劉佳琦， 陳文靜

(中國人民公安大學(xué)信息網(wǎng)絡(luò)安全學(xué)院， 北京 100038)

0 引言

當(dāng)今世界恐怖主義、極端暴力襲擊事件頻發(fā)，給人民安全和社會穩(wěn)定帶來極大威脅。車輛沖撞是指襲擊者以車輛作為武器故意駕駛車輛撞向建筑物、人群或者其他目標(biāo)的行為。通過統(tǒng)計分析近15年全球恐怖主義數(shù)據(jù)庫(Global Terrorism Database，GTD)所收錄的恐怖主義事件，發(fā)現(xiàn)車輛沖撞事件數(shù)量呈現(xiàn)逐年上升趨勢。由于國內(nèi)對于爆炸物、槍支和刀具的嚴(yán)格管控，使得車輛成為恐怖分子和極端犯罪分子最容易獲得的武器，車輛沖撞已然成為國內(nèi)恐怖襲擊最主要威脅之一。對恐怖活動的風(fēng)險評估成為近年來國內(nèi)外研究的熱點問題。

風(fēng)險評估流程在《風(fēng)險管理原則與實施指南》(GB/T 24353—2009)中進行了明確，風(fēng)險評估包括風(fēng)險識別、風(fēng)險分析及風(fēng)險評價3個重要步驟[1]。社會安全風(fēng)險評估通常將風(fēng)險分析分為襲擊發(fā)生可能性分析(敵手能力)、安防系統(tǒng)脆弱性分析及襲擊發(fā)生的后果分析3個部分，其中可能性評估是風(fēng)險評估的重要組成部分，是對襲擊發(fā)生的可能程度進行分析與評估，其評估結(jié)果對風(fēng)險評估的結(jié)果有重要的影響，通過可能性評估，能夠準(zhǔn)確分析襲擊者的意圖和能力，也可以在進行風(fēng)險相關(guān)決策時為風(fēng)險管理者提供參考依據(jù)。

隨著安全風(fēng)險評估技術(shù)的不斷發(fā)展，威脅發(fā)生可能性評估已經(jīng)有了一套較為完整的流程。首先明確針對防護目標(biāo)的惡意威脅行為，收集相關(guān)數(shù)據(jù)信息、歷史案件資料，再建立可能性評估指標(biāo)體系，最后通過層次分析法、模糊綜合評價法、ANP等評估方法得到可能性分值。辛晶等應(yīng)用網(wǎng)絡(luò)層次分析法對石油化工設(shè)施安全進行了風(fēng)險評估[2]。王永寶等應(yīng)用風(fēng)險矩陣對風(fēng)險可能性進行了分析[3]。盧耀健等基于模糊隨機方法對臺風(fēng)災(zāi)害模糊可能性進行分析，最終得到臺風(fēng)災(zāi)害模糊風(fēng)險評估模型[4]。王肖霞等引入廣義模糊數(shù)定量描述專家信息，先利用可能性分布統(tǒng)一表征信息，然后利用相似測度對可能性熵權(quán)進行調(diào)整最后完成尾礦壩風(fēng)險可能性評估[5]?？赡苄栽u估研究仍然存在一定局限性，首先風(fēng)險評估評模型中的可能性評估指標(biāo)多為歷史事件、對手?jǐn)?shù)量、動機等指標(biāo)，指標(biāo)數(shù)量較少覆蓋不夠全面，缺少科學(xué)和全面的可能性評估指標(biāo)體系研究，同時指標(biāo)分級標(biāo)準(zhǔn)不夠細(xì)致精準(zhǔn)，難以實現(xiàn)科學(xué)量化；其次評估方法多采用專家經(jīng)驗法，過分強調(diào)專家主觀意愿，評估結(jié)果缺少客觀性，依賴專家經(jīng)驗的評估方法同時存在評估結(jié)果不穩(wěn)定的問題。

綜上所述，恐怖襲擊成因錯綜復(fù)雜，單純的定性或定量分析難以科學(xué)和全面地評估襲擊發(fā)生的可能性?；诖?，本文提出了一種基于PSO- BP神經(jīng)網(wǎng)絡(luò)的車輛沖撞威脅可能性評估方法，首先收集2006～2020年間國內(nèi)外發(fā)生的車輛沖撞案例，在案例分析基礎(chǔ)上結(jié)合專家經(jīng)驗建立車輛沖撞可能性指標(biāo)體系， 根據(jù)案例描述，結(jié)合專家經(jīng)驗建立可能性評估指標(biāo)數(shù)據(jù)集，再利用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進行反復(fù)學(xué)習(xí)和訓(xùn)練，實現(xiàn)可復(fù)用的車輛沖撞威脅可能性評估模型，通過實驗分析，該模型可以科學(xué)、全面的對威脅發(fā)生可能性進行評估。

