一种模糊不确定的可靠性分析方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种模糊不确定的可靠性分析方法、装置及存储介质，该模糊不确定的可靠性分析方法包括步骤：S1、采集目标区域的基础空间数据、业务时序数据及车辆轨迹空间数据；S2、将采集到的数据进行不确定分析处理，得到确定型数据和不确定型数据；S3、将不确定型数据进行可靠性分析处理，得到不同业务组合的应用决策模型；S4、构建误差传播累计估算模型，以校正数据分析处理过程中产生的误差；S5、设置所述应用决策模型的触发阈值，输出预警/处置/研判应用结果。本发明专利技术构建起一种可溯源数据模型，对工地车辆监测数据的本身及相关涉及的业务方进行关联，利用多目标对主要监测目标的影响以判断其系统数据的可靠性。响以判断其系统数据的可靠性。响以判断其系统数据的可靠性。

【技术实现步骤摘要】
一种模糊不确定的可靠性分析方法、装置及存储介质


[0001]本专利技术涉及离散型数据可靠性分析
，尤其是涉及一种模糊不确定的可靠性分析方法。

技术介绍

[0002]工地车辆在城市运营中发挥越来越重要的作用，对工地车辆的监管直接影响工程、营运的效率。
[0003]现有技术的缺点在于车辆的监测系统只针对单一的目标进行监测，采集的数据缺乏代表性。利用模拟法对系统的可靠性分析变现为周期短，误差大。单一数据的不确定判断困难，误差分析的不确定性造成在可靠性分析过程充满了很多的不稳定因素。

