以劃分為組,組內(nèi)節(jié)點(diǎn)之間的聯(lián)系更為緊密,而組間節(jié)點(diǎn)間的連接較為稀疏?;谀K度的Louvain算法是一種常用的社區(qū)檢測算法[9],該算法以最大化整個(gè)社區(qū)網(wǎng)絡(luò)的模塊度為目標(biāo),劃分效率較高。借助復(fù)雜網(wǎng)絡(luò)分析軟件進(jìn)行網(wǎng)絡(luò)社團(tuán)劃分。

        1.3.3 網(wǎng)絡(luò)拓?fù)涮卣?/p>

        復(fù)雜網(wǎng)絡(luò)呈現(xiàn)特定的拓?fù)涮卣?,表征著網(wǎng)絡(luò)的連通性、相互作用和動(dòng)態(tài)過程。通過分析鐵路事故致因網(wǎng)絡(luò)拓?fù)涮卣?,可挖掘網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)及節(jié)點(diǎn)間的相互關(guān)系,實(shí)現(xiàn)對(duì)大量鐵路事故數(shù)據(jù)的高效處理和分析。網(wǎng)絡(luò)拓?fù)涮卣飨嚓P(guān)統(tǒng)計(jì)指標(biāo)如下。

        (1)節(jié)點(diǎn)的度。節(jié)點(diǎn)的度指與該節(jié)點(diǎn)相鄰的所有節(jié)點(diǎn)的數(shù)目,節(jié)點(diǎn)的度越大,表示節(jié)點(diǎn)對(duì)周圍節(jié)點(diǎn)的影響力越大,一定程度上表征節(jié)點(diǎn)的重要性越大。

        (2)網(wǎng)絡(luò)直徑和平均路徑長度。2點(diǎn)間最短路上邊的數(shù)量為節(jié)點(diǎn)間的距離,網(wǎng)絡(luò)直徑指所有節(jié)點(diǎn)對(duì)間距離的最大值,網(wǎng)絡(luò)中任意2點(diǎn)間距離的平均值稱為平均路徑長度,表明網(wǎng)絡(luò)間節(jié)點(diǎn)的分離程度。

        (3)聚類系數(shù)。聚類系數(shù)指某觀察點(diǎn)的鄰點(diǎn)之間連線數(shù)占預(yù)期最大連線數(shù)量的比例,衡量該點(diǎn)將鄰點(diǎn)緊密聚集成團(tuán)的程度,較高的聚集系數(shù)意味著該觀察點(diǎn)的鄰點(diǎn)之間存在更高程度的交互關(guān)系。

        (4)節(jié)點(diǎn)緊密度。節(jié)點(diǎn)緊密度衡量一個(gè)節(jié)點(diǎn)通過網(wǎng)絡(luò)連接其他節(jié)點(diǎn)的能力,反映了網(wǎng)絡(luò)的整體通達(dá)性。相較于節(jié)點(diǎn)的度,這一指標(biāo)更具有全局性。

        2 案例分析

        以實(shí)際鐵路事故數(shù)據(jù)為例,搜集2016—2018年共2 618起鐵路事故調(diào)查報(bào)告,建立相應(yīng)的鐵路事故致因數(shù)據(jù)集和鐵路事故致因網(wǎng)絡(luò),挖掘關(guān)鍵致因和因素間的關(guān)聯(lián)特性。

        2.1 建立鐵路事故致因因素?cái)?shù)據(jù)集

        參考《鐵路交通事故調(diào)查處理規(guī)則》中對(duì)事故的分類方法,將主要鐵路事故分為列車碰撞或擠壓(A01)、列車火災(zāi)或爆炸(A02)、列車或車輛脫軌(A03)、列車延誤(A04)、列車錯(cuò)誤進(jìn)入?yún)^(qū)段或線路(A05)、未按規(guī)定接發(fā)列車(A06)、未按規(guī)定行車(A07)、列車分離(A08)、設(shè)備故障或損壞(A09)、未按規(guī)定作業(yè)(A10)10類。同時(shí)選取300份典型鐵路事故調(diào)查報(bào)告進(jìn)行分析,提取71個(gè)鐵路事故致因因素,建立鐵路事故致因因素集如表1所示。