1 可能性評估指標(biāo)體系及數(shù)據(jù)集構(gòu)建

為了科學(xué)、全面地構(gòu)建車輛沖撞可能性評估指標(biāo)體系，用更加真實、準(zhǔn)確的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到科學(xué)實用的可能性評估模型，本文構(gòu)建了針對車輛沖撞威脅案例集和可能性評估指標(biāo)數(shù)據(jù)集。

1.1 案例收集與分析

通過收集國內(nèi)外發(fā)生具有一定關(guān)注度的車輛沖撞案例，對案例進行分析研究后發(fā)現(xiàn)，車輛沖撞事件除以政治、宗教等問題為動機的恐怖事件外，還有很多以酗酒、吸毒、個人泄憤等為動機的暴力事件，這些暴力事件后果嚴(yán)重，威脅人民安全和社會穩(wěn)定，同樣應(yīng)該引起重視。因此本文首先篩選GTD數(shù)據(jù)庫中2006～2020年的車輛沖撞數(shù)據(jù)，并以這些數(shù)據(jù)為基礎(chǔ)信息，擴展收集各種官方公布信息、新聞媒體報道以及現(xiàn)場視頻資料等；又?jǐn)U展收集了2006～2020年間其他原因發(fā)生的各種汽車沖撞案例，建立了全面、準(zhǔn)確的車輛沖撞案例集，案例集包含車輛沖撞案例175個。

1.2 可能性評估指標(biāo)構(gòu)建

建立科學(xué)、全面且有針對性的指標(biāo)體系是可能性評估中至關(guān)重要的一部分，指標(biāo)體系的構(gòu)建決定了可能性評估模型的準(zhǔn)確度和合理性。傳統(tǒng)風(fēng)險管理流程中可能性評估通常稱為威脅分析，威脅包括敵方的數(shù)量和類型、敵人作案手法、工具類型、運用武器等。

通過對收集的車輛沖撞案例分析，發(fā)現(xiàn)車輛沖撞事件具有很高的關(guān)聯(lián)度。首先對事件發(fā)生的背景、經(jīng)過、人員、后果、影響等細(xì)節(jié)進行挖掘與整理，從事件發(fā)生的可能性影響因素的角度出發(fā)分析影響事件發(fā)生可能性的共性因素，如當(dāng)車輛進行安裝爆炸物等重度改裝，車輛沖撞襲擊發(fā)生的可能性會大幅度增加；人群高度密集的場所更容易發(fā)生車輛沖撞事件；車輛在大型附近或人群聚集場所附近出現(xiàn)如逆行、進行道路行駛、反復(fù)出現(xiàn)在同一路段等車輛行駛異常行為時，車輛沖撞事件發(fā)生的可能性也隨之增加。

對車輛沖撞案例進行高頻詞匯分析，同時參考人群密集高風(fēng)險場所風(fēng)險評估指標(biāo)體系，從“攻”與“防”角度出發(fā)對車輛沖撞事件的成因進行分析，結(jié)合專家經(jīng)驗，建立車輛沖撞威脅可能性評估指標(biāo)體系，得到兩個一級指標(biāo)，敵手能力和目標(biāo)吸引力。敵手能力包括：敵方的動機、戰(zhàn)術(shù)、武器、能力等，用于描述敵手即發(fā)動襲擊的可能性。目標(biāo)吸引力是指襲擊目標(biāo)自身的影響力，舉辦活動的規(guī)模等，主要用于描述成為襲擊目標(biāo)的可能性。從敵手能力和目標(biāo)吸引力兩個一級指標(biāo)出發(fā)，共確定二級指標(biāo)16個?？赡苄灾笜?biāo)體系如表1所示。

表1 可能性指標(biāo)體系

1.3 指標(biāo)分級標(biāo)準(zhǔn)

