Modelowanie ryzyka w transporcie

• Autorzy: Stokłosa J. , Marciniak A.

Warianty tytułu

Risk modeling in transport system

• Języki publikacji: PL

Abstrakty

PL

Definiując wymagania, stawiane systemom transportowym, wyróżnia się między innymi, takie ich cechy, jak odporność (robustness) i zwinność (agility) i wymagania te transponuje się na problem zarządzania ryzykiem. Porządkowanie problematyki zarządzania ryzykiem, poprzez jej odpowiednią formalizację, wymaga modelowania ryzyka. W artykule przedstawiono metodę modelowania ryzyka w systemach transportowych opartą na technologii sieci bayesowskich i metodologię ontologicznej inżynierii wiedzy. Pokazany przykładowy model ryzyka jest dużym uproszczeniem rzeczywistego problemu. Tym niemniej, uniwersalność i ekspresywność zastosowanego języka modelowania jest oczywista.

EN

Basic requirements of the transport systems are robustness and agility. The robustness is defined as an ability of a system to resist change without adapting its initial stable configuration. The agility is defined as reliability and flexibility of the transport systems. In the paper a risk modeling in the transport system using bayesian technology and ontology knowledge has been presented. An example of the risk model, which is a simplified representation of real problem has been shown.

Słowa kluczowe

PL

ryzyko; transport; model ryzyka; kolizja

EN

risk; transportation; risk model; collision

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 6014--6014
• Opis fizyczny: Bibliogr. 12 poz., rys., wykr., CD1

Twórcy

autor

Stokłosa J.

• Wyższa Szkoła Ekonomii i Innowacji, Wydział Transportu i Informatyki, 20-209 Lublin, ul. Projektowa 4.

autor

Marciniak A.

• Wyższa Szkoła Ekonomii i Innowacji, Wydział Transportu i Informatyki, 20-209 Lublin, ul. Projektowa 4

Bibliografia

• 1. Christopher M. Bishop, Pattern Recognition and Machine Learning, Information Science and Statistics, Springer 2007
• 2. Fenton N., Neil M. Risk assessment and decision analysis with bayesian network. CRC Press, Taylor and Francis Group, 2013
• 3. Graph Databases by Ian Robinson, Jim Webber and Emil Eifrem , O’Reily 2013
• 4. http://www.agenarisk.com
• 5. http://dist.neo4j.org/basic-neo4j-co de-examples-2008-05-08.pdf - Neo. Some co de snipp ets, Emil Eifrem, 8.05.2008 r.
• 6. http://franz.com/agraph/support/documentation/current/agraph-introduction.html/
• 7. http://protege.stanford.edu/
• 8. http://www.w3.org/TR/2004/REC-owl-features-20040210/
• 9. Pearl J. Causality. Models, reasoning, and inference. Cambridge University Press, Cambridge 2009
• 10. Pearl J. Probabilistic reasoning in inteligent systems: networks of plausible inference. Morgan Kaufmann Publishers, INnc, 1988
• 11. Pramod J. Sadalage, Martin Fowler, NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence, Addison-Wesley 2013
• 12. Sowa John F., Knowledge Representation: Logical, Philosophical, and Computational Foundations, Brooks Cole Publishing Co., Pacific Grove, CA, 2000.