【技术实现步骤摘要】
本专利技术属于交通运输数据预测，尤其涉及一种xgboost运输企业安全风险评估方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着工业经济的迅猛发展，危险化学品的运输体量不断提高，道路网络中危化品运输车辆的密度也呈现同步上升趋势。危化品使用的空前繁荣导致道路危险品运输造成的事故急剧增加，运输的危险程度和生命风险不断增加。虽然与危化品运输有关的事故被归类为低概率高后果事故，但危化品泄漏可能导致火灾、爆炸等恶劣后果，从而影响周围的环境和人类健康；危险化学品的公路运输环节是其流通过程的重要组成部分，因此，如何有效降低危险化学品公路运输风险成为了重要而紧迫的课题，引起了学者和从业者的高度关注。
3、危化品生产量持续上涨，化工行业的飞速发展直接带动了危化品运输业的发展；过往的研究已经证实运输企业的监管强烈影响着运输车辆的安全表现，例如一些公司没有计划、规则的远程监督和不规则的排班制度都会影响到驾驶员的运输安全。危险化学品道路运输企业的风险评价管理是一项极为复杂的系统工程，其道路运输条件的复杂性、运输货物的多样性和易燃易爆的危险性给危险化学品道路运输企业的风险管理带来诸多不确定性。
4、从事危险化学品运输的企业基数逐渐变大，从运输企业自身企业特性出发去评估企业经营过程中的安全风险的研究较少，目前主要的研究思路大多集中于运输路径的优化、运输风险的评估方面，忽略了在这一过程中公路货运车辆企业的管理作用。
5、总之，目前的危化品运输风险评
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种xgboost运输企业安全风险评估方法及系统，采用贝叶斯优化对xgboost模型进行调参，同时引入shap值对分类结果进行可视化解释，给出相对准确的企业风险等级和企业风险管理措施。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种xgboost运输企业安全风险评估方法。
4、一种xgboost运输企业安全风险评估方法，包括：
5、获取待评估企业的运输数据，基于构建的企业风险评价指标集，提取待评估企业的运输特征；
6、通过训练后的安全风险评估模型处理待评估企业的运输特征，以生成并输出所述待评估企业的安全风险评估结果，包括企业风险等级和企业风险管理措施；
7、其中，所述安全风险评估模型，包括xgboost-bo模型和shapley解释模型，所述xgboost-bo模型是使用贝叶斯优化对xgboost模型进行参数优化，得到性能最优的分类模型，所述shapley解释模型，计算运输特征对企业风险等级的边际贡献，进而给出企业风险管理措施。
8、进一步的，基于运输企业安全特性，从车辆运输、驾驶行为、设备数据质量三个方面，选取行驶总里程、轨迹完整率、定位异常数、运单数、数据上传总数、数据合格率、车辆上线率、疲劳时长、超速行为、不良驾驶行为、行人碰撞预警、前碰撞、注意力分散，构建企业风险评价指标集。
9、进一步的，所述提取待评估企业的运输特征，是基于待评估企业的运输数据，获取或计算企业风险评价指标集中各评价指标的值，作为待评估企业的运输特征。
10、进一步的，所述xgboost-bo模型中优化的参数，包括通用参数、booster参数以及学习目标参数，具体优化过程为：
11、(1)初始化xgboost-bo模型；
12、(2)利用高斯过程回归进行数据的训练；
13、(3)计算采集函数的最大值；
14、(4)对最大值进行阈值判断，满足条件则输出最优的参数值，否则返回步骤(2)进行迭代优化。
15、进一步的，所述shapley解释模型，是通过shap解释对运输特征的重要性进行分析，得到每个指标特征值的shap值，用shap值根据正负来区分特征的作用效果，明确各个指标对运输企业经营风险的影响作用，给出运输企业下一步的管理措施。
16、进一步的，所述训练的具体过程为：
17、首先从危化品运输企业大数据监测平台获取企业运输数据，然后对具有缺失值的企业进行去除，并进行归一化处理；其次对剩余企业的企业风险等级标签进行标定，得到数据集，最后基于数据集对xgboost模型进行训练，采用贝叶斯高斯过程进行参数调参，得到xgboost-bo模型。
18、进一步的，对没有企业风险等级的企业，基于k-means++算法，将企业风险等级相似的企业聚类到相同的组里，从而利用聚类生成合理的数据标签。
19、本专利技术第二方面提供了一种xgboost运输企业安全风险评估系统。
20、一种xgboost运输企业安全风险评估系统，包括特征提取模块和风险评估模块：
21、特征提取模块，被配置为：获取待评估企业的运输数据，基于构建的企业风险评价指标集，提取待评估企业的运输特征；
