基于MEA-BP的內河“黑點”航道及敏感因子辨識研究*

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研究中心2) 武漢 430063)

0 引 言

內河水上交通安全事故大多發生在航道條件復雜的水域，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，更是從本質上保障船舶通航安全的必然途徑[1-2].

目前道路交通“黑點”的有關研究已較為成熟，已有關于航道“黑點”的研究主要采用了模糊綜合評價及動態聚類法[3]、基于網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據處理，主觀性強，對內河航道“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如何實現復雜航道條件下船舶通航風險特征變量的定量描述；②如何用恰當的模型及算法來驗證航道“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].

文中明確界定了內河航道黑點的內涵，建立了內河航道“黑點”辨識的MEA-BP神經網絡模型，運用思維進化算法優化模型并迅速找出“黑點”位置，通過對“黑點”影響因子的敏感度分析，提取影響內河航道“黑點”的關鍵影響因素.

1 基于MEA-BP神經網絡的內河航道黑點辨識模型的建立

1.1 內河“黑點”航道的內涵

根據內河水上交通事故特點，從環境因素出發，將內河“黑點”航道界定為：一個比較長的時間范圍里或者規定的統計周期內，某些位置(內河地點、航段、區域)上發生的水上交通事故數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化的BP神經網絡建模方法.BP神經網絡揭示數據樣本中蘊含的非線性關系,靈活方便地對多成因的復雜未知系數進行建模[9].BP神經網絡已經在道路黑點辨識研究中廣泛應用,并取得良好的效果.運用BP神經網絡進行內河“黑點”航道辨識,只要收集輸入層和輸出層的數據,不必考慮輸入層多個影響因素之間的權重，模型會根據數據特征,自動調整權值與閾值,當目標誤差和檢驗誤差率達到預測標準時網絡停止運算,模型建立[10-11].

針對BP神經網絡容易陷入局部極小，收斂速度慢，選取思維進化算法(mind evolutionary algorithm，MEA)優化BP神經網絡的初始權值和閾值[12].MEA把群體劃分為優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，這兩種功能相互協調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系，否則，會失去辨識的客觀性與真實性.充分考慮內河航道影響因素構建的評價指標體系見圖1.

圖1 內河航道“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神經網絡拓撲結構.建立的模型結構見圖2.

圖2 內河航道黑點辨識模型結構示意圖

采用思維進化優化BP網絡的基本步驟如下.

1) 產生初始結構群體 設神經網絡的最大隱含層數為n，每一個隱含層最大節點數為m.隨機產生N組數作為初始結構群體，每組數中包含n個元素，其中每個元素均從隱含層節點數0,1,…，m中選取.

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

(1)

式中：yi為第i個訓練樣本的網絡輸出值；ti為目標輸出；p為訓練樣本數.

3) 訓練權值和閾值 對于每個網絡結構，在(0,1)之間以均勻分布產生R組隨機數，作為初始的權值和閾值群體.根據網絡計算規則，按照得分函數計算每個個體得分，誤差越小，則認為個體所含權值和閾值信息越好，得分就越高.得分最高的q個個體被稱為優勝者.

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

5) 子群體異化過程 異化操作是全局空間內各子群體為成為優勝者的競爭過程.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) 解析最優個體 當滿足迭代停止條件時，思維進化算法結束優化過程.此時，根據編碼規則，對尋找到的最優個體進行解析，從而得到對應的BP神經網絡的權值和閾值.

7) 訓練MEA優化的BP神經網絡 用得到的最優權值與閾值建立BP神經網絡.

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果的不確定性以及不同變量之間關系的模型.MEA-BP神經網絡模型的預測過程屬于“黑箱”過程，無法得出各影響因素對“黑點”辨識結果的影響程度，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果，得到對輸出結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.

2 實例驗證

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

2.1 三峽庫區水上交通“黑點”辨識

將三峽庫區長江航道里程上游50 km至上游700 km，設置5 km長度為一個單元，可分為130個單元.收集自2011—2018年的三峽庫區水上交通事故數據共80組作為樣本數據.樣本數據見表1.

表1 樣本數據

在樣本的訓練過程中，隨機選取70組樣本數據為訓練樣本，其余10組為測試樣本.取種群規模M=20，優勝子種群個數a=5，臨時子種群個數b=5，初始權值與閾值取值范圍為(-1,1)，最大迭代次數為100次.BP神經網絡的最大訓練次數為100次，訓練目標誤差為0.01，學習率為0.1.

利用MEA算法得到的最優權值與閾值建立BP模型，訓練完畢后，將三峽庫區所有單元的數據輸入網絡，通過正向計算輸出各單元輸出值，輸出值統計圖見圖3.

圖3 三峽庫區實例驗證模型輸出值統計圖

將輸出值大于1的單元記為內河“黑點”航道，共計10處，見表2.

表2 基于MEA-BP神經網絡模型的三峽庫區水上交通“黑點”辨識結果

對應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.

經過對航段實際情況的調研以及與海事部門統計的事故集中多發位置比較，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屬于三峽庫區庫尾回水變動區，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，架設李家沱長江大橋，兩岸有多處碼頭，屬于重點監控航段.由此表明MEA-BP神經網絡模型辨識水上事故“黑點”是可行的且具有一定的準確性.

2.2 庫區“黑點”航道風險敏感因子提取

通過改變辨識出的“黑點”航道單元相應指標數值，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果的影響程度，排序得到與輸出結果的變化聯系最為密切的輸入變量，提取庫區“黑點”航道風險敏感因子.

改變后的輸入值與對應的輸出值見表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，結果見表4.

表4 各“黑點”航段風險敏感因子

3 結 束 語

文中界定了航道“黑點”的內涵，針對影響內河船舶通航安全的諸多因子，從航道復雜性和事故多發兩方面提出了航道“黑點”辨識指標體系，建立了內河航道黑點辨識的MEA-BP神經網絡模型.以三峽庫區2011—2018年的事故為例，對模型進行驗證，輸出結果表明所構建的模型與算法與實際相符.在此基礎上，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.研究結果可用于內河航道整治的輔助決策，對保障內河船舶通航安全具有應用價值.

模型主要針對現有航道條件進行分析，模型動態性不足，在監控航道條件動態變化方面仍有研究的空間，如何獲取更多更精確數據也對模型穩定性產生很大影響，在后續研究中，可考慮在靜態辨識基礎上考慮加入動態因素，建立動態辨識模型.