基于混沌理论及神经网络的高速铁路安全风险预测

徐文秀，万 超

(大连交通大学 交通运输工程学院，辽宁 大连 116028)*

0 引言

随着我国经济社会的快速发展，高速铁路以其高效、舒适、快捷、环保的优势，逐步成为我国重要的客运交通方式.因此，高速铁路的运营安全管理问题成为社会各方关注的焦点.其中，高速铁路安全风险预测是该问题研究的重要一环，受到普遍重视.高速铁路安全风险预测的实质是风险评估，其在安全风险管理中起到承上启下的关键作用:既是对风险识别后的量化分析，同时亦是后续风险预警及决策的依据.

由于我国高速铁路发展起步晚，因而该方面的研究尚不完善.目前，关于铁路安全风险预测的主要方法为模糊评价法、层次分析法、灰色预测法等，亦或是几种方法的综合运用［1-4］.但是，上述几种方法在实际运用中均存有一定的缺陷:①由于这些方法在使用时是以历史数据拟合出固定的计算模型，所以在高速铁路系统发生变化时不具有应变性而需要重新确定，导致应用成本高;②我国高速铁路发展时间短，因此在建立安全风险预测模型时的基础数据样本少，故无法保证模型的精度，难以全面预测潜在的安全问题;③在利用上述方法构建安全风险预测模型时，相关参数的确定多依赖于研究者的主观评判，因而在实际应用时对真实情况的反应不够准确.针对此问题，本文在对高速铁路安全风险预测时引入了混沌理论和神经网络，并建立了混沌神经网络的安全风险预测模型.

混沌于1963年由美国气象学家Lorenz首次发现并提出，随后获得迅速的发展，至今已广泛应用于生物学、物理学、天文学、气象学、经济学等各领域［5-6］.混沌是确定的非线性系统中出现的随机现象，而混沌学理论则是揭示此现象内在规律的研究.基于此，吴超等人通过对混沌科学与安全科学基本特征进行比较，并将混沌理论运用到安全科学领域的理论与实践中，从而提出了安全混沌学的概念、内涵及研究方法［7］.由于高速铁路是一个高度集成且具有确定性的复杂系统，而与其有关的安全问题是随机产生的，因此可以视之为是一个非线性巨复杂系统，故对其有关研究可以充分借鉴混沌学的相关理论进行研究.

神经网络是20世纪40年代兴起的一种以计算机技术为依托，处理复杂非线性系统的工具.神经网络利用硬件模拟了人类大脑中神经元的工作方式，依靠一系列内嵌的算法，使自身具有了自组织性及自适应性，并通过不断学习获得良好的非线性映射能力，实现对非线性系统的预测［8］.所以，神经网络这一具体工具对高速铁路安全风险预测具有较高的适用性，能够获得很好的预测结果.

因此，本文根据高速铁路的安全问题的特点，将混沌理论与神经网络相结合，构建混沌神经网络模型来对高速铁路安全风险进行预测.

1 混沌神经网络模型构建

混沌神经网络可以很好的模拟高速铁路的安全问题，即可以以抽象出的高速铁路的运营状态指标作为输入，在具有混沌特性且经过训练的神经网络中通过一系列的非线性计算，来判断出系统是否偏离常态而处于混沌状态，并输出与当前状态相应的风险等级.因此，利用混沌神经网络对高速铁路安全风险进行预测兼具仿真特性.

根据相关文献［9］，可知一维混沌神经元的模型为:

式中，x为神经元在t+1时刻的出输出值;y为神经元内部状态函数;g为神经元的不应性函数;A为外部输入强度;α为抑制参数;β为不应性衰减率，有β∈［0，1］;θ为神经元的阈值.若考虑在其中引入来自网络中自身及其它神经元的反馈h，则最终的混沌神经网络模型如下:

其中，vij是各神经元的反馈权重;wij是各外部输入的权重;M是神经网络中神经元的个数;N是神经网络外部输入量个数.为方便起见，可令

则得到式(3)的简化形式:

另外，根据一般神经网络的设置情况，选取参数为z的sigmoid函数作为神经网络的连续输出函数f:

上述得到式(2)～(5)即为最终的混沌神经网络.该神经网络是在反馈型神经网络中引入了混沌动力，使其具有混沌特性，从而可以对同样具有混沌特性的高速铁路安全问题进行良好的模拟.

