论文部分内容阅读
摘要:
为解决现阶段海事网格化管理的风险评价局限于网格划分过程、评价方法单一、可靠性低的问题,以系统工程和网格化管理的理论和方法为基础,基于层次分析法(Analytic Hierarchy Process,AHP) 和反向传播神经网络(BackPropagation Neural Network,BPNN),建立海事网格风险预警模型.首先,对海事网格风险影响因素进行分析,建立风险评价指标体系;然后,运用AHP界定各海事网格风险等级,再运用BPNN预测未来周期网格的风险等级;最后,综合上述两种方法的风险评估结果,确立海事网格风险预警等级.模型增加了海事网格风险预警的可靠性和准确性,可为海事部门提供风险控制的信息支撑,提升网格化管理的效果.
关键词:
网格化管理; 风险预警模型; 层次分析法(AHP); 反向传播神经网络(BPNN)
中图分类号: U698;TP183
文献标志码: A
0引言
近年来,随着网格化技术的发展,网格化管理逐渐被应用于海事监管,并收到一定的成效.风险评价和监管体系是海事网格化管理模式不可或缺的有机组成部分,其可操作性直接影响海事动态监管的运行效果.然而,现有的风险评价和监管体系并不完善,给具体操作带来一定难度,导致海事网格化管理效果参差不齐.
现阶段,海事网格化管理的风险评价局限在网格划分过程中,一般选用头脑风暴法、层次分析法(Analytic Hierarchy Process, AHP)等进行评价比选,通过调研、座谈会等形式,组织专家参与网格划分,风险预警能力不足.风险评价的根本目的是判断系统是否符合安全要求,根据评价结果采取风险应对措施对系统进行调整,因此风险评价应该且必须贯彻海事网格化管理的始终,为风险预警和风险控制提供参考.
本文首先对海上通航环境的风险影响因素进行分析,建立网格风险评价指标体系,运用AHP界定网格风险等级;然后,运用反向传播神经网络(BackPropagation Neural Network, BPNN)预测未来周期(年、季度、月或周)单位网格的风险等级;最后,综合上述两种方法的风险评价结果,确定海事网格风险预警模型.以上海海事局洋山辖区为研究对象,结果表明,模型能够提供风险预警,为海事部门统筹协调资源,控制风险,提供信息支撑.
1网格化管理的研究进展
1.1国内外网格化管理的研究回顾
随着计算机技术、“3S”(GIS(地理信息系统)、GPS(全球定位系统)、RS(遥感))技术、网络技术的发展,发达国家已逐渐将网格化管理应用到现代化城市管理中.国外学者对网格化管理的研究主要集中在三方面.一是研究数字技术对城市管理的作用.REPETTI以GIS为基础,研究如何在城市管理中开展公共参与式管理及其应用效果.二是研究城市行政管理行为在数字化背景下的转变,即“数字政府”.CASTELLS Manuel认为,数字政府可减少政府的主导权,扩大公众的参与度.TORRES等认为信息技术可作为传统行政管理的有益补充.三是研究数字城市给政府管理带来的影响.NAISBITT John研究信息技术对城市管理带来的影响,有助于实现小政府大社会,真正实现政府扁平化.
在国内,郑士源等在考察网格技术在各行业应用的基础上,提出将网格管理的思想和方法应用到管理领域,并对网格划分标准化、网格间信息化、资源调度机制等网格化管理的理论和基础进行梳理,为进一步探究网格化管理的发展提供可能.邱春霞等提出将万米单元网格作为基本管理单元,运用“3S”及集成、计算机网络、数据库、通信等技术设计城市网格化管理系统平台的框架,进一步促进网格化在城市管理中的应用.
1.2海事网格化管理的研究现状
海事网格化管理是依托统一的海事管理和数字化管理平台,将辖区按照一定的标准划分成若干单元网格,通过加强对网格内部事件的监察提高辖区管理水平.罗金一从理论层面介绍网格化管理的运行要求、配套制度和工作标准,为网格化管理模式实施提供理论指导.ZHANG等对福州辖区网格化管理现状进行介绍,认为网格化管理模式能实现资源共享和提高预警能力,该水域的网格化管理措施和实施经验可为其他水域提供借鉴.成旭等对南京海事局网格化动态监管模式进行介绍,从网格化监管范围、信息分析和联动执法等方面分析船舶交通管理(Vessel Traffic Services, VTS)部门有效监管的方法,论证海事网格化管理的优越性.张向上提出网格化是分工基础上的有效综合,并从全面性、协调性、有效性、主动性和便捷性等方面总结网格化监管的意义.以上研究未涉及网格管理过程中风险评价的重要性,因此有必要进行进一步探究.
