姚恩婷，孟燕萍，林國龍

(上海海事大學 物流研究中心，上海 201306)

?

基于BP神經(jīng)網(wǎng)絡(luò)的受災(zāi)點的需求緊迫性分級方法*

姚恩婷，孟燕萍，林國龍

(上海海事大學 物流研究中心，上海 201306)

摘要:大規(guī)模突發(fā)事件發(fā)生后，往往會涉及到多個受災(zāi)區(qū)域，使得應(yīng)急救援的受災(zāi)點數(shù)目眾多。當應(yīng)急資源有限，運輸能力受約束時，為提高應(yīng)急救援效率，應(yīng)急物資的調(diào)運和配送需要根據(jù)受災(zāi)點的需求優(yōu)先級進行。因此，對受災(zāi)點進行需求緊迫性的分級排序就非常關(guān)鍵。該文提出了基于BP神經(jīng)網(wǎng)絡(luò)的分級方法，構(gòu)建了影響受災(zāi)點的需求緊迫性的評價指標體系，建立了基于BP神經(jīng)網(wǎng)絡(luò)的需求緊迫性分級模型。最后，實例驗證表明BP神經(jīng)網(wǎng)絡(luò)對檢驗樣本的結(jié)果輸出和期望輸出是一致的；并與TOPSIS法、灰色關(guān)聯(lián)分析法和熵權(quán)法3種方法的評價結(jié)果進行比較，進一步證明了該分級評價方法的科學性和有效性。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò)；受災(zāi)點；應(yīng)急需求；需求緊迫性；分級

大規(guī)模突發(fā)事件發(fā)生后，例如自然災(zāi)害、社會公共事件等，有效的應(yīng)急救援是保證人民生命財產(chǎn)安全的關(guān)鍵。而影響救災(zāi)效率的一個很大的因素就是應(yīng)急物資的合理分配，救災(zāi)人員救援物資等的合理調(diào)配可以大大提高救災(zāi)效率[1]。大規(guī)模突發(fā)事件往往會涉及到多個受災(zāi)區(qū)域，使得應(yīng)急救援受災(zāi)點的數(shù)目眾多，當應(yīng)急資源(物資、人員、車輛)有限，無法同時滿足所有受災(zāi)點的應(yīng)急需求時，需要考慮不同受災(zāi)點的應(yīng)急救援的不同時間效用，根據(jù)受災(zāi)點的需求緊迫性來進行分級救援。根據(jù)受災(zāi)程度和物資需求屬性進行準確的災(zāi)區(qū)分級與排序是應(yīng)急物流取得成功的重要前提[2]。因此需要對受災(zāi)點的應(yīng)急需求緊迫程度進行分級，以便在資源有限、運力受約束的情況下，根據(jù)不同受災(zāi)點的災(zāi)情安排救災(zāi)順序、分配救災(zāi)物資，使得最大程度的滿足受災(zāi)點的需求，提高應(yīng)急救援的效率，最大化應(yīng)急物資的效用。

目前，關(guān)于應(yīng)急需求緊迫性分級的研究主要集中在應(yīng)急物資需求的緊迫性分級方面。夏萍[3]提出將概率神經(jīng)網(wǎng)絡(luò)用于應(yīng)急物資需求分級決策，建立相應(yīng)的概率神經(jīng)網(wǎng)絡(luò)需求分級模型。王婧等[4]提出基于模糊綜合評判的應(yīng)急物資需求緊迫性分級方法和應(yīng)急物資需求緊迫性計算方法，將應(yīng)急物資分為三個層級。楊震等[2]人根據(jù)自組織神經(jīng)網(wǎng)絡(luò)方法建立了一個災(zāi)區(qū)聚類模型，并采用TOPSIS多目標決策分析解決了各受災(zāi)區(qū)救援物資分配的優(yōu)先級排序。

