一种基于人‑车‑路‑货多风险源的货运安全评价模型的制作方法

本发明专利涉及公路货物安全风险研究领域，尤其是在公路货物运输的风险源识别和货运安全评价方面。

背景技术：

近年来，随着国民经济和社会的快速发展，道路货运在综合运输体系中的地位日益增强。但与此同时，也为货运交通的安全运营及监管带来了巨大的挑战。因此，有必要借助于智能化、信息化和数字化等技术手段，围绕道路货运驾驶员、货运车辆、道路条件及车载货物四类安全风险源，研究安全风险评价关键技术，实现道路货物运输的动态风险识别。该关键技术研究符合平安交通的宏观要求，是提升道路货运安全水平与运输效率的内在需要。

货运安全风险监测及评价技术作为道路交通安全风险研究领域的热点之一，目前，针对道路交通安全风险的评估和评价的理论研究主要针对静态风险，没有考虑风险的系统动态性，导致其安全应急及预警响应较为滞后，应用受到一定的限制。本专利围绕驾驶人、车辆、道路及车载货物等各风险源，提出了一种基于人-车-路-货多风险源的货运安全评价模型，以实现对道路货运安全的异常状态动态监测，为道路货运安全提供技术支撑，进而提升道路货运运输服务安全水平。

技术实现要素：

本发明的目的在于提供一种基于人-车-路-货多风险源的货运安全评价模型，解决的问题是监测货物运输过程中的风险源因素，并对货运安全进行实时评价，以用于道路交通安全风险研究方面，特别是在公路货物运输的风险源识别和货运安全评价方面为公路货物运输工作提供智能化预警的技术支撑。

本发明采用的技术方案为：一种基于人-车-路-货多风险源的货运安全评价模型，包括以下步骤：

1)构建货运安全感知系统，获取驾驶人、车辆、道路(环境)和货物信息；

2)采用事故致因理论分析货运车辆事故致因因素，定义人、车、路和货四类风险源的属性集，并采用事故树分析方法对属性集进行分析和筛选；

3)根据筛选后的属性集，采用层次分析法构建货运安全风险指标体系，并确定驾驶人、车辆、路(环境)和货物信息各因素对于事故发生的权重；

4)依据建立的货运风险综合评价指标体系及各评价指标权重，采用模糊评价理论构建货运安全风险评价模型。

作为优选，所述步骤1)中，通过构建感知系统框架，进行货运安全信息识别以获取驾驶人、车辆、道路(环境)和货物信息。

货物运输系统是由人、车、路和货组成的复杂系统，本专利通过监测驾驶人、车、路和货四个方面的危险源，并进行危险源信息实时识别。

首先，分别将两个星光级视频传感器安装在驾驶室中驾驶人位置正上方和副驾驶室右上方，以实时采集驾驶人正视和侧视图像，并构建驾驶人检测模型，采用稀疏表征理论进行驾驶人姿态识别，获取驾驶人信息矩阵B₁′；其次，在车辆方面，将卫星定位终端集成在车体顶部以实时获取车辆瞬间速度、经度、纬度和高程等信息，并采用Wavelet小波变换对卫星定位终端信息的进行预处理，从而获取车辆状态信息矩阵B₂′；然后，在道路信息获取方面，采用视频传感器对货运交通环境进行信息采集，并采用Curvelet小波变换及支持向量机识别路面破损、跌落物品和道路障碍物等道路场景，获取道路环境信息矩阵B₃′；最后，在货物状态检测方面，在车辆内外前顶部固定由加速度计、风速传感器和温度传感器集成的一个单元部件，以实时获取货物的状态信息，采用神经网络对货物的温度、加速度和风速等信息进行融合，并采用核概率密度估计理论进行货物状态识别，获取货物状态信息矩阵B₄′。

作为优选，所述步骤2)中，采用事故致因理论分析货运车辆事故致因因素，定义人、车、路和货四类风险源的属性集，利用事故树分析方法对属性集进行分析和筛选。

在货运风险致因分析中，分别建立人的因素导致事故发生的事故树模型T₁、车辆因素导致事故发生的事故树模型T₂、道路因素导致事故发生的事故树模型T₃和货物因素导致事故发生的事故树模型T₄，事故树模型由顶事件和基本事件组成。设四类事故树模型T＝[T₁,T₂,T₃,T₄]分别由n个基本事件1、2…i…n组成，则每个基本事件都是可取两种数值的变量x_i，即

同样地,顶事件也有两种状态：

顶事件的状态中完全取决于基本事件的状态，则顶事件状态是这些基本事件状态的函数，即

φ＝φ(x) (3)