吴志华等从通航环境、执法资源、指挥平台、应急资源等方面考虑,提出福建沿海水上交通风险网格化管理设计方案,指出风险预警和风险干预是沿海水上交通安全的必要环节和要素,但未给出风险预警的具体方法和风险干预的具体做法.汤旭红等以天津港水域为例,利用数学模型和专家经验预测事故概率和分布,通过预测水域的碰撞和搁浅事故分析其风险状况.网格化分析的方法为海上交通风险评价提供新的思路.预测碰撞和搁浅的模型考虑通航环境的诸多方面,但风险因素分析在系统性和全面性方面还有改进的余地,而且这种单纯依靠风险因素分析进行风险评价的预测方法,在可靠性和准确性上尚有提高的空间.
总之,网格化在管理上具有显著的优越性,正为越来越多的海事部门所青睐,并应用于海事管理中.然而,网格化管理过程中还存在风险评价和监管体系不完善的问题.本文在上述研究的基础上探究更加可靠的海事网格化管理预警模型.
2基于AHP的网格风险评价
2.1评价指标体系的建立及AHP的实施
风险评价是对系统面临事故和灾害的危险状态进行的定量或定性评估.AHP是分析多目标、多准则复杂系统的有力工具.将AHP与Delphi法相结合,可以使主观估计客观化,减少指标评价过程中的主观随意,从而使预警结果更为准确、合理. 国际海事界普遍认为,约80%的海上事故与人的因素有关.人的因素包括人、机(物)、环境、管理(控制)等4个安全要素.据安全科学基本要素结构,船舶营运系统中的船员属于“人”要素,船舶、货物属于“机”要素,航道和港口属于“环境”要素,船公司属于“管理”要素.一方面,海事网格化管理范畴不同于船舶安全管理,管理范围和对象很难全面涉及;另一方面,海事网格化管理侧重于各单位网格风险的横向比较,网格风险分析的重点在环境方面.因此,从某种意义讲,网格风险分析是对网格通航环境风险的分析,实践中诱发风险的因素还取决于航行在该区域内的船舶及其操作人员等.显然,网格风险预警只能在海事安全监管中起到基础性的指导作用.
网格风险评价指标体系涵盖的风险指标因素既要全面,又不能重复.在系统分析现有研究资料的基础上,运用Delphi法咨询多位专家,结合海上交通系统风险的特点,选取2级4类16项指标,构建网格风险评价指标的递阶层次结构,见图1.
3基于BPNN的网格风险预测
3.1BPNN算法基本原理和标准学习算法过程
算法学习的过程是,神经网络在外界输入样本的刺激下不断改变网络的连接权值,使网络的输出不断接近期望的输出.该过程包括数据的正向传播和误差的反向传播.学习的本质是对各连接权值的动态调整.学习的核心思想是将输出误差以某种形式通过隐含层向输入层逐层反传,即误差的逆传播.三层BPNN结构模型见图2.
图2中:x1,x2,…,xn为输入样本;T1,T2,…,Tq为目标输出;z1,z2,…,zq为实际输出;Δ1,Δ2,…,Δq为实际输出与目标输出的差值;wij为输入层第i个节点对应隐含层第j个节点的连接权值;wjk为隐含层第j个节点对应输出层第k个节点的连接权值.
3.2BPNN学习算法的MATLAB实现
某单位网格i过去12个周期的事故率为xi,i=1,2,…,12.构建一个三层BPNN:输入层节点数为3,隐含层节点数为5,隐含层的激活函数为tansig,输出层节点数为1,输出层的激活函数为logsig.采用滚动预测方法对事故率进行预测:用前3个周期的事故率预测第4个周期的事故率,如用第1~3周期的事故率为输入,预测第4周期的事故率,用第2~4周期的事故率为输入,预测第5周期的事故率,这样下去,即可获得第13周期的事故率.