針對受災(zāi)點的需求緊迫性分級的研究主要集中在需求點的聚類分組方面。Sheu[5]提出了針對大規(guī)模災(zāi)害的救災(zāi)需求的動態(tài)管理方法，采用了逼近于理想解的綜合評價方法。何曼[6]提出將模糊聚類方法用于對需求點的分類中，將需求點分成兩大類，其中第一類需求點的優(yōu)先級高于第二類需求點。魏國強[7]等研究了供應(yīng)不足條件下連續(xù)消耗作戰(zhàn)資源的戰(zhàn)場調(diào)度問題，在分析資源供求特點的基礎(chǔ)上構(gòu)建需求點優(yōu)先度評價體系，提出了用分層聚類法將需求點分類并按優(yōu)先度將需求點分類排序的方法。周海英[8]提出了一種動態(tài)的救濟需求的管理模式，一種基于模糊聚類的模型對受影響的地區(qū)進行分組，然后使用TOPSIS來確定的每個組救濟需求緊迫性。上述研究主要是先對受災(zāi)點進行聚類分組，然后對分組的需求點以組為單位進行需求緊迫性分級，這些分級方法具有很大的局限性，只適用于單品種應(yīng)急物資的調(diào)度配送。但在實際情況中，災(zāi)區(qū)各個受災(zāi)點所需的物資品種和數(shù)量都是有差異的，將受災(zāi)點分類分組，得到的每個類組的需求緊迫性并不能代表每個受災(zāi)點的需求緊迫性，不利于根據(jù)單個受災(zāi)點的需求緊迫性進行物資配送，提高救援效率。

而直接針對受災(zāi)點的需求緊迫性進行分級研究的文獻較少。舒其林[9]提出了基于證據(jù)理論(D-S理論)的多災(zāi)害點應(yīng)急需求優(yōu)先排序方法，根據(jù)各個災(zāi)害點應(yīng)急情景給出優(yōu)先權(quán)排序。該方法可以較好地解決決策信息不完全，決策者對問題認識存在局限性的問題，但在確定指標權(quán)重時引入了決策者的主觀判斷，結(jié)果受主觀因素的影響。王婧等[10]指出對需求點的需求緊迫性分級的重要性，并提出了基于灰色理想解法的應(yīng)急需求點的需求緊迫性分級方法，它是直接基于各個需求點的相關(guān)信息，進行需求緊迫性分級的方法。

本文基于各個受災(zāi)點的信息，提出基于BP神經(jīng)網(wǎng)絡(luò)的應(yīng)急需求點的需求緊迫性分級方法，是一種非線性方法，既很好地克服了評價過程中的主觀性，又方便實用有效。研究了受災(zāi)點的需求緊迫性分級問題，建立了基于BP神經(jīng)網(wǎng)絡(luò)的受災(zāi)點需求緊迫性分級模型，最后，分別采用TOPSIS法、灰色關(guān)聯(lián)分析法和熵權(quán)法進行緊迫性分級，并對四種方法的結(jié)果進行對比，進一步證明了該評價方法的科學性和合理性。通過對受災(zāi)點的需求緊迫性進行優(yōu)先級排序，可以更好地為應(yīng)急救援提供支持和決策依據(jù)。

1受災(zāi)點的應(yīng)急需求緊迫性分級

當大規(guī)模災(zāi)害發(fā)生后，往往多個區(qū)域受到破壞，每個不同的受災(zāi)區(qū)域都是一個應(yīng)急救援需求點。當應(yīng)急資源(物資、救災(zāi)人員、救災(zāi)設(shè)備、物流車輛等)有限，無法同時滿足所有受災(zāi)點的應(yīng)急需求時，需要根據(jù)受災(zāi)點的需求緊迫性來進行優(yōu)先分級實施救援。對受災(zāi)點的需求緊迫性分級非常重要，它直接影響了針對性開展應(yīng)急需求救援的效率。對多個受災(zāi)點的救援需求緊迫性進行排序，是本文的研究重點。在資源有限的條件下，根據(jù)不同災(zāi)區(qū)需求點的災(zāi)情情況和需求緊迫性，對應(yīng)急資源和獲得資源的先后順序進行安排，對相對更緊迫的受災(zāi)點進行優(yōu)先配送或者更加充分的配送，使得最大程度的滿足受災(zāi)需求點的實際需求，以提高應(yīng)急救援的效率。受災(zāi)點的應(yīng)急救援需求緊迫性分級研究在應(yīng)急資源調(diào)運中有著基礎(chǔ)作用和重要意義。應(yīng)急需求點緊迫性分級和應(yīng)急資源調(diào)運框架圖如圖1所示。

