基于改进BP神经网络的运输企业安全评价研究

曹引弟，李 捷，贾志绚

(太原科技大学交通与物流学院，太原 030024)



基于改进BP神经网络的运输企业安全评价研究

曹引弟，李 捷，贾志绚

(太原科技大学交通与物流学院，太原 030024)

为了更准确地评价道路旅客运输企业的安全状况及安全等级，提出了基于主成分分析法(PCA)和改进BP神经网络的评价模型。基于遗传算法改进的BP神经网络模型利用非线性识别计算能力设计神经网络中的分类器，把分类计算出的结果输入到网络中计算，更加精确的计算了网络中相关的参数，弥补了传统神经网络缺点。利用该模型对3家实例运输企业进行仿真评价然后与传统模型评价结果比较分析。结果表明，该模型评价结果与实例企业真实评价期望值之间的相对误差在0.2%～1.0%之间，比传统神经网络评价误差值小，说明改进的BP神经网络优于传统的BP神经网络，也证明了此方法的有效性与实用性，可以正确的评价企业的安全状况。

运输企业；道路旅客；改进BP神经网络；主成分分析法；安全评价

近年来，随着国民经济快速发展，人员流动日益频繁，道路旅客运量逐年增加，由此引发的交通事故数量也在不断上升。道路旅客运输事故的频繁发生给人民的出行和财产安全造成了严重的威胁。因此，很多学者把研究重点放在了如何通过确保道路运输安全来保证生命及财产的安全，道路运输企业在道路安全运输过程中扮演着非常重要的角色。所以在道路旅客运输企业中实行安全评价是提高道路安全运输最为有效的手段之一。已经有学者从该方向展开了一系列研究，如张娟[1]、霍亚敏[2]、郭培杰[3]等分别通过利用BP神经网络、安全评价相关量表、模糊评价法等对道路运输企业进行安全评价。其中，BP神经网络评价法是安全评价中用的最多的一种方法，因为该方法具有计算能力强、鲁棒性好的特点。但是该算法的不足之处是在运行时经常发生瘫痪，运算速度很慢，很容易造成网络计算结果一直处于最优结果状态，为了得到最优解而不收敛。

笔者通过改进神经网络的性能，即基于遗传算法优化BP神经网络，让评价结果更为精确。该方法能够更加准确的计算神经网络中的相关参数，与主成分分析法(PCA)的结合应用使复杂繁多的指标进行降维，降维获得的指标之间既互不相关又可以保留原指标主要信息，将这些带有主要信息的主成分作为神经网络新的输入层。最后，利用该模型和传统BP神经网络模型对3家实例企业进行仿真评价和对比分析，以证明改进的模型确实具有优越性，更加准确的反映道路旅客运输企业安全状况。

1 改进神经网络的算法原理

1.1 BP神经网络的原理

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，通过误差逆传播算法训练的多层前馈式神经网络[4]。它被广泛应用在各种安全评估的计算理论中，该网络由三个部分组成即输入层、若干隐含层和输出层。

BP神经网络算法是通过梯度搜索技术，将输入信号由上层到下层传递出去，最后传向神经网络的输出层，在传递过程中，此算法会通过自主学习，迭代计算出估计值与输出值方差的大小并对其进行调整。如果最后输出结果和期望结果相比误差较大时，需要反向传播将输出信号误差按原路返回，不断的调整计算结果，降低计算误差。

由遗传算法改进的BP神经网络的数学公式[5]描述为：

(1)

(2 )

式中：wij是输入层节点与隐层节点连接的权值，vit是隐层节点与输出节点连接的权值，ζi是过程神经元中输出阈值，ηt是输出神经元的阈值，g是隐层神经元中的激励函数，f是输出神经元中的激励函数。

对权值的修正：

△ωij(n)=-ηg(n)+α△ωij(n-1)

(3 )

式中：η表示自适应学习率，g(n)表示误差函数对权值的梯度，n是迭代次数，α是动量因子。

1.2 建立基于PCA的改进神经网络评价模型

影响道路旅客运输企业安全运输的因素有很多，不同的因素从不同角度反映了企业的一些信息。在众多因素中各因素间会有一定的相关性，这样就会有信息重叠的部分，不宜直接使用改进BP神经网络进行评价。而PCA(主成分分析法)是一种可以对数据进行压缩和特征提取的多变量统计的方法。该方法通过降维，压缩数据把主要变量提取出来转化为某些主要变量的线性组合。然后把变量输入到改进BP神经网络进行运算。具体流程如图1.

图1 道路旅客运输安全评价步骤

2 对模型进行训练及应用

2.1 构造道路旅客运输企业的安全评价指标体系

反映道路旅客运输安全的指标非常多，概括起来主要涉及人、车、物、管理等方面[6]，每一个大方面中又包含了非常多影响运输安全的因素，有些因素会出现重叠，所以笔者根据运输企业实际状况，结合对相关专家的咨询，主要从安全管理制度评价、从业人员素质评价、营运车辆与设备及隐患排查与应急救援4个方面来构建运输企业的安全评价指标，如表1.

2.2 样本数据获取及提取主成分

由表1的评价指标可知，大多数指标都是定性的评价，为了将指标定量化，笔者分别以[0，2]、[2，4]、[4，6]、[6，8]、[8，10]表示差、较差、一般、较好、好等评价等级。选择3家道路旅客运输企业，要求评价员在被评企业实况等级下给予合适的分值，将评价值汇总到30份原始评价数据中。

表1 道路旅客运输企业安全评价数据矩阵

依据PCA原理对30份原始数据进行主成分的提取：

(1) 将原始数据标准化处理。所有指标数据为正向的，数据越大代表安全状况却好，考虑篇幅的限制，列出部分道路旅客运输企业的安全评价数据，如表1所示的标准化数据。

(2) 在SPASS软件中对标准化数据处理得出相关系数矩阵R=(rij)n×p，及特征根λi和相应的特征向量Ti，贡献率αi.

