基于MEA-BP的内河“黑点”航道及敏感因子辨识研究*

刘 清 董诗瑀 王 磊

(武汉理工大学交通学院1) 武汉 430063) (国家水运安全工程技术研究中心2) 武汉 430063)

0 引 言

内河水上交通安全事故大多发生在航道条件复杂的水域，从海事保障角度辨识航道“黑点”，既是满足水域通航安全保障的需要，也是航道改善辅助决策的必要基础，更是从本质上保障船舶通航安全的必然途径[1-2].

目前道路交通“黑点”的有关研究已较为成熟，已有关于航道“黑点”的研究主要采用了模糊综合评价及动态聚类法[3]、基于网格理论的模糊综合评价[4]、层次聚类算法[5]等方法，这些方法大多基于问卷的数据处理，主观性强，对内河航道“黑点”的定量研究比较缺乏，这一缺乏主要源自两方面的难题：①如何实现复杂航道条件下船舶通航风险特征变量的定量描述；②如何用恰当的模型及算法来验证航道“黑点”辨识的效果，并证明这种方法的合理性.这些难题也就是本文力图解决的研究命题[6-7].

文中明确界定了内河航道黑点的内涵，建立了内河航道“黑点”辨识的MEA-BP神经网络模型，运用思维进化算法优化模型并迅速找出“黑点”位置，通过对“黑点”影响因子的敏感度分析，提取影响内河航道“黑点”的关键影响因素.

1 基于MEA-BP神经网络的内河航道黑点辨识模型的建立

1.1 内河“黑点”航道的内涵

根据内河水上交通事故特点，从环境因素出发，将内河“黑点”航道界定为：一个比较长的时间范围里或者规定的统计周期内，某些位置(内河地点、航段、区域)上发生的水上交通事故数量或者事故特征明显比其他航段异常，或者该位置航道条件威胁航行安全，即内河航道上影响船舶通航安全因素集中的航段[8].

1.2 建模方法的选择

采用基于思维进化算法优化的BP神经网络建模方法.BP神经网络揭示数据样本中蕴含的非线性关系,灵活方便地对多成因的复杂未知系数进行建模[9].BP神经网络已经在道路黑点辨识研究中广泛应用,并取得良好的效果.运用BP神经网络进行内河“黑点”航道辨识,只要收集输入层和输出层的数据,不必考虑输入层多个影响因素之间的权重，模型会根据数据特征,自动调整权值与阈值,当目标误差和检验误差率达到预测标准时网络停止运算,模型建立[10-11].

针对BP神经网络容易陷入局部极小，收敛速度慢，选取思维进化算法(mind evolutionary algorithm，MEA)优化BP神经网络的初始权值和阈值[12].MEA把群体划分为优胜子群体和临时子群体，趋同和异化操作分别进行局部搜索和全局搜索，这两种功能相互协调且保持一定的独立性，便于分别提高效率，任一方面的改进都对提高算法的整体搜索效率有利[13].

1.3 模型指标的提取

影响内河船舶通航安全的航道条件因素很多，在选择评价指标时，要考虑其量化的可能性及相互之间的逻辑关系，否则，会失去辨识的客观性与真实性.充分考虑内河航道影响因素构建的评价指标体系见图1.

图1 内河航道“黑点”辨识评价指标体系

1.4 辨识模型及算法

采取输入层八个元素，隐含层七个元素，输出层一个元素的BP神经网络拓扑结构.建立的模型结构见图2.

图2 内河航道黑点辨识模型结构示意图

采用思维进化优化BP网络的基本步骤如下.

1) 产生初始结构群体 设神经网络的最大隐含层数为n，每一个隐含层最大节点数为m.随机产生N组数作为初始结构群体，每组数中包含n个元素，其中每个元素均从隐含层节点数0,1,…，m中选取.

2) 评价函数的确定 选择训练集的均方误差的倒数作为各个个体与种群的得分函数.

(1)

式中：yi为第i个训练样本的网络输出值；ti为目标输出；p为训练样本数.

3) 训练权值和阈值 对于每个网络结构，在(0,1)之间以均匀分布产生R组随机数，作为初始的权值和阈值群体.根据网络计算规则，按照得分函数计算每个个体得分，误差越小，则认为个体所含权值和阈值信息越好，得分就越高.得分最高的q个个体被称为优胜者.

4) 子群体趋同过程 趋同操作是在每个子群体内部进行的.分别以每一个优胜者为中心，服从正态分布产生个体，形成M个优胜子群体和T个临时子群体，每个子群体包含w个个体.正态分布的中心就是优胜者的坐标，即优胜者的权值.

5) 子群体异化过程 异化操作是全局空间内各子群体为成为优胜者的竞争过程.全局公告板记录了各子群体的得分及成熟度，若一个临时子群体的得分高于某个成熟的一般子群体的得分，则该成熟的一般子群体被获胜的临时子群体替代，原成熟的一般子群体中的个体被释放，形成新的临时子群体.

