基于改進BP神經(jīng)網(wǎng)絡(luò)的運輸企業(yè)安全評價研究

曹引弟，李 捷，賈志絢

(太原科技大學(xué)交通與物流學(xué)院，太原 030024)

?

基于改進BP神經(jīng)網(wǎng)絡(luò)的運輸企業(yè)安全評價研究

曹引弟，李 捷，賈志絢

(太原科技大學(xué)交通與物流學(xué)院，太原 030024)

為了更準確地評價道路旅客運輸企業(yè)的安全狀況及安全等級，提出了基于主成分分析法(PCA)和改進BP神經(jīng)網(wǎng)絡(luò)的評價模型?；谶z傳算法改進的BP神經(jīng)網(wǎng)絡(luò)模型利用非線性識別計算能力設(shè)計神經(jīng)網(wǎng)絡(luò)中的分類器，把分類計算出的結(jié)果輸入到網(wǎng)絡(luò)中計算，更加精確的計算了網(wǎng)絡(luò)中相關(guān)的參數(shù)，彌補了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)缺點。利用該模型對3家實例運輸企業(yè)進行仿真評價然后與傳統(tǒng)模型評價結(jié)果比較分析。結(jié)果表明，該模型評價結(jié)果與實例企業(yè)真實評價期望值之間的相對誤差在0.2%～1.0%之間，比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)評價誤差值小，說明改進的BP神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，也證明了此方法的有效性與實用性，可以正確的評價企業(yè)的安全狀況。

運輸企業(yè)；道路旅客；改進BP神經(jīng)網(wǎng)絡(luò)；主成分分析法；安全評價

近年來，隨著國民經(jīng)濟快速發(fā)展，人員流動日益頻繁，道路旅客運量逐年增加，由此引發(fā)的交通事故數(shù)量也在不斷上升。道路旅客運輸事故的頻繁發(fā)生給人民的出行和財產(chǎn)安全造成了嚴重的威脅。因此，很多學(xué)者把研究重點放在了如何通過確保道路運輸安全來保證生命及財產(chǎn)的安全，道路運輸企業(yè)在道路安全運輸過程中扮演著非常重要的角色。所以在道路旅客運輸企業(yè)中實行安全評價是提高道路安全運輸最為有效的手段之一。已經(jīng)有學(xué)者從該方向展開了一系列研究，如張娟[1]、霍亞敏[2]、郭培杰[3]等分別通過利用BP神經(jīng)網(wǎng)絡(luò)、安全評價相關(guān)量表、模糊評價法等對道路運輸企業(yè)進行安全評價。其中，BP神經(jīng)網(wǎng)絡(luò)評價法是安全評價中用的最多的一種方法，因為該方法具有計算能力強、魯棒性好的特點。但是該算法的不足之處是在運行時經(jīng)常發(fā)生癱瘓，運算速度很慢，很容易造成網(wǎng)絡(luò)計算結(jié)果一直處于最優(yōu)結(jié)果狀態(tài)，為了得到最優(yōu)解而不收斂。

筆者通過改進神經(jīng)網(wǎng)絡(luò)的性能，即基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，讓評價結(jié)果更為精確。該方法能夠更加準確的計算神經(jīng)網(wǎng)絡(luò)中的相關(guān)參數(shù)，與主成分分析法(PCA)的結(jié)合應(yīng)用使復(fù)雜繁多的指標進行降維，降維獲得的指標之間既互不相關(guān)又可以保留原指標主要信息，將這些帶有主要信息的主成分作為神經(jīng)網(wǎng)絡(luò)新的輸入層。最后，利用該模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型對3家實例企業(yè)進行仿真評價和對比分析，以證明改進的模型確實具有優(yōu)越性，更加準確的反映道路旅客運輸企業(yè)安全狀況。

1 改進神經(jīng)網(wǎng)絡(luò)的算法原理

1.1 BP神經(jīng)網(wǎng)絡(luò)的原理

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，通過誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋式神經(jīng)網(wǎng)絡(luò)[4]。它被廣泛應(yīng)用在各種安全評估的計算理論中，該網(wǎng)絡(luò)由三個部分組成即輸入層、若干隱含層和輸出層。

