论文部分内容阅读
摘要：地铁最为城市交通的大动脉，肩负着市内大量人民群众的日常安全出行的责任，加之地铁属于相对封闭的结构工程，车站内部集聚大量人员、设备，极易出现各种安全隐患。所以“安全关口前移”成为了地铁安全管理核心内容，只有科学、高效和数据化的隐患管理才能保障地铁的平安运营。本文将对地铁隐患数据化管理模式的实施研究。
关键词：地铁；运营安全；隐患治理；数据挖掘
1、地铁隐患管理现状及存在问题
隐患管理作为“事前预防”的重要环节，地铁作为一个集合众多专业、设施设备种类繁多的综合性工程，点多面广造成地铁安全管理难度大，目前的隐患管理方面还存在以下不足：
1.1安全管理依然习惯于事后管理，缺少对三违、隐患的实现预防以及安全预测，“预防为主”的口号难以落实。
1.2安全隐患标准化不够，在隐患的识别和处理上不够科学和及时，从而造成隐患监控不到位，隐患排查质量较差。
1.3隐患数据缺乏全过程生命周期的管理，对隐患的发生、发展、消灭过程缺乏有效的收集与在分析过程，数据流失大。
1.4隐患管理企业内部各级责任不明确，作业流程不完善、工作冗余度高。在隐患数据采集、上报过程中存在大量重复性工作，且对数据缺乏标准化要求。
1.5隐患种类繁多，往往涉及多个专业及部门，管理存在权责不明等现象。对于一些隐患，存在责任主体单位、关系责任主体单位等权责不明的现象，易发生推诿扯皮的现象。
2、隐患管理模式及数据收集
目前被广泛使用的隐患管理模式分为五个环节，分别是辨识、治理、销号、分析、评价。隐患数据化管理模式在明确各个环节中的数据收集标准之外还需增加“预警”的环节，“预警”是本次研究的隐患数据化管理模式中的核心环节。
2.1 辨识。通过日常的巡检修以及专项隐患排查工作对运营生产过程中可能存在的隐患、缺陷及危险性因素进行检查辨识，并有发现人员初步完成分类、情况描述以及信息上报。随后由所属专业进行信息续报，明确分类、责任单位（人）、存在问题数量以及可能带来的危害和影响范围，判断专业内独立治理能力（是否需要多专业联动）并制定相关整改措施与临时防护措施。
2.2 治理。本階段由隐患明确的责任单位（人）以及所属专业负责人监控隐患的整治过程，确保措施合理、执行得力。治理过程中掌握隐患治理进度做好相关数据记录，防止隐患扩大，本阶段是数据信息产生的关键环节。
2.3 销号。该阶段就是对上一阶段的结果进行检查验收，再由相关安全人员对整改进行复查，合格后安全人员进行隐患的闭合并详细登记整改验收情况合格后消除警示。
2.4 分析。隐患处理完并闭合之后并非安全管理的闭合，公司相关专业需要对此次隐患的情况进行考核，个人及相关部门需要进行相关经验教训的总结，并对新的隐患情况分类入档至隐患知识库，以便日后处理类似隐患有据可依，有法可施。
2.5 评价。此阶段有公司主管安全的部门进行专业的评价，定期（如每季度）根据各专业隐患排查和治理完成的情况，对其资料以及现场转台进行评价，制定相关整改意见或完善规章，从而不断改进和提高隐患管理工作水平。
2.6 预警。整个过程产生的全体数据，系统综合历史数据进行数据分析，发现具有相互关联的因素，通过置信度等参数判定其相互关联的程度来进行预警，避免类似事故的发生。同时在线监测系统综合重大危险源的历史数据，可通过STARMA模型（空间矩阵网络预测模型）进行数学模型分析，通过参数计算，实现对各项重大危险源的超前预警。
3、数据化隐患管理中数据挖掘的原则
预警信息统计分析，除包括对隐患排查治理数据的统计分析，还应涵盖事故数据的统计分析。对于隐患统计分析，可以根据输入的隐患级别、状态、线路、单位和日期等条件，对隐患数据进行筛选统计，并以图形与文字形式反馈隐患数据的统计结果。此外依据输入的统计条件与统计项目，可以预览安全隐患控指表。对于事故统计分析，可以根据事故的等级、线路、单位、日期等条件，对事故数据进行统计，并以图形和文字形式反馈隐患数据的统计结果。此外依据输入的统计条件与统计项目，可以预览安全情况记录表
3.1 隐患知识库建立
基于描述型数据挖掘，总结辨识、治理、销号环节中各项数据的整体特征，目的在于从不同层次和维度为用户提供所需的数据信息。例如，按地理位置对安全隐患或者事故发生的频率、性质、损失等情况进行更高层次的研究分析，这是一种多维多层次的数据泛化分析，采用的模型是数据立方体。建立起公司隐患只是库，完成数据泛化和细化，方便各专业人员更快更准确的辨识出隐患，长久以来可杜绝部分常见隐患的发生，从人员能力层面面解决问题。