6) 解析最优个体 当满足迭代停止条件时，思维进化算法结束优化过程.此时，根据编码规则，对寻找到的最优个体进行解析，从而得到对应的BP神经网络的权值和阈值.

7) 训练MEA优化的BP神经网络 用得到的最优权值与阈值建立BP神经网络.

1.5 基于MEA-BP模型的“黑点”航道影响因素敏感度分析

敏感度分析是用于研究输出结果的不确定性以及不同变量之间关系的模型.MEA-BP神经网络模型的预测过程属于“黑箱”过程，无法得出各影响因素对“黑点”辨识结果的影响程度，而了解影响程度最大的影响因素对提升整治航道“黑点”的效率与效果具有重要的作用.利用MEA-BP模型，改变“黑点”航段各影响因素的输入值后分析输出结果，得到对输出结果的变化影响最大的输入变量，即对“黑点”航道影响因素进行敏感度分析，提取“黑点”航道敏感因子，作为航道条件改善的依据.

2 实例验证

三峡库区通航环境较为复杂，与其他航段相比，由航道条件因素导致的事故数量较多.同时受水库蓄水泄洪影响，库区通航环境并不稳定，尤其在库尾回水变动区，航道随水位变化在天然河流航道与库区航道间转换，对船舶通航安全造成极大影响.故选取三峡库区作为典型航段进行模型验证.

2.1 三峡库区水上交通“黑点”辨识

将三峡库区长江航道里程上游50 km至上游700 km，设置5 km长度为一个单元，可分为130个单元.收集自2011—2018年的三峡库区水上交通事故数据共80组作为样本数据.样本数据见表1.

表1 样本数据

在样本的训练过程中，随机选取70组样本数据为训练样本，其余10组为测试样本.取种群规模M=20，优胜子种群个数a=5，临时子种群个数b=5，初始权值与阈值取值范围为(-1,1)，最大迭代次数为100次.BP神经网络的最大训练次数为100次，训练目标误差为0.01，学习率为0.1.

利用MEA算法得到的最优权值与阈值建立BP模型，训练完毕后，将三峡库区所有单元的数据输入网络，通过正向计算输出各单元输出值，输出值统计图见图3.

图3 三峡库区实例验证模型输出值统计图

将输出值大于1的单元记为内河“黑点”航道，共计10处，见表2.

表2 基于MEA-BP神经网络模型的三峡库区水上交通“黑点”辨识结果

对应的长江航道里程为上游60—65，65—70，95—100，105—110，125—130，155—160，545—550，670—675，765—680，690—695 km.

经过对航段实际情况的调研以及与海事部门统计的事故集中多发位置比较，运用水上交通“黑点”辨识模型所辨识到的“黑点”位置与实际相符.以上游670—680 km航段为例，长江航道里程670—680 km属于三峡库区库尾回水变动区，该航段航道弯曲程度大，航道宽度突然变窄，存在多处礁石浅滩，水流湍急，架设李家沱长江大桥，两岸有多处码头，属于重点监控航段.由此表明MEA-BP神经网络模型辨识水上事故“黑点”是可行的且具有一定的准确性.

2.2 库区“黑点”航道风险敏感因子提取

通过改变辨识出的“黑点”航道单元相应指标数值，再次正向输入训练完毕的“黑点”辨识模型，分析不同输入变量的改变对输出结果的影响程度，排序得到与输出结果的变化联系最为密切的输入变量，提取库区“黑点”航道风险敏感因子.

改变后的输入值与对应的输出值见表3.

表3 用于敏感因子提取的模型输入值与输出值

通过分析影响因子数值修改前后输出值，可以得到各“黑点”航段影响因素对输出值影响程度排序，从而提取出敏感因子，结果见表4.

表4 各“黑点”航段风险敏感因子

3 结 束 语

文中界定了航道“黑点”的内涵，针对影响内河船舶通航安全的诸多因子，从航道复杂性和事故多发两方面提出了航道“黑点”辨识指标体系，建立了内河航道黑点辨识的MEA-BP神经网络模型.以三峡库区2011—2018年的事故为例，对模型进行验证，输出结果表明所构建的模型与算法与实际相符.在此基础上，通过对辨识模型影响因子的敏感性分析，提取了“黑点”航道重点治理因素.研究结果可用于内河航道整治的辅助决策，对保障内河船舶通航安全具有应用价值.

模型主要针对现有航道条件进行分析，模型动态性不足，在监控航道条件动态变化方面仍有研究的空间，如何获取更多更精确数据也对模型稳定性产生很大影响，在后续研究中，可考虑在静态辨识基础上考虑加入动态因素，建立动态辨识模型.