基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵車站火災(zāi)安全評價

亢磊磊

(重慶人文科技學(xué)院工商學(xué)院, 重慶 400074)

0 引言

地鐵作為城市交通的重要一環(huán)，具有運量大、速度快、污染小等特點[1]。由于地鐵多數(shù)為地下工程，內(nèi)部空間小、環(huán)境封閉，一旦發(fā)生火災(zāi)，人員疏散和救援較為麻煩，極易造成群死群傷的惡性事件，被稱為“小概率高影響事件”[2-3]。因此，構(gòu)建一種合適的地鐵火災(zāi)安全評價模型，對地鐵火災(zāi)安全管理具有重要的現(xiàn)實意義。

國外關(guān)于地鐵火災(zāi)安全評價的研究起步較早，Johansson等[4]基于FMECA方法對地鐵火災(zāi)報警系統(tǒng)的可靠性進行分析，從消防設(shè)備方面提出防治措施； Choi等[5]從概率和主觀2個方面運用模糊數(shù)學(xué)理論對地鐵火災(zāi)進行評價。國內(nèi)方面，李炎鋒等[6]運用改進層次分析法按時序分階段評價地鐵火災(zāi)安全，其結(jié)果易受專家認知能力的影響； 趙海榮等[7]提出基于G1方法確定指標權(quán)重的地鐵火災(zāi)模糊評價模型，同樣存在專家打分過程中出現(xiàn)極值的弊端； 褚鵬宇等[8]采用動態(tài)賦權(quán)理念結(jié)合模糊Petri網(wǎng)模型分析不同因素對地鐵火災(zāi)安全的影響，但未能解決評價過程中的動態(tài)性問題； 馬劍等[9]引入D-S證據(jù)理論對不確定指標做可靠性分析，但評價結(jié)果不具有延展性； 李江華[10]提出基于SOM神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型，忽視了部分指標難以量化的特點； 喻茗之等[11]利用遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)實現(xiàn)地鐵火災(zāi)評價，但未對指標的重要性做區(qū)分度分析。

上述研究從不同視角對地鐵火災(zāi)安全進行評價，但仍然存在以下問題： 借鑒專家知識經(jīng)驗時未對專家打分中極值分數(shù)的影響做有效處理，評價過程中缺乏動態(tài)性且結(jié)果不具有延展性，當指標狀態(tài)發(fā)生變化時需對結(jié)果重新計算； 未將專家的認知和人工智能工具有效結(jié)合，沒有考慮對應(yīng)權(quán)值下指標重要程度的差異性。鑒于以上問題，本文提出構(gòu)建基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型，利用C-OWA算子對專家決策數(shù)據(jù)按照降序的方式重新排序，通過組合排列加權(quán)集結(jié)求得指標權(quán)重，削弱決策極值對權(quán)重的負面影響； 然后充分考慮指標對目標作用的差異性，將權(quán)值與BP神經(jīng)網(wǎng)絡(luò)輸入值有機結(jié)合，利用BP神經(jīng)網(wǎng)絡(luò)強大的自學(xué)習(xí)、模擬人腦能力，根據(jù)已知樣本數(shù)據(jù)模擬目標狀態(tài)的優(yōu)勢，并將其運用在鄭州地鐵2號線的火災(zāi)安全評價中。

1 地鐵火災(zāi)安全評價指標體系的構(gòu)建

地鐵火災(zāi)是一個漸變發(fā)展的過程，本文按照時間順序?qū)⒌罔F火災(zāi)分為3個階段，即火災(zāi)初期增長階段、火災(zāi)充分發(fā)展階段和火災(zāi)減弱階段，并針對地鐵火災(zāi)發(fā)生的各個階段構(gòu)建安全評價指標。為提高地鐵車站火災(zāi)安全等級，應(yīng)在火災(zāi)發(fā)生前對隱患因素，如可燃物情況、設(shè)備故障狀態(tài)、探測系統(tǒng)的工作性能等進行分析，盡可能地提前消除隱患。應(yīng)急控制響應(yīng)系統(tǒng)、自動撲救系統(tǒng)和消防員手動撲救系統(tǒng)3大系統(tǒng)的工作性能對于火災(zāi)的及時消除十分重要，故在火災(zāi)充分發(fā)展階段應(yīng)給予高度重視。3大系統(tǒng)的正常發(fā)揮能最大程度降低滅火的時間和保障人員安全、降低損失，因此，在火災(zāi)減弱階段同樣需考慮該系統(tǒng)內(nèi)部的因素。此外，鑒于地鐵車站火災(zāi)安全管理的特殊性，乘客和工作人員能否在火災(zāi)發(fā)生的第一時間得到有效的疏散極其重要，故除了根據(jù)地鐵火災(zāi)發(fā)生的時間順序構(gòu)建安全評價指標外，還需要將人員的疏散納入評價體系，進而得到更加全面的評價指標，如圖1所示。