BP神經(jīng)網(wǎng)絡(luò)算法是通過梯度搜索技術(shù)，將輸入信號由上層到下層傳遞出去，最后傳向神經(jīng)網(wǎng)絡(luò)的輸出層，在傳遞過程中，此算法會通過自主學(xué)習(xí)，迭代計算出估計值與輸出值方差的大小并對其進行調(diào)整。如果最后輸出結(jié)果和期望結(jié)果相比誤差較大時，需要反向傳播將輸出信號誤差按原路返回，不斷的調(diào)整計算結(jié)果，降低計算誤差。

由遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)公式[5]描述為：

(1)

(2 )

式中：wij是輸入層節(jié)點與隱層節(jié)點連接的權(quán)值，vit是隱層節(jié)點與輸出節(jié)點連接的權(quán)值，ζi是過程神經(jīng)元中輸出閾值，ηt是輸出神經(jīng)元的閾值，g是隱層神經(jīng)元中的激勵函數(shù)，f是輸出神經(jīng)元中的激勵函數(shù)。

對權(quán)值的修正：

△ωij(n)=-ηg(n)+α△ωij(n-1)

(3 )

式中：η表示自適應(yīng)學(xué)習(xí)率，g(n)表示誤差函數(shù)對權(quán)值的梯度，n是迭代次數(shù)，α是動量因子。

1.2 建立基于PCA的改進神經(jīng)網(wǎng)絡(luò)評價模型

影響道路旅客運輸企業(yè)安全運輸?shù)囊蛩赜泻芏啵煌囊蛩貜牟煌嵌确从沉似髽I(yè)的一些信息。在眾多因素中各因素間會有一定的相關(guān)性，這樣就會有信息重疊的部分，不宜直接使用改進BP神經(jīng)網(wǎng)絡(luò)進行評價。而PCA(主成分分析法)是一種可以對數(shù)據(jù)進行壓縮和特征提取的多變量統(tǒng)計的方法。該方法通過降維，壓縮數(shù)據(jù)把主要變量提取出來轉(zhuǎn)化為某些主要變量的線性組合。然后把變量輸入到改進BP神經(jīng)網(wǎng)絡(luò)進行運算。具體流程如圖1.

圖1 道路旅客運輸安全評價步驟

2 對模型進行訓(xùn)練及應(yīng)用

2.1 構(gòu)造道路旅客運輸企業(yè)的安全評價指標體系

反映道路旅客運輸安全的指標非常多，概括起來主要涉及人、車、物、管理等方面[6]，每一個大方面中又包含了非常多影響運輸安全的因素，有些因素會出現(xiàn)重疊，所以筆者根據(jù)運輸企業(yè)實際狀況，結(jié)合對相關(guān)專家的咨詢，主要從安全管理制度評價、從業(yè)人員素質(zhì)評價、營運車輛與設(shè)備及隱患排查與應(yīng)急救援4個方面來構(gòu)建運輸企業(yè)的安全評價指標，如表1.

2.2 樣本數(shù)據(jù)獲取及提取主成分

由表1的評價指標可知，大多數(shù)指標都是定性的評價，為了將指標定量化，筆者分別以[0，2]、[2，4]、[4，6]、[6，8]、[8，10]表示差、較差、一般、較好、好等評價等級。選擇3家道路旅客運輸企業(yè)，要求評價員在被評企業(yè)實況等級下給予合適的分值，將評價值匯總到30份原始評價數(shù)據(jù)中。

表1 道路旅客運輸企業(yè)安全評價數(shù)據(jù)矩陣

依據(jù)PCA原理對30份原始數(shù)據(jù)進行主成分的提?。?/p>

(1) 將原始數(shù)據(jù)標準化處理。所有指標數(shù)據(jù)為正向的，數(shù)據(jù)越大代表安全狀況卻好，考慮篇幅的限制，列出部分道路旅客運輸企業(yè)的安全評價數(shù)據(jù)，如表1所示的標準化數(shù)據(jù)。

(2) 在SPASS軟件中對標準化數(shù)據(jù)處理得出相關(guān)系數(shù)矩陣R=(rij)n×p，及特征根λi和相應(yīng)的特征向量Ti，貢獻率αi.