22、风险评估模块，被配置为：通过训练后的安全风险评估模型处理待评估企业的运输特征，以生成并输出所述待评估企业的安全风险评估结果，包括企业风险等级和企业风险管理措施；
23、其中，所述安全风险评估模型，包括xgboost-bo模型和shapley解释模型，所述xgboost-bo模型是使用贝叶斯优化对xgboost模型进行参数优化，得到性能最优的分类模型，所述shapley解释模型，计算运输特征对企业风险等级的边际贡献，进而给出企业风险管理措施。
24、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种xgboost运输企业安全风险评估方法中的步骤。
25、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种xgboost运输企业安全风险评估方法中的步骤。
26、以上一个或多个技术方案存在以下有益效果：
27、本专利技术采用贝叶斯优化对xgboost模型进行调参，得到xgboost-bo模型，在道路运输企业风险预测方面精度高、准确性好，具有很好的适用性；通过与随机森林、支持向量机、逻辑回归等机器学习方法进行效果对比，该模型的准确率、精确率、召回率以及auc值等评估指标表现更好，预测性能更优。
28、本专利技术引入shap值解释模型中各特征的影响机理，解决了xgboost模型的“黑箱”问题，通过shap值解释模型对各特征进行全局和局部结果影响分析，得到影响企业运输风险的主要因素，进一步分析指标之间的交互影响作用本文档来自技高网...
【技术保护点】
1.一种XGBoost运输企业安全风险评估方法，其特征在于，包括：
2.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，基于运输企业安全特性，从车辆运输、驾驶行为、设备数据质量三个方面，选取行驶总里程、轨迹完整率、定位异常数、运单数、数据上传总数、数据合格率、车辆上线率、疲劳时长、超速行为、不良驾驶行为、行人碰撞预警、前碰撞、注意力分散，构建企业风险评价指标集。
3.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，所述提取待评估企业的运输特征，是基于待评估企业的运输数据，获取或计算企业风险评价指标集中各评价指标的值，作为待评估企业的运输特征。
4.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，所述XGBoost-BO模型中优化的参数，包括通用参数、booster参数以及学习目标参数，具体优化过程为：
5.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，所述Shapley解释模型，是通过SHAP解释对运输特征的重要性进行分析，得到
6.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，所述训练的具体过程为：
7.如权利要求1所述的一种XGBoost运输企业安全风险评估方法，其特征在于，对没有企业风险等级的企业，基于K-means++算法，将企业风险等级相似的企业聚类到相同的组里，从而利用聚类生成合理的数据标签。
8.一种XGBoost运输企业安全风险评估系统，其特征在于，包括特征提取模块和风险评估模块：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.一种xgboost运输企业安全风险评估方法，其特征在于，包括：
2.如权利要求1所述的一种xgboost运输企业安全风险评估方法，其特征在于，基于运输企业安全特性，从车辆运输、驾驶行为、设备数据质量三个方面，选取行驶总里程、轨迹完整率、定位异常数、运单数、数据上传总数、数据合格率、车辆上线率、疲劳时长、超速行为、不良驾驶行为、行人碰撞预警、前碰撞、注意力分散，构建企业风险评价指标集。
3.如权利要求1所述的一种xgboost运输企业安全风险评估方法，其特征在于，所述提取待评估企业的运输特征，是基于待评估企业的运输数据，获取或计算企业风险评价指标集中各评价指标的值，作为待评估企业的运输特征。
4.如权利要求1所述的一种xgboost运输企业安全风险评估方法，其特征在于，所述xgboost-bo模型中优化的参数，包括通用参数、booster参数以及学习目标参数，具体优化过程为：
5.如权利要求1所述的一种xgboost运输企业安全风险...
【专利技术属性】
技术研发人员：王旭，薛冰冰，马菲，周童，孙浩文，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。