3.2 关联规则
关联规则挖掘可以从数据库大量的事件数据中挖掘出某些事件的联系。例如哪些安全隐患或者事故会伴随发生。联规则数据挖掘分为两个阶段：第一个阶段为从大量的数据中找出高频项目组，第二个阶段是再从高频项目组中产生关联规则。
3.3 分组标签化
分组与标签化是数据筛选的重要环节，都是把给定的数据根据相似性和差异性划分到一定的类别中。每一个数据都有一个或多个属性特征，这些特种形成标签或者成为关键词，这个过程称为数据分类。最终达到根据公司历史和现状的安全生产情况、隐患和事故发生情况，利用分类数据挖掘技术对公司中各专业进行诚信体系评级和监管强度分级。
3.4 预测型数据挖掘
通过通过大量的历史数据来挖掘，最终目的是预测未来的数据。预测型数据挖掘分为两类要解决的预测问题，一类是预测未来数据的离散变化，称为分类预测；另一类是预测未来数据的具体数值，称为回归预测。这里推荐使用ARMA（自回归移动平均模型）及其扩展模型 STARMA（时空自回归移动平均模型）。
4、结束语
本文重点研究了数据化隐患管理的模式，首先根据辨识、治理、销号、分析、评价环节中深入挖掘到的隐患相关数据，进行统计分析。建立符合公司自身专业设备特点的隐患知识库，再结合数据关联、分类的规则，实现数据化隐患管理并最终达到重大隐患预测机制，综上所述，只有构建标准明确、数据化程度高的隐患管理模式，才能对隐患及事故数据进行科学、有效的管理，并通过对数据的二次分析最终实现预测型数据挖掘能力，实现“事前预防”，希望能够对完善隐患管理体系的建设提供适当的参考。
参考文献：
[1]周志烽，王晶.基于RBAC的安全管理模块的设计与实现[C].电信工程技术与标准化.2010 （10）：122-126.
[2]魏楚元，李陶深，张增芳.J2EE安全机制的分析与研究[J].计算机工程与设计.2005. 26（06）：1434-1437.
[3]谷莹吉，孙立镌.RBAC模型在权限控制中的研究与实现[J].佳木斯大学学报（自然科学版）.2008.26（01）：14-16.
（作者单位：西安地下铁道有限责任公司运营分公司）
关键词：地铁；运营安全；隐患治理；数据挖掘
1、地铁隐患管理现状及存在问题
隐患管理作为“事前预防”的重要环节，地铁作为一个集合众多专业、设施设备种类繁多的综合性工程，点多面广造成地铁安全管理难度大，目前的隐患管理方面还存在以下不足：
1.1安全管理依然习惯于事后管理，缺少对三违、隐患的实现预防以及安全预测，“预防为主”的口号难以落实。
1.2安全隐患标准化不够，在隐患的识别和处理上不够科学和及时，从而造成隐患监控不到位，隐患排查质量较差。
1.3隐患数据缺乏全过程生命周期的管理，对隐患的发生、发展、消灭过程缺乏有效的收集与在分析过程，数据流失大。
1.4隐患管理企业内部各级责任不明确，作业流程不完善、工作冗余度高。在隐患数据采集、上报过程中存在大量重复性工作，且对数据缺乏标准化要求。
1.5隐患种类繁多，往往涉及多个专业及部门，管理存在权责不明等现象。对于一些隐患，存在责任主体单位、关系责任主体单位等权责不明的现象，易发生推诿扯皮的现象。
2、隐患管理模式及数据收集
目前被广泛使用的隐患管理模式分为五个环节，分别是辨识、治理、销号、分析、评价。隐患数据化管理模式在明确各个环节中的数据收集标准之外还需增加“预警”的环节，“预警”是本次研究的隐患数据化管理模式中的核心环节。
2.1 辨识。通过日常的巡检修以及专项隐患排查工作对运营生产过程中可能存在的隐患、缺陷及危险性因素进行检查辨识，并有发现人员初步完成分类、情况描述以及信息上报。随后由所属专业进行信息续报，明确分类、责任单位（人）、存在问题数量以及可能带来的危害和影响范围，判断专业内独立治理能力（是否需要多专业联动）并制定相关整改措施与临时防护措施。
2.2 治理。本階段由隐患明确的责任单位（人）以及所属专业负责人监控隐患的整治过程，确保措施合理、执行得力。治理过程中掌握隐患治理进度做好相关数据记录，防止隐患扩大，本阶段是数据信息产生的关键环节。
