基于C-OWA算子和BP神經網絡的地鐵車站火災安全評價

亢磊磊

(重慶人文科技學院工商學院, 重慶 400074)

0 引言

地鐵作為城市交通的重要一環，具有運量大、速度快、污染小等特點[1]。由于地鐵多數為地下工程，內部空間小、環境封閉，一旦發生火災，人員疏散和救援較為麻煩，極易造成群死群傷的惡性事件，被稱為“小概率高影響事件”[2-3]。因此，構建一種合適的地鐵火災安全評價模型，對地鐵火災安全管理具有重要的現實意義。

國外關于地鐵火災安全評價的研究起步較早，Johansson等[4]基于FMECA方法對地鐵火災報警系統的可靠性進行分析，從消防設備方面提出防治措施； Choi等[5]從概率和主觀2個方面運用模糊數學理論對地鐵火災進行評價。國內方面，李炎鋒等[6]運用改進層次分析法按時序分階段評價地鐵火災安全，其結果易受專家認知能力的影響； 趙海榮等[7]提出基于G1方法確定指標權重的地鐵火災模糊評價模型，同樣存在專家打分過程中出現極值的弊端； 褚鵬宇等[8]采用動態賦權理念結合模糊Petri網模型分析不同因素對地鐵火災安全的影響，但未能解決評價過程中的動態性問題； 馬劍等[9]引入D-S證據理論對不確定指標做可靠性分析，但評價結果不具有延展性； 李江華[10]提出基于SOM神經網絡的地鐵火災安全評價模型，忽視了部分指標難以量化的特點； 喻茗之等[11]利用遺傳算法優化后的神經網絡實現地鐵火災評價，但未對指標的重要性做區分度分析。

上述研究從不同視角對地鐵火災安全進行評價，但仍然存在以下問題： 借鑒專家知識經驗時未對專家打分中極值分數的影響做有效處理，評價過程中缺乏動態性且結果不具有延展性，當指標狀態發生變化時需對結果重新計算； 未將專家的認知和人工智能工具有效結合，沒有考慮對應權值下指標重要程度的差異性。鑒于以上問題，本文提出構建基于C-OWA算子和BP神經網絡的地鐵火災安全評價模型，利用C-OWA算子對專家決策數據按照降序的方式重新排序，通過組合排列加權集結求得指標權重，削弱決策極值對權重的負面影響； 然后充分考慮指標對目標作用的差異性，將權值與BP神經網絡輸入值有機結合，利用BP神經網絡強大的自學習、模擬人腦能力，根據已知樣本數據模擬目標狀態的優勢，并將其運用在鄭州地鐵2號線的火災安全評價中。

1 地鐵火災安全評價指標體系的構建

地鐵火災是一個漸變發展的過程，本文按照時間順序將地鐵火災分為3個階段，即火災初期增長階段、火災充分發展階段和火災減弱階段，并針對地鐵火災發生的各個階段構建安全評價指標。為提高地鐵車站火災安全等級，應在火災發生前對隱患因素，如可燃物情況、設備故障狀態、探測系統的工作性能等進行分析，盡可能地提前消除隱患。應急控制響應系統、自動撲救系統和消防員手動撲救系統3大系統的工作性能對于火災的及時消除十分重要，故在火災充分發展階段應給予高度重視。3大系統的正常發揮能最大程度降低滅火的時間和保障人員安全、降低損失，因此，在火災減弱階段同樣需考慮該系統內部的因素。此外，鑒于地鐵車站火災安全管理的特殊性，乘客和工作人員能否在火災發生的第一時間得到有效的疏散極其重要，故除了根據地鐵火災發生的時間順序構建安全評價指標外，還需要將人員的疏散納入評價體系，進而得到更加全面的評價指標，如圖1所示。

