一种基于聚类的对铁路突发事件进行分级的方法技术

本发明专利技术提供了一种基于聚类的对铁路突发事件进行分级的方法。该方法包括：获取铁路突发事件分级指标，从铁路突发事件分级指标中提取铁路突发事件情景要素；构建基于k近邻与拐点优化的密度峰值聚类铁路事故分级算法IDPC

【技术实现步骤摘要】
一种基于聚类的对铁路突发事件进行分级的方法


[0001]本专利技术涉及铁路突发事件管理
，尤其涉及一种基于聚类的对铁路突发事件进行分级的方法。

技术介绍

[0002]近年来，随着铁路路网规模增大与铁路系统复杂性增加，铁路突发事件频发。铁路突发事件影响铁路的正常运营。铁路突发事件的发生、发展至结束是一个动态的过程。随着事故的发展和救援行动的展开，铁路突发事件的级别是动态变化的。如果决策者无法快速有效地识别事故的严重等级，在应急处置方案的选择和制定上，将缺乏针对性和科学性，甚至延误救援时机。因此，正确的事故分类决定了铁路突发事件应急响应的高效性。
[0003]现阶段，针对铁路突发事件的严重程度分级研究，在理论上已经有了一定的积累。但当前分级研究多是铁路突发事件的事后评估与静态评估，无法指导事故发展过程中的应急响应工作，应急救援工作无法随着事故等级发展而调整。此外，当前铁路突发事件的分级标准仅仅适用于铁路重大事故，对铁路日常突发事件的无标签事故指导意义不大。
[0004]因此，亟需一种适用于铁路日常事故的严重性分级方法。

