基于GA-BP神經(jīng)網(wǎng)絡(luò)的建筑工程事故預(yù)測研究

郭 健，張雪梅

(江蘇建筑職業(yè)技術(shù)學(xué)院)

0 引言

隨著建筑業(yè)的蓬勃發(fā)展，建筑工程安全問題得到企業(yè)和社會的高度重視［1］．建筑工程事故的發(fā)生受眾多因素的綜合影響，危害程度較為嚴(yán)重，而且具有不確定性、隨機(jī)性和突發(fā)性等特點(diǎn)，因此，通過理論分析和數(shù)據(jù)統(tǒng)計(jì)的手段建立建筑工程事故預(yù)測數(shù)學(xué)模型，對安全事故發(fā)生的可能性進(jìn)行預(yù)測，可以有效實(shí)現(xiàn)對工程事故的控制，減少不必要的損失［2-5］．近年來，許多學(xué)者將多元回歸模型、支持向量機(jī)模型、灰色預(yù)測模型和神經(jīng)網(wǎng)絡(luò)模型等數(shù)學(xué)模型應(yīng)用到建筑工程事故預(yù)測研究中，并取得了一些有價值的成果［6-8］．其中迅速發(fā)展起來的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，簡稱 BPNN)模型，具有很強(qiáng)的非線性問題處理能力，在建筑工程事故預(yù)測領(lǐng)域得到廣泛應(yīng)用［9］．但是BP神經(jīng)網(wǎng)絡(luò)基于梯度下降算法，存在收斂速度慢、易陷入局部最優(yōu)值和誤差函數(shù)需可導(dǎo)等缺點(diǎn)，在一定程度上降低了預(yù)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(yīng)用到BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，可以有效提高BP算法的訓(xùn)練速度，降低收斂時間，提高預(yù)測模型精度．

該文建立建筑工程事故評價指標(biāo)體系，結(jié)合遺傳算法和BP算法，構(gòu)建基于GA-BP算法的神經(jīng)網(wǎng)絡(luò)建筑工程事故預(yù)測模型，對建筑工程事故進(jìn)行預(yù)測，為合理控制建筑工程事故提供參考．

1 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

1．1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是由Rumelhart等在1985年提出的一種多層次前饋神經(jīng)網(wǎng)絡(luò)，具有運(yùn)算速度快、求解效率高、自學(xué)習(xí)能力強(qiáng)等優(yōu)勢，在工程領(lǐng)域得到廣泛應(yīng)用．BP神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層和輸出層，各層之間的神經(jīng)元形成完全連接，而同一層內(nèi)的神經(jīng)元之間沒有連接，其拓?fù)浣Y(jié)構(gòu)如圖1所示．

BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程是采用梯度下降法調(diào)整網(wǎng)絡(luò)連接權(quán)(權(quán)值和閾值)使得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的均方誤差值最小．在權(quán)值調(diào)節(jié)中引入動量項(xiàng)以降低訓(xùn)練過程的振動趨勢，有利于改善收斂性．BP神經(jīng)網(wǎng)絡(luò)輸出的誤差均方值定義為

式中:n為樣本個數(shù);m為輸出變量的維數(shù);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(shí)際輸出值．

假定BP神經(jīng)網(wǎng)絡(luò)模型輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)分別為n、l、m，輸入層與隱含層、隱含層與輸出層神經(jīng)元之間的連接權(quán)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(shù)，f選取雙極Sigmoid函數(shù);xi為第i個輸入節(jié)點(diǎn)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(quán)值，其更新方式為

根據(jù)網(wǎng)絡(luò)實(shí)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(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使得網(wǎng)絡(luò)的誤差均方值最小，滿足預(yù)定的誤差要求，完成對BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練．

1．2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值是隨機(jī)選取、未經(jīng)優(yōu)化的，容易導(dǎo)致網(wǎng)絡(luò)收斂速度慢，且易陷入局部最優(yōu)解．遺傳算法(Genetic Algorithm，簡稱GA)作為一種并行隨機(jī)搜索最優(yōu)化方法，具有很好的全局優(yōu)化能力，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型初始權(quán)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(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值，可有效提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，降低BP算法陷入局部最優(yōu)的可能性．基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測的流程如圖2所示．