        在表1基礎(chǔ)上對(duì)所有鐵路事故調(diào)查報(bào)告進(jìn)行文本提取,除去因調(diào)查報(bào)告本身格式問題等原因?qū)е伦ト∈〉?65起事故報(bào)告外,最終得到總計(jì)2 453起事故的致因因素,抓取成功率達(dá)93.70%。將抓取結(jié)果儲(chǔ)存在數(shù)據(jù)集中,部分鐵路事故致因數(shù)據(jù)集示例如表2所示。

        表1 鐵路事故致因因素集Tab.1 Set of railway accident causes

        表2 部分鐵路事故致因數(shù)據(jù)集示例Tab.2 Example of the data set of railway accident causes

        2.2 挖掘鐵路事故致因關(guān)聯(lián)規(guī)則

        設(shè)定最小支持度閾值為0.025,最小置信度閾值為0.1,最小提升度閾值為1,并將最大前項(xiàng)數(shù)設(shè)置為2。利用Apriori算法得到455條強(qiáng)關(guān)聯(lián)規(guī)則。其中,84.8%的關(guān)聯(lián)規(guī)則的支持度介于0.025 ~ 0.06之間,“{安全培訓(xùn)不到位(M02)}?{列車延誤(A04)}”的支持度最大,值為0.188;82.2%的關(guān)聯(lián)規(guī)則的置信度較為均勻地分布在0.1 ~0.6之間,之后隨著置信度的提升規(guī)則的數(shù)量逐漸減少,“{翻車作業(yè)操作不當(dāng)(H28),鋼軌狀態(tài)不良(Eq10)}?{列車或車輛脫軌(A03)}”的置信度最大,值為1;同時(shí)74.9%的關(guān)聯(lián)規(guī)則的提升度都介于1 ~ 2.25之間。強(qiáng)關(guān)聯(lián)規(guī)則體現(xiàn)了鐵路系統(tǒng)內(nèi)較為重要的因素及因素間緊密的聯(lián)系,給鐵路系統(tǒng)的安全帶來了隱患。455條關(guān)聯(lián)規(guī)則的支持度、置信度和提升度散點(diǎn)圖如圖2所示,提升度排名前5的關(guān)聯(lián)規(guī)則如表3所示。

        2.3 鐵路事故致因網(wǎng)絡(luò)分析

        2.3.1 鐵路事故致因網(wǎng)絡(luò)構(gòu)建

        圖2 455條關(guān)聯(lián)規(guī)則的支持度、置信度和提升度散點(diǎn)圖Fig.2 Support, confidence and lift of 455 association rules

        基于強(qiáng)關(guān)聯(lián)規(guī)則可以確定118個(gè)節(jié)點(diǎn)及它們間的相互關(guān)系,構(gòu)建鐵路事故致因網(wǎng)絡(luò)如圖3所示。該網(wǎng)絡(luò)共包含118個(gè)節(jié)點(diǎn)和334條邊,其中包含16個(gè)人因?qū)庸?jié)點(diǎn)、12個(gè)設(shè)備層節(jié)點(diǎn)、2個(gè)環(huán)境層節(jié)點(diǎn)、5個(gè)管理層節(jié)點(diǎn)、79個(gè)組合層節(jié)點(diǎn)和4個(gè)事故類型節(jié)點(diǎn)。邊的權(quán)重為相應(yīng)規(guī)則提升度的大小,在圖3上表示為邊的厚度。

