馬青云，劉海鷗，劉 鑫

(1. 廣州軟件學院電子系，廣東 廣州 510900；2. 廣州軟件學院計算機系，廣東 廣州 510900；3. 中南大學計算機學院，湖南 長沙 410000)

1 引言

快遞運輸具有較大的安全風險[1]，主要分為兩方面，其一是運輸品為危險品，遭受撞擊很容易引發(fā)腐蝕或者爆炸。購買小批量危險化學品，在和其它正常用品運輸?shù)倪^程中，會導致運輸爆炸風險增加。我國現(xiàn)行危險品運輸狀況比較雜亂[2]，存在較多的安全問題，引起該風險因素不是單一的，而且具有多面性，一種是由于大量化學品年運輸數(shù)量和運輸單位的資質(zhì)不完整，另一種是沒有運輸資質(zhì)，卻妄想私運物品，所以造成危險。其二是環(huán)境對運輸載體的影響，例如在運輸過程中，雨雪天氣會導致路面摩擦力發(fā)生變化，車輛行駛容易出現(xiàn)打滑側翻的狀況；還有駕駛員休息不夠、注意力不集中，車輛自身產(chǎn)生故障，失去控制能力等各種現(xiàn)象，均會對快遞運輸增添風險。

為進一步分析快遞運輸過程中的風險，確?？爝f送達時間，奇格奇等人[3]提出基于語義挖掘的快遞運輸貨品風險評價方法，通過網(wǎng)絡大數(shù)據(jù)資源結合模糊聚類方法，實現(xiàn)對快遞貨品語義風險的劃分。王馨梓等人[4]提出危險貨物運輸風險分級指標評價體系，通過構建風險評價指標體系，對危險貨物運輸風險分級劃分，并提出對應管控策略。以上兩種方法均能實現(xiàn)對運輸風險的劃分，但劃分精準度不穩(wěn)定。

在以上已有方法的基礎上，為降低貨物損失率，提高快遞運輸安全性，本研究提出了基于強化粗糙集屬性的快遞運輸風險挖掘方法。通過對快遞運輸突發(fā)事件數(shù)據(jù)預處理，將相關風險數(shù)據(jù)保存在數(shù)據(jù)庫中，構建快遞運輸風險挖掘模型，找出快遞運輸風險的規(guī)律，利用強化粗糙集方法研究某地區(qū)時間范圍內(nèi)，快遞運輸條件屬性決策屬性間的依賴關系，挖掘快遞運輸風險。

2 數(shù)據(jù)預處理

在快遞運輸過程中會出現(xiàn)突發(fā)事件，將相關風險數(shù)據(jù)儲存在數(shù)據(jù)庫內(nèi)，保存為歷史信息給評估風險奠定基礎。通過突發(fā)事件數(shù)據(jù)庫獲得歷史數(shù)據(jù)，但存在信息不完整、被噪聲與冗余干擾等問題，不適合直接作為風險挖掘計算基礎，為此使用粗糙集屬性約簡[5，6]，能保證基礎信息存在外，剔除多余重復的屬性，對信息精簡提取。構建相似度矩陣來約簡噪聲和冗余數(shù)據(jù)。其度量方法表述為：

(1)

ηp=(ηp1，…，ηp(p-1)，0，ηp(p+1)，…，ηpn)

(2)

其中n=|U|，N表示矩陣迭代周期，那么相似度矩陣表達式為

N=(η1，η2，…，ηn)N

(3)

設1/|A|是對象相似度最小值，若xp和剩下任何對象的相似性較小，那么?i∈{1，2，…，n}，其中i≠p，均有ηpi<1/|A|時，判斷xp是噪聲數(shù)據(jù)[7，8]；假設xp和另外對象在全部屬性上都實現(xiàn)相似關聯(lián)性，便有

ηpi>|Pi|·1/(3|A|)+(|A|-|Pi|)·1/|A|

=1-2|Pi|/(3|A|)

(4)

假設?i∈{1，2，…，n}且i≠p，令ηpi>1-2|Pi|/(3|A|)時，斷定xp和xi都表示為冗余數(shù)據(jù)，把xp和xi內(nèi)標記*過多數(shù)據(jù)剔除，能夠增加內(nèi)存[9]。為此獲得判斷區(qū)間范圍(1/|A|，1-2|Pi|/(3|A|))，以此來約簡噪聲和冗余數(shù)據(jù)。

3 風險挖掘

僅考慮國內(nèi)的道路快遞運輸方式，按照全面性[10，11]、代表性與科學性原則，并借鑒其它行業(yè)運輸風險評價因素，構建針對快遞運輸風險挖掘模型。其中，條件屬性為a為技術指標，b為質(zhì)量指標，c為環(huán)境指標，d為主體指標，e為裝載規(guī)范指標，決策屬性為f為事故類型；10個對象分別為10輛快遞運輸車。快遞運輸風險挖掘模型，如表1所示。

