基于大數據的公路工程安全智能管控云平臺構建研究

摘要：我國公路、隧道等規模的增加給公路施工帶來更高的危險系數，因此亟需進行安全管理系統的建設。利用決策樹約簡對隨機森林算法進行優化，然后采用聚類方法得到高精度的隨機森林，并將其應用于安全平臺的數據層進行數據挖掘。實驗結果表明：改進算法的平均準確率86.28%、精確率85.62%、召回率87.62%和F值86.58%。改進模型預測結果的相對誤差均小于傳統的算法，在數據集4中，改進模型的誤差值最小為2.2%。實驗結果表明，基于改進隨機森林算法的安全平臺模型具有較好的準確性，且該模型的分類性能高、規模低、資源消耗少，適用于公路安全智能管控云平臺中。

關鍵詞：大數據；工程安全；智能管控；云平臺；隨機森林；決策樹

0 " 引言

在公路工程中，由于施工流動性大、施工難度系數高，以及復雜的施工地形等因素，導致公路工程安全管理的難度增高[1-2]。

隨著信息技術的快速發展，基于大數據的安全管理得到了廣泛應用，人工智能技術等為安全管理的改革創新提供了新的思路[3]。借助數據挖掘等先進的信息技術，可以提高安全管理的水平，對可能存在的安全事故進行預警，從而降低安全事故的發生率[4]。此次研究中，利用隨機森林算法建立了以大數據為基礎的安全智能管控云平臺，希望可以借助該平臺保障公路工程的安全實施。

1 " 基于大數據挖掘的安全智能管控云平臺

1.1 " 基于決策樹約簡的隨機森林算法

數據挖掘技術中的隨機森林算法以決策樹作為基本分類模型，可以減少模型的偏差與方差[5-6]。構建過程中，將樣本數據集的抽取，作為訓練決策樹的樣本集。然后是特征的選擇，將決策樹分裂時產生的最優特征作為模型的根節點，采用遞歸法生成信息增益、信息增益比和基尼指數3種不同特征的決策樹。在樣本訓練時，不同的決策樹會生成不同的分類結果，選擇票數最高的類別作為最終的分類結果。隨機森林算法的整體結構見圖1。

隨機森林算法中，決策樹節點的增多可能會導致某些節點信息的記錄減少，同時可能存在模型過擬合問題，因此需要對決策樹進行剪枝操作[7]。在本次實驗中，采取一種改進的隨機森林算法對決策樹進行特征約簡，以降低模型預測的時間，并減小模型存儲。

利用分類精度和多樣性度量標準，選擇性能較優的決策樹，其中分類精確度的指標可以采用準確率、召回率和曲線下的面積（Area Under the Curve， AUC）等。AUC表示接收器工作特性曲線下的面積，在[0，1]取值范圍內，AUC的值與模型區分能力成正比。AUC可以用于二元分類問題。在本次實驗中，選擇將其作為分類性能的衡量指標。在對多元分類問題進行評估時，需要先將其拆分，求取平均值來評估模型的分類性能，如公式（1）所示。

（1）

式（1）中，K表示樣本的分類數量，i類和j類樣本的集合分別用Di和Dj來表示。假設有分類器hi和hj分類器，對于樣本xk，可以得到公式（2）中的輸出結果hi（xi）。

（2）

式（2）中，c表示維度向量，pi，c（xk）表示樣本xk在c維中屬于j類樣本的概率。定義分類器hi預測樣本xk為類標記s的程度為Ci，其計算見公式（3）。

（3）

式（3）中，pi，s（xk）=maxhi（xk）。將待測數據集X分為輸出類標記相同與不相同的數據集X1和X2，見公式（4）和（5）。

（4）

（5）

在公式（4）和（5）的基礎上，定義分類器hi和分類器hj的多樣性度量方法，見公式（6）。

（6）

式（6）中，Mi，j∈[0，1]，其值越接近1，表明分類器hi和分類器hj間的差異越大。當Mi，j =0時，分類器hi和分類器hj預測類標記一致；當Mi，j=1時，分類器hi和分類器hj預測類標記不一致。

