劉 清 董詩瑀 王 磊

(武漢理工大學交通學院1) 武漢 430063) (國家水運安全工程技術(shù)研究中心2) 武漢 430063)

0 引 言

內(nèi)河水上交通安全事故大多發(fā)生在航道條件復(fù)雜的水域，從海事保障角度辨識航道“黑點”，既是滿足水域通航安全保障的需要，也是航道改善輔助決策的必要基礎(chǔ)，更是從本質(zhì)上保障船舶通航安全的必然途徑[1-2].

目前道路交通“黑點”的有關(guān)研究已較為成熟，已有關(guān)于航道“黑點”的研究主要采用了模糊綜合評價及動態(tài)聚類法[3]、基于網(wǎng)格理論的模糊綜合評價[4]、層次聚類算法[5]等方法，這些方法大多基于問卷的數(shù)據(jù)處理，主觀性強，對內(nèi)河航道“黑點”的定量研究比較缺乏，這一缺乏主要源自兩方面的難題：①如何實現(xiàn)復(fù)雜航道條件下船舶通航風險特征變量的定量描述；②如何用恰當?shù)哪Ｐ图八惴▉眚炞C航道“黑點”辨識的效果，并證明這種方法的合理性.這些難題也就是本文力圖解決的研究命題[6-7].

文中明確界定了內(nèi)河航道黑點的內(nèi)涵，建立了內(nèi)河航道“黑點”辨識的MEA-BP神經(jīng)網(wǎng)絡(luò)模型，運用思維進化算法優(yōu)化模型并迅速找出“黑點”位置，通過對“黑點”影響因子的敏感度分析，提取影響內(nèi)河航道“黑點”的關(guān)鍵影響因素.

1 基于MEA-BP神經(jīng)網(wǎng)絡(luò)的內(nèi)河航道黑點辨識模型的建立

1.1 內(nèi)河“黑點”航道的內(nèi)涵

根據(jù)內(nèi)河水上交通事故特點，從環(huán)境因素出發(fā)，將內(nèi)河“黑點”航道界定為：一個比較長的時間范圍里或者規(guī)定的統(tǒng)計周期內(nèi)，某些位置(內(nèi)河地點、航段、區(qū)域)上發(fā)生的水上交通事故數(shù)量或者事故特征明顯比其他航段異常，或者該位置航道條件威脅航行安全，即內(nèi)河航道上影響船舶通航安全因素集中的航段[8].

1.2 建模方法的選擇

采用基于思維進化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模方法.BP神經(jīng)網(wǎng)絡(luò)揭示數(shù)據(jù)樣本中蘊含的非線性關(guān)系,靈活方便地對多成因的復(fù)雜未知系數(shù)進行建模[9].BP神經(jīng)網(wǎng)絡(luò)已經(jīng)在道路黑點辨識研究中廣泛應(yīng)用,并取得良好的效果.運用BP神經(jīng)網(wǎng)絡(luò)進行內(nèi)河“黑點”航道辨識,只要收集輸入層和輸出層的數(shù)據(jù),不必考慮輸入層多個影響因素之間的權(quán)重，模型會根據(jù)數(shù)據(jù)特征,自動調(diào)整權(quán)值與閾值,當目標誤差和檢驗誤差率達到預(yù)測標準時網(wǎng)絡(luò)停止運算,模型建立[10-11].

針對BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小，收斂速度慢，選取思維進化算法(mind evolutionary algorithm，MEA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值[12].MEA把群體劃分為優(yōu)勝子群體和臨時子群體，趨同和異化操作分別進行局部搜索和全局搜索，這兩種功能相互協(xié)調(diào)且保持一定的獨立性，便于分別提高效率，任一方面的改進都對提高算法的整體搜索效率有利[13].

1.3 模型指標的提取

影響內(nèi)河船舶通航安全的航道條件因素很多，在選擇評價指標時，要考慮其量化的可能性及相互之間的邏輯關(guān)系，否則，會失去辨識的客觀性與真實性.充分考慮內(nèi)河航道影響因素構(gòu)建的評價指標體系見圖1.

圖1 內(nèi)河航道“黑點”辨識評價指標體系

1.4 辨識模型及算法

采取輸入層八個元素，隱含層七個元素，輸出層一個元素的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu).建立的模型結(jié)構(gòu)見圖2.