圖1　應(yīng)急資源調(diào)運框架圖

2受災(zāi)點的需求緊迫性分級指標體系

2.1指標體系的建立

對需求點的需求緊迫性進行排序是一個多屬性決策問題，構(gòu)建評價指標體系是對需求緊迫性分級的重要前提。文獻[2]定義量化與質(zhì)化屬性以衡量各災(zāi)區(qū)對救援物資的緊迫程度，提出了災(zāi)區(qū)的5個需求屬性：死亡率、人口密度、老幼比例、物資配送時間間隔以及建筑物受損程度。文獻[9]提出了多災(zāi)害點應(yīng)急需求優(yōu)先權(quán)排序決策屬性指標主要包災(zāi)害規(guī)模大小、災(zāi)害破壞性程度、災(zāi)害點周圍人口密度水平、災(zāi)害點區(qū)域經(jīng)濟狀態(tài)和災(zāi)害對自然環(huán)境影響大小等五個方面。文獻[3]選取各災(zāi)區(qū)對物資的需求量、受災(zāi)人數(shù)、受災(zāi)面積及受災(zāi)強度四個因素為災(zāi)區(qū)聚類指標，在此基礎(chǔ)上進行優(yōu)先級劃分。在對各災(zāi)區(qū)的應(yīng)急需求優(yōu)先級排序研究中，先對各災(zāi)區(qū)的需求屬性進行聚類分組，然后進行優(yōu)先級劃分的屬性指標較多，直接針對各災(zāi)區(qū)需求優(yōu)先級排序的評價指標體系較少。

影響受災(zāi)點需求緊迫性的因素有很多，本文結(jié)合已有研究成果[10]，根據(jù)突發(fā)事件和應(yīng)急管理的特點，在進行需求點需求緊迫性分級時，主要考慮三方面的影響因素，即環(huán)境因素、物資需求因素和人員因素。具體又包括6個子指標，如表1所示。其中環(huán)境因素主要考慮兩個子指標：u1建筑物破壞程度和u2道路破壞程度；物資需求主要考慮受災(zāi)點的物資需求缺口率u3，即未被滿足的需求占總需求的比率；人員因素主要考慮三個子指標：u4受傷人員比率，u5受傷人數(shù)和u6死亡人數(shù)。

表1　應(yīng)急需求點的需求緊迫性分級的指標體系

環(huán)境因素反映災(zāi)害對災(zāi)民個人和社會公共的基礎(chǔ)設(shè)施破壞的情況，以及救援工作展開的難易程度，建筑物破壞程度越嚴重，受災(zāi)群眾的處境越危險，需要救援設(shè)備就越緊迫；道路破壞程度越嚴重，說明受災(zāi)點的道路交通不便利，影響救災(zāi)工作人員及時到達受災(zāi)區(qū)域，受災(zāi)群眾得到及時救援的難度加大，道路修復(fù)需求越緊迫，因此對這些受災(zāi)點在救援過程中給予較大的優(yōu)先級。

人員因素主要考慮災(zāi)區(qū)受災(zāi)群眾情況，反映災(zāi)民的傷亡程度，傷亡越嚴重，說明受災(zāi)點的災(zāi)情越嚴重，受災(zāi)群眾的傷情和病情惡化的可能性加大，受災(zāi)群眾心理上的負面情緒傳播范圍變廣，說明需求點需要盡快得到比較多的應(yīng)急救援，防止災(zāi)區(qū)的災(zāi)情加重。物資需求因素主要考慮物資需求的缺口率，反映受災(zāi)點對應(yīng)急物資需求的缺口程度，應(yīng)急物資的缺口程度越大，需求點對應(yīng)急物資的需求就越緊迫。

以上6個指標都是效益型指標，指標值越大，說明受災(zāi)點的救援需求緊迫性越高，需求越緊急。這些指標既有定性的又有定量的，其中u1，u2的評價是定性的，破壞程度可用“很嚴重”，“嚴重”，“一般”，“輕”，“很輕”五個語言變量來表達，是模糊數(shù)型指標，在確立決策評價矩陣時，需求去模糊化處理。