技术实现思路

[0005]本专利技术的实施例提供了一种基于聚类的对铁路突发事件进行分级的方法，以有效地划分铁路日常事故的严重等级。
[0006]为了实现上述目的，本专利技术采取了如下技术方案。
[0007]一种基于聚类的对铁路突发事件进行分级的方法，包括：
[0008]获取铁路突发事件分级指标，从所述铁路突发事件分级指标中提取铁路突发事件情景要素；
[0009]构建基于k近邻与拐点优化的密度峰值聚类铁路事故分级算法IDPC
‑
KNN
‑
TP，将所述铁路突发事件情景要素输入到IDPC
‑
KNN
‑
TP算法中，得到铁路突发事件的分级结果信息。
[0010]优选地，所述的获取铁路突发事件分级指标，从所述铁路突发事件分级指标中提取铁路突发事件情景要素，包括：
[0011]将情景的理论融入到铁路突发事件分级指标选取中，从铁路突发事件分级指标中的事故的基本信息、事故的状态信息与应急响应信息三个维度提取铁路日常突发事件集的情景要素信息，事故基本信息是铁路突发事故的显性信息，事故状态信息是铁路突发事件演变时隐形信息，应急响应信息是人为干预情况；
[0012]设铁路突发事件情景要素为S
i，j
，其中i∈(1，n)为应急关键情景要素变量的个数，j∈(0，∞)为事故序列，表示的是第j个事故所对应的第i个关键情景要素信息；
[0013]将所述铁路突发事件情景要素的不同状态程度用不同的模拟值表达，规范化处理，作为最终选取的铁路突发事件情景要素及其取值。
[0014]优选地，参数化后的铁路突发事件情景要素及其取值包括：
[0015][0016]优选地，所述的将所述铁路突发事件情景要素输入到IDPC
‑
KNN
‑
TP算法中，得到铁路突发事件的分级结果信息，包括：
[0017]步骤S3
‑
1：将铁路日常突发事件集的情景要素信息S
1，j
，S
2，j
，S
3，j
…
S
n，j
输入到IDPC
‑
KNN
‑
TP算法中，通过基于k近邻优化的局部密度度量方法计算局部密度ρ
i
与距离δ
i
：
[0018]ρ
i
＝∑
j∈KNN(j)
exp(
‑
d
ij
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019]其中，d
ij
为数据点i和j之间的欧氏距离，KNN(i)为样本i的k近邻样本集合，数据点i表示分级样本中一个样本点，其由某铁路突发事件的情景要素序列集构成，定义如下：
[0020]KNN(i)＝{j|d(i，j)≤d(i，k
i
)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]定义距离δ
i
为：
[0022][0023]δ
i
是点i与局部密度大于它的点j的最小距离，对于局部密度ρ
i
最高的样本i，其距离δ
i
为：
[0024][0025]步骤S3
‑
2：引入簇类中心权值的概念，簇中心权值γ
i
的计算方法如下：
[0026]γ
i
＝ρ
i
×
δ
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0027]定义拐点为簇中心权值偏离原点的趋势变化最快的临界点，将簇中心权值γ
i
按照降序排列，计算过程如下；
[0028]计算簇中心权值变化趋势，用两点线段的斜率表征簇中心权值下降的趋势，即：
[0029][0030]其中表示在区间[i,i+m]中簇中心权值平均变化率，表征了在某一区间内γ的总体变化趋势；
[0031]计算簇中心权值的拐点，即簇中心权值下降趋势由急变缓的临界点；
[0032][0033]由式(6)可知，为[1,i]区间的平均变化率，为[i,i+1]区间的平均变化率，由式(7)可知，拐点为簇中心权值下降趋势变化最快的临界点，其最大值点为拐点，在一定范围内，取拐点及拐点之前的样本点i作为聚类中心点；
[0034]步骤S3
‑
3：分配类簇的非中心点，构造局部密度主干区域，从一个聚类中心点开始，依次遍历其k近邻样本，采用k近邻思想对剩余点进行样本分配，遍历所有未分配的样本，计算其k近邻属于不同类簇的数量，将k近邻的最大值所在聚类作为该样本所属聚类，遍历直到所有点被分配为止，得到铁路突发事件分级结果，通过铁路突发事件分级结果得到输入的事故情景要素集划分的级别数量、每个级别包含的事故样本和某一铁路突发事故对应的事故级别。
[0035]由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例提供的铁路日常突发事件的严重程度分级方法，通过提取铁路突发事件的情景要素信息作为分级指标，采用基于k近邻与拐点优化的密度峰值聚类分级算法求得事故的严重等级，能有效地划分铁路日常事故的严重等级。
[0036]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0037]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本专利技术实施例提供的一种基于聚类的对铁路突发事件进行分级的方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类的对铁路突发事件进行分级的方法，其特征在于，包括：获取铁路突发事件分级指标，从所述铁路突发事件分级指标中提取铁路突发事件情景要素；构建基于k近邻与拐点优化的密度峰值聚类铁路事故分级算法IDPC
‑
KNN
‑
TP，将所述铁路突发事件情景要素输入到IDPC
‑
KNN
‑
TP算法中，得到铁路突发事件的分级结果信息。2.根据权利要求1所述的方法，其特征在于，所述的获取铁路突发事件分级指标，从所述铁路突发事件分级指标中提取铁路突发事件情景要素，包括：将情景的理论融入到铁路突发事件分级指标选取中，从铁路突发事件分级指标中的事故的基本信息、事故的状态信息与应急响应信息三个维度提取铁路日常突发事件集的情景要素信息，事故基本信息是铁路突发事故的显性信息，事故状态信息是铁路突发事件演变时隐形信息，应急响应信息是人为干预情况；设铁路突发事件情景要素为S
i，j
，其中i∈(1，n)为应急关键情景要素变量的个数，j∈(0，∞)为事故序列，表示的是第j个事故所对应的第i个关键情景要素信息；将所述铁路突发事件情景要素的不同状态程度用不同的模拟值表达，规范化处理，作为最终选取的铁路突发事件情景要素及其取值。3.根据权利要求2所述的方法，其特征在于，参数化后的铁路突发事件情景要素及其取值包括：4.根据权利要求2或者3所述的方法，其特征在于，所述的将所述铁路突发事件情景要素输入到IDPC
‑
KNN
‑
TP算法中，得到铁路突发事件的分级结果信息，包括：步骤S3
‑
1：将铁路日常突发事件集的情景要素信息S
1，j
，S
2，j
，S
3，j
，
…
S
n，j
输入到IDPC
‑
KNN
‑
TP算法中，通过基于k近邻优化的局部密度度量方法计算局部密度ρ
i
与距离δ
i
：ρ
i
＝∑
j...

【专利技术属性】
技术研发人员：杨欣，史凌源，王洪伟，昌锡铭，吴建军，孙会君，高自友，尹浩东，屈云超，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：