圖2 內(nèi)河航道黑點辨識模型結(jié)構(gòu)示意圖

采用思維進化優(yōu)化BP網(wǎng)絡(luò)的基本步驟如下.

1) 產(chǎn)生初始結(jié)構(gòu)群體 設(shè)神經(jīng)網(wǎng)絡(luò)的最大隱含層數(shù)為n，每一個隱含層最大節(jié)點數(shù)為m.隨機產(chǎn)生N組數(shù)作為初始結(jié)構(gòu)群體，每組數(shù)中包含n個元素，其中每個元素均從隱含層節(jié)點數(shù)0,1,…，m中選取.

2) 評價函數(shù)的確定 選擇訓練集的均方誤差的倒數(shù)作為各個個體與種群的得分函數(shù).

(1)

式中：yi為第i個訓練樣本的網(wǎng)絡(luò)輸出值；ti為目標輸出；p為訓練樣本數(shù).

3) 訓練權(quán)值和閾值 對于每個網(wǎng)絡(luò)結(jié)構(gòu)，在(0,1)之間以均勻分布產(chǎn)生R組隨機數(shù)，作為初始的權(quán)值和閾值群體.根據(jù)網(wǎng)絡(luò)計算規(guī)則，按照得分函數(shù)計算每個個體得分，誤差越小，則認為個體所含權(quán)值和閾值信息越好，得分就越高.得分最高的q個個體被稱為優(yōu)勝者.

4) 子群體趨同過程 趨同操作是在每個子群體內(nèi)部進行的.分別以每一個優(yōu)勝者為中心，服從正態(tài)分布產(chǎn)生個體，形成M個優(yōu)勝子群體和T個臨時子群體，每個子群體包含w個個體.正態(tài)分布的中心就是優(yōu)勝者的坐標，即優(yōu)勝者的權(quán)值.

5) 子群體異化過程 異化操作是全局空間內(nèi)各子群體為成為優(yōu)勝者的競爭過程.全局公告板記錄了各子群體的得分及成熟度，若一個臨時子群體的得分高于某個成熟的一般子群體的得分，則該成熟的一般子群體被獲勝的臨時子群體替代，原成熟的一般子群體中的個體被釋放，形成新的臨時子群體.

6) 解析最優(yōu)個體 當滿足迭代停止條件時，思維進化算法結(jié)束優(yōu)化過程.此時，根據(jù)編碼規(guī)則，對尋找到的最優(yōu)個體進行解析，從而得到對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值.

7) 訓練MEA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò) 用得到的最優(yōu)權(quán)值與閾值建立BP神經(jīng)網(wǎng)絡(luò).

1.5 基于MEA-BP模型的“黑點”航道影響因素敏感度分析

敏感度分析是用于研究輸出結(jié)果的不確定性以及不同變量之間關(guān)系的模型.MEA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測過程屬于“黑箱”過程，無法得出各影響因素對“黑點”辨識結(jié)果的影響程度，而了解影響程度最大的影響因素對提升整治航道“黑點”的效率與效果具有重要的作用.利用MEA-BP模型，改變“黑點”航段各影響因素的輸入值后分析輸出結(jié)果，得到對輸出結(jié)果的變化影響最大的輸入變量，即對“黑點”航道影響因素進行敏感度分析，提取“黑點”航道敏感因子，作為航道條件改善的依據(jù).

2 實例驗證

三峽庫區(qū)通航環(huán)境較為復(fù)雜，與其他航段相比，由航道條件因素導(dǎo)致的事故數(shù)量較多.同時受水庫蓄水泄洪影響，庫區(qū)通航環(huán)境并不穩(wěn)定，尤其在庫尾回水變動區(qū)，航道隨水位變化在天然河流航道與庫區(qū)航道間轉(zhuǎn)換，對船舶通航安全造成極大影響.故選取三峽庫區(qū)作為典型航段進行模型驗證.

2.1 三峽庫區(qū)水上交通“黑點”辨識

將三峽庫區(qū)長江航道里程上游50 km至上游700 km，設(shè)置5 km長度為一個單元，可分為130個單元.收集自2011—2018年的三峽庫區(qū)水上交通事故數(shù)據(jù)共80組作為樣本數(shù)據(jù).樣本數(shù)據(jù)見表1.