2.2指標值的確定

2.2.1精確實數(shù)型指標值

精確實數(shù)型指標主要有受災(zāi)需求點的受傷人數(shù)、死亡人數(shù)、受傷人員比率、物資需求缺口率，這些指標值可以根據(jù)受災(zāi)需求點的統(tǒng)計數(shù)據(jù)獲得，受傷人數(shù)即受災(zāi)點的受傷人員總數(shù)，死亡人數(shù)包括受災(zāi)點中死亡人員和失蹤人員的總數(shù)，受傷人員比率是受災(zāi)點的受傷人員數(shù)占總受災(zāi)人員數(shù)的比率，物資需求缺口率是指受災(zāi)點未被滿足的需求占總需求的比率。

2.2.2模糊數(shù)型指標值

對于模糊數(shù)型指標可以選擇三角形模糊數(shù)表達，三角形模糊數(shù)是將模糊的不確定的語言變量轉(zhuǎn)化為確定數(shù)值的一種方法，三角形模糊數(shù)直觀、使用簡便、易于理解，能夠很好地表達多種語言變量。

(1)

圖2　三角模糊數(shù)的隸屬函數(shù)

而在文獻[12]中給出Yager定義的第三個模糊集效用函數(shù)，見式(2)。

F3(α)=∫βmax0M(αβ)dβ。

(2)

(3)

根據(jù)定義可知，效用函數(shù)的值越大，相應(yīng)的三角模糊數(shù)越大，該方法計算簡單方便，能夠很好地表達多種語言變量，適用于三角模糊數(shù)的計算。本文采用式(3)來計算模糊數(shù)的大小，對模糊數(shù)去模糊化得到評價指標的清晰值。建筑物破壞程度和道路破壞程度兩個指標用“很嚴重”“嚴重”“一般”“輕”“很輕”五個語言變量來評價，通過去模糊化計算處理得到的指標值分別為0.925、0.7、0.5、0.3、0.075。

3基于BP神經(jīng)網(wǎng)絡(luò)的需求緊迫性分級模型

在對應(yīng)急救援需求進行分級評價的研究中，主要有TOPSIS方法、聚類分析方法、模糊綜合評價方法等，但多數(shù)方法計算量很大，指標權(quán)重確定時存在一定的主觀性，會影響評價結(jié)果的準確性和客觀性。本文將人工神經(jīng)網(wǎng)絡(luò)方法引入需求緊迫性分級研究中，建立基于BP神經(jīng)網(wǎng)絡(luò)的受災(zāi)點的需求緊迫性分級模型，對受災(zāi)點的應(yīng)急救援需求緊迫性進行分級排序。BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的非線性的需求緊迫性分級模型，可以避免人為確定各指標權(quán)重帶來的主觀性，使分級結(jié)果的準確性提高，更具有客觀性。

3.1BP神經(jīng)網(wǎng)絡(luò)緊迫性分級模型的設(shè)計

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[13]是1986年由Rumelhart和McCelland領(lǐng)導(dǎo)的科學家小組提出，是一種按誤差反傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡(luò)能學習和存儲大量輸入-輸出模式映射關(guān)系，而無需事先了解描述這種映射關(guān)系的數(shù)學方程。只要能提供足夠多的樣本模式對供BP網(wǎng)絡(luò)進行學習訓(xùn)練，它便能完成有n維輸入空間到m維輸出空間的非線性映射。在學習和訓(xùn)練過程中，BP神經(jīng)網(wǎng)絡(luò)不斷地將其實際輸出與目標輸出相比較，并根據(jù)比較結(jié)果或誤差，按照一定的規(guī)則或算法對網(wǎng)絡(luò)的權(quán)值分布進行調(diào)節(jié)，從而使網(wǎng)絡(luò)的輸出逐漸接近目標。