2 評價模型適用性分析

2.1 C-OWA算子賦權分析

由已有的地鐵火災安全評價指標可知，其指標數量較多且多數呈現出模糊不確定性。由于決策者大多是通過借鑒專家的知識對指標的權重進行分配，這種權重分配方式(如層次分析法、改進層次分析法、熵權法等)會因專家認知的不同造成結果存在片面性和極端值，由此求得的權重必然受到專家主觀偏好的影響。為降低專家評價結果中的極值帶來的不利影響，有學者采用去除最大值和最小值，并對剩余數據取平均值的方法。該方法計算簡單，在跳水和體操領域得到廣泛的應用，但是求得的權重比較粗糙，忽略了最大值和最小值對評價目標的作用。在實際的決策過程中，即使是較小的評價值同樣可反映出對目標的影響，為充分考慮每個決策者對評價指標的認知，本文采用C-OWA算子對指標進行賦權。C-OWA算子把權重和數據聯系起來，充分考慮每個決策數據的作用，極好地滿足了公平性原則，力求體現每個決策者的意志，同時降低了極值帶來的負面作用。

圖1 地鐵車站火災安全評價指標體系

OWA算子(ordered weighted averaging)是由美國學者Yager提出的，中心思想是對原始數據按照一定的順序做二次排序，并根據新的順序做加權處理。這樣對數據實行有差別的區分在一定程度上弱化了極值的負面作用[12-13]。王煜等[14]通過將C-OWA(combination ordered weighted averaging)算子與其他賦權方法對比，認為C-OWA算子的賦權方法更具有科學性且計算簡單、高效； 宋博等[15]利用OWA算子得出城市軌道交通PPP融資風險指標權值，較好地解決了極值的負面影響。因此，本文選用C-OWA算子對指標進行賦權。

2.2 BP神經網絡分析

BP神經網絡具有非線性、自學習、自耦合性以及大范圍并行處理能力的優勢，可快速解決安全評價過程中的動態性、模糊性等問題，被廣泛應用于電力、化工、交通、消防等領域的安全評價[16]。地鐵火災安全評價是一個綜合性、動態性、非線性、模糊性問題，導致傳統的數理方法在處理過程中失去動態性評價。BP神經網絡可根據自身的組織、學習能力，將已知樣本數據輸入到神經元中，模擬出目標特性，解決了地鐵火災安全評價的動態性難題，即利用訓練好的網絡結構快速、動態地實現地鐵火災安全評價，具有可行性。

2.3 基于C-OWA算子和BP神經網絡的地鐵火災安全評價模型適用性分析

目前，在地鐵火災安全評價過程中的指標賦權方面，多數學者是根據專家的經驗，用打分的形式體現指標重要性，這種方式往往存在一定的極端性，會使確定的指標權重有失科學性； 同時，評價結果不具有延展性，當目標狀態發生變化時需對結果重新計算，且計算過程較為繁瑣，不利于及時做出應對措施。C-OWA算子能有效解決打分結果存在的極端性缺陷問題，通過對打分結果重新排序加權得出權值，降低極值的干擾。BP神經網絡作為一種性能良好的人工智能訓練工具，利用已知樣本數據能夠較好地模擬出目標情況，模擬過程較好地體現了人腦的思維，具有較強的適用性； 且模擬過程可及時動態調整，能夠科學地將地鐵火災安全等級模擬出來。但BP神經網絡對指標重要性的識別能力較弱，為體現不同指標對目標的作用，需將C-OWA算子處理后的指標權值與BP神經網絡輸入值結合起來，模擬出地鐵火災安全等級。

3 基于C-OWA算子和BP神經網絡的地鐵火災安全評價模型的構建

地鐵火災安全評價存在大量不確定性指標，此類指標難以用具體數值量化，往往需要借助專家的知識對指標做出主觀評價，而專家對指標認知的不同會造成結果存在片面性和極端值，從而影響結果的科學性。為克服專家認知不同導致結果失真的弊端，首先運用C-OWA算子對專家打分的初始數據遵循降序的規則重新排序，利用加權組合數的形式削弱極值帶來的不利影響，得出指標的權重值； 接著從指標的非線性、耦合性出發，考慮到傳統數學方法的評價過程不具有延展性，利用人工智能工具BP神經網絡，通過已訓練好的網絡對樣本進行訓練，模擬出目標的火災安全等級，實現對地鐵火災的安全評價。