2 評價模型適用性分析

2.1 C-OWA算子賦權(quán)分析

由已有的地鐵火災(zāi)安全評價指標可知，其指標數(shù)量較多且多數(shù)呈現(xiàn)出模糊不確定性。由于決策者大多是通過借鑒專家的知識對指標的權(quán)重進行分配，這種權(quán)重分配方式(如層次分析法、改進層次分析法、熵權(quán)法等)會因?qū)＜艺J知的不同造成結(jié)果存在片面性和極端值，由此求得的權(quán)重必然受到專家主觀偏好的影響。為降低專家評價結(jié)果中的極值帶來的不利影響，有學(xué)者采用去除最大值和最小值，并對剩余數(shù)據(jù)取平均值的方法。該方法計算簡單，在跳水和體操領(lǐng)域得到廣泛的應(yīng)用，但是求得的權(quán)重比較粗糙，忽略了最大值和最小值對評價目標的作用。在實際的決策過程中，即使是較小的評價值同樣可反映出對目標的影響，為充分考慮每個決策者對評價指標的認知，本文采用C-OWA算子對指標進行賦權(quán)。C-OWA算子把權(quán)重和數(shù)據(jù)聯(lián)系起來，充分考慮每個決策數(shù)據(jù)的作用，極好地滿足了公平性原則，力求體現(xiàn)每個決策者的意志，同時降低了極值帶來的負面作用。

圖1 地鐵車站火災(zāi)安全評價指標體系

OWA算子(ordered weighted averaging)是由美國學(xué)者Yager提出的，中心思想是對原始數(shù)據(jù)按照一定的順序做二次排序，并根據(jù)新的順序做加權(quán)處理。這樣對數(shù)據(jù)實行有差別的區(qū)分在一定程度上弱化了極值的負面作用[12-13]。王煜等[14]通過將C-OWA(combination ordered weighted averaging)算子與其他賦權(quán)方法對比，認為C-OWA算子的賦權(quán)方法更具有科學(xué)性且計算簡單、高效； 宋博等[15]利用OWA算子得出城市軌道交通PPP融資風(fēng)險指標權(quán)值，較好地解決了極值的負面影響。因此，本文選用C-OWA算子對指標進行賦權(quán)。

2.2 BP神經(jīng)網(wǎng)絡(luò)分析

BP神經(jīng)網(wǎng)絡(luò)具有非線性、自學(xué)習(xí)、自耦合性以及大范圍并行處理能力的優(yōu)勢，可快速解決安全評價過程中的動態(tài)性、模糊性等問題，被廣泛應(yīng)用于電力、化工、交通、消防等領(lǐng)域的安全評價[16]。地鐵火災(zāi)安全評價是一個綜合性、動態(tài)性、非線性、模糊性問題，導(dǎo)致傳統(tǒng)的數(shù)理方法在處理過程中失去動態(tài)性評價。BP神經(jīng)網(wǎng)絡(luò)可根據(jù)自身的組織、學(xué)習(xí)能力，將已知樣本數(shù)據(jù)輸入到神經(jīng)元中，模擬出目標特性，解決了地鐵火災(zāi)安全評價的動態(tài)性難題，即利用訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)快速、動態(tài)地實現(xiàn)地鐵火災(zāi)安全評價，具有可行性。