对样本数据xi进行归一化处理,
x*i=xi-xminxmax-xmin(8)
式中:xmax=max{xjj=1,2,…,12};xmin=min{xj|j=1,2,…,12};x*i是事故率xi的归一化值.
将处理后的每3个周期的事故率作为输入向量,将处理后的第4个周期的事故率作为目标向量,
P=(x*1x*2x*3;x*2x*3x*4;x*3x*4x*5;x*4x*5x*6;x*5x*6x*7;
x*6x*7x*8;x*7x*8x*9;x*8x*9x*10;x*9x*10x*11)
(7)
T=(x*4 x*5 x*6 x*7 x*8 x*9 x*10 x*11 x*12)
(8)
创建一个神经网络net:每个输入向量的取值范围限定在训练时输入数据范围内,隐含层5个神经元,输出层1个神经元,隐含层激活函数tansig,输出层激活函数logsig,训练函数采用弹性梯度下降法,训练步数5 000,误差性能目标值0.001,学习速率为0.1.在MATLAB中运行程序:
net=newff(minmax(P),[5,1],{′tansig′,′logsig′},′trainrp′);
net.trainParam.epochs=5 000;
net.trainParam.goal=0.001;
LP.lr=0.1;
net=train(net,P,T);
Y=sim(net,P);
plot(T,′*′) hold on plot(Y,′+′)
当这一训练过程满足要求后,已知任意连续3个周期的事故率,即可预测第4个周期事故率.
3.3确定网格风险等级
BPNN预测的风险等级同样划分为5个级别:Ⅰ级(低风险)、Ⅱ级(较低风险)、Ⅲ级(临界风险)、Ⅳ级(较高风险)、Ⅴ级(高风险).
统计每个单位网格内的事故,以事故率和事故后果为依据,确定每个单位网格的风险等级.预测事故率与风险等级对照见表1.
通过MATLAB可以利用已知若干周期的数据,实现所有网格风险等级的预测.由于海上交通系统的复杂性、事故发生的随机性和风险因素的不确定性等影响,AHP和BPNN方法对网格风险的分析结果可能不一致,这是不矛盾的.两者相辅相成能增加风险预警的可靠性.
4网格风险预警模型及应用
4.1网格风险预警模型及风险应对
AHP半定性半定量地界定网格的风险等级,BPNN定量预测网格的风险等级.通过建立二维表格,即可确定网格风险预警结果.
网格风险预警结果可用类似于交通信号灯的方法显示出来.本系统中AHP界定5个风险等级,BPNN得到5个风险等级,设计5色显示系统,即用“红色”“橙色”“黄色”“绿色”“蓝色”标识预警结果.众所周知,风险总是存在的,降低风险需要付出人力、物力的代价,因此一定低风险水平是可接受的.为适应海事网格化的特定环境,在海图上更好地显示预警结果,在常规4个风险等级的基础上增加“蓝色”的低风险标识,用来表示可以接受的风险区域.
单位网格风险预警结果及初步应对措施见表2.对于AHP评估的较高风险、高风险网格和BPNN预测的红色和橙色事故风险网格,海事部门有必要采取强有力的措施,例如限制船舶通行、合理调度船舶、提醒网格内过境船舶驾驶员等.对于其他预警情况,则采取相对较弱的措施,例如巡航执法和非现场手段的监控等.当然,风险控制与应对是一项复杂的系统工程,表2仅给出初步应对的措施,具体取决于各地海事局辖区监管、执法力量以及协同管理模式. 评价方法,选定辖区水域中若干典型水域作为分区,通过对各分区交通流、历年险情事故、应急反应能力和油污风险的分析,对辖区水域进行网格划分,结果见图3.
根据上海海事局提供的洋山辖区的事故率资料,利用本文提出的预警模型,用实例验证如下:
选取单位网格2某12个周期的事故率,由式(6)算得归一化值,见表3.
经网络的训练样本输入向量P和输出向量T,运用第3.2节BPNN学习算法及其MATLAB程序训练神经网络,调节参数直至BPNN满足要求,结果见图4.
应用训练好的BPNN可预测第13周期的事故率:在MATLAB环境下运行程序“x=[0.500.325];sim(net,x)”,运行结果为“ans=0.752 1”,利用式(6)可以得到第13周期的事故率为0.063 084%.对照表1,确定第13周期的风险等级为高风险.