根據(jù)風(fēng)險管理原則與實施指南等相關(guān)國家標(biāo)準(zhǔn)，結(jié)合傳統(tǒng)風(fēng)險評估方法和專家經(jīng)驗，對各指標(biāo)進行分級[6]。一級指標(biāo)敵手能力下確定4個二級指標(biāo)，一級指標(biāo)目標(biāo)吸引力下確定3個二級指標(biāo)。參考車輛碰撞試驗等相關(guān)國內(nèi)外標(biāo)準(zhǔn)及車輛沖撞相關(guān)實驗數(shù)據(jù)，確定每個指標(biāo)的分級標(biāo)準(zhǔn)，再根據(jù)車輛沖撞數(shù)據(jù)分布情況及車輛沖撞特點對分級標(biāo)準(zhǔn)進行調(diào)整。各個指標(biāo)分級及其賦值標(biāo)準(zhǔn)見表2和表3。

表2 一級指標(biāo)敵手能力下二級指標(biāo)分級及賦值表

表3 一級指標(biāo)目標(biāo)吸引力下二級指標(biāo)分級及賦值表

1.4 數(shù)據(jù)集的構(gòu)建

依據(jù)輸入指標(biāo)分級及賦值表，對收集建立的案例集(詳見1.1)的每個案例的各項可能性評估指標(biāo)進行賦值，得到車輛沖撞可能性評估指標(biāo)數(shù)據(jù)集。

在數(shù)據(jù)處理過程中發(fā)現(xiàn)，少數(shù)車輛沖撞事件對社會危害較小并未引起媒體的關(guān)注，導(dǎo)致這些事件相關(guān)信息缺失，個別指標(biāo)存在空缺值。為保證建立的數(shù)據(jù)集的嚴(yán)謹(jǐn)性和可靠性，對指標(biāo)數(shù)值空缺超過兩項的不完整數(shù)據(jù)進行刪除，其余空缺值選用該指標(biāo)中位數(shù)填充處理。

機器學(xué)習(xí)過程中最重要的部分是對輸入數(shù)據(jù)的特征值進行抓取，而目前國內(nèi)外發(fā)生的車輛沖撞事件并不能覆蓋此類事件發(fā)生的可能性的全部特征，需要進行數(shù)據(jù)插補，補充極端情況指標(biāo)數(shù)據(jù)，包括各指標(biāo)的極高或極低等級以維持?jǐn)?shù)據(jù)特征完整性。

最終得到車輛沖撞事件威脅發(fā)生可能性評估指標(biāo)數(shù)據(jù)集，數(shù)據(jù)量為300條。車輛沖撞威脅發(fā)生可能性分值為數(shù)據(jù)標(biāo)簽。

1.5 數(shù)據(jù)集的擴展

蒙特卡洛方法(Monte Carlo)是一種基于概率論的隨機抽樣方法，可以實現(xiàn)對小樣本數(shù)據(jù)擴充。蒙特卡洛方法的思想起源于18世紀(jì)Buffon投針實驗，實驗創(chuàng)造了用隨機模擬估計預(yù)測量的新方法[8]。ChenGang等人2019年利用蒙特卡洛方法構(gòu)造虛擬樣本補充到數(shù)據(jù)集中，解決了因樣本數(shù)量不足導(dǎo)致結(jié)構(gòu)件壽命預(yù)測準(zhǔn)確率低的問題[9]。

蒙特卡洛方法在進行大量隨機模擬實驗后通過隨機抽樣得到滿足變量分布的虛擬樣本，最后將這些虛擬樣本加入到原始數(shù)據(jù)實現(xiàn)數(shù)據(jù)集擴充。直接采樣、接受拒絕采樣與重要性采樣是最常見的3種蒙特卡洛采樣方法[10]。本文選取接受拒絕采樣方法，拒絕采樣適用于原分布式未知的情況，同時數(shù)據(jù)的維數(shù)不會影響蒙特卡洛方法的復(fù)雜性，因此這一方法適合解決車輛沖撞威脅可能性評估數(shù)據(jù)擴充問題。使用蒙特卡洛方法將可能性數(shù)據(jù)集擴充后從中選取900條數(shù)據(jù)用于后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

