石红国，张 鹏，雷艳红

(西南交通大学 交通运输与物流学院，四川 成都 610031)



基于BP神经网络的郭白铁路专用线安全评价

石红国，张 鹏，雷艳红

(西南交通大学 交通运输与物流学院，四川 成都 610031)

郭白铁路专用线基础设备落后，自然灾害严重，存在很大的安全隐患，对其进行安全评价意义重大。由于BP神经网络对郭白铁路专用线安全评价的非线性和复杂性具有较强的适应性，故构建了基于BP神经网络的郭白铁路专用线安全评价模型。模型采用改进后的BP神经网络算法，相较于常规算法，具有收敛快、计算精确和预测精度较高等优点。针对郭白铁路专用线自身的特殊性，建立一套便于赋值和贴合实际的安全评价指标体系，增加了模型的可靠性。基于BP神经网络的郭白铁路专用线安全评价模型和通过模型预测出来的结果，为郭白铁路专用线科学的管理提供参考和依据。

交通运输工程；BP神经网络；安全评价；模型；可靠性

0 引 言

郭白铁路位于内蒙古锡林郭勒盟境内，西起集(宁)二(连)铁路郭尔奔敖包站，终至苏尼特左旗境内的白音乌拉煤田芒来煤矿，在我国的煤炭运输中，起着不可或缺的作用。但由于铁路系统自身的复杂性以及特殊的地理环境、频繁的自然灾害等，使得郭白铁路的安全隐患十分突出。在铁路高速发展的今天，人们对安全运输生产的要求越来越高，因此研究郭白铁路的安全性势在必行。

铁路系统是一个复杂多变的系统，各类因素相互作用相互影响[1]，因此可以将郭白铁路的安全评价看着是一个非线性问题。目前运用较广的安全评价方法主要有：安全检查表法、事故树安全评价法、模糊综合评价法、作业危险性评价法等，虽然可以使用，但无法进行安全评估预测[2]。笔者运用BP神经网络方法可以克服传统安全评价方法的许多缺点，从人-机-管-环4个方面对郭白铁路专用线进行安全评价及预测，为企业安全管理提供参考。

1 安全评价指标体系的构建

郭白铁路专用线的安全涉及到人员因素、管理因素、设备因素和环境因素，安全评价指标体系的建立必须从生产运输实践出发，遵循科学性、系统性、可行性、可比性和简洁性等原则构建郭白铁路专用线安全评价指标体系[3]。

结合郭白铁路专用线的实际情况，并从铁路安全评价专家的意见出发，通过模糊层次分析法计算，构建郭白铁路专用线安全评价指标体系及权重如表1。

表1 郭白专用线安全评价指标权重统计Table 1 Safety evaluation index weight statistics of Guo-Bai special line

2 安全评价模型的建立

2.1 BP神经网络的算法原理

BP神经网络的核心是信息前向传递，误差反向传播。在网络的结构和输入模式确定后，信息从输入层传递到隐含层，经过在隐含层逐层传递处理，进入输出层产生一个输出数据[4]。如果期望输出数据与输出数据有误差，那么误差会反向传播，通过网络将误差信号沿原来的路径反传回来调整网络的权值和阀值，从而使BP神经网络预测输出不断逼近期望输出[5]。单一隐含层的BP神经网络结构图如图1。

2.2 BP神经网络模型

2.2.1 BP神经网络算法的改进

BP神经网络虽然具有计算过程缜密、很强的非线性逼近能力[6]，以及良好的自训练学习和容错性，但是也存在收敛速度慢导致学习时间较长，局部极小化问题等缺点。故在网络学习过程中将误差函数进行改进，即

Φ(Cti-Yti)]

(1)

式中：Pt表示网络产生的误差；Cti表示网络输出层的输出向量；Yti表示网络期望输出向量；β表示常数；t为样本数据个数；i为期望输出向量元素的个数；Φ(x)=ln[cos(γx)]/γ，γ为常数。