基于BP神經(jīng)網(wǎng)絡(luò)的應(yīng)急需求緊迫性評價建模包括BP神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和BP神經(jīng)網(wǎng)絡(luò)分級三步。根據(jù)受災(zāi)點的應(yīng)急需求緊迫性指標體系的內(nèi)容和特點，通過模型設(shè)計，構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)緊迫性分級模型。然后通過參數(shù)設(shè)計，如訓(xùn)練次數(shù)、期望誤差、學習率等，初始化BP神經(jīng)網(wǎng)絡(luò)。再對訓(xùn)練樣本進行數(shù)據(jù)準備，包括原始數(shù)據(jù)的收集、數(shù)據(jù)的分析和數(shù)據(jù)的預(yù)處理等，輸入處理后的樣本數(shù)據(jù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)構(gòu)建根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)特點確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本文采用含有一層隱含層的三層BP神經(jīng)網(wǎng)絡(luò)如圖3所示。

圖3　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(1)輸入節(jié)點的確定

根據(jù)前面文中建立的評價指標體系和選取的指標，確認BP神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點。將三大類因素的6個指標作為BP網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)。

(2)隱含層節(jié)點的確定

隱含層節(jié)點的作用是從樣本中提取并存儲其內(nèi)在規(guī)律，每個隱含層節(jié)點有若干個權(quán)值，而每個權(quán)值都是增強網(wǎng)絡(luò)映射能力的一個參數(shù)。設(shè)置多少個隱節(jié)點取決于訓(xùn)練樣本的多少、樣本噪聲的大小以及樣本中蘊含規(guī)律的復(fù)雜程度。結(jié)合文中的實際情況，并通過反復(fù)測試，確定的隱層節(jié)點數(shù)為10個。

(3)輸出節(jié)點的確定

本文將輸出層神經(jīng)元設(shè)置為1個，輸出值為應(yīng)

急需求點的救援需求緊迫性值。

(4)傳遞函數(shù)

對于非線性問題，輸入層和隱含層多采用非線性傳遞函數(shù)，輸出層采用線性函數(shù)，以保持輸出的范圍。因此在選用網(wǎng)絡(luò)傳遞函數(shù)時，從輸入層到隱含層采用非線性正切S型傳遞函數(shù)tansig函數(shù)；從隱含層到輸出層采用線性函數(shù)purelin函數(shù)。在選擇網(wǎng)絡(luò)訓(xùn)練函數(shù)時，本文考慮選用函數(shù)traingdm帶動量因子的梯度遞減法作為訓(xùn)練函數(shù)，可以提高學習速度同時增加了算法的可靠性。

由此，本文設(shè)計受災(zāi)點的應(yīng)急需求緊迫性分級的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為6-10-1，即6個輸入層神經(jīng)元，10個隱層神經(jīng)元，1個輸出神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)。

3.2BP神經(jīng)網(wǎng)絡(luò)主要參數(shù)的選擇

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)主要包括訓(xùn)練的最大學習次數(shù)、訓(xùn)練最大允許的誤差、訓(xùn)練的學習速率、顯示訓(xùn)練結(jié)果的間隔步數(shù)、訓(xùn)練允許時間以及訓(xùn)練中最小允許梯度值等等。本文設(shè)置BP網(wǎng)絡(luò)的最大學習次數(shù)為8 000，訓(xùn)練最大允許的誤差設(shè)定為0.000 1，學習速率一般取值在[0，1]，本文學習率取0.01，BP神經(jīng)網(wǎng)絡(luò)的性能分析函數(shù)采用MSE函數(shù)，即均方差性能分析函數(shù)，表示均方誤差，其他參數(shù)均為缺省值。

4實例驗證

4.1樣本訓(xùn)練

汶川發(fā)生的大規(guī)模地震災(zāi)害，選取10個受災(zāi)區(qū)域即10個救援需求點，對需求點的6個指標(u1,u2,u3,u4,u5,u6)進行統(tǒng)計評估，收集經(jīng)事后評定的學習樣本原始數(shù)據(jù)，表2所示為學習樣本的6個指標的原始數(shù)據(jù)，表中數(shù)據(jù)來源于汶川地震中10個受災(zāi)縣市的有關(guān)統(tǒng)計信息，其中u1,u2指標是去模糊化后的數(shù)值。

表2　樣本指標原始數(shù)據(jù)

