考虑强化粗糙集属性的快递运输风险快速挖掘

马青云，刘海鸥，刘 鑫

(1. 广州软件学院电子系，广东 广州 510900；
2. 广州软件学院计算机系，广东 广州 510900；
3. 中南大学计算机学院，湖南 长沙 410000)

快递运输具有较大的安全风险[1]，主要分为两方面，其一是运输品为危险品，遭受撞击很容易引发腐蚀或者爆炸。购买小批量危险化学品，在和其它正常用品运输的过程中，会导致运输爆炸风险增加。我国现行危险品运输状况比较杂乱[2]，存在较多的安全问题，引起该风险因素不是单一的，而且具有多面性，一种是由于大量化学品年运输数量和运输单位的资质不完整，另一种是没有运输资质，却妄想私运物品，所以造成危险。其二是环境对运输载体的影响，例如在运输过程中，雨雪天气会导致路面摩擦力发生变化，车辆行驶容易出现打滑侧翻的状况；
还有驾驶员休息不够、注意力不集中，车辆自身产生故障，失去控制能力等各种现象，均会对快递运输增添风险。

为进一步分析快递运输过程中的风险，确保快递送达时间，奇格奇等人[3]提出基于语义挖掘的快递运输货品风险评价方法，通过网络大数据资源结合模糊聚类方法，实现对快递货品语义风险的划分。王馨梓等人[4]提出危险货物运输风险分级指标评价体系，通过构建风险评价指标体系，对危险货物运输风险分级划分，并提出对应管控策略。以上两种方法均能实现对运输风险的划分，但划分精准度不稳定。

在以上已有方法的基础上，为降低货物损失率，提高快递运输安全性，本研究提出了基于强化粗糙集属性的快递运输风险挖掘方法。通过对快递运输突发事件数据预处理，将相关风险数据保存在数据库中，构建快递运输风险挖掘模型，找出快递运输风险的规律，利用强化粗糙集方法研究某地区时间范围内，快递运输条件属性决策属性间的依赖关系，挖掘快递运输风险。

在快递运输过程中会出现突发事件，将相关风险数据储存在数据库内，保存为历史信息给评估风险奠定基础。通过突发事件数据库获得历史数据，但存在信息不完整、被噪声与冗余干扰等问题，不适合直接作为风险挖掘计算基础，为此使用粗糙集属性约简[5，6]，能保证基础信息存在外，剔除多余重复的属性，对信息精简提取。构建相似度矩阵来约简噪声和冗余数据。其度量方法表述为：

(1)

ηp=(ηp1，…，ηp(p-1)，0，ηp(p+1)，…，ηpn)

(2)

其中n=|U|，N表示矩阵迭代周期，那么相似度矩阵表达式为

N=(η1，η2，…，ηn)N

(3)

设1/|A|是对象相似度最小值，若xp和剩下任何对象的相似性较小，那么∀i∈{1，2，…，n}，其中i≠p，均有ηpi<1/|A|时，判断xp是噪声数据[7，8]；
假设xp和另外对象在全部属性上都实现相似关联性，便有

ηpi>|Pi|·1/(3|A|)+(|A|-|Pi|)·1/|A|

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

(4)

假设∃i∈{1，2，…，n}且i≠p，令ηpi>1-2|Pi|/(3|A|)时，断定xp和xi都表示为冗余数据，把xp和xi内标记*过多数据剔除，能够增加内存[9]。为此获得判断区间范围(1/|A|，1-2|Pi|/(3|A|))，以此来约简噪声和冗余数据。

仅考虑国内的道路快递运输方式，按照全面性[10，11]、代表性与科学性原则，并借鉴其它行业运输风险评价因素，构建针对快递运输风险挖掘模型。其中，条件属性为a为技术指标，b为质量指标，c为环境指标，d为主体指标，e为装载规范指标，决策属性为f为事故类型；
10个对象分别为10辆快递运输车。快递运输风险挖掘模型，如表1所示。

表1 快递运输风险挖掘模型

通过表1能够看出，同一对象会被不同占比的多种条件和决策属性定义，这是因为快递运输风险事件的产生和多种属性间都存在关系，例如路面情况、车辆本身质量、外界环境干扰以及驾驶员状态[12，13]。其中路面情况主要是指为城市还是农村道路、有没有隔离带、是否限制车辆行驶速度、照明情况、交叉路口设计等；
外界环境干扰包括运输时天气是否良好，是否会有雨、雪、结冰以及雾等；
驾驶员状态包括司机的身心健康水平、饮酒吸烟习惯、驾驶员是否经过培训上岗等[14]。这些因素需要根据约简后历史数据划分出当前快递运输事件影响的主次因素，即强化粗糙集属性，便于发现造成风险的因素与风险间的“原因-结果”关系，找出快递运输风险的规律[15]。

表1中数据完成了离散化处理，描述为：属性a取1表示司机驾驶经验丰富、未饮酒、身体健康，取2表示驾驶员经验不足，取3表示不具备驾驶资格；
属性b为1表示车辆结构完好、车辆容器完整，为2表示汽车结构具有缺陷；
属性c为1表示干燥的路面，为2表示路面存在潮湿、泥泞、结冰或下雪等情况，为3表示有雾的天气；
属性d为1表示车辆速度符合规定，为2表示超过规定速度；
属性e为1表示物品装载的合理，为2表示装载不合理、超载、或不按照标准混装；
属性f为1表示未发生交通事故，但快递货物出现泄露丢失，为2表示偏出路面导致快递货物泄露丢失，为3表示翻车引起快递丢失，为4表示车辆碰撞导致快递遗失，为5表示车辆翻车碰撞引起的火灾甚至爆炸。