2.2.2 改进的BP神经网络的算法流程

Atg=(At1，At2，…，Ate)为神经网络输入层的输入向量；Stf=(St1，St2，…，Stn)为隐含层的输入向量；Btf=(Bt1，Bt2，…，Btn)为隐含层的输出向量；Lti=(Lt1，Lt2，…，Ltk)为输出层的输入向量；Cti=(Ct1，Ct2，…，Ctk)为输出层的输出向量；输入层与隐含层连接权值为Vgf；隐含层与输出层连接权值为Vfi；隐含层的阈值为Rf；输出层的阈值为Ri；样本个数为t=1，2，…，m。

Step 1：对该BP神经网络进行初始化。给连接权值赋，并选取改进后的误差函数和计算的精度值ε以及最大的学习次数。

Step 2：选取随机的一个样本m，并输入该样本及其所对应的期望输出：

Amg=(Am1，Am2，…，Ame)

(2)

Ymi=(Ym1，Ym2，…，Ymk)

(3)

Step 3：计算神经网络中输出层和隐含层的各神经元输入值和输出值：

(4)

Bmf=f(Smf)，f=1，2，…，n

(5)

(6)

Cmi=f(Lmi)，i=1，2，…，k

(7)

Step 4：通过上述的误差函数Pt、输出层的输入向量Lti以及隐含层与输出层的连接权值Vfi，计算出误差函数和隐含层与输出层的连接权值的偏导数。

(8)

(9)

Ymi)]/∂Lmi=f(x)

(10)

式中：f(x)=β(Cmi-Ymi)+(1-β)tanβ(Cmi-Ymi)。

Step 5：通过误差函数、隐含层的输入向量以及隐含层与输入层的连接权，计算出误差函数和输入层与隐含层的连接权值的偏导数。

(11)

(12)

Ymi)]/∂Stf=f′(x)

(13)

Step 6：通过误差函数和隐含层与输出层的连接权值的偏导数来修正连接权值Vfi。

ΔVfi=αf(x)Bmf

(14)

(15)

式中：η为学习率。

Step 7：通过误差函数和输入层与隐含层的连接权值的偏导数来修正连接权值Vgf。

ΔVgf=αf′(x)Amg

(16)

(17)

3 郭白铁路专用线综合安全评价过程

3.1 样本数据的选取

选取郭白铁路专用线2015年8月至2016年10月期间15个月的月安全检查表，得到了15组安全评价指标体系指标样本值，其中13～15组为预测2016年8月—2016年10月的安全评估数据。为了避免BP神经网络系统的部分神经元达到过饱和的状态，样本中的数值应尽量在(0，1)区间内选择[7]。因此将安全评价指标等级分为：优、良、中、差4个等级，其中优对应的区间为(0.85，1)，良对应的区间为(0.7，0.85)，中对应的区间为(0.5，0.7)，差对应的区间为(0，0.5)。

郭白铁路专用线15组安全评估观测数据和专家测评结构如表2。

表2 郭白铁路专用线安全评价样本数据Table 2 Safety evaluation sample data for the special line of Guo-Bai Railway

3.2 模型的训练结果

将表2的样本数据中的前12组数据作为训练样本，专家测评的12个数据作为期望输出数据导入MATLAB软件中，设定期望误差为0.000 1，最大训练次数为3 000，采用改进的BP神经网络，得到训练结果，如图2。

图2 改进的BP神经网络训练曲线Fig. 2 Training curve of the improved BP neural network

当神经网络参数设定相同，采用常规BP神经网络，得到训练结果，如图3。

图3 常规BP神经网络训练曲线Fig. 3 Training curve of conventional BP neural network

从图中可以看出，相较于常规的BP神经网络，改进的BP神经网络在训练过程中误差下降很快，收敛性较好。计算得到的仿真输出结果与期望输出结果对比见表3。

表3 仿真输出结果与期望输出结果对比Table 3 Comparison of simulation output and expected output

将样本数据中2016年8月—2016年10月的后3列数据代入训练好的BP神经网络中，经计算得到预测结果如表4。

表4 预测结果Table 4 Prediction results

从前面12期的预测结果看，神经网络的预测结果误差很小，能够满足要求。根据预测的2016年8月—2016年10月3个月的安全生产评估数据，可以用神经网络预测到其专家评价值(表4)。根据上述的安全评价等级，郭白铁路专用线8月安全等级为“中”，而9月和10月安全等级应为“良”。

4 结 语

采用改进过的BP神经网络对郭白铁路专用线进行安全评价以及预测未来的郭白铁路专用线安全评价值，改进过的BP神经网络克服了常规神经网络容易产生的收敛慢、陷入极小值、预测精准度不高等问题的不足，预测值与实际值误差小，拟合度较高，准确预测出了郭白铁路专用线未来3个月的安全等级。这一网络安全预测工具运用在铁路专用线安全评价尚不多见，具有一定参考意义。

[1] 海涛，何宇强，张星辰.我国铁路危险货物运输安全管理及防护对策[J].中国安全科学学报，2005，5(8)：24-28.