表3　樣本數(shù)據(jù)歸一化結(jié)果

在文獻[14]提出的改進的TOPSIS方法對需求點進行救援需求緊迫性分級方法中得到了每個需求點的灰色關(guān)聯(lián)相對貼近度，文中對受災(zāi)需求點根據(jù)灰色關(guān)聯(lián)相對貼近度的大小進行排序，灰色關(guān)聯(lián)相對貼近度值越大，需求緊迫性越大，反之，救援需求的緊迫性越小。本文參照該文獻中的受災(zāi)需求點的貼近度值作為BP神經(jīng)網(wǎng)絡(luò)算法中的教師值，即神經(jīng)網(wǎng)絡(luò)的期望輸出。

原始樣本數(shù)據(jù)具有不同的意義和量綱，有些指標值用絕對數(shù)表示，而有些指標值用相對數(shù)表示。在進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，輸入模式必須先歸一化后再輸入神經(jīng)網(wǎng)絡(luò)，這樣既可以加快訓(xùn)練網(wǎng)絡(luò)的收斂性，也具有靈活方便、可移植和通用性強的優(yōu)點。數(shù)據(jù)歸一化是指通過變量的處理將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在[0，1]或[-1，1]區(qū)間內(nèi)。因此，先將原始數(shù)據(jù)進行歸一化處理。用最大最小函數(shù)premnmx來對訓(xùn)練樣本數(shù)據(jù)進行預(yù)處理，將網(wǎng)絡(luò)的輸入數(shù)據(jù)進行歸一化，歸一化的數(shù)據(jù)將分布在[-1，1]內(nèi)，然后再作為輸入數(shù)據(jù)。樣本數(shù)據(jù)歸一化處理結(jié)果如表3所示。

4.2結(jié)果分析

本文針對汶川地震中10個受災(zāi)縣市的救援需求緊迫性，使用MATLAB8.1軟件實現(xiàn)其神經(jīng)網(wǎng)絡(luò)分級模型訓(xùn)練，將樣本數(shù)據(jù)輸入所編的程序，訓(xùn)練5 228步后，訓(xùn)練誤差達到了目標精度0.000 1的要求，網(wǎng)絡(luò)訓(xùn)練停止，網(wǎng)絡(luò)的收斂效果良好。網(wǎng)絡(luò)訓(xùn)練誤差下降示意圖如圖4所示，在訓(xùn)練5 228步后，誤差達到 9.995 7×10-5。圖5反映了訓(xùn)練樣本實際值與計算值之間的線性回歸，擬合度值R達到0.988 52，表明實際值與計算值之間實現(xiàn)了合理準確的線性擬合。

圖4　網(wǎng)絡(luò)訓(xùn)練的誤差變化曲線

BP神經(jīng)網(wǎng)絡(luò)的仿真過程，是BP神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)輸入數(shù)據(jù)，通過數(shù)值計算得出相應(yīng)網(wǎng)絡(luò)輸入的過程。本文利用sim函數(shù)對訓(xùn)練后的網(wǎng)絡(luò)進行仿真，得出BP神經(jīng)網(wǎng)絡(luò)的輸出值與教師值的相對誤差如表4所示，誤差非常小，最大誤差0.050 7。BP神經(jīng)網(wǎng)絡(luò)輸出值與教師值的結(jié)果對比如圖6所示。

圖5　線性回歸分析

需求點訓(xùn)練結(jié)果名次教師值名次相對誤差10.38555100.4061479-0.050720.49042750.48914650.002630.51342620.51208220.002640.42877770.4345267-0.013250.50242830.5025673-0.00260.50041440.5025184-0.004170.48167960.46019760.046680.61621310.6170951-0.001490.41052780.41354380.0073100.39833690.390397100.0203

圖6　BP神經(jīng)網(wǎng)絡(luò)輸出值與教師期望值對比

根據(jù)受災(zāi)點需求緊迫性度進行排序，由表4可以看出，訓(xùn)練結(jié)果與教師值基本一致，受災(zāi)點的需求緊迫性排序依次是需求點8 、需求點3、需求點5、需求點6、需求點2、需求點7、需求點4、需求點9、需求點10、需求點1。排序在前的說明需求緊迫性程度高，在救援時應(yīng)優(yōu)先考慮該受災(zāi)需求點的應(yīng)急物資配送。其中緊迫性排序第九和第十的兩個縣市的受災(zāi)程度非常接近，訓(xùn)練結(jié)果表明這兩者的緊迫性排序有較小誤差，但緊迫性值非常接近，相差不到0.025。

