文献类型：期刊文章

作　　者：樊梦琳[1,2] 郑伟[1,2]

FAN Menglin;ZHENGWei(National Research Center of Railway Safety Assessment,Beijing Jiaotong University,Beijing100044,China;Beijing Key Laboratory of Intelligent Traffic Data Security and Privacy Protection Technology,Beijing Jiaotong University,Beijing100044,China)

机构地区：[1]北京交通大学国家轨道交通安全评估研究中心,北京100044 [2]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,北京100044

出　　处：《中国安全科学学报》

年　　份：2019

卷　　号：29

期　　号：S1

起止页码：101-106

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

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。

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  

分 类 号：U298.5[物流管理与工程类]