1.2 " 基于決策樹約簡和聚類分析算法的隨機森林算法

利用分類精度和多樣性度量標準進行決策樹數量的約簡，可以得到分類性能較優的決策樹，接下來利用聚類算法對子森林進行聚類，將其組合成新的隨機森林。改進隨機森林算法TRRF的流程如圖2所示。

利用驗證數據集對原始隨機森林中決策樹的AUC值進行計算，作為其分類精度。由于數據集的特征維度、噪聲數據等有差異，導致在利用分類精度篩選決策樹時，高精度決策樹的比例不一致。因此此次實驗采取決策樹數量不固定的辦法，利用公式（7）找到比原始隨機森林F分類精度更高的子森林SubF。

（7）

式（7）中，F={ti，i=1，2，...，K}，A表示F中分類精度的均值，決策樹ti的AUC值為Auci。如果子森林SubF中的決策樹超過F中2/3的數量，則該子森林SubF可以作為需要進行聚類處理的子森林。如果子森林中的SubF決策樹未超過2/3的數量，則計算F中所有Auc的標準差值σ，選擇符合Auc≥A-σ條件的決策樹作為待聚類子森林。

將SubF進行聚類處理，把該子森林中所有決策樹的分類結果作為數據集，假設子森林SubF中包含的決策樹數量為P，那么可以得到P個需要進行聚類處理的樣本。聚類處理的初始聚類中心從數據集中隨機選取K個數據，然后計算樣本x與聚類中心的最短距離D（x），利用公式（8）計算樣本被選為聚類中心的概率。

（8）

利用公式（8）進行重復計算，直至聚類中心保持不變，最后可以得到K個聚類中心。利用公式（9）計算不同K值下每個類簇的輪廓系數。

（9）

式（9）中，類簇中所有樣本到樣本i的平均距離可以用ai來表示，最近類簇中所有樣本到樣本i的平均距離可以用bi來表示。假設數據集中存在n個樣本，則數據集整體的輪廓系數可以利用公式（10）得到。

（10）

數據集整體的輪廓系數值在[-1，1]之間，SC=1表示聚類結果最佳，SC=-1表示聚類結果最差。選取最佳類簇中具有代表性的決策樹，將這些決策樹進行組合，生成精度高、相似度低的隨機森林。

1.3 "基于改進隨機森林算法的公路工程安全智能管控云平臺構建

在信息時代，可以借助科學技術對安全管理進行改進。在本次研究中以安全管理數據為基礎，利用人工智能技術中的深度學習對大數據進行挖掘，以此來構建安全智能管控云平臺。

智能管控云平臺的建立主要包括4個邏輯步驟：首先，對安全風險進行識別并獲取數據信息；其次，對工作人員的行為、設備操作和設備運行等進行數據集成與分析；再次，對收集到的安全信息進行智能預警；最后，實現安全管理與應用。安全管理智能云平臺的架構如圖3所示。

在智能云平臺的設計中，將平臺分為了感知層、邏輯層、數據層、功能層和應用層。人工智能技術是識別安全隱患和實現預警的關鍵技術，主要應用于智能平臺的數據層。人工智能分析模塊，對數據層中的安全管理信息進行變量篩選，然后建立數據分析模型。通過模型性能的對比與優化，可以得到準確的分類結果，獲得最優的分類模型。

深度學習技術作為人工智能中的重要組成部分，可以實現對圖像進行自動識別和捕捉，并進行安全隱患的分析及預警，從而避免安全公路施工過程中安全事故的發生。在上述研究中，數據層主要是利用改進的隨機森林算法，對數據進行挖掘分析，所得到的分析結果用于保證功能層和應用層的正常運轉。

2 " 實驗結果和分析

實驗中選擇UCI公開數據集、Bank Marketing數據集、Sonar數據集和Income數據集，用于隨機森林改進算法性能的檢驗。選用準確率、精確率、召回率以及精確率和召回率的比值F值作為評價指標。

2.1 " 兩種隨機森林算法各測試指標對比

兩種隨機森林算法各測試指標對比如表1所示。表1顯示了改進的隨機森林算法和原始的隨機森林算法，在UCI公開數據集、Bank Marketing數據集、Sonar數據集和Income數據集中的各測試指標結果。