技术实现思路

[0004]本专利技术提出一种模糊不确定的可靠性分析方法、装置及存储介质，通过将单一监测目标扩展到多目标监测，并结合空间数据不确定理论、模糊建模理论以及误差传播累计理论，构建一种可溯源数据模型，在数值法的基础上，通过构建模糊模型，对工地车辆监测数据的本身及相关涉及的业务方进行关联，利用多目标对主要监测目标的影响用以判断其系统数据的可靠性。
[0005]一种模糊不确定的可靠性分析方法，包括以下步骤：S1、采集目标区域的基础空间数据、业务时序数据及车辆轨迹空间数据；S2、将所述基础空间数据、所述业务时序数据及所述车辆轨迹空间数据进行不确定分析处理，得到确定型数据和不确定型数据，所述不确定型数据包括随机型数据和模糊型数据；S3、将所述不确定型数据进行可靠性分析处理，得到不同业务组合的应用决策模型；S4、构建误差传播累计估算模型，以校正数据分析处理过程中产生的误差；S5、设置所述应用决策模型的触发阈值，输出应用结果。
[0006]进一步地，所述基础空间数据包括遥感影像图、交通矢量图及区域天气数据；所述业务时序数据包括企业、工地、监管机构及交通规则数据；所述车辆轨迹空间数据包括车辆GPS或GIS位置数据。
[0007]进一步地，步骤S2包括：S21、事件定义不确定分析；S22、事件属性定义不确定分析；S23、数据采集不确定分析；S24、数据处理
‑
分析
‑
存储不确定分析。
[0008]进一步地，步骤S3包括：S31、将所述不确定型数据进行无量纲化处理；S32、构建连续随机型模型处理所述随机型数据，输出的数据具有模糊性；S33、建立对应的模糊矩阵，对所述模糊型数据、经步骤S32处理后的所述随机型数据进行聚类分析，统计数据之间的相关性；S34、根据步骤S33得到的数据相关性，建立目标模糊综合评价指标模型，设置对应业务的权重系数，得到不同业务组合的应用决策模型。
[0009]进一步地，步骤S31所述的无量纲化处理方法包括min
‑
max归一化法、平均归一化法、非线性归一化法、范数归一化法、标准差/零均值标准化法。
[0010]进一步地，重复步骤S34得到多层级的目标模糊综合评价指标模型。
[0011]进一步地，在步骤S34之后添加后续不确定分析节点。
[0012]进一步地，所述应用决策模型包括预警、处置、研判。
[0013]一种模糊不确定的可靠性分析装置，包括：
[0014]数据采集模块，用于采集目标区域的基础空间数据、业务时序数据及车辆轨迹空间数据；空间不确定性过滤器，用于过滤所述基础空间数据、所述业务时序数据及所述车辆轨迹空间数据，分别得到确定型数据和不确定型数据；可靠性分析过滤器，用于处理所述不确定型数据，得到不同业务组合的应用决策模型；误差传播累计估算器，用于校正流程处理过程中的数据误差；结果输出模块，用于输出应用结果。
[0015]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方案所述的模糊不确定的可靠性分析步骤。
[0016]本专利技术的有益效果是：
[0017]本专利技术通过对目标区域的车辆、企业、交通运输、工地等多关联目标构建数据可溯源模型，利用模糊综合决策法对车辆关联业务建立起决策评估模型，对工地车辆监测数据的本身及相关涉及的业务方进行关联，利用多目标对主要监测目标的影响用以判断其系统数据的可靠性，基于本专利技术的可靠性分析方法具有较好的稳定性。
附图说明
[0018]图1是本专利技术其中一实施例的一种模糊不确定的可靠性分析方法流程示意图；
[0019]图2是本专利技术其中一实施例的一种模糊不确定的可靠性分析装置框图。
具体实施方式
[0020]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的优选实施方式。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反的，提供这些实施方式的目的是为了对本专利技术的公开内容理解得更加透彻全面。
[0021]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例，不是为了限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0022]请参阅图1，图1是本专利技术其中一实施例的一种模糊不确定的可靠性分析方法流程示意图，该方法包括以下步骤：
[0023]S1、采集目标区域的基础空间数据、业务时序数据及车辆轨迹空间数据；
[0024]其中，基础空间数据包括遥感影像图、交通矢量图及区域天气数据；业务时序数据包括企业、工地、监管机构及交通规则数据；车辆轨迹空间数据包括车辆GPS或GIS位置数据。
[0025]S2、将采集到的基础空间数据、业务时序数据及车辆轨迹空间数据输入不确定分析过滤器中进行处理，不确定分析流程如下：
[0026]S21、事件定义不确定分析，用于定义业务事件的确定、不确定属性；
[0027]S22、事件属性定义不确定分析，用于分析事件属性定义的确定和不确定类型；
[0028]S23、数据采集不确定分析，用于分析数据采集流程中存在的不确定因素；
[0029]S24、数据处理
‑
分析
‑
存储不确定分析，用于分析数据处理流程的不确定因素。
[0030]经步骤S21
‑
S24顺序流程不确定分析，得到三种类型数据：
[0031][0032]S3、将模糊型数据和随机型数据进行可靠性分析处理，步骤如下：
[0033]S31、将模糊型数据和随机型数据进行无量纲化处理，使得不同指标之间具有可比性；采用线性函数归一化法(Min
‑
Max Scaling)，对原始数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放，归一化公式如下：
[0034][0035]S32、构建连续随机型模型处理随机型数据；
[0036]S321、选择一个经过不确定分析过滤器分类和无量纲化处理的车辆监测数据x为一个样本空间Ω，函数ξ(ω)为样本空间Ω的随机变量，样本空间Ω的概率分布函数如下：
[0037]F(x)＝P(ξ(ω)＜x)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模糊不确定的可靠性分析方法，其特征在于，所述方法包括如下步骤：S1、采集目标区域的基础空间数据、业务时序数据及车辆轨迹空间数据；S2、将所述基础空间数据、所述业务时序数据及所述车辆轨迹空间数据进行不确定分析处理，得到确定型数据和不确定型数据，所述不确定型数据包括随机型数据和模糊型数据；S3、将所述不确定型数据进行可靠性分析处理，得到不同业务组合的应用决策模型；S4、构建误差传播累计估算模型，以校正数据分析处理过程中产生的误差；S5、设置所述应用决策模型的触发阈值，输出应用结果。2.根据权利要求1所述的一种模糊不确定的可靠性分析方法，其特征在于，所述基础空间数据包括遥感影像图、交通矢量图及区域天气数据；所述业务时序数据包括企业、工地、监管机构及交通规则数据；所述车辆轨迹空间数据包括车辆GPS或GIS位置数据。3.根据权利要求2所述的一种模糊不确定的可靠性分析方法，其特征在于，步骤S2包括：S21、事件定义不确定分析；S22、事件属性定义不确定分析；S23、数据采集不确定分析；S24、数据处理
‑
分析
‑
存储不确定分析。4.根据权利要求3所述的一种模糊不确定的可靠性分析方法，其特征在于，步骤S3包括：S31、将所述不确定型数据进行无量纲化处理；S32、构建连续随机型模型处理所述随机型数据，输出的数据具有模糊性；S33、建立对应的模糊矩阵，对所述模糊型数据、经步骤S32处理的所述随机...

【专利技术属性】
技术研发人员：郑能欢，
申请(专利权)人：深圳数研锦瀚智慧科技有限公司，
类型：发明
国别省市：