2 基于BP神經(jīng)網(wǎng)絡(luò)的評估模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是Rumelhart和McClelland等科學(xué)家于1986年提出的一種深度學(xué)習(xí)算法[11], BP神經(jīng)網(wǎng)絡(luò)模型通過建立機器的多隱含層模型并使用大量數(shù)據(jù)進行訓(xùn)練來學(xué)習(xí)有用的特征，從而達(dá)到提高分類、預(yù)測的準(zhǔn)確性的目的。BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，其核心是利用誤差不斷修正權(quán)值和閾值。BP神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)，輸入層、隱含層、輸出層，每一層都由一定數(shù)量的神經(jīng)元(節(jié)點)組成，每一個神經(jīng)元以其自身的拓?fù)浣Y(jié)構(gòu)進行運算，共同完成整個神經(jīng)網(wǎng)絡(luò)的計算，神經(jīng)元拓?fù)浣Y(jié)構(gòu)如圖1所示。xi為神經(jīng)元輸入，ωi為連接權(quán)值，選取最便捷的線性加權(quán)求和可得神經(jīng)元凈輸入Netin為:

圖1 神經(jīng)元拓?fù)鋱D

(1)

θi表示該神經(jīng)元的閾值,f為激活函數(shù)，此時可以得到神經(jīng)元輸出：

yi=f(Netin-θi)

(2)

BP神經(jīng)網(wǎng)絡(luò)整個算法流程包括兩個部分，第一個部分是信號經(jīng)過輸入層、隱含層、輸出層向前傳播，第二部分是誤差反向傳播，在這一部分使用梯度下降法來更新參數(shù)，誤差經(jīng)過輸出層、隱含層、輸入層不斷反向傳播，依次修正各層之間的權(quán)重和偏置，最終使得預(yù)測的輸出不斷逼近期望輸出，達(dá)到所期望的目標(biāo)精度。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

車輛沖撞威脅可能性評估數(shù)據(jù)為整數(shù)型數(shù)據(jù)，兩個整數(shù)之間的關(guān)系實際意義不大，這些無價值的信息會給機器學(xué)習(xí)模型帶來信息干擾。為了解決上述問題，在機器學(xué)習(xí)模型建立前對數(shù)據(jù)進行獨熱編碼(One-Hot Encoding)處理，使可能性評估模型變成多分類模型。

獨熱編碼又被稱為one-hot編碼或一位有效編碼，可以用于解決多分類問題。獨熱編碼利用狀態(tài)寄存器對每一種狀態(tài)進行編碼，每一個狀態(tài)都有自己的寄存器，因此只有一位寄存器出于有效狀態(tài)。獨熱編碼方式是一種易于實現(xiàn)的編碼方式，其在處理非連續(xù)數(shù)據(jù)時具有很大優(yōu)勢，獨熱編碼不需要解碼器就可以實現(xiàn)，此外一定程度上實現(xiàn)了特征擴充[12]。車輛沖撞威脅可能性評估的數(shù)據(jù)為等級數(shù)值，是不連續(xù)的整數(shù)，因適合使用獨熱編碼方式進行編碼。

神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性、收斂速度、預(yù)測精準(zhǔn)度都依賴于訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)主要包括網(wǎng)絡(luò)層數(shù)和各層的神經(jīng)元節(jié)點個數(shù)。BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)及其參數(shù)設(shè)置如下。

(1)輸入層

輸入層為的輸入數(shù)據(jù)為對手?jǐn)?shù)目、對手是否有犯罪前科、場館舉辦活動規(guī)模等7個可能性評估指標(biāo)的分值，輸入層有7個變量，其節(jié)點數(shù)為7。

(2)隱含層

對于隱藏層的設(shè)定，需要考慮隱藏層的層數(shù)和各層神經(jīng)元的個數(shù)這兩個重要的內(nèi)容。隱含層的層數(shù)越多模型越復(fù)雜，越適用于解決復(fù)雜問題。車輛沖撞威脅可能性分析模型復(fù)雜程度不高，但其數(shù)據(jù)特征不夠明顯，特征提取存在一定難度。在實驗過程中首先將隱含層設(shè)置為一層，在嘗試變換隱含層節(jié)點數(shù)后測試集準(zhǔn)確度始終不能達(dá)到40%。當(dāng)隱含層增加到兩層，準(zhǔn)確大幅提升。經(jīng)過實驗最后確定隱含層數(shù)為兩層。進行多次的測試與驗證，綜合數(shù)據(jù)集與大型場館可能性評估的實際情況，得到最優(yōu)隱含層設(shè)置為隱含層第一層為20個節(jié)點，隱含層第二層為10個節(jié)點，此時訓(xùn)練速度和精度都達(dá)到了最優(yōu)狀態(tài)。

