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(jìn)BP神經(jīng)網(wǎng)絡(luò)的運(yùn)輸企業(yè)安全評(píng)價(jià)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(zhǔn)確地評(píng)價(jià)道路旅客運(yùn)輸企業(yè)的安全狀況及安全等級(jí)，提出了基于主成分分析法(PCA)和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)模型?；谶z傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型利用非線性識(shí)別計(jì)算能力設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)中的分類(lèi)器，把分類(lèi)計(jì)算出的結(jié)果輸入到網(wǎng)絡(luò)中計(jì)算，更加精確的計(jì)算了網(wǎng)絡(luò)中相關(guān)的參數(shù)，彌補(bǔ)了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)缺點(diǎn)。利用該模型對(duì)3家實(shí)例運(yùn)輸企業(yè)進(jìn)行仿真評(píng)價(jià)然后與傳統(tǒng)模型評(píng)價(jià)結(jié)果比較分析。結(jié)果表明，該模型評(píng)價(jià)結(jié)果與實(shí)例企業(yè)真實(shí)評(píng)價(jià)期望值之間的相對(duì)誤差在0.2%～1.0%之間，比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)誤差值小，說(shuō)明改進(jìn)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(shí)用性，可以正確的評(píng)價(jià)企業(yè)的安全狀況。

運(yùn)輸企業(yè)；道路旅客；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；主成分分析法；安全評(píng)價(jià)

近年來(lái)，隨著國(guó)民經(jīng)濟(jì)快速發(fā)展，人員流動(dòng)日益頻繁，道路旅客運(yùn)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(yùn)輸事故的頻繁發(fā)生給人民的出行和財(cái)產(chǎn)安全造成了嚴(yán)重的威脅。因此，很多學(xué)者把研究重點(diǎn)放在了如何通過(guò)確保道路運(yùn)輸安全來(lái)保證生命及財(cái)產(chǎn)的安全，道路運(yùn)輸企業(yè)在道路安全運(yùn)輸過(guò)程中扮演著非常重要的角色。所以在道路旅客運(yùn)輸企業(yè)中實(shí)行安全評(píng)價(jià)是提高道路安全運(yùn)輸最為有效的手段之一。已經(jīng)有學(xué)者從該方向展開(kāi)了一系列研究，如張娟[1]、霍亞敏[2]、郭培杰[3]等分別通過(guò)利用BP神經(jīng)網(wǎng)絡(luò)、安全評(píng)價(jià)相關(guān)量表、模糊評(píng)價(jià)法等對(duì)道路運(yùn)輸企業(yè)進(jìn)行安全評(píng)價(jià)。其中，BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法是安全評(píng)價(jià)中用的最多的一種方法，因?yàn)樵摲椒ň哂杏?jì)算能力強(qiáng)、魯棒性好的特點(diǎn)。但是該算法的不足之處是在運(yùn)行時(shí)經(jīng)常發(fā)生癱瘓，運(yùn)算速度很慢，很容易造成網(wǎng)絡(luò)計(jì)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(guò)改進(jìn)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(píng)價(jià)結(jié)果更為精確。該方法能夠更加準(zhǔn)確的計(jì)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(biāo)進(jìn)行降維，降維獲得的指標(biāo)之間既互不相關(guān)又可以保留原指標(biāo)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(duì)3家實(shí)例企業(yè)進(jìn)行仿真評(píng)價(jià)和對(duì)比分析，以證明改進(jìn)的模型確實(shí)具有優(yōu)越性，更加準(zhǔn)確的反映道路旅客運(yùn)輸企業(yè)安全狀況。

1 改進(jìn)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(guò)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(píng)估的計(jì)算理論中，該網(wǎng)絡(luò)由三個(gè)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(guò)梯度搜索技術(shù)，將輸入信號(hào)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(guò)程中，此算法會(huì)通過(guò)自主學(xué)習(xí)，迭代計(jì)算出估計(jì)值與輸出值方差的大小并對(duì)其進(jìn)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(shí)，需要反向傳播將輸出信號(hào)誤差按原路返回，不斷的調(diào)整計(jì)算結(jié)果，降低計(jì)算誤差。

由遺傳算法改進(jìn)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(diǎn)與隱層節(jié)點(diǎn)連接的權(quán)值，vit是隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)連接的權(quán)值，ζi是過(guò)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(lì)函數(shù)，f是輸出神經(jīng)元中的激勵(lì)函數(shù)。