HAI Tao，HE Yuqiang，ZHANG Xingchen.Safety management of railway dangerous goods transportation in China and protection measures[J].ChineseJournalofSafetyScience，2005，5(8)：24-28.

[2] 张青.基于神经网络的煤矿企业经营绩效评价研究[J].煤炭学报，2002，3(2)：10-13.

ZHANG Qing.Research on coal mine enterprise management performance evaluation based on neural network[J].CoalJournal，2002，3(2)：10-13.

[3] 王东.基于BP人工神经网络的船舶交通流量预测研究[D].武汉：武汉理工大学，2009：11-12.

WANG Dong.ShipTrafficFlowPredictionBasedonBPArtificialNeuralNetwork[D].Wuhan：Wuhan University of Technology，2009：11-12.

[4] 蔡运磊.化工物流园区运营模式及运营安全评价研究[D].北京：北京交通大学，2012：21-22.

CAI Yunlei.StudyontheOperationModeandSafetyEvaluationofChemicalLogisticsPark[D].Beijing：Beijing Jiaotong University，2012：21-22.

[5] 张士昌，孙健全.基于神经网络理论的矿井安全管理评价[J].煤矿安全，2003，34(14)：53-55.

ZHANG Shichang，SUN Jianquan.Mine safety management evaluation based on neural network theory[J].CoalMineSafety，2003，34(14)：53-55.

[6] 杨天军，张晓春，杨晓光.基于BP神经网络的城市道路交通安全评价研究[J].中国矿业大学学报，2005，34(1)：15-17.

YANG Tianjue，ZHANG Xiaochun，YANG Xiaoguang.Research on urban road traffic safety evaluation based on BP neural network[J].JournalofChinaUniversityofMiningandTechnology，2005，34(1)：15-17.

[7] 罗成汉.基于MATLAB神经网络工具箱的BP网络实现[J].计算机仿真，2001，2(5)：109-111.

LUO Chenghan.Implementation of BP network based on MATLAB neural network toolbox[J].ComputerSimulation，2001，2(5)：109-111.

(责任编辑：朱汉容)

Safety Evaluation of Special Line for Guo-Bai Railway Based on BP Neural Network

SHI Hongguo，ZHANG Peng，LEI Yanhong

(School of Transportation and Logistics，Southwest Jiaotong University，Chengdu 610031，Sichuan，P.R.China)

There is a great potential safety hazard in the special line of Guo-Bai Railway，due to its backward basic equipments and natural serious disaster.Therefore，it is very significant to carry out the safety evaluation on it.Because BP neural network had strong adaptability to the nonlinear and complexity of the safety evaluation of the special line of Guo-Bai Railway，the safety evaluation model of the special line of Guo-Bai Railway was established based on BP neural network.The improved BP neural network algorithm was adopted in the proposed model.Compared with the conventional algorithm，the improved BP neural network algorithm had the advantages of fast convergence，high calculation accuracy and high prediction accuracy.According to the special characteristics of the special line of Guo-Bai Railway，a set of safety evaluation index system easy to assign value and fit the actuality was set up，which increased the reliability of the model.The safety evaluation model of the special line of Guo-Bai Railway based on BP neural network and its prediction results provide reference and basis for the scientific management of the special line of Guo-Bai Railway.

traffic and transportation engineering; BP neural network; security evaluation; model; reliability

2016-04-18；

2016-07-14

国家自然科学基金项目(U1334201)

石红国(1974—)，男，河南偃师人，副教授，博士，主要从事列车牵引计算，交通运输安全方面的工作。E-mail：28220814 @qq.com。

10.3969/j.issn.1674-0696.2017.06.16

U298.1

A

1674-0696(2017)06-099-04