(3) 選擇累計貢獻率大于80%的最小整數(shù)作為主成分的個數(shù)，所以選前8個主成分Xj(j=1，2，…，8)替代原來的23個指標Yi(i=1，2，…，23)，作為改進BP神經(jīng)網(wǎng)絡(luò)評價模型的節(jié)點輸入數(shù)，如表2.

表2 初始特征值及貢獻率

表3 主成分因子荷載矩陣

由表3中主成分因子載荷矩陣可得出，第一主成分X1在A10，A11，A13-A16，A24上的荷載比較大，這些荷載主要體現(xiàn)道路旅客運輸企業(yè)制度建立及安全生產(chǎn)責(zé)任方面的指標信息，又因為它的方差貢獻率相比較而言是最大的，所以它是反映道路旅客運輸企業(yè)安全運行狀況非常重要的指標；第2主成分X2在A18，A30-A33上的荷載比較大，它主要體現(xiàn)了車輛設(shè)備及對車輛管理方面的指標；第三主成分X3在A19，A32，A41上的荷載較大，主要反映了事故處理應(yīng)急救援及安全技術(shù)狀況方面的指標；第四主成分X4在A12，A17上的荷載較大，反映了制度執(zhí)行及檔案管理和安全行車管理方面的指標；第五主成分X5在A14，A21-A23上的荷載比較大，主要反映了從業(yè)人員及駕駛員管理，安全防范意識方面的指標；第六主成分X6主要反映了危險源辨識方面的指標；第七主成分X7主要反映了消防安全設(shè)備方面的指標；第八主成分X8主要反映了隱患排查方面的指標。

2.3 改進神經(jīng)網(wǎng)絡(luò)訓(xùn)練及結(jié)果的評價

(1)根據(jù)PCA的計算原理知，提取出的主成分Xj和原始指標Yi有如下線性關(guān)系[7]：

χi=τi1y1+τi2y2+…+τipyp，i=1,2,…,5

(4)

通過表3與公式(4)可以得到如下線性公式：

(5)

通過對式子(5)計算得出8個主成分的指標數(shù) 據(jù)，如下表4。表4中輸出的數(shù)據(jù)是專家對實際評價 結(jié)果的處理，所以此數(shù)據(jù)真實反映了企業(yè)實際安全 狀況水平的高低。將表4的數(shù)據(jù)作為新的學(xué)習(xí)樣本輸入到改進的神經(jīng)網(wǎng)絡(luò)中。

(2)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)

由于主成分的個數(shù)是8，所以通過Matlab軟件設(shè)計的BP神經(jīng)網(wǎng)絡(luò)是3層，節(jié)點數(shù)為8，輸出層的節(jié)點數(shù)設(shè)為1，把隱層節(jié)點數(shù)設(shè)為16，以1 000步作為訓(xùn)練步數(shù)，精度設(shè)定為0.001.選取表4中的20份評價數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練的樣本，測試樣本選取后5份數(shù)據(jù)，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)直接對道路旅客運輸企業(yè)進行安全評價。

(3)仿真評價結(jié)果

表4 主成分數(shù)據(jù)矩陣

由表4可知，對3家道路旅客運輸企業(yè)評估后的平均期望值是0.883，0.784，0.825，而通過此模型得到的值是0.878，0.766，0.824.由前面等級劃分可知，3家道路旅客運輸企業(yè)仿真評價的結(jié)果分別是好，較好，好。為了更進一步的了解改進BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的差異，將此模型得出的值與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)得出的值進行比較，結(jié)果表明改進BP神經(jīng)網(wǎng)絡(luò)評價的結(jié)果和期望值相比，相對誤差在0.2%～1.0%之間，和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的評價結(jié)果誤差相比降低0.6%～1.0%，如表5.說明改進的神經(jīng)網(wǎng)絡(luò)比統(tǒng)神經(jīng)網(wǎng)絡(luò)更具有計算速度快，精度高的優(yōu)點。