表1 樣本數(shù)據(jù)

在樣本的訓練過程中，隨機選取70組樣本數(shù)據(jù)為訓練樣本，其余10組為測試樣本.取種群規(guī)模M=20，優(yōu)勝子種群個數(shù)a=5，臨時子種群個數(shù)b=5，初始權(quán)值與閾值取值范圍為(-1,1)，最大迭代次數(shù)為100次.BP神經(jīng)網(wǎng)絡(luò)的最大訓練次數(shù)為100次，訓練目標誤差為0.01，學習率為0.1.

利用MEA算法得到的最優(yōu)權(quán)值與閾值建立BP模型，訓練完畢后，將三峽庫區(qū)所有單元的數(shù)據(jù)輸入網(wǎng)絡(luò)，通過正向計算輸出各單元輸出值，輸出值統(tǒng)計圖見圖3.

圖3 三峽庫區(qū)實例驗證模型輸出值統(tǒng)計圖

將輸出值大于1的單元記為內(nèi)河“黑點”航道，共計10處，見表2.

表2 基于MEA-BP神經(jīng)網(wǎng)絡(luò)模型的三峽庫區(qū)水上交通“黑點”辨識結(jié)果

對應(yīng)的長江航道里程為上游60—65，65—70，95—100，105—110，125—130，155—160，545—550，670—675，765—680，690—695 km.

經(jīng)過對航段實際情況的調(diào)研以及與海事部門統(tǒng)計的事故集中多發(fā)位置比較，運用水上交通“黑點”辨識模型所辨識到的“黑點”位置與實際相符.以上游670—680 km航段為例，長江航道里程670—680 km屬于三峽庫區(qū)庫尾回水變動區(qū)，該航段航道彎曲程度大，航道寬度突然變窄，存在多處礁石淺灘，水流湍急，架設(shè)李家沱長江大橋，兩岸有多處碼頭，屬于重點監(jiān)控航段.由此表明MEA-BP神經(jīng)網(wǎng)絡(luò)模型辨識水上事故“黑點”是可行的且具有一定的準確性.

2.2 庫區(qū)“黑點”航道風險敏感因子提取

通過改變辨識出的“黑點”航道單元相應(yīng)指標數(shù)值，再次正向輸入訓練完畢的“黑點”辨識模型，分析不同輸入變量的改變對輸出結(jié)果的影響程度，排序得到與輸出結(jié)果的變化聯(lián)系最為密切的輸入變量，提取庫區(qū)“黑點”航道風險敏感因子.

改變后的輸入值與對應(yīng)的輸出值見表3.

表3 用于敏感因子提取的模型輸入值與輸出值

通過分析影響因子數(shù)值修改前后輸出值，可以得到各“黑點”航段影響因素對輸出值影響程度排序，從而提取出敏感因子，結(jié)果見表4.

表4 各“黑點”航段風險敏感因子

3 結(jié) 束 語

文中界定了航道“黑點”的內(nèi)涵，針對影響內(nèi)河船舶通航安全的諸多因子，從航道復(fù)雜性和事故多發(fā)兩方面提出了航道“黑點”辨識指標體系，建立了內(nèi)河航道黑點辨識的MEA-BP神經(jīng)網(wǎng)絡(luò)模型.以三峽庫區(qū)2011—2018年的事故為例，對模型進行驗證，輸出結(jié)果表明所構(gòu)建的模型與算法與實際相符.在此基礎(chǔ)上，通過對辨識模型影響因子的敏感性分析，提取了“黑點”航道重點治理因素.研究結(jié)果可用于內(nèi)河航道整治的輔助決策，對保障內(nèi)河船舶通航安全具有應(yīng)用價值.

模型主要針對現(xiàn)有航道條件進行分析，模型動態(tài)性不足，在監(jiān)控航道條件動態(tài)變化方面仍有研究的空間，如何獲取更多更精確數(shù)據(jù)也對模型穩(wěn)定性產(chǎn)生很大影響，在后續(xù)研究中，可考慮在靜態(tài)辨識基礎(chǔ)上考慮加入動態(tài)因素，建立動態(tài)辨識模型.