-
公开(公告)号:CN115017996B
公开(公告)日:2023-04-28
申请号:CN202210670920.9
申请日:2022-06-15
IPC分类号: G06F18/214 , G06F18/213 , A61B5/372 , A61B5/346 , A61B3/113
摘要: 本发明涉及一种基于多生理参数的脑力负荷预测方法和系统。所述方法包括下列步骤:S1.多模态生理数据数据处理及特征集构建;S2.基于熵判据的最优重要度特征子集选择;S3.基于支持向量回归的回归预测模型构建;S4.使用回归预测模型对高铁调度员进行脑力负荷监测。本发明采集操作者在应急场景处理过程中的多模态生理数据并加以处理,提出了一种基于熵判据的特征选择方法。结果表明,与原始特征集相比,本发明经过特征选择的数据集在SVR模型的回归预测中取得了更好的性能。
-
公开(公告)号:CN111667161B
公开(公告)日:2023-12-15
申请号:CN202010464046.4
申请日:2020-05-27
IPC分类号: G06Q10/0639 , G06F17/16 , G06Q50/30
摘要: 本发明实施例提供一种高速铁路运营安全指数的确定方法,该方法包括:基于移动装备健康指数、工务安全指数、供电故障指数、电务安全指数和各指数之间的权重比例,确定高速铁路运营安全指数;各指数之间的权重比例确定是:基于各指数对应的事故占比两两之间的大小关系,建立判断矩阵F;若F通过一致性检验,基于F确定各指数之间的层次分析权重;基于各指数对应指标的N个样本,确定各指数对应指标的熵值,基于各指数对应指标的熵值,确定各指数之间的的信息熵权重;建立最小二乘优化法对各指数的层次分析权重和信息熵权重进行组合,确定上述指数之间的权重比例。本发明实施例提供的方法,实现了提高获取的高速铁路运营状况的安全指数
-
公开(公告)号:CN115017996A
公开(公告)日:2022-09-06
申请号:CN202210670920.9
申请日:2022-06-15
摘要: 本发明涉及一种基于多生理参数的脑力负荷预测方法和系统。所述方法包括下列步骤:S1.多模态生理数据数据处理及特征集构建;S2.基于熵判据的最优重要度特征子集选择;S3.基于支持向量回归的回归预测模型构建;S4.使用回归预测模型对高铁调度员进行脑力负荷监测。本发明采集操作者在应急场景处理过程中的多模态生理数据并加以处理,提出了一种基于熵判据的特征选择方法。结果表明,与原始特征集相比,本发明经过特征选择的数据集在SVR模型的回归预测中取得了更好的性能。
-
公开(公告)号:CN111598482A
公开(公告)日:2020-08-28
申请号:CN202010455382.2
申请日:2020-05-26
摘要: 本发明公开了一种铁路运输安全评估方法、装置及计算机设备,该方法包括:获取目标运行路段在预设时间内的所有铁路事故的铁路事故信息,所述铁路事故信息包括:事故等级、伤亡人数、人员受害程度、事故责任和列车行走公里数;根据所述铁路事故信息确定铁路行车事故指数;根据所述铁路行车事故指数得到所述铁路运输安全的评估结果。本发明通过充分考虑铁路行车事故的数量、等级、人员伤亡及行车事故的责任判定等因素,对铁路行车事故的评估更加全面,进而对铁路运输安全的评估更全面,准确性更高。
-
公开(公告)号:CN111667161A
公开(公告)日:2020-09-15
申请号:CN202010464046.4
申请日:2020-05-27
摘要: 本发明实施例提供一种高速铁路运营安全指数的确定方法,该方法包括:基于移动装备健康指数、工务安全指数、供电故障指数、电务安全指数和各指数之间的权重比例,确定高速铁路运营安全指数;各指数之间的权重比例确定是:基于各指数对应的事故占比两两之间的大小关系,建立判断矩阵F;若F通过一致性检验,基于F确定各指数之间的层次分析权重;基于各指数对应指标的N个样本,确定各指数对应指标的熵值,基于各指数对应指标的熵值,确定各指数之间的的信息熵权重;建立最小二乘优化法对各指数的层次分析权重和信息熵权重进行组合,确定上述指数之间的权重比例。本发明实施例提供的方法,实现了提高获取的高速铁路运营状况的安全指数的准确性。
-
公开(公告)号:CN117196081A
公开(公告)日:2023-12-08
申请号:CN202210583649.5
申请日:2022-05-25
IPC分类号: G06Q10/04 , G06Q10/0635 , G06Q50/30
摘要: 本发明提供一种基于大数据的铁路安全风险预警方法及系统,该方法包括:将列车所在的铁路区间在预设历史时间段内的多类安全数据输入到机器学习模型中,获得所述机器学习模型输出所述铁路区间发生安全问题的概率;根据所述概率确定是否对所述铁路区间进行预警;其中,所述机器学习模型通过以铁路区间样本的多类安全数据为样本,以所述铁路区间样本实际发生安全问题的概率为标签进行训练得到。本发明实现对铁路安全风险进行智能自动分析,提高分析效率和准确性。
-
-
-
-
-