由表4和圖6可以看出，經(jīng)網(wǎng)絡(luò)訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出值和教師值評價決策吻合很好，兩者的最大誤差僅為0.050 7，均方誤差MSE控制在期望誤差之下。說明此BP神經(jīng)網(wǎng)絡(luò)模型的仿真效果較好，驗證了BP神經(jīng)網(wǎng)絡(luò)模型可以有效地實現(xiàn)對受災(zāi)點的救援需求緊迫性分級，利用基于BP神經(jīng)網(wǎng)絡(luò)的需求緊迫性分級模型在進行分級時，只需在程序中輸入一組經(jīng)標準歸一化處理的指標數(shù)據(jù)，就可以得到受災(zāi)點的需求緊迫性值，進而可以對受災(zāi)點的需求緊迫性程度進行分級排序，從而在資源有限條件下，為應(yīng)急救援活動的決策提供支持，提高應(yīng)急救援的效率。

最后，與TOPSIS法、灰色關(guān)聯(lián)法和熵權(quán)法的評價結(jié)果進行比較，表5所示為四種不同方法對需求點緊迫性分級的評價結(jié)果，基于BP神經(jīng)網(wǎng)絡(luò)方法對不同需求點的緊迫性進行分級，期望值與實際輸出值之間的誤差很小。圖7展示了采用四種不同方法對10個應(yīng)急需求點進行評價，各評價結(jié)果都出現(xiàn)不同程度的差異。可以從BP神經(jīng)網(wǎng)絡(luò)中看出，反映的評價結(jié)果比其他三種方法更加合理，從而證明本文使用的評價方法具有科學性與有效性。

表5　四種不同方法比較結(jié)果

圖7　四種不同評價方法結(jié)果比較

5結(jié)束語

本文提出基于受災(zāi)點的需求緊迫性分級指標體系，并將該指標體系與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過模型設(shè)計、參數(shù)設(shè)計以及樣本訓(xùn)練，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的受災(zāi)點應(yīng)急需求緊迫性分級模型。運用MATLAB軟件對BP神經(jīng)網(wǎng)絡(luò)進行仿真訓(xùn)練，實例驗證結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型對檢驗樣本的訓(xùn)練結(jié)果輸出和期望輸出是一致的；最后，分別采用TOPSIS法、灰色關(guān)聯(lián)分析法和熵權(quán)法對受災(zāi)點應(yīng)急需求緊迫性分級的評價結(jié)果進行比較，進一步論證了該分級評價方法的科學性和合理性。

本文提出的BP神經(jīng)網(wǎng)絡(luò)的緊迫性分級方法，是一種非線性方法，屬于隱式數(shù)學處理方法，避免了傳統(tǒng)分級分類方法中的主觀性以及復(fù)雜的數(shù)學推導(dǎo)和計算，過程更為方便、快捷。同時，由于該方法不需要人為地確定權(quán)重，降低了評價過程中由主觀因素導(dǎo)致的結(jié)果失真，使結(jié)果更為有效、客觀和可靠。因此，基于BP神經(jīng)網(wǎng)絡(luò)的緊迫性分級模型對受災(zāi)點的救援需求緊迫性進行排序具有科學性和可行性，在資源有限的條件下對需求緊迫性程度高的受災(zāi)點進行優(yōu)先配送或更充分地配送，為救援活動提供決策支持，使得應(yīng)急救援有效。

在實際應(yīng)用中，運用BP神經(jīng)網(wǎng)絡(luò)的并行分布處理、知識儲存、自適應(yīng)、自組織和自學習的特點，能夠動態(tài)地對受災(zāi)點的需求緊迫性進行評價分級，并可以根據(jù)災(zāi)害發(fā)生的具體情況，對模型參數(shù)和各項指標進行改進修正，使整個評價過程具有易操作性。

參考文獻：

[1]周阿穎，張朝，史培軍，等.影響地震救災(zāi)效率的因素分析——以汶川8.0級地震和玉樹7.1級地震為例[J].災(zāi)害學，2011，26(4):134-138.

[2]楊震，王成軍，郭梨.巨災(zāi)救援鏈系統(tǒng)中的災(zāi)區(qū)聚類與排序問題研究——以汶川地震為例[J].災(zāi)害學,2013,28(4):159-164.