计算属性的重要度为

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-{b}={{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-{d}={{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-{b}(D)={1，2，3，8，9}，POSC-{c}(D)={1，3，8，9}，POSC-{d}(D)={1，3，8，9}，POSC-{e}(D)={1，3，8，9}，按照γC(D)=card(POSC(D))/card(U)与SGF(a)=γC(D)-γC-{a}(D)，能够得出：SGF(a)=0.25，SGF(b)=0.15，SGF(c)=0.15，SGF(d)=0，SGF(e)=0，再实行归一化整理，得到：SGF(a)=0.6，SGF(b)=0.2，SGF(c)=0.2，SGF(d)=0，SGF(e)=0。

上述，card表示为基数，POS(·)表示属性对应的粗糙集正域，C表示条件属性集，D表示决策属性集，γC(D)表示两者之间的依赖程度，SGF(·)表示属性在风险挖掘中的重要程度，表γC-{a}(D)示条件属性集C内剔除属性a之后的属性依赖程度。

强化粗糙集属性重要度，描述的是条件属性对决策属性的影响程度与重要程度，也可以说决策属性对条件属性的依赖程度。通过强化粗糙集方法研究某地区时间范围内快递运输条件属性决策属性与决策属性的依赖关系，观察到此范围内快递运输事件的出现，挖掘得出最关键的因素是属性a，即为技术指标情况，其次是属性b与c，即质量与环境指标，属性d与属性e，即主体指标和装载规范指标。基于此，利用重要度属性，得到数据不同的风险情况，精准挖掘出风险可能性。这对于快递运输风险分类有着重要作用，有助于更好的做出保护措施，完善运输技术，确保运输安全。

实验选择上海-杭州快递运输路线，如图1所示。运输过程中具体的实验参数如表2所示。

图1 上海-杭州快递运输路线图

表2 实验参数

由于快递不仅仅要满足上海-杭州，还要保证快递公司利润最大，因此会出现6种完全不同线路，在途中还会配送上海-杭州线路涉及的相关城市。6条快递线路中，路线1#道路情况较差。路线2#、路线3#会涉及边缘城市和乡村，路面主要是水泥窄路或者国道。路线4#最短，平稳度也较高，5#和6#偏向沿海城市。

路线1#途径地区较多，会经过郊区窄小路面，道路情况较为差。图2得知车辆A1风险可能性较高，危险程度相对增加，因为车辆速度较快，若是在交叉路口突然出现车辆，会来不及反应，导致事故发生；
A3风险可能性极高，危险程度极高，说明驾驶人员身体疲劳，容易出现事故。

由于路线2#经过的区域多，配送地点多，路程最远，驾驶员会出现过度劳累。图3得知，A2的风险可能性虽高，但是危险程度较低；
其余类型风险可能性都较高，危险程度升高，在天气和路面不好的情况下，货物泄露为其它车辆增添危险，由此说明整体风险很高，需格外关注。

图2 路线1#的风险挖掘结果

路线3#行驶弯道较多，易在转弯时发生危险。图4所示，可以看出路线3#的A1风险可能性较低，A3较高，说明车辆行驶速度较低，但是驾驶员身体疲劳程度较高，容易行驶中发生瞌睡，在突发情况中应急水平较差，容易造成事故；
A4与A5的可能性高，证明路面状况不好，行驶存在困难，天气情况较差，视线受到影响，危险程度增加。

图3 路线2#的风险挖掘结果

由于路线4#路程最短，较为平缓，途经地区较少，能够保证驾驶人员不会长时间行驶。通过图5中得知，路线4#的车辆A2风险可能性较高，危险程度不高，是由于此风险是运输车辆存在泄露，只是货物丢失概率增加，但车辆与驾驶人员不具有危险性；
其它风险可能性均较低，说明运行速度合适、驾驶人员休息得当、道路状况良好、天气晴朗，各方面都很好，由此说明路线2#的快递运输风险仅仅存在快递丢失的状况，发生事故的危险程度极低。

图4 路线3#的风险挖掘结果

由于路线5#靠近沿海位置，天气容易突变，产生雨雾；
路面湿滑，在车辆行驶时需要注意车速。由图6可知，路线5#车辆驾驶员经验丰富精神状态较好，在运输过程中，天气突然发生变化，路面出现湿滑，为了可以及时配送，速度增加，因此危险程度增加；
车辆货箱发生泄露，天气环境不好，危险程度水平提高。后续需要对驾驶人员培训，增强安全意识。

图5 路线4#的风险挖掘结果

路线6#更加偏向沿海城市，天气与道路情况可知，车辆速度与货箱密封性较好，危险程度不高；
路面情况较差，是由于前两天的雨雪导致道路结冰，所以危险程度较高；
驾驶员疲劳，在面对紧急状况时，容易失去反应能力，发生碰撞或翻车。

图6 路线5#的风险挖掘结果

图7 路线6#的风险挖掘结果

快递运输种类较多，例如汽车陆运、船只海运以及货机空运，因此在运输中的突发事件风险因素也较多。为减少危险事件产生概率，提出基于强化粗糙集属性的快递运输风险挖掘方法。通过分析历史记录信息，去除干扰数据，构建风险挖掘模型以便更好分析快递运输事件因素，并凭借强化粗糙集属性突出重要影响因素，实现精准和全面的挖掘。