在建立事故树模型T之后,进行最小割集求解和概率重要度排序，并去除驾驶人、车辆、路(环境)和货物信息中对货运事故影响小的因素，从而获得对货运事故影响大的驾驶人因素矩阵[B₁₁,B₁₂,B₁₃,B₁₄,B₁₅,B₁₆,B₁₇]、车辆因素矩阵[B₂₁,B₂₂,B₂₃,B₂₄,B₂₅,B₂₆,B₂₇]、路(环境)因素矩阵[B₃₁,B₃₂,B₃₃]和货物因素矩阵[B₄₁,B₄₂,B₄₃,B₄₄,B₄₅]。

作为优选，所述步骤3)中，根据筛选后的属性集，采用层次分析法构建货运安全风险指标体系，并确定驾驶人、车辆、路(环境)和货物信息各因素对于事故发生的权重：

首先，采用层次分析法(AHP)构建的货物运输风险评价层次分析模型有目标层、准则层和指标层三层，目标层为货物运输安全风险综合评价，准则层包括驾驶人因素、车辆因素、道路因素和货物因素四部分，指标层是与各个影响因数相关的具体指标。

其次，采用专家评价法构造各级判断矩阵，确定目标层-准则层A-B_i(i＝1,2,3,4)、准则层-因素层B_i-B_ij(i＝1,2,3,4；j＝1,2…，7)的判断矩阵，并根据获得的判断矩阵求得矩阵相应的特征向量W＝(w₁,w₂,…,w_n)^T，将特征向量W归一化，即可得指标层权重值b_i(i＝1,2,3,4)和四类危险源的权重向量B＝(B₁,B₂,B₃,B₄)。

最后，计算判断矩阵的一致性比例系数CR，当CR＜0.10时，认为判断矩阵满足一致性条件的，否则对判断矩阵作适当修正。

作为优选，所述步骤4)中，依据建立的货运风险综合评价指标体系及各评价指标权重，采用模糊评价理论构建货运安全风险评价模型：

本专利根据获取的人、车、路和货四类危险源信息及权重矩阵采用模糊综合评价理论构建货运安全风险评价模型。

首先，根据公路货物运输安全风险的危险程度及风险水平将基于人-车-路-货多风险源的货运安全评价分为I级(非常严重)、Ⅱ级(严重)、Ⅲ级(一般)、IV级(较安全)和V级(安全)五个等级，并针对五种评价等级分别构造货运安全风险模糊评价隶属度函数(p＝1,2,3,4,5)；

其次，采用置信区间法确定因素评价等级域值，并根据风险指数评价法和检测指标值确定四类危险源的实时风险值R_i＝{R₁,R₂,R₃,R₄}和各子危险源的实时风险值R_ij(i＝1,2,3,4；j＝1,2…,7)。根据隶属函数确定每个评价指标分别对应的隶属度，并计算模糊关系矩阵，即各子危险源实时风险值对应五个模糊评价等级的隶属度(i＝1,2,3,4；j＝1,2…,7；p＝1,2,3,4,5)；

然后，分别对人、车、路和货四类子危险源进行一级模糊综合评价，即

$\stackrel{\‾}{C_i}=b_i\×{\mathrm{\μ}}_{{\mathrm{ijv}}_p},(i=1,2,3,4;j=1,2...,7;p=1,2,3,4,5)---\left(4\right)$

得到一级模糊综合评价结果矩阵

最后，以一级模糊综合评价结果矩阵μ做为二级模糊评价的评价矩阵，采用四类危险源的权重向量B对人、车、路和货四类危险源进行二级模糊综合评价，即

C＝B×μ (5)

根据获取的二级模糊综合评价结果矩阵C，构建基于人-车-路-货多风险源的货运安全评价模型，即

$F_p=\frac{C_P}{\underset{P=1}{\overset{5}{\Σ}}{C}_p},(p=1,2,3,4,5)---\left(6\right)$

由该模型可得货运安全实时风险被评为I级(非常严重)、Ⅱ级(严重)、Ⅲ级(一般)、IV级(较安全)和V级(安全)五个等级的概率，概率矩阵最大的即为货运安全评价的最终等级。

有益效果：本发明以一种基于人-车-路-货多风险源的货运安全评价模型，全面关注人、车、路(环境)和货四类风险源，采用事故树分析方法对定义的风险源属性集进行筛选，筛选后采用层次分析法建立货运安全风险指标体系，并基于模糊综合评价方法对货运安全进行实时、综合评价，可为公路货物运输安全工作提供智能化预警的技术支撑。