(3) 选择累计贡献率大于80%的最小整数作为主成分的个数，所以选前8个主成分Xj(j=1，2，…，8)替代原来的23个指标Yi(i=1，2，…，23)，作为改进BP神经网络评价模型的节点输入数，如表2.

表2 初始特征值及贡献率

表3 主成分因子荷载矩阵

由表3中主成分因子载荷矩阵可得出，第一主成分X1在A10，A11，A13-A16，A24上的荷载比较大，这些荷载主要体现道路旅客运输企业制度建立及安全生产责任方面的指标信息，又因为它的方差贡献率相比较而言是最大的，所以它是反映道路旅客运输企业安全运行状况非常重要的指标；第2主成分X2在A18，A30-A33上的荷载比较大，它主要体现了车辆设备及对车辆管理方面的指标；第三主成分X3在A19，A32，A41上的荷载较大，主要反映了事故处理应急救援及安全技术状况方面的指标；第四主成分X4在A12，A17上的荷载较大，反映了制度执行及档案管理和安全行车管理方面的指标；第五主成分X5在A14，A21-A23上的荷载比较大，主要反映了从业人员及驾驶员管理，安全防范意识方面的指标；第六主成分X6主要反映了危险源辨识方面的指标；第七主成分X7主要反映了消防安全设备方面的指标；第八主成分X8主要反映了隐患排查方面的指标。

2.3 改进神经网络训练及结果的评价

(1)根据PCA的计算原理知，提取出的主成分Xj和原始指标Yi有如下线性关系[7]：

χi=τi1y1+τi2y2+…+τipyp，i=1,2,…,5

(4)

通过表3与公式(4)可以得到如下线性公式：

(5)

通过对式子(5)计算得出8个主成分的指标数 据，如下表4。表4中输出的数据是专家对实际评价 结果的处理，所以此数据真实反映了企业实际安全 状况水平的高低。将表4的数据作为新的学习样本输入到改进的神经网络中。

(2)确定BP神经网络结构和训练参数

由于主成分的个数是8，所以通过Matlab软件设计的BP神经网络是3层，节点数为8，输出层的节点数设为1，把隐层节点数设为16，以1 000步作为训练步数，精度设定为0.001.选取表4中的20份评价数据作为网络训练的样本，测试样本选取后5份数据，用训练好的BP神经网络直接对道路旅客运输企业进行安全评价。

(3)仿真评价结果

表4 主成分数据矩阵

由表4可知，对3家道路旅客运输企业评估后的平均期望值是0.883，0.784，0.825，而通过此模型得到的值是0.878，0.766，0.824.由前面等级划分可知，3家道路旅客运输企业仿真评价的结果分别是好，较好，好。为了更进一步的了解改进BP神经网络与传统的神经网络模型的差异，将此模型得出的值与传统BP神经网络得出的值进行比较，结果表明改进BP神经网络评价的结果和期望值相比，相对误差在0.2%～1.0%之间，和传统神经网络的评价结果误差相比降低0.6%～1.0%，如表5.说明改进的神经网络比统神经网络更具有计算速度快，精度高的优点。

表5 评价模型的比较

3 结 论

(1)对道路旅客运输企业进行安全评价时，影响其安全状况的因素非常多，利用PCA方法可将输入层的参数进行降维并提取主特征，将其输入到改进BP神经网络模型时，改进的神经网络会更进一步对参数筛选，两种方法的结合，达到了对主参数的精确提取。

(2)基于Matlab对道路旅客运输企业进行了仿真评价，且与传统的BP神经网络模型的评价结果相比，改进神经网络模型的评价值与期望值的相对误差在0.2%～1.0%之间。此模型更具有精确性及时速性，为运输企业安全评价的工作的展开提供了比较方便的借鉴方法。

(3)由于条件所限，文中对BP神经网络训练时其样本量较小，评价结果精度会受到一定影响，在今后的研究工作中，需要搜集更多数据资料提高网络训练精度，使评价结果更精确。

[1] 张娟，付晓凤，王肇飞.基于BP神经网络的危险货物物流运输企业安全评价方法研究[J].物流技术，2009，28(11)：131-133.

[2] 霍亚敏，何湘铎，陈坚，等.道路危险货物运输企业安全性评价研究[J].中国安全科学学报，2010，20(6)：88-92.

[3] 郭培杰，蒋军成.模糊综合评价法在危险化学品道路运输风险评价中的应用[J].南京工业大学学报：自然科学版，2006，28(5)：57-62.

[4] 武美先，张学良，温淑华，等.BP神经网络及其改进[J].太原科技大学学报，2005，26(2)：120-130.

[5] 彭基伟，吕文华，行鸿彦，等.基于改进GA-BP神经网络的温度传感器的温度补偿[J].仪器仪表学报，2013，34(1)：155-160.

[6] 孙平，王立，肖丽妮.危险化学品道路运输安全评价提携的建立[J].安全，2008，29(2)：66-71.

[7] 沈小燕，刘浩学，谢培.基于主成分分析法的危险货物运输企业安全评价[J].中国安全科学学报，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

太原科技大学研究生科技创新项目(20125019)

曹引弟(1989-)，女，硕士研究生，主要研究方向为交通运输工程技术与评价。

1673-2057(2016)05-0389-06

U491.3

A

10.3969/j.issn.1673-2057.2016.04.011