基于混沌理论及神经网络的高速铁路安全风险预测
2015-02-18徐文秀
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.