對(duì)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(duì)權(quán)值的梯度，n是迭代次數(shù)，α是動(dòng)量因子。

1.2 建立基于PCA的改進(jìn)神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型

影響道路旅客運(yùn)輸企業(yè)安全運(yùn)輸?shù)囊蛩赜泻芏?，不同的因素從不同角度反映了企業(yè)的一些信息。在眾多因素中各因素間會(huì)有一定的相關(guān)性，這樣就會(huì)有信息重疊的部分，不宜直接使用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)。而PCA(主成分分析法)是一種可以對(duì)數(shù)據(jù)進(jìn)行壓縮和特征提取的多變量統(tǒng)計(jì)的方法。該方法通過(guò)降維，壓縮數(shù)據(jù)把主要變量提取出來(lái)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(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算。具體流程如圖1.

圖1 道路旅客運(yùn)輸安全評(píng)價(jià)步驟

2 對(duì)模型進(jìn)行訓(xùn)練及應(yīng)用

2.1 構(gòu)造道路旅客運(yùn)輸企業(yè)的安全評(píng)價(jià)指標(biāo)體系

反映道路旅客運(yùn)輸安全的指標(biāo)非常多，概括起來(lái)主要涉及人、車(chē)、物、管理等方面[6]，每一個(gè)大方面中又包含了非常多影響運(yùn)輸安全的因素，有些因素會(huì)出現(xiàn)重疊，所以筆者根據(jù)運(yùn)輸企業(yè)實(shí)際狀況，結(jié)合對(duì)相關(guān)專家的咨詢，主要從安全管理制度評(píng)價(jià)、從業(yè)人員素質(zhì)評(píng)價(jià)、營(yíng)運(yùn)車(chē)輛與設(shè)備及隱患排查與應(yīng)急救援4個(gè)方面來(lái)構(gòu)建運(yùn)輸企業(yè)的安全評(píng)價(jià)指標(biāo)，如表1.

2.2 樣本數(shù)據(jù)獲取及提取主成分

由表1的評(píng)價(jià)指標(biāo)可知，大多數(shù)指標(biāo)都是定性的評(píng)價(jià)，為了將指標(biāo)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(píng)價(jià)等級(jí)。選擇3家道路旅客運(yùn)輸企業(yè)，要求評(píng)價(jià)員在被評(píng)企業(yè)實(shí)況等級(jí)下給予合適的分值，將評(píng)價(jià)值匯總到30份原始評(píng)價(jià)數(shù)據(jù)中。

表1 道路旅客運(yùn)輸企業(yè)安全評(píng)價(jià)數(shù)據(jù)矩陣

依據(jù)PCA原理對(duì)30份原始數(shù)據(jù)進(jìn)行主成分的提取：

(1) 將原始數(shù)據(jù)標(biāo)準(zhǔn)化處理。所有指標(biāo)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(yùn)輸企業(yè)的安全評(píng)價(jià)數(shù)據(jù)，如表1所示的標(biāo)準(zhǔn)化數(shù)據(jù)。

(2) 在SPASS軟件中對(duì)標(biāo)準(zhǔn)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(xiàn)率αi.

(3) 選擇累計(jì)貢獻(xiàn)率大于80%的最小整數(shù)作為主成分的個(gè)數(shù)，所以選前8個(gè)主成分Xj(j=1，2，…，8)替代原來(lái)的23個(gè)指標(biāo)Yi(i=1，2，…，23)，作為改進(jìn)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的節(jié)點(diǎn)輸入數(shù)，如表2.

表2 初始特征值及貢獻(xiàn)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(yùn)輸企業(yè)制度建立及安全生產(chǎn)責(zé)任方面的指標(biāo)信息，又因?yàn)樗姆讲钬暙I(xiàn)率相比較而言是最大的，所以它是反映道路旅客運(yùn)輸企業(yè)安全運(yùn)行狀況非常重要的指標(biāo)；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(chē)輛設(shè)備及對(duì)車(chē)輛管理方面的指標(biāo)；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(biāo)；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(chē)管理方面的指標(biāo)；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(shí)方面的指標(biāo)；第六主成分X6主要反映了危險(xiǎn)源辨識(shí)方面的指標(biāo)；第七主成分X7主要反映了消防安全設(shè)備方面的指標(biāo)；第八主成分X8主要反映了隱患排查方面的指標(biāo)。

2.3 改進(jìn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練及結(jié)果的評(píng)價(jià)

