【摘要】：我國每年由安全問題造成的經(jīng)濟(jì)損失約占GDP總量的6%,給國家和人民帶來了極大的損失,因此對生產(chǎn)安全事故的預(yù)測就顯得十分重要。傳統(tǒng)的生產(chǎn)安全事故分析主要包括統(tǒng)計(jì)分析、回歸模型、灰色模型等,不利于采取措施預(yù)防事故發(fā)生。本文在針對生產(chǎn)安全事故數(shù)據(jù)研究時結(jié)合了一元時間序列理論,多元時間序列理論,在理論應(yīng)用方面有一定的創(chuàng)新,將時間序列預(yù)測模型應(yīng)用到生產(chǎn)安全的預(yù)測中,特別是將多元時間序列的二元時間序列的向量移動平均自回歸方法運(yùn)用到生產(chǎn)安全事故中,以近10年的數(shù)據(jù)作為實(shí)證,從多方面分析事故的發(fā)生的趨勢和影響因素,對其提出指導(dǎo)性意見和建議,及時對生產(chǎn)安全事故采取措施。本文主要展開了一下幾個方面的工作:1.從國家安監(jiān)局官網(wǎng)獲取數(shù)據(jù),通過正則表達(dá)式獲取生產(chǎn)安全事故及其簡介信息。通過對較大事故進(jìn)行數(shù)據(jù)預(yù)處理,通過可視化展示其數(shù)據(jù)特點(diǎn)。2.將一元時間序列ARIMA模型與三次指數(shù)平滑模型以15年生產(chǎn)安全較大事故序列數(shù)據(jù)擬合及預(yù)測結(jié)果相比較,從事故死亡人數(shù)、起數(shù)及發(fā)展趨勢相對比,得到一元時間序列預(yù)測模型殘差為-21. 92,相對誤差0. 266,比三次指數(shù)平滑有更高的準(zhǔn)確性和可靠性。3.研究多元時間序列理論基礎(chǔ),將多元時間序列建模并應(yīng)用于生產(chǎn)安全事故的預(yù)測,與之前的幾個模型相比較,得出相對誤差0.2452,更加準(zhǔn)確的結(jié)果。將死亡人數(shù)和事故起數(shù)二元時間序列做相關(guān)分析,并以其增長率為時間序列分析建模,預(yù)測未12個月的數(shù)值。4.本文將定性分析與定量預(yù)測相結(jié)合,用于對生產(chǎn)安全事故的預(yù)判。定性分析:通過較大事故簡介信息將事故分為不同類型,其中交通事故類型事故占比最多;對于較大事故發(fā)生的年份分析,其中以2005年為轉(zhuǎn)折點(diǎn),2005年以前較大事故呈上升趨勢,2005年后呈逐年下降趨勢;針對較大事故發(fā)生的地域方面得出較大事故主要其中在西南山區(qū)較多,地質(zhì)不穩(wěn)定區(qū)域。定量分析:通過對生產(chǎn)安全事故序列的建立指數(shù)平滑、一元時間序列、多元時間序列的模型,調(diào)整模型參數(shù),選擇最佳模型對較大事故序列進(jìn)行預(yù)測。得到未來一年生產(chǎn)安全較大事故的走勢。通過走勢及時提出預(yù)防和減少事故發(fā)生的對策措施,為國家宏觀決策提供支持。
[Abstract]:The annual economic loss caused by safety problems in China accounts for about 6% of the total amount of GDP, which brings great losses to the country and the people, so it is very important to predict the accidents of production safety. The traditional analysis of production safety accidents mainly includes statistical analysis, regression model, grey model and so on, which is unfavorable to take measures to prevent accidents. This paper combines the theory of monadic time series and the theory of multivariate time series in the research of production safety accident data. It has some innovation in the application of the theory, and applies the time series prediction model to the prediction of production safety. In particular, the vector moving average autoregressive method of binary time series of multivariate time series is applied to production safety accidents. Taking the data of nearly 10 years as an example, the trend and influencing factors of accidents are analyzed from many aspects. To provide guidance and suggestions, timely production safety accidents to take measures. This paper mainly carried out a few aspects of the work: 1. The data are obtained from the official website of the State Safety Supervision Bureau, and the production safety accidents and their brief information are obtained by regular expression. Through the data preprocessing to the big accident, the data characteristic is displayed through the visualization. 2. 2. The ARIMA model of monadic time series and the cubic exponential smoothing model are compared with the data fitting and forecasting results of 15 years of production safety larger accident series, and the number of deaths in accidents, the number of deaths and the development trend are compared in terms of the number of accidents, the number of deaths, and the trend of development. The residual error of the unary time series prediction model is -21. 92, relative error 0. 266a higher accuracy and reliability than cubic exponential smoothing. This paper studies the theoretical basis of multivariate time series and applies it to the prediction of production safety accidents. Compared with the previous models, the relative error is 0.2452, which is more accurate. The binary time series of death and accident are analyzed, and its growth rate is used as time series analysis model to predict the value of less than 12 months. This paper combines qualitative analysis with quantitative prediction to predict production safety accidents. Qualitative analysis: the accident is divided into different types through the large accident brief information, among which the traffic accident type is the most; For the year analysis of major accidents, the turning point is 2005, before 2005, the major accidents are on the rise, and after 2005, the trend is decreasing year by year. In view of the region of large accidents, it is found that the major accidents are mainly in the southwest mountainous area and the geological unstable area. Quantitative analysis: through establishing exponential smoothing, univariate time series, multivariate time series model, adjusting model parameters, selecting the best model to predict the larger accident sequence. Get the trend of production safety accidents in the coming year. The countermeasures to prevent and reduce accidents are put forward in time through the trend to provide support for national macro-decision-making.
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：X915.4;O211.61

