• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于文本挖掘的道路运输安全风险源辨识模型

罗文慧 蔡凤田 吴初娜 夏鸿文 孟兴凯

罗文慧, 蔡凤田, 吴初娜, 夏鸿文, 孟兴凯. 基于文本挖掘的道路运输安全风险源辨识模型[J]. 西南交通大学学报, 2021, 56(1): 147-152. doi: 10.3969/j.issn.0258-2724.20200140
引用本文: 罗文慧, 蔡凤田, 吴初娜, 夏鸿文, 孟兴凯. 基于文本挖掘的道路运输安全风险源辨识模型[J]. 西南交通大学学报, 2021, 56(1): 147-152. doi: 10.3969/j.issn.0258-2724.20200140
LUO Wenhui, CAI Fengtian, WU Chuna, XIA Hongwen, MENG Xingkai. Text-Mining Based Risk Source Identification Model for Transportation Safety[J]. Journal of Southwest Jiaotong University, 2021, 56(1): 147-152. doi: 10.3969/j.issn.0258-2724.20200140
Citation: LUO Wenhui, CAI Fengtian, WU Chuna, XIA Hongwen, MENG Xingkai. Text-Mining Based Risk Source Identification Model for Transportation Safety[J]. Journal of Southwest Jiaotong University, 2021, 56(1): 147-152. doi: 10.3969/j.issn.0258-2724.20200140

基于文本挖掘的道路运输安全风险源辨识模型

doi: 10.3969/j.issn.0258-2724.20200140
基金项目: 交通运输部交通运输行业重点科技项目(2018-C0004)
详细信息
    作者简介:

    罗文慧(1983—),女,博士,研究方向为道路运输安全风险防控技术,E-mail:wh.luo@rion.cn

    通讯作者:

    蔡凤田(1963—),男,研究员,研究方向为道路运输安全风险防控技术,E-mail:ft.cai@rioh.cn

  • 中图分类号: U491.14

Text-Mining Based Risk Source Identification Model for Transportation Safety

  • 摘要: 为了解决当前道路运输安全风险源辨识工作中数据短缺和人员工作量较大的问题,从文本挖掘的角度出发,提出一种能够自动辨识道路运输过程中安全风险源的模型. 该模型首先对道路运输文本进行因果句提取,并对因果句进行分词操作,实现安全风险源特征的增强;其次,进行适应卷积神经网络(convolutional neural networks,CNN)输入的、包含词信息和位置信息的特征构造;然后,将特征构造的结果输入到CNN实现安全风险源的辨识;最后,利用道路交通事故报告进行实验. 实验结果表明:提出的辨识模型能辨识大部分的道路运输安全风险源因素,准确率约为77.321%.

     

  • 图 1  风险源辨识步骤示意

    Figure 1.  Schematic diagram of risk-source identification process

    图 2  因果句预先处理流程

    Figure 2.  Preprocessing process of causality sentences

    图 3  基于CNN的安全风险源辨识模型

    Figure 3.  Risk-source identification model base on CNN

    图 4  安全风险源辨识模型多分类ROC曲线评估

    Figure 4.  Multi-class ROC curves of risk-source identity model

    表  1  因果提示词清单列举

    Table  1.   Causality cue words

    事故报告现代汉语语料库
      致使、导致、造成、是、加剧了、与、致、继、后、再次、接着、以致、发生   导致、产生、造成、造就、酿成、引发、引起、引来、引致、诱发、致使、滋生、归于、带来、触发、致死、致残、波及、关系到、牵动、渗入、渗透、影响、推动、推进、出于、出自、引导、引入、诱导、指引、诱惑、使得、······
    下载: 导出CSV

    表  2  因果句子结构列举

    Table  2.   Causality sentence structures

    由因到果由果到因分开式
    [因] <提示词> [果][果] <提示词> [因]<提示词> [因],<提示词> [果]
    [因][因] …… <提示词> [果][果][果] <提示词> [因]<提示词> [果],<提示词> [因]
    [因] <提示词> [果][果]……[果] <提示词> [因][因] …………
    下载: 导出CSV

    表  3  因果句子标注列举

    Table  3.   Causality sentence annotations

    句子风险源辨识因果词汇标注
      事故车辆驾驶人王某行经事故地点时超速行驶、 疲劳驾驶,致使车辆向道路右侧偏离,正面冲撞秦岭1号隧道洞口端墙   超速行驶:1; 疲劳驾驶:2; 车辆向道路右侧偏离:11; 冲撞隧道洞口端墙:12
      驾驶人曾某疲劳驾车上路、超载、超速,因疲劳过度车辆失去控制,与对向摩托车相撞   疲劳驾车:1; 超载:2; 超速:3; 车辆失去控制:11; 与对向摩托车相撞:12
    下载: 导出CSV