2.3 销号。该阶段就是对上一阶段的结果进行检查验收，再由相关安全人员对整改进行复查，合格后安全人员进行隐患的闭合并详细登记整改验收情况合格后消除警示。
2.4 分析。隐患处理完并闭合之后并非安全管理的闭合，公司相关专业需要对此次隐患的情况进行考核，个人及相关部门需要进行相关经验教训的总结，并对新的隐患情况分类入档至隐患知识库，以便日后处理类似隐患有据可依，有法可施。
2.5 评价。此阶段有公司主管安全的部门进行专业的评价，定期（如每季度）根据各专业隐患排查和治理完成的情况，对其资料以及现场转台进行评价，制定相关整改意见或完善规章，从而不断改进和提高隐患管理工作水平。
2.6 预警。整个过程产生的全体数据，系统综合历史数据进行数据分析，发现具有相互关联的因素，通过置信度等参数判定其相互关联的程度来进行预警，避免类似事故的发生。同时在线监测系统综合重大危险源的历史数据，可通过STARMA模型（空间矩阵网络预测模型）进行数学模型分析，通过参数计算，实现对各项重大危险源的超前预警。
3、数据化隐患管理中数据挖掘的原则
预警信息统计分析，除包括对隐患排查治理数据的统计分析，还应涵盖事故数据的统计分析。对于隐患统计分析，可以根据输入的隐患级别、状态、线路、单位和日期等条件，对隐患数据进行筛选统计，并以图形与文字形式反馈隐患数据的统计结果。此外依据输入的统计条件与统计项目，可以预览安全隐患控指表。对于事故统计分析，可以根据事故的等级、线路、单位、日期等条件，对事故数据进行统计，并以图形和文字形式反馈隐患数据的统计结果。此外依据输入的统计条件与统计项目，可以预览安全情况记录表
3.1 隐患知识库建立
基于描述型数据挖掘，总结辨识、治理、销号环节中各项数据的整体特征，目的在于从不同层次和维度为用户提供所需的数据信息。例如，按地理位置对安全隐患或者事故发生的频率、性质、损失等情况进行更高层次的研究分析，这是一种多维多层次的数据泛化分析，采用的模型是数据立方体。建立起公司隐患只是库，完成数据泛化和细化，方便各专业人员更快更准确的辨识出隐患，长久以来可杜绝部分常见隐患的发生，从人员能力层面面解决问题。
3.2 关联规则
关联规则挖掘可以从数据库大量的事件数据中挖掘出某些事件的联系。例如哪些安全隐患或者事故会伴随发生。联规则数据挖掘分为两个阶段：第一个阶段为从大量的数据中找出高频项目组，第二个阶段是再从高频项目组中产生关联规则。
3.3 分组标签化
分组与标签化是数据筛选的重要环节，都是把给定的数据根据相似性和差异性划分到一定的类别中。每一个数据都有一个或多个属性特征，这些特种形成标签或者成为关键词，这个过程称为数据分类。最终达到根据公司历史和现状的安全生产情况、隐患和事故发生情况，利用分类数据挖掘技术对公司中各专业进行诚信体系评级和监管强度分级。
3.4 预测型数据挖掘
通过通过大量的历史数据来挖掘，最终目的是预测未来的数据。预测型数据挖掘分为两类要解决的预测问题，一类是预测未来数据的离散变化，称为分类预测；另一类是预测未来数据的具体数值，称为回归预测。这里推荐使用ARMA（自回归移动平均模型）及其扩展模型 STARMA（时空自回归移动平均模型）。
4、结束语
本文重点研究了数据化隐患管理的模式，首先根据辨识、治理、销号、分析、评价环节中深入挖掘到的隐患相关数据，进行统计分析。建立符合公司自身专业设备特点的隐患知识库，再结合数据关联、分类的规则，实现数据化隐患管理并最终达到重大隐患预测机制，综上所述，只有构建标准明确、数据化程度高的隐患管理模式，才能对隐患及事故数据进行科学、有效的管理，并通过对数据的二次分析最终实现预测型数据挖掘能力，实现“事前预防”，希望能够对完善隐患管理体系的建设提供适当的参考。
参考文献：
[1]周志烽，王晶.基于RBAC的安全管理模块的设计与实现[C].电信工程技术与标准化.2010 （10）：122-126.
[2]魏楚元，李陶深，张增芳.J2EE安全机制的分析与研究[J].计算机工程与设计.2005. 26（06）：1434-1437.
[3]谷莹吉，孙立镌.RBAC模型在权限控制中的研究与实现[J].佳木斯大学学报（自然科学版）.2008.26（01）：14-16.
（作者单位：西安地下铁道有限责任公司运营分公司）