2.3 基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型適用性分析

目前，在地鐵火災(zāi)安全評價過程中的指標賦權(quán)方面，多數(shù)學(xué)者是根據(jù)專家的經(jīng)驗，用打分的形式體現(xiàn)指標重要性，這種方式往往存在一定的極端性，會使確定的指標權(quán)重有失科學(xué)性； 同時，評價結(jié)果不具有延展性，當目標狀態(tài)發(fā)生變化時需對結(jié)果重新計算，且計算過程較為繁瑣，不利于及時做出應(yīng)對措施。C-OWA算子能有效解決打分結(jié)果存在的極端性缺陷問題，通過對打分結(jié)果重新排序加權(quán)得出權(quán)值，降低極值的干擾。BP神經(jīng)網(wǎng)絡(luò)作為一種性能良好的人工智能訓(xùn)練工具，利用已知樣本數(shù)據(jù)能夠較好地模擬出目標情況，模擬過程較好地體現(xiàn)了人腦的思維，具有較強的適用性； 且模擬過程可及時動態(tài)調(diào)整，能夠科學(xué)地將地鐵火災(zāi)安全等級模擬出來。但BP神經(jīng)網(wǎng)絡(luò)對指標重要性的識別能力較弱，為體現(xiàn)不同指標對目標的作用，需將C-OWA算子處理后的指標權(quán)值與BP神經(jīng)網(wǎng)絡(luò)輸入值結(jié)合起來，模擬出地鐵火災(zāi)安全等級。

3 基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型的構(gòu)建

地鐵火災(zāi)安全評價存在大量不確定性指標，此類指標難以用具體數(shù)值量化，往往需要借助專家的知識對指標做出主觀評價，而專家對指標認知的不同會造成結(jié)果存在片面性和極端值，從而影響結(jié)果的科學(xué)性。為克服專家認知不同導(dǎo)致結(jié)果失真的弊端，首先運用C-OWA算子對專家打分的初始數(shù)據(jù)遵循降序的規(guī)則重新排序，利用加權(quán)組合數(shù)的形式削弱極值帶來的不利影響，得出指標的權(quán)重值； 接著從指標的非線性、耦合性出發(fā)，考慮到傳統(tǒng)數(shù)學(xué)方法的評價過程不具有延展性，利用人工智能工具BP神經(jīng)網(wǎng)絡(luò)，通過已訓(xùn)練好的網(wǎng)絡(luò)對樣本進行訓(xùn)練，模擬出目標的火災(zāi)安全等級，實現(xiàn)對地鐵火災(zāi)的安全評價。

3.1 地鐵火災(zāi)安全評價等級的界定

地鐵火災(zāi)安全評價等級的界定是否合理，直接關(guān)系到專家打分判斷的科學(xué)性。從地鐵火災(zāi)安全事故發(fā)生的可能性來說，每一個安全等級發(fā)生的概率都是相同的，故對地鐵火災(zāi)安全等級做均等劃分。李炎鋒等[6]根據(jù)模糊約束分類描述準則，將安全等級劃分為4個等級，即安全、可接受、須整改、不可接受，并將其量化到區(qū)間[0，1]。為提高地鐵車站火災(zāi)安全管理水平，在設(shè)定安全等級時需增加高級別等級的范圍，減小低級別等級的范圍，故在李炎鋒等[6]研究的基礎(chǔ)上將地鐵車站火災(zāi)安全等級劃分為5個等級： 很高、高、較高、一般、低。對應(yīng)的區(qū)間范圍見表1。

表1 地鐵車站火災(zāi)安全等級范圍

3.2 運用C-OWA算子計算指標的權(quán)值

運用C-OWA算子計算指標權(quán)值的步驟如下。

1) 邀請n個專家對相同層次指標的重要程度進行打分，分值范圍為0～10，分值越大表明指標越重要，得出指標的初始決策數(shù)據(jù)為(a1,a2,…,an)。遵循降序的規(guī)則對初始數(shù)據(jù)從0開始再次排列，得到排序后的新數(shù)據(jù)為(b0,b1,…,bn-1)，其中b0

(1)

3)絕對權(quán)值的計算。根據(jù)加權(quán)向量w對數(shù)據(jù)做加權(quán)處理，得出指標絕對權(quán)值

(2)

式中：w∈[0,1];j∈[0,n-1]。

4)相對權(quán)值wi的計算：

(3)