由表1可知，在UCI公開數據集中，經過改進的隨機森林算法準確率為88.07%，精確率為86.15%，召回率為88.27%，F值為87.16%，均高于原始的隨機森林算法。在Bank Marketing數據集中，經過改進的隨機森林算法準確率為83.02%、精確率為81.91%，召回率為85.14%，F值為83.53%，均高于原始的隨機森林算法。在Sonar數據集中，經過改進的隨機森林算法準確率為86.36%、精確率為86.25%，召回率為87.57%，F值為86.86%，均高于原始的隨機森林算法。在Income數據集中，經過改進的隨機森林算法準確率為87.67%、精確率為88.17%，召回率為89.49%，F值為88.78%，均高于原始的隨機森林算法。

2.2 "不同數據集中兩種隨機森林算法各測試指標對比

表2中展示了傳統的隨機森林算法和改進的隨機森林算法的決策樹數量、多樣性度量值，以及各算法的運行時間。傳統的隨機森林算法和改進的隨機森林算法的指標對比結果，其中多樣性度量值采用了熵度量作為對比的標準。

2.3 " 真實數據集中安全管理模型性能測試結果

由上述結果可以看出，改進算法的熵度量值較傳統算法均有所增長，且改進算法的規模比傳統算法的規模低。但是對比傳統算法與改進算法的運行時間，可以看到改進的隨機森林算法由于引入了聚類算法，導致改進隨機森林算法的運行時間高于傳統的隨機森林算法，時間開銷較高。利用7個的真實數據集，對安全管理模型進行整體的算法性能測試，結果見圖4。

由圖4可以看出，不同算法建立的安全管理模型預測結果的相對誤差值，傳統隨機森林模型中的相對誤差，均大于改進的隨機森林模型。在數據集4中，改進的隨機森林模型誤差值最小為2.2%，驗證了基于改進隨機森林算法的安全平臺模型具有較好的準確性。

3 " 結束語

在公路工程施工的安全管理研究中，利用改進的隨機森林算法構建安全智能管控云平臺。利用決策樹約簡和聚類分析對隨機森林模型進行優化，在不同的數據集中的測試結果表明，改進算法的平均準確率86.28%、精確率85.62%、召回率87.62%和F值86.58%均高于原始的隨機森林算法。傳統隨機森林模型中的相對誤差均大于改進的隨機森林模型。真實數據集中改進的隨機森林模型誤差值最小為2.2%。改進后的隨機森林算法的分類性能高，模型規模降低，資源消耗減少。但是改進的隨機森林算法運行時間較長，后續研究中可以考慮通過并行設計來減少運行時間的消耗。

參考文獻

[1] 魏麗彬.基于BIM技術的高速公路隧道安全運營管理應用研

究[J].公路交通科技：應用技術版，2019，15（11）：234-236.

[2] 吳翚，李昊，姜蘭蘭，等.山區公路安全風險點研判與評價研

究[J].公路，2019，64（6）：55-60.

[3] F Rodríguez，Florez-Tapia A M， L Fontán， et al. Very short-

term wind power density forecasting through artificial

neural networks for microgrid control[J]. Renewable

Energy， 2020， 145（C）， 1517-1527.

[4] Peth Z， Trk R， Szalay Z. A survey of new orientations in

the field of vehicular cybersecurity， applying artificial

intelligence based methods[J]. Transactions on Emerging

Telecommunications Technologies， 2021， 32（10）：1-19.

[5] Lan T， Hu H， Jiang C， et al. A comparative study of decision

tree， random forest， and convolutional neural network

for spread-F identification[J]. Advances in Space Research，

2020， 65（ 8）：2052-2061.

[6] Tang， Zhipeng， MEI， et al. Identification of the key factors

affecting Chinese carbon intensity and their historical

trends using random forest algorithm[J]. Journal of

Geographical Sciences， 2020， 30（5）：56-69.

[7] Xiang B， Zeng C， Dong X， et al. The Application of a Decision

Tree and Stochastic Forest Model in Summer Precipitation

Prediction in Chongqing[J]. Atmosphere， 2020， 11（5）：

508-522.