2 高速铁路安全风险预测

确定了混沌神经网络模型之后，在实际应用过程中还需要对该网络进行训练，只有经过训练并收敛的神经网络才能正常使用.对于高速铁路安全风险预测来说，应该首先明确其安全问题的影响因素，在量化这些因素的基础上来获得神经网络的训练样本.根据相关研究可知，高速铁路安全风险主要涉及“人、机、环、管理”四个方面.但是，根据研究方法的不同，上述四个方面中的具体影响要素会有差异.根据文献［3］、［10］，选择总结了高速铁路安全风险影响因素F，如图1所示.

图1 高速铁路安全风险影响因素

其中，“人”因主要为路内工作人员的基本素质，通过对人员进行相关的测试，来以测试的打分分数进行评价;“机”因主要是与高铁线路有关的基础设的工作状态，根据机车工电辆各单位的实测数据与技规、行规等标准的比值进行评价;“环”因是自然、社会、车内环境的状态，以高铁系统对其危害性的可容忍程度作为评价标准;“管理”因分为两类，一类包括安全机构、法律、应急处理、事故总结等，需要以定性分析判断相关因素是否完备，并以此作为评价，另一类包括作业标准、监测维护等，需要定量分析有关单位的标准作业程度水平及监测维护频率水平，同样通过与标准的比值来获得评价指标.在此明确高速铁路安全风险影响因素的基础上，分析事故严重程度，参考评判标准获得事故等级量化参数，量化等级为0，1，2，3，4，5.根据历史数据获得混沌神经网络的输入变量个数以及输入值，据此得到该网络的训 练样本，如表1所示.

表1 混沌神经网络训练样本

因此，可以确定高速铁路安全风险预测的混沌神经网络模型的结构为17×35×1，将训练样本带入网络中进行训练，设误差不超过0.01，在经过2671次训练后，该网络即达到平衡状态.利用表2中的数据对其进行检验，得到结果如图2所示.

表2 混沌神经网络检测样本

图2 预测结果与实际值比较

从预测结果看，混沌神经网络具有很好的预测精度，能够准确的识别出高速铁路的安全风险.并且该网络可以利用自身的记忆功能，通过不断扩充训练样本，进一步提升网络的预测精度.

3 结论

高速铁路是一个复杂的系统，故其安全问题同样具有非线性的混沌特性.因此，在预测高速铁路的安全风险时，可以参考混沌学原理和神经网络的方法进行.本文利用较为成熟的混沌神经网络，构建了高速铁路安全风险预测模型，并且整理了高速铁路安全风险影响因素，利用历史数据对该预测方法进行验证，验证结果证明该方法能够有效预测高速铁路安全风险，具备实用价值.

［1］杜学东，高自友.铁路安全管理综合评价的一种新方法［J］.中国安全科学学报，2003，13(5):30-34.

［2］李阳，高自友.铁路安全预警系统的研究与设计［J］.中国安全科学学报，2005，14(6):36-40.

［3］曹松.铁路行车安全预警理论与方法研究［D］.北京:中国铁道科学研究院，2011.

［4］冯运卿，李雪梅，李学伟，等.基于结构方程的高速铁路安全影响因素相互关系分析［J］.北京交通大学学报:社会科学版，2013，12(4):75-83.

［5］黄志全，崔江利，刘汉东.边坡稳定性预测的混沌神经网络方法［J］.岩石力学与工程学报，2004，23(22):3.

［6］周直，郑亮.基于混沌神经网络公路工程建设风险评价研究［J］.公路工程，2008，33(1):51-58.

［7］吴超，杨冕.安全混沌学的创建及其研究［J］.中国安全科学学报，2010，20(8):3-16.

［8］张德丰.MATLAB神经网络应用设［M］.北京:机械工业出版社，2011.

［9］王耀南，余明群，袁小芳.混沌神经网络模型及其应用研究综述［J］.控制与决策，2006，21(2):121-128.

［10］肖雪梅，王艳辉，张思帅，等.基于耗散结构和熵的高速铁路事故演化机理研究［J］.中国安全科学学报，2012，22(5):99-105.