        表3 提升度排名前5的關(guān)聯(lián)規(guī)則Tab.3 Top 5 association rules by lift

        圖3 鐵路事故致因網(wǎng)絡(luò)Fig.3 Railway accident causation network

        對(duì)除事故類型節(jié)點(diǎn)外的各層節(jié)點(diǎn)進(jìn)行合并精簡后,得到精簡化鐵路事故致因網(wǎng)絡(luò)如圖4所示,合并后邊的權(quán)重即為原網(wǎng)絡(luò)各邊的權(quán)重之和。由圖4可以看出,組合層、人因?qū)雍驮O(shè)備層節(jié)點(diǎn)處于重要地位,與其他節(jié)點(diǎn)關(guān)系更為緊密,而環(huán)境層節(jié)點(diǎn)僅與A04產(chǎn)生了關(guān)聯(lián)。4個(gè)事故類型節(jié)點(diǎn)中,A01和A04與各層致因節(jié)點(diǎn)連接頻繁,而A09僅與設(shè)備層節(jié)點(diǎn)產(chǎn)生了關(guān)聯(lián),說明A09類型事故的發(fā)生主要受設(shè)備層致因因素的影響。

        圖4 精簡化鐵路事故致因網(wǎng)絡(luò)Fig.4 Simplified railway accident causation network

        2.3.2 社團(tuán)劃分

        借助復(fù)雜網(wǎng)絡(luò)分析軟件Pajek中的社區(qū)檢測功能對(duì)鐵路事故致因網(wǎng)絡(luò)進(jìn)行分析,得到社團(tuán)劃分結(jié)果如表4所示。該網(wǎng)絡(luò)有較明顯的社團(tuán)結(jié)構(gòu),各社團(tuán)內(nèi)部的節(jié)點(diǎn)聯(lián)系更為緊密,更容易相互觸發(fā),從而導(dǎo)致事故的發(fā)生。同時(shí)可以看出各社團(tuán)中節(jié)點(diǎn)類別不單一,且除社團(tuán)7外均包含人因?qū)庸?jié)點(diǎn),但環(huán)境層節(jié)點(diǎn)出現(xiàn)比例較小,為非必需因素,因而鐵路運(yùn)輸系統(tǒng)內(nèi)部因素應(yīng)為防控重點(diǎn)。

        2.3.3 網(wǎng)絡(luò)拓?fù)涮卣鞣治?/p>

        (1)節(jié)點(diǎn)的度。鐵路事故致因網(wǎng)絡(luò)的累計(jì)度分布服從y= 1.384 2×x-0.990(R2= 0.968)的冪律分布,節(jié)點(diǎn)的平均度為5.7,低于平均度的節(jié)點(diǎn)比例高達(dá)76.3%,少部分度較大的節(jié)點(diǎn)與大多數(shù)節(jié)點(diǎn)都有關(guān),是在安全管控中比較值得注意的因素。節(jié)點(diǎn)的度不低于10的節(jié)點(diǎn)如圖5所示。由圖5可知,M02,H04,Eq09是其所屬致因?qū)又卸茸畲蟮墓?jié)點(diǎn),A04為節(jié)點(diǎn)度最大的事故類型。這些度較大的節(jié)點(diǎn)散落在各個(gè)社團(tuán),也是各自所屬社團(tuán)中的重要節(jié)點(diǎn)。通過計(jì)算發(fā)現(xiàn)組合層節(jié)點(diǎn)的度普遍較低,這是由于特定因素組合對(duì)網(wǎng)絡(luò)中其他節(jié)點(diǎn)所產(chǎn)生的影響更為專一化,導(dǎo)致其僅與少數(shù)節(jié)點(diǎn)產(chǎn)生了關(guān)聯(lián)。這些度較大的節(jié)點(diǎn)如果得到有效控制和防護(hù),網(wǎng)絡(luò)將變得十分脆弱并且將分解為若干個(gè)小的子網(wǎng)絡(luò),從而使致因間的相互影響能力大幅降低,提高整個(gè)系統(tǒng)的安全性。