式中i=1,2,…,n。

3.3 地鐵火災(zāi)安全評價的BP神經(jīng)網(wǎng)絡(luò)模型

地鐵火災(zāi)安全評價指標內(nèi)部交錯相連，彼此發(fā)生交叉作用，如果單獨衡量某一個指標對目標的作用，將導(dǎo)致評價結(jié)果存在片面性，同時安全指標具有動態(tài)性、不可控性。常見的評價方法(如灰色理論、模糊理論)無法解決指標間復(fù)雜的交叉關(guān)系，且評價過程不具有延展性，即當指標發(fā)生變化時，需對結(jié)果重新計算，在一定程度上影響評價的效率。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型

3.4 基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型

地鐵火災(zāi)安全評價指標涵蓋定性和定量2個部分。對于定性指標，如果不做量化處理而直接輸入到BP神經(jīng)網(wǎng)絡(luò)，忽略專家對項目實際情況的判別，輸出結(jié)果可能會出現(xiàn)與實際偏離的情況。故運用C-OWA算子對專家的決策數(shù)據(jù)進行賦權(quán)，然后導(dǎo)入到BP神經(jīng)網(wǎng)絡(luò)，輸出評價值。其評價過程如下： 1)利用C-OWA算子計算準則層對目標層的權(quán)重； 2)構(gòu)建從次準則層到準則層的BP網(wǎng)絡(luò)結(jié)構(gòu)模型并設(shè)置相關(guān)訓(xùn)練參數(shù)進行測試，直到網(wǎng)絡(luò)結(jié)構(gòu)成熟； 3)將收集的訓(xùn)練樣本信息導(dǎo)入訓(xùn)練成熟的網(wǎng)絡(luò)中，得到準則層指標評價值； 4)將該評價值與C-OWA算子算出的指標權(quán)重加權(quán)計算，確定目標層的安全等級。

4 案例分析

鄭州地鐵2號線紫荊山車站作為1號線與2號線的換乘車站，是連接主城區(qū)和港區(qū)的重要樞紐，客流量為4萬人/d左右。地下共4層，有6個主要出入口，站內(nèi)消防設(shè)施主要有風(fēng)機臺，風(fēng)率為75 m3/s。站臺與站廳的結(jié)合處設(shè)置防火卷簾，上部位置設(shè)有擋煙垂壁。站內(nèi)配有煙感探頭、手動報警器、消防控制中心、應(yīng)急指示燈和廣播站。運用構(gòu)建的基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價模型對該地鐵火災(zāi)安全進行評價，以期提高火災(zāi)安全管理水平。

4.1 C-OWA算子計算指標權(quán)重

以1級指標A2(探測系統(tǒng)響應(yīng)分析)為例，計算其下4個2級指標的權(quán)重。邀請6位同行業(yè)的專家對4個指標進行打分，分值越大表明指標的重要程度越高，具體結(jié)果見表2。

表2 指標A2專家打分值

對指標A21的打分數(shù)據(jù)按照降序的規(guī)則重新排序，得到新的數(shù)據(jù)為(8.5,8,7.5,7,6.5,6)，根據(jù)式(1)求得加權(quán)向量w=(0.031,0.156,0.313,0.313,0.156,0.031)，則指標A21的絕對權(quán)值為：

[7.0,7.5,8.0,8.5,6.0,6.5]T=7.689。

4.2 基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵火災(zāi)安全評價

4.2.1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的收集和處理

由于地鐵火災(zāi)安全評價指標兼具正向和反向2個種類，在輸入BP神經(jīng)網(wǎng)絡(luò)前需對不同屬性的指標消除量綱影響，以此表明指標對目標的影響程度。首先利用式(4)將指標統(tǒng)一到相同區(qū)間內(nèi)，再根據(jù)正向和反向指標的特性分別按照式(5)和式(6)做進一步的歸一化處理。

(4)

式中：Oik為原始指標歸一化后的數(shù)據(jù)；Vik為原始數(shù)據(jù)；i=1,2,…,n;k=1,2,…,n。

正向指標：

(5)

反向指標：

(6)