(3)輸出層

輸出層的輸出數(shù)據(jù)為大型場館發(fā)生車輛沖撞事件的可能性，數(shù)值分為1～5個整數(shù)數(shù)字，代表可能性的5個等級。輸出數(shù)據(jù)只有可能性這一個變量，基于獨熱偏碼方式輸出層節(jié)點數(shù)量設(shè)為5。

(4)參數(shù)設(shè)置

除上述參數(shù)外，迭代次數(shù)、學(xué)習(xí)率、以及誤差的計算等BP神經(jīng)網(wǎng)絡(luò)參數(shù)需要設(shè)置。經(jīng)過系列實驗最終確定迭代次數(shù)設(shè)置為10 000，學(xué)習(xí)率設(shè)置為0.02，克服了梯度消失的問題，加快了訓(xùn)練速度。選用均方根誤差(MSE)進行誤差的計算。其公式如公式(3)，其中yi為真實值i為預(yù)測值。

(3)

使用Python3.8、TensorFlow2.0完成BP神經(jīng)網(wǎng)絡(luò)構(gòu)建。分割上文所構(gòu)建的數(shù)據(jù)集，80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

綜上，最終確定車輛沖撞威脅可能性評估的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

2.3 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果分析

模型準(zhǔn)確率曲線如圖所示如下圖3所示，可以看出在5 000次迭代時得到相對最好的效果。最終的準(zhǔn)確度為60%。

圖3 BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度曲線

3 基于PSO- BP神經(jīng)網(wǎng)絡(luò)的評估模型構(gòu)建

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用在各個領(lǐng)域，是成熟的研究方法，但在應(yīng)用車輛沖撞威脅可能性評估問題上時容易陷入局部最優(yōu)解，此外BP神經(jīng)網(wǎng)絡(luò)過度依賴初始方案和初始參數(shù)。為更好建立大型場館面向車輛沖撞的可能性評估模型，本文使用了粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，解決了模型容易陷入局部最優(yōu)解的問題，大幅提高了模型準(zhǔn)確度。

3.1 粒子群優(yōu)化算法

群智能(Swarm Intelligence)方法靈感源自觀察自然界中蟻群、蜜蜂群、鳥類以及魚類等生物群體的行為機制[13]。大量個體想要完成復(fù)雜的任務(wù)需要相互配合，每個較大的生物群體有自己的相互協(xié)作方式，群智能算法是模仿這樣的行為的算法。群智能算法中較為典型的算法有蟻群算法和粒子群優(yōu)化算法等。群智能優(yōu)化算法中引入了隨機數(shù)和隨機初始化，相比于其他優(yōu)化算法群智能優(yōu)化算法對初始方案的依賴程度較低，可以用于處理各種復(fù)雜問題，應(yīng)用領(lǐng)域十分廣泛，漸漸成為主流優(yōu)化技術(shù),在數(shù)據(jù)挖掘、計算智能、工業(yè)應(yīng)用、生物、經(jīng)濟等領(lǐng)域都有重要的應(yīng)用[14]。

(4)

(5)

BP對于初始權(quán)重的設(shè)置是隨機的，初始權(quán)重直接影響模型的預(yù)測效果。PSO- BP神經(jīng)網(wǎng)絡(luò)使用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，把BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度作為粒子群算法的優(yōu)化目標(biāo)，尋找使得預(yù)測效果達(dá)到最佳的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)重，從而得到最優(yōu)預(yù)測模型。PSO- BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖4所示。

圖4 PSO- BP流程圖

3.2 PSO- BP模型構(gòu)建

構(gòu)建PSO- BP神經(jīng)網(wǎng)絡(luò)模型需要對PSO算法進行設(shè)定，在PSO算法中種群規(guī)模是一個非常重要的參數(shù)，種群中所包含的粒子數(shù)決定了網(wǎng)絡(luò)的復(fù)雜程度，不但影響了模型的收斂速度更影響了模型預(yù)測的準(zhǔn)確度，粒子數(shù)過少可能會導(dǎo)致找不到最優(yōu)解，粒子數(shù)過大又會使計算時間過長，結(jié)合實踐經(jīng)驗及本論文所研究問題的特征，設(shè)置粒子個數(shù)為3。粒子矩陣形狀設(shè)置為3×20×20。學(xué)習(xí)因子設(shè)置為0.02，慣性權(quán)重均設(shè)置為0.8。