圖2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型

根據(jù)圖2所示建立基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的具體步驟如下:

(1)隨機(jī)初始化種群．采用實(shí)數(shù)編碼方式對每個個體進(jìn)行編碼，個體由BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值組成，其形式為

(2)定義適應(yīng)度函數(shù)．選取BP神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出值和期望輸出值之間的絕對誤差和的倒數(shù)為適應(yīng)度函數(shù)，其計(jì)算公式為

(3)選擇操作．采用輪盤賭法進(jìn)行選擇操作，即適應(yīng)度高的個體遺傳到下一代的概率較大，而適應(yīng)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(shù)目;Fi為個體i的適應(yīng)度值．

(4)交叉操作．采用實(shí)數(shù)交叉法對第k1和第k2個個體在第j位基因進(jìn)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(jī)數(shù)．

(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(jìn)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(jī)數(shù);s為當(dāng)前迭代次數(shù);smax為最大進(jìn)化次數(shù);r2為［0，1］之間的隨機(jī)數(shù)．

(6)將GA優(yōu)化得到的最優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使用訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型．

2 GA-BP神經(jīng)網(wǎng)絡(luò)在建筑工程事故預(yù)測中的應(yīng)用

2．1 建筑工程事故預(yù)測指標(biāo)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(dǎo)致安全事故的發(fā)生．依據(jù)安全事故致因理論，對影響建筑工程安全的危險因素進(jìn)行全面總結(jié)與綜合分析，建立建筑工程事故預(yù)測指標(biāo)體系，主要包括:

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

(2)機(jī)械因素．建筑工程使用的機(jī)械設(shè)備種類繁多，對施工條件和專業(yè)技術(shù)有較高要求，機(jī)械設(shè)備有關(guān)管理制度及其執(zhí)行情況、操作難易程度、機(jī)械設(shè)備的性能及安全防護(hù)情況、機(jī)械設(shè)備維修保養(yǎng)等因素都會影響安全事故的發(fā)生．

(3)管理因素．主要包括安全管理制度的建立與執(zhí)行、安全培訓(xùn)教育、安全管理機(jī)構(gòu)的設(shè)置、管理者組織指揮能力、現(xiàn)場安全防護(hù)的完善程度等因素．

(4)環(huán)境因素．建筑工程受氣候條件、工程地質(zhì)條件、作業(yè)空間、作業(yè)現(xiàn)場的物理化學(xué)條件等因素的影響．

該文依據(jù)表1所示的36項(xiàng)比較有代表性的建筑工程事故歷史數(shù)據(jù)［xx］建立預(yù)測模型．其中決策屬性為 y，條件屬性為{x1，x2，…，x10}．

表1 樣本數(shù)據(jù)

表1中所列舉的10個危險因素涉及人、機(jī)械、管理和環(huán)境等四個方面，在建筑工程事故預(yù)測指標(biāo)體系中都有所體現(xiàn)．運(yùn)用數(shù)據(jù)挖掘技術(shù)對樣本數(shù)據(jù)進(jìn)行處理，揭示樣本數(shù)據(jù)的隱含規(guī)律，在保留關(guān)鍵信息的前提下實(shí)現(xiàn)樣本數(shù)據(jù)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(yè)量、安全防護(hù)完善程度、工程地質(zhì)條件、機(jī)械設(shè)備的安裝使用、未經(jīng)安全培訓(xùn)人員和組織指揮能力，即{x1，x2，x4，x5，x6，x8}．