    表  4  参数设置

    Table  4.   Parameters setting

    参数名称参数名称
    词向量维度 144 卷积层数/层 2
    卷积核大小 3 × 3 下采样层/层 2
    过滤器数量/个 32 Word2vec词向量维度 129
    初始学习率 0.001 Softmax输出维度 13
    批处理大小/个 500 数据迭代数/次 96
    丢弃率/% 0.5
    下载: 导出CSV

    表  5  准确率、召回率以及准确率和召回率的调和平均值

    Table  5.   Tested results of precision,recall,and their F-score values %

    类别PRF
    0 71.921 89.115 79.6001
    1 68.714 81.181 74.4291
    2 67.571 77.391 72.1484
    3 70.333 75.077 72.6276
    4 80.025 84.668 82.2811
    5 52.354 65.422 58.1630
    6 70.564 82.325 75.9921
    7 78.558 84.456 81.4003
    8 70.556 71.544 71.0466
    9 38.248 52.555 44.2744
    11 76.154 98.000 81.6496
    12 75.440 85.470 80.1424
    下载: 导出CSV
  • 丁辉. 风险、风险源、危险源的关系探讨[J]. 安全,2019,40(4): 1-4.

    DING Hui. Discussion on the relationship among risk,risk source and hazard[J]. Safety & Security, 2019, 40(4): 1-4.
    LI J, WANG J, XU N, et al. Importance degree research of safety risk management processes of urban rail transit based on text mining method[J]. Information, 2018, 9(2): 9-26.
    SHI D, GUAN J, ZURADA J, et al. A data-mining approach to identification of risk factors in safety management systems[J]. Journal of Management Information Systems, 2017, 34(4): 1054-1081. doi: 10.1080/07421222.2017.1394056
    WILLIAMS T, BETAK J. A comparison of LSA and LDA for the analysis of railroad accident text[J]. Journal of Ubiquitous System & Pervasive Networks, 2019, 11(1): 11-15.
    ANDRZEJCZAK C, KARWOWSKI W, MIKUSINSKI P. Application of diffusion maps to identify human factors of self-reported anomalies in aviation[J]. Work, 2012, 41(S1): 188-197.
    TANGUY L, TULECHKI N, URIELI A, et al. Natural language processing for aviation safety reports:from classification to interactive analysis[J]. Computers in Industry, 2016, 78: 80-95. doi: 10.1016/j.compind.2015.09.005
    ZHANG X, MAHADEVAN S. Ensemble machine learning models for aviation incident risk prediction[J]. Decision Support Systems, 2019, 116: 48-63. doi: 10.1016/j.dss.2018.10.009
    AN N, XIAO Y B, YUAN J, et al. Extracting causal relations from the literature with word vector mapping[J]. Computers in Biology and Medicine, 2019, 115: 103524.1-103524.8. doi: 10.1016/j.compbiomed.2019.103524
    ZENG D, LIU K, LAI S, et al. Relation classification via convolutional deep neural network[C]//Proceedings of the 25th International Conference on Computational Linguistics. New York: Curran Associates, 2014: 2335-2344.
    袁飞,赵绪言,王一戈,等. 基于轻量级卷积神经网络的烟雾识别算法[J]. 西南交通大学学报,2020,55(5): 1111-1116,1132.

    YUAN Fei, ZHAo Xuyan, WANG Yige, et al. Smoke recognition algorithm based on lightweight convolutional neural network[J]. Journal of Southwest Jiaotong University, 2020, 55(5): 1111-1116,1132.
    裘江南. 汉语文本中突发事件因果关系抽取方法研究[D]. 大连: 大连理工大学, 2012.
    HE B, GUAN Y, DAI R. Classifying medical relations in clinical text via convolutional neural networks[J]. Artificial Intelligence in Medicine, 2019, 93: 43-49. doi: 10.1016/j.artmed.2018.05.001
  • 加载中
图(4) / 表(5)
计量
  • 文章访问数:  667
  • HTML全文浏览量:  316
  • PDF下载量:  31
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-05
  • 修回日期:  2020-06-08
  • 网络出版日期:  2020-09-15
  • 刊出日期:  2021-02-01

目录

    /

    返回文章
    返回