基于BP神經網絡的管道投資風險評價模型研究

鐘 仕 林

(四川蜀渝石油建筑安裝工程有限責任公司，四川 成都 610017)

基于BP神經網絡的管道投資風險評價模型研究

鐘 仕 林

(四川蜀渝石油建筑安裝工程有限責任公司，四川 成都 610017)

在分析油氣管道項目風險因素的基礎上，建立了油氣管道投資項目風險評估指標體系，并對層次分析法進行了改進，利用改進的模糊層次分析法確定了風險指標權重，建立了風險等級評語集，定量評估了項目風險。

油氣管道，投資風險，BP神經網絡，模糊綜合評價

0 引言

由于長距離管道運輸業有良好的發展前景，使管道建設領域存在投資過熱、決策失誤、重復建設、資源浪費、效益不明顯等現象。鑒于管道項目的快速發展勢頭，項目前期投資決策的重要性和我國管道投資建設的現狀，對管道項目投資風險加以識別、分析和控制己成為一項迫切的任務。

基于改進AHP法的油氣管道項目投資風險模糊綜合評價模型[1]，缺乏自學習能力，不具備利用新增信息自動調整權重分配的功能。當模型中增加新的樣本數據時，不具備利用原有知識和新增樣本數據對權重進行調整的功能。使用人工神經網絡方法可以很好地解決上述問題。

1 人工神經網絡理論概述

人工神經網絡(Artificial Neural Network-ANN)是一門嶄新的信息處理科學。1943年，W.S.Moculloch首次提出神經元模型，至今，人們對人工神經網絡進行了廣泛的研究，取得了大量的研究成果。

由于人工神經網絡具有很大的優勢，在項目風險管理中得到了廣泛的應用。人工神經網絡模型眾多，在這些模型中，應用最為廣泛的當屬BP神經網絡模型，因此本文采用BP神經網絡進行風險評價。

2 BP神經網絡基本原理

BP(Back Propagation)[2,3]網絡是一種按誤差逆傳播算法進行訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和減小，直到網絡的訓練誤差達到目標精度。

3 BP神經網絡風險評價模型

本文建立基于BP神經網絡的油氣管道項目投資風險評價模型，需要解決以幾個方面的問題：

1)樣本數據問題。

BP網絡獲得非線性處理能力須通過網絡的自學習過程，如何取得高質量的評價數據是難點。

2)網絡結構的設計問題。

網絡層數，各層單元數的選取。

3)訓練函數的選擇問題。

學習收斂速度太慢，即使比較簡單的問題，有時也需幾百次甚至上千次的學習才能收斂，選用訓練函數就很關鍵。

3.1 獲取網絡訓練樣本

盡管BP神經網絡具有復雜的非線性處理能力，但是要獲得這種的能力必須通過BP神經網絡的自學習過程來實現。如何取得高質量的分布均勻的評價樣本數據是建立BP神經網絡的難點，而采用基于改進AHP的模糊綜合評價模型可以很好的解決這個問題。

首先采用油氣管道項目投資風險評價指標體系，利用基于改進AHP的模糊綜合評價模型，通過專家訪問，問卷調查等方式對一些具有代表性的項目進行評價，取得8個樣本。

3.2 BP網絡結構設計

大量研究表明：確定合理的網絡結構(網絡的輸入層、隱含層、輸出層層數及各層單元個數)，是成功應用BP神經網絡模型的關鍵。因此本文對BP神經網絡結構進行詳細分析。

1)確定網絡的層數。

G.Cybenyo等人已經證明，具有一個隱含層的神經網絡能夠以任意精度表示任何連續函數。因此，本文建立的網絡模型包含一個隱含層，網絡結構即為典型的3層BP神經網絡。

2)確定網絡輸入層、輸出層單元數。

輸入層單元個數與建立的油氣管道項目投資風險評價指標的個數對應，根據油氣管道項目投資風險評價指標體系[1]，指標層總共包含32個風險因素，因此，網絡輸入層單元個數為32個。輸出層單元個數與模糊綜合評價結果對應，5.3.5中模糊綜合評價結果H1×5中包含5個數據，因此輸出層單元數為5個。