2．2 預(yù)測模型的訓(xùn)練

選取表1中前30組數(shù)據(jù)作為訓(xùn)練樣本，后6組數(shù)據(jù)作為檢測樣本．為保證樣本數(shù)據(jù)在同一數(shù)量級上，對神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理．采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定輸入層節(jié)點(diǎn)數(shù)為6，隱含層節(jié)點(diǎn)數(shù)為13，輸出層節(jié)點(diǎn)數(shù)為1．采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，其種群規(guī)模為20，最大進(jìn)化代數(shù)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(quán)值和閾值)適應(yīng)度值隨進(jìn)化代數(shù)變化的情況，圖中包括最優(yōu)個體的適應(yīng)度值和平均適應(yīng)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(yōu)值，得到全局最優(yōu)解．

將GA優(yōu)化得到的初始權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò)，設(shè)定神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差為0．0001，學(xué)習(xí)速率為 0．01，最大訓(xùn)練次數(shù)為2000，動量因子為0．1．GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的性能曲線如圖4所示．

圖3 遺傳算法的適應(yīng)度值

圖4 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

由圖4可以看出，網(wǎng)絡(luò)收斂較快，在1103步就達(dá)到了訓(xùn)練目標(biāo)．說明經(jīng)過遺傳算法優(yōu)化得到的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值比較合理，加快了網(wǎng)絡(luò)的收斂速度，可有效預(yù)測模型的精度．

2．3 預(yù)測結(jié)果分析

利用6個檢測樣本對訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的精度進(jìn)行檢驗(yàn)，檢測樣本的真實(shí)值與預(yù)測值之間的關(guān)系如圖5所示，兩者之間的對比如表2所示．

圖5 數(shù)據(jù)線性回歸分析

表2 檢測樣本真實(shí)值與預(yù)測值對比

從圖5和表3中可以看出，真實(shí)值與預(yù)測值具有較高的相關(guān)性，檢測樣本的真實(shí)值與預(yù)測值在數(shù)值上相差不大，最大相對誤差為-5．13%，滿足預(yù)測模型的精度要求，由此可知GA-BP神經(jīng)網(wǎng)絡(luò)的非線性逼近能力比較好，利用該預(yù)測模型對建筑工程事故進(jìn)行預(yù)測可取得較理想的預(yù)測結(jié)果．

3 結(jié)束語

針對BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部最優(yōu)解的問題，利用全局優(yōu)化能力較強(qiáng)的遺傳算法優(yōu)化得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值，基于自適應(yīng)學(xué)習(xí)速率動量梯度下降法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型．運(yùn)用數(shù)據(jù)挖掘技術(shù)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(jīng)網(wǎng)絡(luò)的輸入變量，以千人負(fù)傷率作為輸出變量進(jìn)行預(yù)測分析．結(jié)果表明，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有收斂速度快、預(yù)測精度高的優(yōu)點(diǎn)，可有效提高建筑工程事故預(yù)測準(zhǔn)確性，為建筑工程安全控制提供理論指導(dǎo)．

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

［2］ 陳春來．基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑工程安全損失預(yù)測研究［J］．建筑施工，2013，35(1):88-90．

［3］ 彭曉曉．建筑安全事故預(yù)測和預(yù)控對策研究［D］．中國海洋大學(xué)，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(yù)測中的應(yīng)用［J］．重慶科技學(xué)院學(xué)報(bào):自然科學(xué)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(yù)測研究［J］．工程管理學(xué)報(bào)，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(yīng)用［J］．沈陽建筑大學(xué)學(xué)報(bào):自然科學(xué)版，2008，24(5):800-802．

［7］ 喬維德．遺傳算法和神經(jīng)網(wǎng)絡(luò)在交通事故預(yù)測中的應(yīng)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(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型［J］．浙江大學(xué)學(xué)報(bào):工學(xué)版，2012，46(5):837-841．

［9］ 馬楠副，張立寧．基于粗糙集-粒子群神經(jīng)網(wǎng)絡(luò)的建設(shè)項(xiàng)目安全預(yù)測研究［J］．中國安全科學(xué)學(xué)報(bào)，2007，17(4):36-42．

［10］李松，劉力軍，解永樂．遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流混沌預(yù)測［J］．控制與決策，2011，26(10):1581-1585．