        表4 社團(tuán)劃分結(jié)果Tab.4 Results of community division

        圖5 節(jié)點(diǎn)的度不低于10的節(jié)點(diǎn)Fig.5 Nodes with degree not less than 10

        (2)網(wǎng)絡(luò)直徑與平均路徑長度。鐵路事故致因網(wǎng)絡(luò)的網(wǎng)絡(luò)直徑為5,平均路徑長度為2.634,意味著該網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)平均2.6步就可以與另外一個(gè)節(jié)點(diǎn)產(chǎn)生較強(qiáng)的關(guān)聯(lián)。不同類型節(jié)點(diǎn)與關(guān)鍵事故節(jié)點(diǎn)間的平均路徑長度如圖6所示。經(jīng)分析,可知人因?qū)印⒐芾韺雍驮O(shè)備層節(jié)點(diǎn)更易導(dǎo)致事故發(fā)生,且A04 (列車延誤)到各層節(jié)點(diǎn)的平均距離都較小,是最容易被觸發(fā)的事故類型。

        圖6 不同類型節(jié)點(diǎn)與關(guān)鍵事故類型節(jié)點(diǎn)間的平均路徑長度Fig.6 Average path length between different types of nodes and key accident nodes

        (3)聚類系數(shù)。鐵路事故致因網(wǎng)絡(luò)的平均聚類系數(shù)為0.644,節(jié)點(diǎn)聚集程度較高。當(dāng)某些聚類系數(shù)較低的單因素組合發(fā)生時(shí),其聚類系數(shù)會(huì)迅速增大,如M07和H04,因而組合層節(jié)點(diǎn)普遍聚類系數(shù)較高,除組合層節(jié)點(diǎn)外聚類系數(shù)大于0.5的節(jié)點(diǎn)如圖7所示。這些聚類系數(shù)較大的節(jié)點(diǎn)一旦發(fā)生異常,很容易導(dǎo)致其鄰居節(jié)點(diǎn)狀態(tài)的改變,從而引起網(wǎng)絡(luò)的連鎖反應(yīng)并導(dǎo)致事故的發(fā)生。

        圖7 除組合層節(jié)點(diǎn)外聚類系數(shù)大于0.5的節(jié)點(diǎn)Fig.7 Nodes with clustering coefficient larger than 0.5 besides combination layer

        (4)節(jié)點(diǎn)緊密度。鐵路事故致因網(wǎng)絡(luò)的平均節(jié)點(diǎn)緊密度為0.389,緊密度排名前20的節(jié)點(diǎn)如圖8所示。發(fā)現(xiàn)管理層節(jié)點(diǎn)緊密度普遍較高,除A04外,緊密度排名前3的節(jié)點(diǎn)分別為M02,M07,M04,這也間接說明管理層節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)中其他節(jié)點(diǎn)間接施加影響的能力更大,往往是鐵路事故發(fā)生的根源所在。

        綜上所述,鐵路事故致因網(wǎng)絡(luò)的拓?fù)涮卣骺偨Y(jié)如下。①網(wǎng)絡(luò)存在著核心節(jié)點(diǎn)。列車延誤、列車或車輛脫軌等為關(guān)鍵事故類型節(jié)點(diǎn),更容易被其他節(jié)點(diǎn)間復(fù)雜的耦合關(guān)系所觸發(fā),而安全培訓(xùn)不到位、安全檢查不到位和司機(jī)操作不當(dāng)?shù)裙?jié)點(diǎn)是防控關(guān)鍵事故類型時(shí)應(yīng)注意的關(guān)鍵致因因素。②網(wǎng)絡(luò)的節(jié)點(diǎn)平均聚類系數(shù)較高。聚類系數(shù)較大的節(jié)點(diǎn)狀態(tài)一旦發(fā)生改變,很容易大范圍觸發(fā)其關(guān)聯(lián)節(jié)點(diǎn)并造成網(wǎng)絡(luò)中的連鎖反應(yīng),從而導(dǎo)致事故的發(fā)生,如列車檢修或維護(hù)不到位、鋼軌或路基狀態(tài)不良和車鉤緩沖裝置故障等。③關(guān)聯(lián)規(guī)則呈較明顯的聚集特征。人因?qū)雍驮O(shè)備層節(jié)點(diǎn)與其他節(jié)點(diǎn)關(guān)系更為緊密,而管理層節(jié)點(diǎn)更容易對(duì)其他節(jié)點(diǎn)產(chǎn)生間接影響,如安全培訓(xùn)不到位和安全檢查不到位等。