3.1 地鐵火災安全評價等級的界定

地鐵火災安全評價等級的界定是否合理，直接關系到專家打分判斷的科學性。從地鐵火災安全事故發生的可能性來說，每一個安全等級發生的概率都是相同的，故對地鐵火災安全等級做均等劃分。李炎鋒等[6]根據模糊約束分類描述準則，將安全等級劃分為4個等級，即安全、可接受、須整改、不可接受，并將其量化到區間[0，1]。為提高地鐵車站火災安全管理水平，在設定安全等級時需增加高級別等級的范圍，減小低級別等級的范圍，故在李炎鋒等[6]研究的基礎上將地鐵車站火災安全等級劃分為5個等級： 很高、高、較高、一般、低。對應的區間范圍見表1。

表1 地鐵車站火災安全等級范圍

3.2 運用C-OWA算子計算指標的權值

運用C-OWA算子計算指標權值的步驟如下。

1) 邀請n個專家對相同層次指標的重要程度進行打分，分值范圍為0～10，分值越大表明指標越重要，得出指標的初始決策數據為(a1,a2,…,an)。遵循降序的規則對初始數據從0開始再次排列，得到排序后的新數據為(b0,b1,…,bn-1)，其中b0

(1)

3)絕對權值的計算。根據加權向量w對數據做加權處理，得出指標絕對權值

(2)

式中：w∈[0,1];j∈[0,n-1]。

4)相對權值wi的計算：

(3)

式中i=1,2,…,n。

3.3 地鐵火災安全評價的BP神經網絡模型

地鐵火災安全評價指標內部交錯相連，彼此發生交叉作用，如果單獨衡量某一個指標對目標的作用，將導致評價結果存在片面性，同時安全指標具有動態性、不可控性。常見的評價方法(如灰色理論、模糊理論)無法解決指標間復雜的交叉關系，且評價過程不具有延展性，即當指標發生變化時，需對結果重新計算，在一定程度上影響評價的效率。

圖2 BP神經網絡訓練模型

3.4 基于C-OWA算子和BP神經網絡的地鐵火災安全評價模型

地鐵火災安全評價指標涵蓋定性和定量2個部分。對于定性指標，如果不做量化處理而直接輸入到BP神經網絡，忽略專家對項目實際情況的判別，輸出結果可能會出現與實際偏離的情況。故運用C-OWA算子對專家的決策數據進行賦權，然后導入到BP神經網絡，輸出評價值。其評價過程如下： 1)利用C-OWA算子計算準則層對目標層的權重； 2)構建從次準則層到準則層的BP網絡結構模型并設置相關訓練參數進行測試，直到網絡結構成熟； 3)將收集的訓練樣本信息導入訓練成熟的網絡中，得到準則層指標評價值； 4)將該評價值與C-OWA算子算出的指標權重加權計算，確定目標層的安全等級。

4 案例分析

鄭州地鐵2號線紫荊山車站作為1號線與2號線的換乘車站，是連接主城區和港區的重要樞紐，客流量為4萬人/d左右。地下共4層，有6個主要出入口，站內消防設施主要有風機臺，風率為75 m3/s。站臺與站廳的結合處設置防火卷簾，上部位置設有擋煙垂壁。站內配有煙感探頭、手動報警器、消防控制中心、應急指示燈和廣播站。運用構建的基于C-OWA算子和BP神經網絡的地鐵火災安全評價模型對該地鐵火災安全進行評價，以期提高火災安全管理水平。

4.1 C-OWA算子計算指標權重

以1級指標A2(探測系統響應分析)為例，計算其下4個2級指標的權重。邀請6位同行業的專家對4個指標進行打分，分值越大表明指標的重要程度越高，具體結果見表2。

表2 指標A2專家打分值

對指標A21的打分數據按照降序的規則重新排序，得到新的數據為(8.5,8,7.5,7,6.5,6)，根據式(1)求得加權向量w=(0.031,0.156,0.313,0.313,0.156,0.031)，則指標A21的絕對權值為：