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李麗;劉新;康華;閆立達(dá);;基于2010年—2014年年度事故統(tǒng)計(jì)的我國安全生產(chǎn)形勢分析[J];長春工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年02期

2 李生才;笑蕾;;2014年7—8月國內(nèi)生產(chǎn)安全事故統(tǒng)計(jì)分析[J];安全與環(huán)境學(xué)報(bào);2014年05期

3 支同祥;;新《安全生產(chǎn)法》要點(diǎn)解讀[J];勞動保護(hù);2014年10期

4 李飛翱;羅文強(qiáng);劉小珊;黃麗;;多元非平穩(wěn)時間序列分析的滑坡變形預(yù)測研究[J];長江科學(xué)院院報(bào);2014年04期

5 崔桂梅;李靜;張勇;盧俊慧;馬祥;;高爐鐵水溫度的多元時間序列建模和預(yù)測[J];鋼鐵研究學(xué)報(bào);2014年04期

6 張文勛;;基于灰色預(yù)測法和指數(shù)平滑法預(yù)測研究新疆安全生產(chǎn)事故[J];安全;2013年11期

7 李曉東;陳琦;;我國建筑生產(chǎn)安全事故的主要類型及其防范措施[J];土木工程學(xué)報(bào);2012年S2期

8 王琰;殷躍廣;;基于灰色系統(tǒng)理論的安全生產(chǎn)事故分析和預(yù)測[J];科技資訊;2012年06期

9 劉香蘭;董桂剛;朱紀(jì)明;;灰色關(guān)聯(lián)分析在煤礦傷亡事故統(tǒng)計(jì)分析中的應(yīng)用[J];煤炭工程;2012年02期

10 胡軍偉;秦奕青;張偉;;正則表達(dá)式在Web信息抽取中的應(yīng)用[J];北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年06期

相關(guān)博士學(xué)位論文 前6條

1 閆明月;時間序列相似性與預(yù)測算法研究及其應(yīng)用[D];北京交通大學(xué);2014年

2 李德才;基于多元時間序列的關(guān)聯(lián)分析及預(yù)測方法研究[D];大連理工大學(xué);2012年

3 吳佳文;水文時間序列數(shù)據(jù)挖掘算法研究與應(yīng)用[D];沈陽農(nóng)業(yè)大學(xué);2011年

4 吳少智;時間序列數(shù)據(jù)挖掘在生物醫(yī)學(xué)中的應(yīng)用研究[D];電子科技大學(xué);2010年

5 管河山;金融多元時間序列挖掘方法研究與應(yīng)用[D];廈門大學(xué);2008年

6 杜奕;時間序列挖掘相關(guān)算法研究及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 楊諭黔;多維時間序列學(xué)習(xí)建模與預(yù)測分析[D];北京交通大學(xué);2014年

2 鄭皓;基于多元時間序列的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測模型的研究[D];太原理工大學(xué);2013年

3 陳娟;我國煤礦事故統(tǒng)計(jì)分析及基于最佳組合模型的預(yù)測研究[D];太原理工大學(xué);2012年

4 彭曉曉;建筑安全事故預(yù)測和預(yù)控對策研究[D];中國海洋大學(xué);2012年

5 代洪偉;時間序列分析在我國居民消費(fèi)價格指數(shù)中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2012年

6 馮健鈞;政府構(gòu)建安全生產(chǎn)長效機(jī)制研究[D];天津大學(xué);2010年

7 魏寧;時間序列分析方法研究及其在陜西省GDP預(yù)測中的應(yīng)用[D];西北農(nóng)林科技大學(xué);2010年

8 趙瑋英;時間序列分析在氣象中的應(yīng)用[D];揚(yáng)州大學(xué);2010年

9 李琦;時間序列VARFIMA模型研究與應(yīng)用[D];西安電子科技大學(xué);2010年

10 李蘇旺;時間序列數(shù)據(jù)建模及其在瓦斯預(yù)測中的應(yīng)用研究[D];太原理工大學(xué);2007年

，

本文編號：2329310