        圖8 緊密度排名前20的節(jié)點(diǎn)Fig.8 Top 20 nodes ranking by tightness

        3 結(jié)束語

        鐵路事故致因繁多且種類復(fù)雜,構(gòu)建基于關(guān)聯(lián)規(guī)則挖掘結(jié)果的鐵路事故致因網(wǎng)絡(luò),并分析其網(wǎng)絡(luò)拓?fù)涮卣?,多角度直觀且深入地揭示鐵路事故致因關(guān)聯(lián)規(guī)則,挖掘鐵路事故的關(guān)鍵致因與因素間的內(nèi)在聯(lián)系,對(duì)高效、精準(zhǔn)地處理大量鐵路事故數(shù)據(jù)、提升鐵路運(yùn)輸系統(tǒng)安全性有重要意義。在鐵路安全監(jiān)管過程中,應(yīng)當(dāng)綜合考慮事故數(shù)量、事故嚴(yán)重程度等,建立基于鐵路事故致因網(wǎng)絡(luò)分析結(jié)果的分級(jí)監(jiān)管體系,明確各級(jí)監(jiān)管部門針對(duì)具體事項(xiàng)的管理辦法。另外,還應(yīng)結(jié)合復(fù)雜網(wǎng)絡(luò)動(dòng)力學(xué),深入研究風(fēng)險(xiǎn)在網(wǎng)絡(luò)中的動(dòng)態(tài)傳播過程和演化規(guī)律,為建立和完善鐵路安全動(dòng)態(tài)防控機(jī)制提供參考。

        猜你喜歡
        關(guān)聯(lián)規(guī)則鐵路
        撐竿跳規(guī)則的制定
        “苦”的關(guān)聯(lián)
        數(shù)獨(dú)的規(guī)則和演變
        沿著中老鐵路一路向南
        鐵路通信線路維護(hù)體制改革探索與實(shí)踐
        奇趣搭配
        讓規(guī)則不規(guī)則
        Coco薇(2017年11期)2018-01-03 20:59:57
        智趣
        讀者(2017年5期)2017-02-15 18:04:18
        TPP反腐敗規(guī)則對(duì)我國的啟示
        無人機(jī)在鐵路工程建設(shè)中的應(yīng)用與思考
        99精品欧美一区二区三区| sm免费人成虐漫画网站| 黑人老外3p爽粗大免费看视频| 中国丰满人妻videoshd| 亚洲精品国产综合一线久久| 国产成人精品视频网站| av在线天堂国产一区| 免费无码av一区二区三区| 精品推荐国产精品店| 色人阁第四色视频合集网| 国产在线91精品观看| 国产三级久久久精品麻豆三级| 伊人久久网国产伊人| 国产精品一区二区久久精品蜜臀| 国产桃色一区二区三区| 亚洲中文字幕久久精品无码喷水| 国产午夜久久久婷婷| 日本高清免费播放一区二区| 久久青青草原国产毛片| 午夜精品久久久久成人| 精品国产乱码一区二区三区在线| 日本一区二区三区在线视频播放| 国内少妇毛片视频| 丁香五月缴情综合网| 91久久精品一二三区蜜桃 | 公厕偷拍一区二区三区四区五区| 成 人免费va视频| 国产精品1区2区| 成人自拍三级在线观看| 亚洲av无码国产综合专区| 亚洲国产精品久久久久久久| 中文字幕一区二区三区97| 丝袜美腿av在线观看| 97成人碰碰久久人人超级碰oo| 亚洲激情人体艺术视频| 国产无卡视频在线观看| 国产乡下三级全黄三级| 国产一及毛片| 国产女主播福利一区二区| 夜夜高潮夜夜爽国产伦精品| 男女超爽视频免费播放|