[3]夏萍.災(zāi)害應(yīng)急物流中基于需求分析的應(yīng)急物資分配問題研究[D].北京：北京交通大學，2010.

[4]王婧，王海軍.應(yīng)急救援中應(yīng)急物資需求緊迫性分級研究[J].計算機工程與應(yīng)用，2013，49(5):4-7.

[5]JIUH-BIING SHEU. Dynamic relief-demand management for emergency logistics operations under large-scale disasters [J].Transportation Research Part E: Logistics and Transportation Review, 2010,46(1):1-17.

[6]何曼.需求點分級下的應(yīng)急物資車輛調(diào)度路徑優(yōu)化[D].武漢：華中科技大學，2011.

[7]魏國強，楊永清.供應(yīng)不足條件下戰(zhàn)時連續(xù)消耗資源調(diào)度模型[J].系統(tǒng)工程與電子技術(shù)，2012，34(1):102-106.

[8]周海英.應(yīng)急物流實時救濟需求管理模型研究[J].科技管理研究，2012(12):227-233.

[9]舒其林.“情景-應(yīng)對”模式下非常規(guī)突發(fā)事件應(yīng)急資源配置調(diào)度研究[D].合肥：中國科學技術(shù)大學，2012.

[10]王婧.不確定條件下應(yīng)急物資多式聯(lián)運調(diào)度模型研究[D].武漢：華中科技大學，2013.

[11]姜艷萍，樊治平.一種三角模糊數(shù)互補判斷矩陣的排序方法[J].系統(tǒng)工程與電子科技，2002，24(7):26-28.

[12]邵祖峰，王秀華.基于三角模糊數(shù)的水域治安管理綜合評價[J].水運管理，2006，18(7):24-26.

[13]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學出版社，2006.

[14]王海軍，王婧，杜麗敬.應(yīng)急物資籌集與調(diào)配[M].北京：科學出版社，2013.

*收稿日期：2016-01-05修回日期：2016-03-02

基金項目：教育部博士點基金項目(20130039，20123121110004)；上海市自然科學基金項目(12ZR1412800)；上海市科委重點項目(11510501900)；上海市科學技術(shù)委員會項目(14DZ2280200)；上海市教委科研創(chuàng)新項目(13YZ085)

第一作者簡介：姚恩婷(1992-),女,河南衛(wèi)輝人,碩士研究生,主要研究方向為應(yīng)急物流.E-mail:1104420822@qq.com

中圖分類號：X43

文獻標志碼：A

文章編號：1000-811X(2016)03-0211-07

doi:10.3969/j.issn.1000-811X.2016.03.036

Classification Method of Demand Urgency of the Affected Points Based on the BP Neural Network

YAO Enting, MENG Yanping and LIN Guolong

(LogisticsResearchCenter,ShanghaiMaritimeUniversity,Shanghai201306,China)

Abstract:After the occurrence of large-scale emergencies, often involves multiple disaster areas, so that the number of emergency rescue of the affected point is numerous. When the emergency resources are limited and transport capacity constrained, in order to improve the efficiency of emergency rescue, emergency supplies transportation and distribution needs according to the demand priority of the affected spot. Therefore, hierarchical ordering of the urgent demand of the affected points is critical.This paper proposed a classification method based on BP neural network, constructed evaluation index system of influence the affected points of demand urgency, established the demand urgency classification model based on BP neural network. Finally, example shows that BP neural network for the test sample results output and the expected output is consistent, and it compares the evaluation outcome of TOPSIS method, gray relation method and entropy weight method, and further prove the scientific and rationality of this evaluation method.

Key words:BP neural network; affected point; emergency demand; demand urgency; gradation

姚恩婷，孟燕萍，林國龍. 基于BP神經(jīng)網(wǎng)絡(luò)的受災(zāi)點的需求緊迫性分級方法[J].災(zāi)害學, 2016,31(3):211-216,229.[YAO Enting, MENG Yanping and LIN Guolong.Classification Method of Demand Urgency of the Affected Points Based on the BP Neural Network[J].Journal of Catastrophology, 2016,31(3)：211-216,229.]