[7.0,7.5,8.0,8.5,6.0,6.5]T=7.689。

4.2 基于C-OWA算子和BP神經網絡的地鐵火災安全評價

4.2.1 BP神經網絡訓練樣本的收集和處理

由于地鐵火災安全評價指標兼具正向和反向2個種類，在輸入BP神經網絡前需對不同屬性的指標消除量綱影響，以此表明指標對目標的影響程度。首先利用式(4)將指標統一到相同區間內，再根據正向和反向指標的特性分別按照式(5)和式(6)做進一步的歸一化處理。

(4)

式中：Oik為原始指標歸一化后的數據；Vik為原始數據；i=1,2,…,n;k=1,2,…,n。

正向指標：

(5)

反向指標：

(6)

由于次準則層共有23個指標，導致BP神經網絡的輸入節點較多、結構復雜。為提高BP神經網絡處理樣本間非線性關系的能力，同時驗證網絡構建的成熟度以及合理性，將BP神經網絡劃分為訓練集、測試集和驗證集3部分，其中訓練集作為估計模型，驗證集作為確定BP神經網絡訓練的參數，測試集則用來檢驗最終評價模型的性能。本文采用經典的劃分比例，即三者樣本數量的比例為3∶1∶1，為增加輸出結果的科學性，具體樣本隨機選擇。選擇樣本數據100組，其中訓練集60組，驗證集20組，測試集20組。為了提高BP神經網絡訓練結果的科學性，100組樣本數據中來自鄭州地鐵車站的樣本數量為40個，其中，1號線20個、2號線20個，剩余60個樣本分別來自北京、上海、深圳、廣州4個城市的相關車站，這些城市地鐵開通較早，數據較為豐富，易于收集且具有可參考性。

4.2.2 基于BP神經網絡的訓練和測試

將次準則層的23個指標作為BP神經網絡的輸入值，利用Matlab 2012a自帶的神經網絡工具箱實現地鐵車站的火災安全評價。從多次模擬的結果可知，當訓練次數滿足600次、最小訓練速率為0.7 s/次、允許誤差小于0.008、迭代次數為700時，模擬效果最好。訓練結果見表3，其中序號為100的樣本為待測樣本，其余為學習樣本。

表3 基于BP神經網絡的訓練結果

由表3輸出結果可知，4個學習樣本和1個待測樣本的期望輸出和實際輸出等級保持一致，安全等級均為高； 同時最大誤差絕對值為0.04%，低于允許誤差0.008，表明構建的基于C-OWA算子和BP神經網絡的地鐵車站火災安全評價模型滿足訓練精度的要求。序號為100的樣本的輸出結果為0.650 4，根據表1可知，鄭州地鐵2號線紫荊山車站火災安全等級為高，且與期望值相符合，證明所構建的評價模型的科學性。在日常安全管理中，應重視對阻燃材料使用率、火災探測設置、通風排煙能力、消防供水情況、消防設備數量、工作人員數量6個主要指標的監控； 同時在后續的施工過程，只需根據現場數據的變化將變動的輸入樣本導入到訓練成熟的網絡中，即可快速、科學地實現動態的評價，使得模型具有一定的延展性。

5 結論與討論

1)根據火災發生的時間順序構建地鐵車站火災安全評價指標，兼顧人員因素豐富了地鐵火災安全評價指標體系，提出基于C-OWA算子的賦權方法，在一定程度上弱化了極值的不利影響，且計算簡便，無需反復調整。

2)運用BP神經網絡良好的自學習、適應能力以及動態性等特點對樣本數據進行模擬，實現地鐵火災安全評價的人工智能化，增加評價結果的延展性，能夠快速、科學地得出地鐵火災安全等級。

3)基于C-OWA算子和BP神經網絡模型對鄭州地鐵2號線紫荊山車站火災安全進行綜合評價，結果表明該地鐵火災安全等級為高，且輸出值與期望值較為吻合，同時指出在日常安全管理中應當重點關注的風險指標，為日常安全管理提供科學的指導意見。

本文只針對地鐵車站的火災安全進行評價，缺乏對地鐵整個運行過程的評估，在后續的研究中應進行更深入的探討，以豐富地鐵火災研究理論； 同時，本文只確定了影響地鐵車站火災的關鍵指標，下一步應提出針對性的應對措施，進一步提高地鐵車站火災安全等級。