由于次準則層共有23個指標，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點較多、結(jié)構(gòu)復(fù)雜。為提高BP神經(jīng)網(wǎng)絡(luò)處理樣本間非線性關(guān)系的能力，同時驗證網(wǎng)絡(luò)構(gòu)建的成熟度以及合理性，將BP神經(jīng)網(wǎng)絡(luò)劃分為訓(xùn)練集、測試集和驗證集3部分，其中訓(xùn)練集作為估計模型，驗證集作為確定BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的參數(shù)，測試集則用來檢驗最終評價模型的性能。本文采用經(jīng)典的劃分比例，即三者樣本數(shù)量的比例為3∶1∶1，為增加輸出結(jié)果的科學(xué)性，具體樣本隨機選擇。選擇樣本數(shù)據(jù)100組，其中訓(xùn)練集60組，驗證集20組，測試集20組。為了提高BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的科學(xué)性，100組樣本數(shù)據(jù)中來自鄭州地鐵車站的樣本數(shù)量為40個，其中，1號線20個、2號線20個，剩余60個樣本分別來自北京、上海、深圳、廣州4個城市的相關(guān)車站，這些城市地鐵開通較早，數(shù)據(jù)較為豐富，易于收集且具有可參考性。

4.2.2 基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試

將次準則層的23個指標作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，利用Matlab 2012a自帶的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)地鐵車站的火災(zāi)安全評價。從多次模擬的結(jié)果可知，當訓(xùn)練次數(shù)滿足600次、最小訓(xùn)練速率為0.7 s/次、允許誤差小于0.008、迭代次數(shù)為700時，模擬效果最好。訓(xùn)練結(jié)果見表3，其中序號為100的樣本為待測樣本，其余為學(xué)習(xí)樣本。

表3 基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果

由表3輸出結(jié)果可知，4個學(xué)習(xí)樣本和1個待測樣本的期望輸出和實際輸出等級保持一致，安全等級均為高； 同時最大誤差絕對值為0.04%，低于允許誤差0.008，表明構(gòu)建的基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)的地鐵車站火災(zāi)安全評價模型滿足訓(xùn)練精度的要求。序號為100的樣本的輸出結(jié)果為0.650 4，根據(jù)表1可知，鄭州地鐵2號線紫荊山車站火災(zāi)安全等級為高，且與期望值相符合，證明所構(gòu)建的評價模型的科學(xué)性。在日常安全管理中，應(yīng)重視對阻燃材料使用率、火災(zāi)探測設(shè)置、通風(fēng)排煙能力、消防供水情況、消防設(shè)備數(shù)量、工作人員數(shù)量6個主要指標的監(jiān)控； 同時在后續(xù)的施工過程，只需根據(jù)現(xiàn)場數(shù)據(jù)的變化將變動的輸入樣本導(dǎo)入到訓(xùn)練成熟的網(wǎng)絡(luò)中，即可快速、科學(xué)地實現(xiàn)動態(tài)的評價，使得模型具有一定的延展性。

5 結(jié)論與討論

1)根據(jù)火災(zāi)發(fā)生的時間順序構(gòu)建地鐵車站火災(zāi)安全評價指標，兼顧人員因素豐富了地鐵火災(zāi)安全評價指標體系，提出基于C-OWA算子的賦權(quán)方法，在一定程度上弱化了極值的不利影響，且計算簡便，無需反復(fù)調(diào)整。

2)運用BP神經(jīng)網(wǎng)絡(luò)良好的自學(xué)習(xí)、適應(yīng)能力以及動態(tài)性等特點對樣本數(shù)據(jù)進行模擬，實現(xiàn)地鐵火災(zāi)安全評價的人工智能化，增加評價結(jié)果的延展性，能夠快速、科學(xué)地得出地鐵火災(zāi)安全等級。

3)基于C-OWA算子和BP神經(jīng)網(wǎng)絡(luò)模型對鄭州地鐵2號線紫荊山車站火災(zāi)安全進行綜合評價，結(jié)果表明該地鐵火災(zāi)安全等級為高，且輸出值與期望值較為吻合，同時指出在日常安全管理中應(yīng)當重點關(guān)注的風(fēng)險指標，為日常安全管理提供科學(xué)的指導(dǎo)意見。

本文只針對地鐵車站的火災(zāi)安全進行評價，缺乏對地鐵整個運行過程的評估，在后續(xù)的研究中應(yīng)進行更深入的探討，以豐富地鐵火災(zāi)研究理論； 同時，本文只確定了影響地鐵車站火災(zāi)的關(guān)鍵指標，下一步應(yīng)提出針對性的應(yīng)對措施，進一步提高地鐵車站火災(zāi)安全等級。