基于GA-BP神經網絡的建筑工程事故預測研究

郭 健，張雪梅

(江蘇建筑職業技術學院)

0 引言

隨著建筑業的蓬勃發展，建筑工程安全問題得到企業和社會的高度重視［1］．建筑工程事故的發生受眾多因素的綜合影響，危害程度較為嚴重，而且具有不確定性、隨機性和突發性等特點，因此，通過理論分析和數據統計的手段建立建筑工程事故預測數學模型，對安全事故發生的可能性進行預測，可以有效實現對工程事故的控制，減少不必要的損失［2-5］．近年來，許多學者將多元回歸模型、支持向量機模型、灰色預測模型和神經網絡模型等數學模型應用到建筑工程事故預測研究中，并取得了一些有價值的成果［6-8］．其中迅速發展起來的BP神經網絡(Back Propagation Neural Network，簡稱 BPNN)模型，具有很強的非線性問題處理能力，在建筑工程事故預測領域得到廣泛應用［9］．但是BP神經網絡基于梯度下降算法，存在收斂速度慢、易陷入局部最優值和誤差函數需可導等缺點，在一定程度上降低了預測模型的精度［10］．遺傳算法具有很好的魯棒性和全局搜索能力，將其應用到BP神經網絡的學習過程中，可以有效提高BP算法的訓練速度，降低收斂時間，提高預測模型精度．

該文建立建筑工程事故評價指標體系，結合遺傳算法和BP算法，構建基于GA-BP算法的神經網絡建筑工程事故預測模型，對建筑工程事故進行預測，為合理控制建筑工程事故提供參考．

1 GA-BP神經網絡預測模型

1．1 BP神經網絡模型

BP神經網絡是由Rumelhart等在1985年提出的一種多層次前饋神經網絡，具有運算速度快、求解效率高、自學習能力強等優勢，在工程領域得到廣泛應用．BP神經網絡一般包括輸入層、隱含層和輸出層，各層之間的神經元形成完全連接，而同一層內的神經元之間沒有連接，其拓撲結構如圖1所示．

BP神經網絡模型的學習過程是采用梯度下降法調整網絡連接權(權值和閾值)使得網絡的實際輸出值和期望輸出值的均方誤差值最小．在權值調節中引入動量項以降低訓練過程的振動趨勢，有利于改善收斂性．BP神經網絡輸出的誤差均方值定義為

式中:n為樣本個數;m為輸出變量的維數;yk，p為第p個樣本的第k個期望輸出值;ok，p為第p個樣本的第k個實際輸出值．

假定BP神經網絡模型輸入層、隱含層和輸出層的節點數分別為n、l、m，輸入層與隱含層、隱含層與輸出層神經元之間的連接權值分別為ωij和ωjk，隱含層閾值a= ［a1，a2，…，al］，輸出層閾值 b= ［b1，b2，…，bm］．則隱含層的輸出可定義為

式中:f為隱含層激勵函數，f選取雙極Sigmoid函數;xi為第i個輸入節點變量．輸出層的輸出可表示為

將誤差均方值反向傳播以修正權值，其更新方式為

根據網絡實際輸出與期望輸出之間的誤差更新閾值，可表示為

通過反向傳播不斷調整網絡的權值和閾值，使得網絡的誤差均方值最小，滿足預定的誤差要求，完成對BP神經網絡模型的訓練．

1．2 遺傳算法優化的BP神經網絡模型

BP神經網絡初始權值和閾值是隨機選取、未經優化的，容易導致網絡收斂速度慢，且易陷入局部最優解．遺傳算法(Genetic Algorithm，簡稱GA)作為一種并行隨機搜索最優化方法，具有很好的全局優化能力，采用遺傳算法優化BP神經網絡模型初始權值和閾值的分布空間，通過選擇、交叉和變異等操作獲得BP神經網絡的最優初始權值和閾值，可有效提高BP神經網絡的收斂速度，降低BP算法陷入局部最優的可能性．基于遺傳算法優化的BP神經網絡模型進行預測的流程如圖2所示．

圖2 基于遺傳算法的BP神經網絡模型

根據圖2所示建立基于遺傳算法優化的BP神經網絡模型的具體步驟如下:

(1)隨機初始化種群．采用實數編碼方式對每個個體進行編碼，個體由BP神經網絡的權值和閾值組成，其形式為

(2)定義適應度函數．選取BP神經網絡模型的實際輸出值和期望輸出值之間的絕對誤差和的倒數為適應度函數，其計算公式為

(3)選擇操作．采用輪盤賭法進行選擇操作，即適應度高的個體遺傳到下一代的概率較大，而適應度低的個體遺傳到下一代的概率較小．個體i被選擇的概率為

式中:c為種群個體的數目;Fi為個體i的適應度值．

(4)交叉操作．采用實數交叉法對第k1和第k2個個體在第j位基因進行交叉操作，即

式中:gk1j，gk2j分別為第k1和第k2個個體在第j位基因;r為［0，1］之間的隨機數．

(5)變異操作．為增加種群的多樣性，選擇第i個個體的第j個基因進行變異操作，操作方法為

式中:gmax，gmin分別為基因gij的上下界;r1為一個隨機數;s為當前迭代次數;smax為最大進化次數;r2為［0，1］之間的隨機數．

(6)將GA優化得到的最優解作為BP神經網絡的初始權值和閾值，使用訓練樣本對BP神經網絡進行訓練，獲得GA-BP神經網絡預測模型．

2 GA-BP神經網絡在建筑工程事故預測中的應用

2．1 建筑工程事故預測指標體系

建筑工程中危險因素是客觀存在的，在特定條件下會導致安全事故的發生．依據安全事故致因理論，對影響建筑工程安全的危險因素進行全面總結與綜合分析，建立建筑工程事故預測指標體系，主要包括:

(1)人為因素．建筑工程需要多專業、多工種的作業人員和管理人員協同完成，對其專業技能和安全意識有較高要求．

(2)機械因素．建筑工程使用的機械設備種類繁多，對施工條件和專業技術有較高要求，機械設備有關管理制度及其執行情況、操作難易程度、機械設備的性能及安全防護情況、機械設備維修保養等因素都會影響安全事故的發生．

(3)管理因素．主要包括安全管理制度的建立與執行、安全培訓教育、安全管理機構的設置、管理者組織指揮能力、現場安全防護的完善程度等因素．

(4)環境因素．建筑工程受氣候條件、工程地質條件、作業空間、作業現場的物理化學條件等因素的影響．

該文依據表1所示的36項比較有代表性的建筑工程事故歷史數據［xx］建立預測模型．其中決策屬性為 y，條件屬性為{x1，x2，…，x10}．

表1 樣本數據

表1中所列舉的10個危險因素涉及人、機械、管理和環境等四個方面，在建筑工程事故預測指標體系中都有所體現．運用數據挖掘技術對樣本數據進行處理，揭示樣本數據的隱含規律，在保留關鍵信息的前提下實現樣本數據的約減，得到6個影響工程事故的主要危險因素，包括人員高處作業量、安全防護完善程度、工程地質條件、機械設備的安裝使用、未經安全培訓人員和組織指揮能力，即{x1，x2，x4，x5，x6，x8}．

2．2 預測模型的訓練

選取表1中前30組數據作為訓練樣本，后6組數據作為檢測樣本．為保證樣本數據在同一數量級上，對神經網絡輸入和輸出數據進行歸一化處理．采用3層BP神經網絡結構，確定輸入層節點數為6，隱含層節點數為13，輸出層節點數為1．采用遺傳算法優化BP神經網絡的初始權值和閾值，其種群規模為20，最大進化代數為200，交叉概率為0．4，變異概率為0．06．圖3給出了個體(包括權值和閾值)適應度值隨進化代數變化的情況，圖中包括最優個體的適應度值和平均適應度值．由圖3可知，遺傳算法收斂速度較快，可有效跳出局部最優值，得到全局最優解．

將GA優化得到的初始權值和閾值賦予BP神經網絡，設定神經網絡訓練的目標誤差為0．0001，學習速率為 0．01，最大訓練次數為2000，動量因子為0．1．GA-BP神經網絡訓練的性能曲線如圖4所示．

圖3 遺傳算法的適應度值

圖4 GA-BP神經網絡訓練過程

由圖4可以看出，網絡收斂較快，在1103步就達到了訓練目標．說明經過遺傳算法優化得到的BP神經網絡初始權值和閾值比較合理，加快了網絡的收斂速度，可有效預測模型的精度．

2．3 預測結果分析

利用6個檢測樣本對訓練好的GA-BP神經網絡預測模型的精度進行檢驗，檢測樣本的真實值與預測值之間的關系如圖5所示，兩者之間的對比如表2所示．

圖5 數據線性回歸分析

表2 檢測樣本真實值與預測值對比

從圖5和表3中可以看出，真實值與預測值具有較高的相關性，檢測樣本的真實值與預測值在數值上相差不大，最大相對誤差為-5．13%，滿足預測模型的精度要求，由此可知GA-BP神經網絡的非線性逼近能力比較好，利用該預測模型對建筑工程事故進行預測可取得較理想的預測結果．

3 結束語

針對BP神經網絡收斂速度慢和易陷入局部最優解的問題，利用全局優化能力較強的遺傳算法優化得到BP神經網絡的最優初始權值和閾值，基于自適應學習速率動量梯度下降法進行BP神經網絡訓練，建立GA-BP神經網絡預測模型．運用數據挖掘技術提取影響建筑工程施工安全的主要危險因素，并作為GA-BP神經網絡的輸入變量，以千人負傷率作為輸出變量進行預測分析．結果表明，GA-BP神經網絡預測模型具有收斂速度快、預測精度高的優點，可有效提高建筑工程事故預測準確性，為建筑工程安全控制提供理論指導．

［1］ 李書全，竇艷杰．基于RS-SVM模型的建筑安全事故預測模型［J］．統計與決策，2008，(19):56-58．

［2］ 陳春來．基于BP神經網絡模型的建筑工程安全損失預測研究［J］．建筑施工，2013，35(1):88-90．

［3］ 彭曉曉．建筑安全事故預測和預控對策研究［D］．中國海洋大學，2012．

［4］ 劉紅艷，蘇曼曼．灰色馬爾柯夫模型在建筑工程坍塌事故預測中的應用［J］．重慶科技學院學報:自然科學版，2012，13(6):150-153．

［5］ 王君，張明媛，袁永博．基于RS-GA-BP的建筑施工安全預測研究［J］．工程管理學報，2010，24(6):647-650．

［6］ 張健，隋杰明，武鳳單，等．建筑工程事故灰色模型的建立及應用［J］．沈陽建筑大學學報:自然科學版，2008，24(5):800-802．

［7］ 喬維德．遺傳算法和神經網絡在交通事故預測中的應用［J］．電氣傳動自動化，2008，30(1):41-44．

［8］ 王德明，王莉，張廣明．基于遺傳BP神經網絡的短期風速預測模型［J］．浙江大學學報:工學版，2012，46(5):837-841．

［9］ 馬楠副，張立寧．基于粗糙集-粒子群神經網絡的建設項目安全預測研究［J］．中國安全科學學報，2007，17(4):36-42．

［10］李松，劉力軍，解永樂．遺傳算法優化BP神經網絡的短時交通流混沌預測［J］．控制與決策，2011，26(10):1581-1585．