使用Python3.8、TensorFlow2.0完成PSO- BP神經(jīng)網(wǎng)絡(luò)構(gòu)建，將上文所構(gòu)建的數(shù)據(jù)集進行分割，80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，作為輸入數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，再對數(shù)據(jù)集進行標(biāo)準(zhǔn)化處理后開始模型的訓(xùn)練、預(yù)測及效果評估。

3.3 PSO- BP模型結(jié)果分析

模型誤曲線如圖5所示，可以看出隨著迭代次數(shù)的增加誤差下降的非?？欤? 000次迭代后誤差變化幅度減小，在10 000次迭代時得到最好的效果。使用PSO- BP算法避免了陷入局部最優(yōu)解情況發(fā)生，獲得擬合區(qū)間，模型能快速抓取到車輛沖撞威脅可能性評估數(shù)據(jù)集的特征。圖6為模型訓(xùn)練準(zhǔn)確度的變化曲線，模型經(jīng)過10 000次迭代后得到最終的準(zhǔn)確度78.8%。模型訓(xùn)練耗時短收斂快，不會陷入局部最優(yōu)解，誤差小準(zhǔn)確度高。未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為60%，PSO- BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度更高，效果更穩(wěn)定，對于車輛沖撞事件可能性評估有更好的預(yù)測效果。

圖5 PSO- BP誤差曲線

圖6 PSO- BP準(zhǔn)確度曲線

為驗證本文提出的PSO- BP神經(jīng)網(wǎng)絡(luò)模型的有效性及可用性，額外選取遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)(GA- BP)模型和基于sklearn的決策樹模型同前文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型和PSO- BP神經(jīng)網(wǎng)絡(luò)模型進行對比實驗，結(jié)果如表4所示。經(jīng)對比，PSO- BP神經(jīng)網(wǎng)絡(luò)模型的測試集準(zhǔn)確度明顯優(yōu)于其他3種模型。PSO- BP神經(jīng)網(wǎng)絡(luò)能很好地處理多分類問題，適合用來解決面向車輛沖撞威脅的可能性評估。

表4 模型準(zhǔn)確度對比表

3.4 指標(biāo)權(quán)重獲取

根據(jù)PSO- BP神經(jīng)網(wǎng)絡(luò)模型反推指標(biāo)體系中各指標(biāo)權(quán)重，權(quán)重雷達(dá)圖如圖7所示，三級指標(biāo)權(quán)重排列表如表5所示。從其排列可知在車輛沖撞威脅發(fā)生可能性指標(biāo)體系中人群密集程度和場所知名程度權(quán)重顯著大于其他指標(biāo)，指標(biāo)權(quán)重符合車輛沖撞威脅可能性評估的客觀事實，符合專家預(yù)期。因此，當(dāng)人群密集程度顯著增大時應(yīng)及時增加巡邏守衛(wèi)力量。知名度較高的場所應(yīng)注意人車分流同時完善報警系統(tǒng)，避免車輛沖撞事件的發(fā)生，將損失降到最低。

圖7 指標(biāo)權(quán)重雷達(dá)圖

表5 三級指標(biāo)權(quán)重排列表

4 結(jié)論

針對傳統(tǒng)評估方法缺少客觀性評估的問題，構(gòu)建了基于深度學(xué)習(xí)的車輛沖撞威脅可能性評估模型，解決了傳統(tǒng)可能性評估方法缺少定量客觀性評估的問題。首先對國內(nèi)外近15年間引起媒體廣泛關(guān)注的車輛沖撞事件進行分析與整理，形成車輛沖撞案例集，建立車輛沖撞威脅可能性評估指標(biāo)體系，構(gòu)建車輛沖撞威脅可能性評估指標(biāo)數(shù)據(jù)集；其次，使用蒙特卡洛方法對數(shù)據(jù)進行擴充；然后，在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上引入粒子群優(yōu)化算法，并進行對比實驗。結(jié)果表明，本文提出的方法在性能上提高了18.8個百分點，并得到7個三級指標(biāo)的對應(yīng)權(quán)重，所得權(quán)重符合車輛沖撞威脅可能性評估客觀事實。實驗結(jié)果表明本文所提方法具有較高的準(zhǔn)確性和算法穩(wěn)定性。

提出的基于深度學(xué)習(xí)的車輛沖撞威脅可能性評估模型目前只能實現(xiàn)對威脅發(fā)生可能性進行靜態(tài)評估，下一步將考慮擴展指標(biāo)體系并結(jié)合公安情報數(shù)據(jù)，對威脅發(fā)生可能性進行動態(tài)評估研究。