表1 快遞運輸風險挖掘模型

通過表1能夠看出，同一對象會被不同占比的多種條件和決策屬性定義，這是因為快遞運輸風險事件的產(chǎn)生和多種屬性間都存在關系，例如路面情況、車輛本身質(zhì)量、外界環(huán)境干擾以及駕駛員狀態(tài)[12，13]。其中路面情況主要是指為城市還是農(nóng)村道路、有沒有隔離帶、是否限制車輛行駛速度、照明情況、交叉路口設計等；外界環(huán)境干擾包括運輸時天氣是否良好，是否會有雨、雪、結冰以及霧等；駕駛員狀態(tài)包括司機的身心健康水平、飲酒吸煙習慣、駕駛員是否經(jīng)過培訓上崗等[14]。這些因素需要根據(jù)約簡后歷史數(shù)據(jù)劃分出當前快遞運輸事件影響的主次因素，即強化粗糙集屬性，便于發(fā)現(xiàn)造成風險的因素與風險間的“原因-結果”關系，找出快遞運輸風險的規(guī)律[15]。

表1中數(shù)據(jù)完成了離散化處理，描述為：屬性a取1表示司機駕駛經(jīng)驗豐富、未飲酒、身體健康，取2表示駕駛員經(jīng)驗不足，取3表示不具備駕駛資格；屬性b為1表示車輛結構完好、車輛容器完整，為2表示汽車結構具有缺陷；屬性c為1表示干燥的路面，為2表示路面存在潮濕、泥濘、結冰或下雪等情況，為3表示有霧的天氣；屬性d為1表示車輛速度符合規(guī)定，為2表示超過規(guī)定速度；屬性e為1表示物品裝載的合理，為2表示裝載不合理、超載、或不按照標準混裝；屬性f為1表示未發(fā)生交通事故，但快遞貨物出現(xiàn)泄露丟失，為2表示偏出路面導致快遞貨物泄露丟失，為3表示翻車引起快遞丟失，為4表示車輛碰撞導致快遞遺失，為5表示車輛翻車碰撞引起的火災甚至爆炸。

計算屬性的重要度為

U/C={{1}，{2}，{3}，{4，6}，{5，7，10}，{8}，{9}}

(5)

U/D={{1，2，4，5，7}，{3，8，9}，{6}，{10}}

(6)

U/C-{a}={{1，3}，{2}，{4，5，6}，{7，10}，{8}，{9}}

(7)

U/C-={{1}，{2}，{3}，{4，6}，{5，7，10}，{8}，{9}}

(8)

U/C-{c}={{1}，{2，4，6，10}，{3}，{5，7}，{8}，{9}}

(9)

U/C-syggg00={{1}，{2，4，7}，{3}，{5，7，10}，{8}，{9}}

(10)

U/C-{e}={{1}，{2，4，7}，{3}，{5，7，10}，{8}，{9}}

(11)

其中

POSC(D)={1，2，3，8，9}，POSC-{a}(D)={2，8，9}，POSC-(D)={1，2，3，8，9}，POSC-{c}(D)={1，3，8，9}，POSC-syggg00(D)={1，3，8，9}，POSC-{e}(D)={1，3，8，9}，按照γC(D)=card(POSC(D))/card(U)與SGF(a)=γC(D)-γC-{a}(D)，能夠得出：SGF(a)=0.25，SGF(b)=0.15，SGF(c)=0.15，SGF(d)=0，SGF(e)=0，再實行歸一化整理，得到：SGF(a)=0.6，SGF(b)=0.2，SGF(c)=0.2，SGF(d)=0，SGF(e)=0。

上述，card表示為基數(shù)，POS(·)表示屬性對應的粗糙集正域，C表示條件屬性集，D表示決策屬性集，γC(D)表示兩者之間的依賴程度，SGF(·)表示屬性在風險挖掘中的重要程度，表γC-{a}(D)示條件屬性集C內(nèi)剔除屬性a之后的屬性依賴程度。

強化粗糙集屬性重要度，描述的是條件屬性對決策屬性的影響程度與重要程度，也可以說決策屬性對條件屬性的依賴程度。通過強化粗糙集方法研究某地區(qū)時間范圍內(nèi)快遞運輸條件屬性決策屬性與決策屬性的依賴關系，觀察到此范圍內(nèi)快遞運輸事件的出現(xiàn)，挖掘得出最關鍵的因素是屬性a，即為技術指標情況，其次是屬性b與c，即質(zhì)量與環(huán)境指標，屬性d與屬性e，即主體指標和裝載規(guī)范指標?；诖?，利用重要度屬性，得到數(shù)據(jù)不同的風險情況，精準挖掘出風險可能性。這對于快遞運輸風險分類有著重要作用，有助于更好的做出保護措施，完善運輸技術，確保運輸安全。