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

χi=τi1y1+τi2y2+…+τipyp，i=1,2,…,5

(4)

通過(guò)表3與公式(4)可以得到如下線性公式：

(5)

通過(guò)對(duì)式子(5)計(jì)算得出8個(gè)主成分的指標(biāo)數(shù) 據(jù)，如下表4。表4中輸出的數(shù)據(jù)是專家對(duì)實(shí)際評(píng)價(jià) 結(jié)果的處理，所以此數(shù)據(jù)真實(shí)反映了企業(yè)實(shí)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(jìn)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(gè)數(shù)是8，所以通過(guò)Matlab軟件設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)是3層，節(jié)點(diǎn)數(shù)為8，輸出層的節(jié)點(diǎn)數(shù)設(shè)為1，把隱層節(jié)點(diǎn)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(píng)價(jià)數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練的樣本，測(cè)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(duì)道路旅客運(yùn)輸企業(yè)進(jìn)行安全評(píng)價(jià)。

(3)仿真評(píng)價(jià)結(jié)果

表4 主成分?jǐn)?shù)據(jù)矩陣

由表4可知，對(duì)3家道路旅客運(yùn)輸企業(yè)評(píng)估后的平均期望值是0.883，0.784，0.825，而通過(guò)此模型得到的值是0.878，0.766，0.824.由前面等級(jí)劃分可知，3家道路旅客運(yùn)輸企業(yè)仿真評(píng)價(jià)的結(jié)果分別是好，較好，好。為了更進(jìn)一步的了解改進(jìn)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(jìn)行比較，結(jié)果表明改進(jìn)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)的結(jié)果和期望值相比，相對(duì)誤差在0.2%～1.0%之間，和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果誤差相比降低0.6%～1.0%，如表5.說(shuō)明改進(jìn)的神經(jīng)網(wǎng)絡(luò)比統(tǒng)神經(jīng)網(wǎng)絡(luò)更具有計(jì)算速度快，精度高的優(yōu)點(diǎn)。

表5 評(píng)價(jià)模型的比較

3 結(jié) 論

(1)對(duì)道路旅客運(yùn)輸企業(yè)進(jìn)行安全評(píng)價(jià)時(shí)，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(jìn)行降維并提取主特征，將其輸入到改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，改進(jìn)的神經(jīng)網(wǎng)絡(luò)會(huì)更進(jìn)一步對(duì)參數(shù)篩選，兩種方法的結(jié)合，達(dá)到了對(duì)主參數(shù)的精確提取。

(2)基于Matlab對(duì)道路旅客運(yùn)輸企業(yè)進(jìn)行了仿真評(píng)價(jià)，且與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)結(jié)果相比，改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)值與期望值的相對(duì)誤差在0.2%～1.0%之間。此模型更具有精確性及時(shí)速性，為運(yùn)輸企業(yè)安全評(píng)價(jià)的工作的展開(kāi)提供了比較方便的借鑒方法。

(3)由于條件所限，文中對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)其樣本量較小，評(píng)價(jià)結(jié)果精度會(huì)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(píng)價(jià)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(xiǎn)貨物物流運(yùn)輸企業(yè)安全評(píng)價(jià)方法研究[J].物流技術(shù)，2009，28(11)：131-133.

[2] 霍亞敏，何湘鐸，陳堅(jiān)，等.道路危險(xiǎn)貨物運(yùn)輸企業(yè)安全性評(píng)價(jià)研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2010，20(6)：88-92.

[3] 郭培杰，蔣軍成.模糊綜合評(píng)價(jià)法在危險(xiǎn)化學(xué)品道路運(yùn)輸風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用[J].南京工業(yè)大學(xué)學(xué)報(bào)：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(jìn)[J].太原科技大學(xué)學(xué)報(bào)，2005，26(2)：120-130.

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

[6] 孫平，王立，肖麗妮.危險(xiǎn)化學(xué)品道路運(yùn)輸安全評(píng)價(jià)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(xiǎn)貨物運(yùn)輸企業(yè)安全評(píng)價(jià)[J].中國(guó)安全科學(xué)學(xué)報(bào)，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(xiàng)目(20125019)

曹引弟(1989-)，女，碩士研究生，主要研究方向?yàn)榻煌ㄟ\(yùn)輸工程技術(shù)與評(píng)價(jià)。

1673-2057(2016)05-0389-06

U491.3

A

10.3969/j.issn.1673-2057.2016.04.011