3)確定網絡隱含層單元數。

迄今為止，隱含層單元數的選擇仍然是一個非常復雜的問題，要精確計算隱含層所需要的神經元個數，目前在理論上還沒有完全解決這個問題。隱含層單元數與輸入層、輸出層單元個數有關系。實際應用中，通常是參考下面兩個經驗公式確定隱含層單元數[4,5]。

(1)

(2)

式中：m——輸出神經元個數；n——輸入神經元個數；a——1～10間的常數。

本文將設計不同隱含層單元數的網絡進行對比訓練，最后選取性能最好時的隱含層單元個數來構建BP神經網絡結構，建立油氣管道項目投資風險評價模型。

設網絡誤差目標精度為1e-5，采用Levenberg-Marquardt優化算法對網絡進行訓練，網絡整體誤差小于目標精度時，網絡停止訓練。經過比較分析，可得出以下結論：

a.隨著隱含層節點個數的增加，網絡訓練的次數逐漸減少，

當隱含層節點個數增加到10以上時，訓練次數趨于穩定；

b.當隱含層節點數增加時，網絡訓練時間逐漸延長，尤其當節點個數超過60時；

c.當隱含層節點個數為10～15個時，網絡性能最好，因此本文選擇32×10×5的網絡結構。

3.3 訓練函數的選擇

選擇32×10×5的網絡結構，設定最大訓練次數epochs=100 000，精度要求goal=1.0e-4，對比分析各種訓練方法的優劣，如表1所示。

表1 選用不同訓練函數時參數變化情況

由表1可得，選用trainlm進行訓練時，網絡所需的時間和迭代次數最優。

3.4 模型訓練和仿真

經過比較分析，選用32×10×5網絡結構，選用trainlm函數對網絡進行訓練，針對油氣管道項目投資風險評價的問題，在確定了網絡的結構之后，將樣本1～6作為訓練樣本訓練網絡，用樣本7，8作為檢驗樣本對網絡進行檢測。樣本檢測結果與專家評價結果誤差很小，滿足目標精度要求。

4 結語

本文采用改進的AHP法，利用建立起油氣管道項目投資風險模糊綜合評價模型。利用神經網絡的優點，建立起BP神經網絡風險評價模型。本模型主要針對網絡層數，隱含層節點數，網絡訓練函數三個參數的選擇進行研究，經過實驗對比分析，建立了32×10×5的3層BP網絡結構，采用trainlm函數，對網絡進行訓練和檢測，得到了滿意的結論。

[1] 鐘仕林，張 鵬.油氣管道風險指標體系及模糊綜合評價模型[J].山西建筑，2008，34(36)：236-237.

[2] 葛哲學，孫志強.神經網絡理論與MATLABR2007實現[M].北京：電子工業出版社，2007：4-5.

[3] 樓天順，施 陽.基于MATLAB系統分析與設計[M].西安：西安電子科技大學出版社，1999：9-10.

[4] 陳立文.項目投資風險分析理論與方法[M].北京：機械工業出版社，2004：172.

[5] 飛思科技產品研發中心.神經網絡理論與MATLAB2007實現[M].北京：電子工業出版社，2005：103.

Risk assessment model of pipeline investment based on BP neural network

Zhong Shilin

(SichuanShuyuPetroleumConstruction&InstallationEngineeringCo.,Ltd,Chengdu610017,China)

On the basis of analyzing oil-gas pipeline project risk factors, the thesis establishes oil-gas pipeline investment project risk evaluation index system, improves analytical hierarchy process, determines risk index weight through applying improved fuzzy comprehensive hierarchy analysis method, establishes risk grade evaluating group, and quantitatively evaluates the project risks.

oil-gas pipeline, investment risk, BP neural network, fuzzy comprehensive evaluation

1009-6825(2017)02-0251-02

2016-11-02

鐘仕林(1983- )，男，碩士，工程師

TU712

A