附图说明

图1为本发明人、车、路和货信息感知框架系统图；

图2为本发明初始风险指标体系图。

具体实施方式

下面结合附图和具体实施方案对本技术方案进一步说明：

一种基于人-车-路-货多风险源的货运安全评价模型，包括以下步骤：

第一步：构建基于人-车-路(环境)-货的货运安全信息感知系统，并进行驾驶人、车辆、道路(环境)和货物信息识别。所构建的信息感知系统框架如图1所示。

首先，分别将两个星光级视频传感器安装在驾驶室中驾驶人位置正上方和副驾驶室右上方，以实时采集驾驶人正视和侧视图像，并构建驾驶人检测模型，采用稀疏表征理论进行驾驶人姿态识别，获取驾驶人信息矩阵B₁′；其次，在车辆方面，将卫星定位终端集成在车体顶部以实时获取车辆瞬间速度、经度、纬度和高程等信息，并采用Wavelet小波变换对卫星定位终端信息的进行预处理，从而获取车辆状态信息矩阵B₂′；然后，在道路信息获取方面，采用视频传感器对货运交通环境进行信息采集，并采用Curvelet小波变换及支持向量机识别路面破损、跌落物品和道路障碍物等道路场景，获取道路环境信息矩阵B₃′；最后，在货物状态检测方面，在车辆内外前顶部固定由加速度计、风速传感器和温度传感器集成的一个单元部件，以实时获取货物的状态信息，采用神经网络对货物的温度、加速度和风速等信息进行融合，并采用核概率密度估计理论进行货物状态识别，获取货物状态信息矩阵B₄′。

第二步：采用事故致因理论分析货运车辆事故致因因素，定义人、车、路和货四类风险源的属性集，利用事故树分析方法对属性集进行分析和筛选。

首先，在货运风险致因分析中，分别建立人的因素导致事故发生的事故树模型T₁、车辆因素导致事故发生的事故树模型T₂、道路因素导致事故发生的事故树模型T₃和货物因素导致事故发生的事故树模型T₄，事故树模型由顶事件和基本事件组成；其次，在建立事故树模型T之后,进行最小割集求解和概率重要度排序；最后，去除驾驶人、车辆、路(环境)和货物信息中对货运事故影响小的因素，从而获得对货运事故影响大的驾驶人因素矩阵[B₁₁,B₁₂,B₁₃,B₁₄,B₁₅,B₁₆,B₁₇]、车辆因素矩阵[B₂₁,B₂₂,B₂₃,B₂₄,B₂₅,B₂₆,B₂₇]、路(环境)因素矩阵[B₃₁,B₃₂,B₃₃]和货物因素矩阵[B₄₁,B₄₂,B₄₃,B₄₄,B₄₅]。

第三步：根据筛选后的属性集，采用层次分析法构建货运安全风险指标体系，并确定驾驶人、车辆、路(环境)和货物信息各因素对于事故发生的权重。

首先，本专利采用层次分析法(AHP)构建的货物运输风险评价层次分析模型有目标层、准则层和指标层三层，具体如图2所示，目标层为货物运输安全风险综合评价，准则层包括驾驶人因素、车辆因素、道路因素和货物因素四部分，指标层是与各个影响因数相关的具体指标；其次，采用专家评价法构造各级判断矩阵，确定目标层-准则层A-B_i(i＝1,2,3,4)、准则层-因素层B_i-B_ij(i＝1,2,3,4；j＝1,2…，7)的判断矩阵，并根据获得的判断矩阵求得矩阵相应的特征向量W＝(w₁,w₂,…,w_n)^T，将特征向量W归一化，即可得指标层权重值b_i(i＝1,2,3,4)和四类危险源的权重向量B＝(B₁,B₂,B₃,B₄)；最后，计算判断矩阵的一致性比例系数CR，当CR＜0.10时，认为判断矩阵满足一致性条件的，否则对判断矩阵作适当修正。

第四步：依据建立的货运风险综合评价指标体系及各评价指标权重，采用模糊评价理论构建货运安全风险评价模型。

首先，根据公路货物运输安全风险的危险程度及风险水平将基于人-车-路-货多风险源的货运安全评价分为I级(非常严重)、Ⅱ级(严重)、Ⅲ级(一般)、IV级(较安全)和V级(安全)五个等级，并针对五种评价等级分别构造货运安全风险模糊评价隶属度函数(R)(p＝1,2,3,4,5)；其次，采用置信区间法确定因素评价等级域值，并根据风险指数评价法和检测指标值确定四类危险源的实时风险值R_i＝{R₁,R₂,R₃,R₄}和各子危险源的实时风险值R_ij(i＝1,2,3,4；j＝1,2…,7)。根据隶属函数确定每个评价指标分别对应的隶属度，得到模糊关系矩阵，即各子危险源实时风险值对应五个模糊评价等级的隶属度矩阵(i＝1,2,3,4；j＝1,2…,7；p＝1,2,3,4,5)；然后，分别对人、车、路和货四类子危险源进行一级模糊综合评价，得到一级模糊综合评价结果矩阵最后，以一级模糊综合评价结果矩阵μ做为二级模糊评价的评价矩阵，采用四类危险源的权重向量B对人、车、路和货四类危险源进行二级模糊综合评价获得二级模糊综合评价结果矩阵C，并构建基于人-车-路-货多风险源的货运安全评价模型，该模型可计算货运安全实时风险被评为I级(非常严重)、Ⅱ级(严重)、Ⅲ级(一般)、IV级(较安全)和V级(安全)五个等级的概率。

应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。