4 實驗分析

實驗選擇上海-杭州快遞運輸路線，如圖1所示。運輸過程中具體的實驗參數(shù)如表2所示。

圖1 上海-杭州快遞運輸路線圖

表2 實驗參數(shù)

由于快遞不僅僅要滿足上海-杭州，還要保證快遞公司利潤最大，因此會出現(xiàn)6種完全不同線路，在途中還會配送上海-杭州線路涉及的相關城市。6條快遞線路中，路線1#道路情況較差。路線2#、路線3#會涉及邊緣城市和鄉(xiāng)村，路面主要是水泥窄路或者國道。路線4#最短，平穩(wěn)度也較高，5#和6#偏向沿海城市。

路線1#途徑地區(qū)較多，會經(jīng)過郊區(qū)窄小路面，道路情況較為差。圖2得知車輛A1風險可能性較高，危險程度相對增加，因為車輛速度較快，若是在交叉路口突然出現(xiàn)車輛，會來不及反應，導致事故發(fā)生；A3風險可能性極高，危險程度極高，說明駕駛人員身體疲勞，容易出現(xiàn)事故。

由于路線2#經(jīng)過的區(qū)域多，配送地點多，路程最遠，駕駛員會出現(xiàn)過度勞累。圖3得知，A2的風險可能性雖高，但是危險程度較低；其余類型風險可能性都較高，危險程度升高，在天氣和路面不好的情況下，貨物泄露為其它車輛增添危險，由此說明整體風險很高，需格外關注。

圖2 路線1#的風險挖掘結果

路線3#行駛彎道較多，易在轉彎時發(fā)生危險。圖4所示，可以看出路線3#的A1風險可能性較低，A3較高，說明車輛行駛速度較低，但是駕駛員身體疲勞程度較高，容易行駛中發(fā)生瞌睡，在突發(fā)情況中應急水平較差，容易造成事故；A4與A5的可能性高，證明路面狀況不好，行駛存在困難，天氣情況較差，視線受到影響，危險程度增加。

圖3 路線2#的風險挖掘結果

由于路線4#路程最短，較為平緩，途經(jīng)地區(qū)較少，能夠保證駕駛人員不會長時間行駛。通過圖5中得知，路線4#的車輛A2風險可能性較高，危險程度不高，是由于此風險是運輸車輛存在泄露，只是貨物丟失概率增加，但車輛與駕駛人員不具有危險性；其它風險可能性均較低，說明運行速度合適、駕駛人員休息得當、道路狀況良好、天氣晴朗，各方面都很好，由此說明路線2#的快遞運輸風險僅僅存在快遞丟失的狀況，發(fā)生事故的危險程度極低。

圖4 路線3#的風險挖掘結果

由于路線5#靠近沿海位置，天氣容易突變，產(chǎn)生雨霧；路面濕滑，在車輛行駛時需要注意車速。由圖6可知，路線5#車輛駕駛員經(jīng)驗豐富精神狀態(tài)較好，在運輸過程中，天氣突然發(fā)生變化，路面出現(xiàn)濕滑，為了可以及時配送，速度增加，因此危險程度增加；車輛貨箱發(fā)生泄露，天氣環(huán)境不好，危險程度水平提高。后續(xù)需要對駕駛人員培訓，增強安全意識。

圖5 路線4#的風險挖掘結果

路線6#更加偏向沿海城市，天氣與道路情況可知，車輛速度與貨箱密封性較好，危險程度不高；路面情況較差，是由于前兩天的雨雪導致道路結冰，所以危險程度較高；駕駛員疲勞，在面對緊急狀況時，容易失去反應能力，發(fā)生碰撞或翻車。

圖6 路線5#的風險挖掘結果

圖7 路線6#的風險挖掘結果

5 結論

快遞運輸種類較多，例如汽車陸運、船只海運以及貨機空運，因此在運輸中的突發(fā)事件風險因素也較多。為減少危險事件產(chǎn)生概率，提出基于強化粗糙集屬性的快遞運輸風險挖掘方法。通過分析歷史記錄信息，去除干擾數(shù)據(jù)，構建風險挖掘模型以便更好分析快遞運輸事件因素，并憑借強化粗糙集屬性突出重要影響因素，實現(xiàn)精準和全面的挖掘。