本发明涉及交通运输风险要素辨识与评估，具体涉及一种基于综合重要度的铁路风险要素辨识与评估方法及系统。
背景技术：
1、铁路复杂巨系统不同阶段、不同功能下分别受到“人-机-环-管”等众多繁杂的风险因素影响，这些风险因素表现出多状态演变、随机与模糊并存、非线性相互作用以及数量庞大等特点。
2、铁路建设运营把安全摆在第一位，如果运营出现严重故障，很可能造成重大行车事故，甚至列车颠覆，人民的生命和国家的财产也会承受巨大损失和重大影响，因此亟待研究铁路多风险因素的全要素演变和相关作用机理，快速辨识出关键风险要素及其重要性评估分析。
3、风险要素辨识是系统可靠性与安全性评估的基础环节之一。针对铁路复杂系统的风险要素辨识与评估来说，现有系统级关键风险要素辨识分析是基于铁路系统设计方案进行的，而非已运行系统的辨识分析，其中大量的可靠性相关数据主要依赖过去工程实践和专家经验，不可避免的具有显著的主观因素，并且传统方法包括系统安全分析法、专家经验法和复合型分析方法等，然而这些传统的方法只能进行定性识别，分析的效果较差。
技术实现思路
1、本发明的目的在于提供一种减小了主观因素的干扰，提高了铁路系统运营的安全性的基于综合重要度的铁路风险要素辨识与评估方法及系统，以解决上述背景技术中存在的至少一项技术问题。
2、为了实现上述目的，本发明采取了如下技术方案：
3、一方面，本发明提供一种基于综合重要度的铁路风险要素辨识与评估方法，包括：
4、通过事故致因分析，对系统危险源和扰动原因进行分析，并对铁路系统进行层次划分，建立系统风险要素集合；
5、利用云模型与熵权法对由专家进行的铁路要素集打分进行处理，得到专家打分的权重，设为风险重要度的权重；
6、通过风险传播理论，分析得出风险要素之间的风险传播关系，建立铁路风险要素的多粒度网络模型；
7、对多粒度网络中的指标进行主成分分析，建立评价矩阵进行数据标准化处理，得特征向量和主成分个数，选取第一主成分作为功能重要度的权重；
8、对功能重要度和风险重要度进行线性加权，得到综合重要度的权重，作为风险因素重要程度评估方法指标，并对风险因素进行重要度排序。
9、进一步的，采用云模型与熵权法结合的方式得到各评价指标的客观权重；熵表示的是信息的不确定性，对某个评价指标而言，其离散的程度越大，那么对应的熵值就会越小，表明该评价指标会对最终的评价结果产生比较大的影响，其对应的权重也应该越大；以熵值法为基础上，结合云距离测度和熵值法来确定评价指标的权重。
10、进一步的，铁路风险要素多粒度网络建立的方法包括部件提取、连接方式划分、作用关系网络模型构建；
11、所述作用关系网络模型构建表示为：gm＝{vm,em}；
12、其中，将提取的部件抽象成机械关系网络的一个节点，构建节点集vm＝{vi,…}；若两部件之间存在机械连接，则该部件之间用一条双向箭头连接，构建边集em＝{eij,eji,…}。
13、进一步的，铁路风险要素多粒度网络中的指标，包括：
14、节点的度，单层网络中节点i的度ki是指与该节点相连接的边的条数，
15、聚集系数，用来描述网络中节点的聚集程度；
16、接近中心性，表示网络中某节点与其他所有节点最短路径之和的倒数，也称作紧密度中心性；
17、特征向量中心性，是指网络邻接矩阵对应最大特征值的特征向量。
18、进一步的，节点的度根据其邻接矩阵表示为：
19、
20、其中，n为网络中节点数；aij邻接矩阵中第i行j列的值；ki节点i的度；
21、聚集系数c表示为：
22、
23、其中，“相连的三点组”指包含三个顶点的集合，集合中存在三个顶点中有两个顶点之间不存在连接边的情况；
24、紧密度中心性为：
25、
26、其中，dij为节点i与节点j之间的最短距离，也就是从节点i到节点j经过的边的最小数目。当节点i与节点j之间不连通时，dij＝0；
27、特征向量中心性为：
28、
29、其中，λ为邻接矩阵的最大特征值；x为邻接矩阵对应最大特征值的特征向量。
30、进一步的，所述主成分分析方法中求得主成分个数之后，选取第一主成分作为“功能重要度”权重，再参与后续的加权计算。
31、第二方面，本发明提供一种基于综合重要度的铁路风险要素辨识与评估系统，包括：
32、第一构建模块，用于通过事故致因分析，对系统危险源和扰动原因进行分析，并对铁路系统进行层次划分，建立系统风险要素集合；
33、计算模块，用于利用云模型与熵权法对由专家进行的铁路要素集打分进行处理，得到专家打分的权重，设为风险重要度的权重；
34、第二构建模块，用于通过风险传播理论，分析得出风险要素之间的风险传播关系，建立铁路风险要素的多粒度网络模型；
35、处理模块，用于对多粒度网络中的指标进行主成分分析，建立评价矩阵进行数据标准化处理，得特征向量和主成分个数，选取第一主成分作为功能重要度的权重；
36、排序模块，用于对功能重要度和风险重要度进行线性加权，得到综合重要度的权重，作为风险因素重要程度评估方法指标，并对风险因素进行重要度排序。
37、第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于综合重要度的铁路风险要素辨识与评估方法。
38、第四方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于综合重要度的铁路风险要素辨识与评估方法。
39、第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于综合重要度的铁路风险要素辨识与评估方法的指令。
40、本发明有益效果：从铁路系统风险辨识流程、铁路系统风险评估体系、铁路系统风险辨识体系构建框架、基于事故致因分析、系统风险综合分析等多方面入手，引入风险重要度、功能重要度和综合重要度的概念，构建了铁路系统级的多粒度网络模型，实现了铁路系统级关键风险要素快速辨识和评估。为铁路系统对于风险的提前防护和投入运营前采取重点的针对性措施提供了重要依据，提高了铁路系统运营的可靠性和安全性。
41、本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
1.一种基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，包括：
2.根据权利要求1所述的基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，采用云模型与熵权法结合的方式得到各评价指标的客观权重；熵表示的是信息的不确定性，对某个评价指标而言，其离散的程度越大，那么对应的熵值就会越小，表明该评价指标会对最终的评价结果产生比较大的影响，其对应的权重也应该越大；以熵值法为基础上，结合云距离测度和熵值法来确定评价指标的权重。
3.根据权利要求1所述的基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，铁路风险要素多粒度网络建立的方法包括部件提取、连接方式划分、作用关系网络模型构建；
4.根据权利要求3所述的基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，铁路风险要素多粒度网络中的指标，包括：
5.根据权利要求4所述的基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，
6.根据权利要求1所述的基于综合重要度的铁路风险要素辨识与评估方法，其特征在于，所述主成分分析方法中求得主成分个数之后，选取第一主成分作为“功能重要度”权重，再参与后续的加权计算。
7.一种基于综合重要度的铁路风险要素辨识与评估系统，其特征在于，包括：
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于综合重要度的铁路风险要素辨识与评估方法。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的基于综合重要度的铁路风险要素辨识与评估方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的基于综合重要度的铁路风险要素辨识与评估方法的指令。
