[发明专利]一种基于大数据的车务段安全信息分析与辅助决策预警系统

权利要求书

1.一种基于大数据的车务段安全信息分析与辅助决策预警系统，其特征在于，包括基础数据管理模块，统计分析及可视化模块和辅助决策模块。

所述的基础数据管理模块主要用于实时记录和存储各类安全信息，并对安全信息做基础的增删改查等处理。

所述的统计分析及可视化模块主要用于通过对实时数据库数据进行挖掘，对不同类别的数据进行筛选，形成可视化图表，从而更直观的反应出当前工作状态中所存在的实际问题与安全隐患。

所述的辅助决策模块的预警模块中对各车间、班组、个人做安全预警，并根据未来一周的天气情况进行辅助决策。在预测模块中，利用深度学习模型对未来两天进行安全问题的数量进行预测，为后续工作重点确定方向。

所述的系统编程语言为Python，它是一种高效强大且广泛使用的编程语言。基于这种语言的特点，它非常适合完成具有大数据处理、机器学习与深度学习算法的任务。因此这也正是本项目采用python语言的重要原因之一。python也经常被人们用来进行处理系统管理的任务和对网络系统的编写，所以本系统在python语言下编写。

2.根据权利要求1所述的系统，其特征在于对不不同用户角色的使用权限不同。由于本系统使用人群较为复杂，为保护数据安全需要区分使用角色权限，因此本系统大体分为前台系统与后台系统。并为不同等级的用户赋予不同等级的权限，并由管理员统一对所有用户进行管理与权限划分。

3.根据权利要求1所述的系统，其特征在于统计分析及可视化模块中对不同主体，不同维度，不同角度，不同变量之间的关系及可视化。其中指标类信息对不同的安全指标进行了独立分析，反映了不同因素和指标对于安全问题影响程度，并进行可视化。时间类信息统计并绘制了安全信息数量的年度，季度，月度的同比与环比信息，这反映了在宏观上的变化趋势。在此基础之上还对周、日、时进行了统计，而这里反映了近期在某些细节上存在的问题与隐患。主体类信息统计分析了在车间/班组/个人的各个维度的安全信息。在同一维度当中，对各个车间/班组/个人进行精确统计，并在同一维度进行可视化对比，将问题落实在相应主体上，更好的为后续工作画出重点，并对该主体进行重点盯控。综合类信息主要对整个单位的员工进行人员基础信息统计，如政治面貌、教育程度，人员来源等基础信息。综合类信息反映了整个单位的员工结构情况，为后续人力资源分配有很好的辅助作用。关键点类信息将通过对人员动态、关键作业环节、关键岗位、关键风险点等进行分析，生成一个时期安全风险的动态变化，并配有该个体的详细安全信息，为各部门的考核提供重要的参考依据。

4.根据权利要求1所述的系统，其特征在辅助决策模块中的天气预警与主体预警。其中由于天气状况是影响安全生产与运输的重要影响因素，因此对于天气状况的预警必不可少。该模块通过爬虫访问一个天气预报的API，实时爬取不同地区的天气预报。之后会将预报信息经过系统数据处理，最终系统会自动根据不同的天气变化，温度变化等变量提前进行邮件预警，并给出建议的应对措施。

5.根据权利要求3所述的系统，其特征在于对不不同主体的预警阈值。对于车间主体与班组主体而言，由于各个车间/班组的规模不同，人员组成结构也不同，所以每个车间/班组都有其独立的预警阈值，该阈值只有用户等级最高的人才可以制定。当超过预警阈值系统会自动发送邮件至车间/班组负责人。对于个人主体而言，则统一使用一个预警阈值，若超过阈值，系统会自动给个人发送邮件作为警示。本系统的预警等级根据实际需求分为普通预警与特殊预警。当超过普通预警阈值时，说明已经出现的安全问题已经比较严重，而当超过特殊预警时，说明该主体出现的安全问题已经很严重。实际工作当中会根据不同的预警等级对不同主体进行不同的应急处置，并进行相应的日度和月度考核反馈。

6.根据权利要求1所述的系统，其特征在于所述辅助决策模块的LSTM预测。在申请中的安全预警预测模块中采用了一种堆叠式的LSTM结构。堆叠式LSTM的隐藏层使模型更深入，附加的隐藏层被理解为重新组合来自先前层的学习表示，并在高抽象级别创建新表示。最后在数据集上进行训练和评估。1、配置Anaconda版本为Anaconda3，python版本为3.6.5。Tensorflow版本tensorflow-gpu 1.14.0以及其他所需要的安装包。2、对数据集进行预处理操作并作归一化处理，该操作在装有Anaconda环境的pycharm中运行。3、在数据处理好后，对预处理过后的数据集使用LSTM算法进行训练并进行模型的建立。在本模型中共有4层，再经过大量的测试与调整参数，最终每一层的架构如表1所示。模型建立好后，将训练集与测试集导入进行训练，预测模型参数如表2所示。通过评价指标在测试集上对该模型进行评价。优化器选择Adam算法优化器进行优化。评价指标采用MSE(Mean Square Error)。在训练时得到的loss值(训练集损失值)与val_loss(验证集损失值)的变化。

表1输出模型各层参数情况

表2 LSTM训练模型参