表5 評價模型的比較

3 結(jié) 論

(1)對道路旅客運輸企業(yè)進行安全評價時，影響其安全狀況的因素非常多，利用PCA方法可將輸入層的參數(shù)進行降維并提取主特征，將其輸入到改進BP神經(jīng)網(wǎng)絡(luò)模型時，改進的神經(jīng)網(wǎng)絡(luò)會更進一步對參數(shù)篩選，兩種方法的結(jié)合，達到了對主參數(shù)的精確提取。

(2)基于Matlab對道路旅客運輸企業(yè)進行了仿真評價，且與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的評價結(jié)果相比，改進神經(jīng)網(wǎng)絡(luò)模型的評價值與期望值的相對誤差在0.2%～1.0%之間。此模型更具有精確性及時速性，為運輸企業(yè)安全評價的工作的展開提供了比較方便的借鑒方法。

(3)由于條件所限，文中對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時其樣本量較小，評價結(jié)果精度會受到一定影響，在今后的研究工作中，需要搜集更多數(shù)據(jù)資料提高網(wǎng)絡(luò)訓(xùn)練精度，使評價結(jié)果更精確。

[1] 張娟，付曉鳳，王肇飛.基于BP神經(jīng)網(wǎng)絡(luò)的危險貨物物流運輸企業(yè)安全評價方法研究[J].物流技術(shù)，2009，28(11)：131-133.

[2] 霍亞敏，何湘鐸，陳堅，等.道路危險貨物運輸企業(yè)安全性評價研究[J].中國安全科學(xué)學(xué)報，2010，20(6)：88-92.

[3] 郭培杰，蔣軍成.模糊綜合評價法在危險化學(xué)品道路運輸風(fēng)險評價中的應(yīng)用[J].南京工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2006，28(5)：57-62.

[4] 武美先，張學(xué)良，溫淑華，等.BP神經(jīng)網(wǎng)絡(luò)及其改進[J].太原科技大學(xué)學(xué)報，2005，26(2)：120-130.

[5] 彭基偉，呂文華，行鴻彥，等.基于改進GA-BP神經(jīng)網(wǎng)絡(luò)的溫度傳感器的溫度補償[J].儀器儀表學(xué)報，2013，34(1)：155-160.

[6] 孫平，王立，肖麗妮.危險化學(xué)品道路運輸安全評價提攜的建立[J].安全，2008，29(2)：66-71.

[7] 沈小燕，劉浩學(xué)，謝培.基于主成分分析法的危險貨物運輸企業(yè)安全評價[J].中國安全科學(xué)學(xué)報，2012，22(1)：124-130.

A Safety Assessment Model For Transportation Enterprise Based on Improved BP Neural Network

CAO Yin-di，LI Jie，JIA Zhi-xuan

(School of Transportation and Logistics，Taiyuan University of Science and Technology，Taiyuan 030024，China)

For more accurate and convenient evaluation on the safety status and the level of road passenger transport enterprises，a safety assessment model on the basis of PCA and improved BP neural network was proposed.The genetic algorithm to optimize BP neural network can be used to design the neural network classifier through the calculation of nonlinear identification ability，and then the result is input to the network computing.This method can be more accurate to calculate the parameters and make up the shortcomings of traditional neural network.Three enterprises were taken as examples for simulation evaluation and comparative analysis by using this model and three others respectively.Results show that the relative error between the results of improved BP neural network evaluation and the expected value of the real evaluation of the enterprises is 0.2%～1%，which is smaller than that of traditional neural network.It indicates that the improved BP neural network is superior to traditional BP neural network，and this method is proved to be effective and practical，and it can correctly evaluate the safety situation of the enterprise.

transport enterprises，road passenger，improved BP neural network，principal component analysis (PCA)，safety assessment

2016-01-20

太原科技大學(xué)研究生科技創(chuàng)新項目(20125019)

曹引弟(1989-)，女，碩士研究生，主要研究方向為交通運輸工程技術(shù)與評價。

1673-2057(2016)05-0389-06

U491.3

A

10.3969/j.issn.1673-2057.2016.04.011