对于洋山辖区单位网格2,BPNN预测到的该周期内的风险等级为高风险,无论AHP预测到的风险等级为几级,对照表2均得到该单位网格的风险预警结果为红色.用同样的方法,可以得到其他单位网格的预警结果:单位网格3,5,10为红色预警;单位网格1为橙色预警;单位网格4,6,7为黄色预警;单位网格9为绿色预警;单位网格8为蓝色预警.海事网格管理风险预警结果可以在VTS中心大屏幕或电子海图上显示,以便海事部门及时采取风险应对措施.
5结束语
预警的目标在于海事管理部门在有限时间内采取措施减少可能的风险损失,同时,措施的采取要基于科学的预测和可靠的预警预报,这样才能避免风险应对的盲目性.AHP通过定性地分析系统要素及其关系,给出定量的计算过程和结果,避免评价的随意性,可以科学有效地给出网格风险评价结果;BPNN作为一种有监督的学习算法,通过反复调整权值和阈值,逐渐降低误差直至满足精度要求,达到准确预测的目的,即依据过去的情况预测未来的发展状况.将这两种方法结合起来能增强风险评价和预警的可靠性,一方面能弥补仅用AHP时主观片面因素的不足,另一方面能克服仅用BPNN时对历史数据的依赖,海上交通事故毕竟有一定的随机性和不确定性.经过模拟,基于AHP和BPNN的海事网格风险预警模型基本达到预期目标.网格风险预警对于发挥现有监管资源最大效能,增强事故险情的预防预警能力,提高应急反应能力,提升服务质量具有重要意义.
海上交通系统的复杂性决定预警方法不能绝对准确,模型可为灰色理论、蒙特卡洛、马尔科夫、贝叶斯等方法的风险分析提供思路.网格化管理模式须建立在高度信息化的基础上,如果VTS、船舶自动识别系统(Automatic Identification System, AIS)、电子海图系统(Electronic Chart Display and Information System, ECDIS)、水上交通视频监控系统(Closed Circuit Television, CCTV)、GPS等的数据相互独立,不能统一到智能化的一体化平台上,预警的应对措施就难以及时有效,网格化管理也就无法高效运行.将网格化管理模式与非现场海事监管系统和当前2.0版船舶动态管理系统相融合,建立一体化海事监管平台,是下一步研究的方向.
参考文献:
[1]FOSTER I, KESSELMAN C, NICK J M, et al. Grid services for distributed system integration[J]. Computer, 2002, 35(6): 3746.
[2]REPETTI A. An urban monitor as support for a participative management of developing cities[J]. Habitat Int, 2003, 27(4): 653669.
[3]TORRES L, PINA V. Egovernance developments in European union cities: reshaping government’s relationship with citizens[J]. Governance, 2006, 19(2): 277302.
[4]XU Zhiwei, LI Wei. The research on VEGA grid architecture[J]. J Comput Res & Dev, 2002, 39(8): 923929.
[5]韩颖. 海事管理的网格化模式研究[D]. 上海: 复旦大学, 2011.
[6]郑士源, 徐辉, 王浣尘. 网格及网格化综述[J]. 系统工程, 2005, 23(3): 17.
[7]邱春霞, 张亚南. 城市网格化管理系统平台初步设计[J]. 西安科技大学学报, 2008, 28(1): 9699.
[8]罗金一. 网格化管理在海事管理与服务中的应用研究[J]. 交通运输部管理干部学院学报, 2012, 22(3): 1215.
[9]ZHANG Jinpeng, FANG Quangen, HU Shenping. Synergic mode of gridbased traffic risk control in China’s coastal waters[C]//Ind Eng & Eng Manage, 2010 IEEE Int Conf, 710 Dec 2010: 1488.
[10]成旭, 蔡宏伟, 张卫星, 等. 网格化海事动态监管模式下的船舶交通管理[J]. 中国航海, 2012, 35(4): 9095.
[11]张向上. 网格化监管在基层海事处规范化建设中的应用[J]. 中国海事, 2012(1): 4042.
[12]吴志华, 林孝鸿, 胡甚平, 等. 沿海水上交通安全网格化管理模式的设计与实现[J]. 中国航海, 2011, 34(1): 5458.
[13]汤旭红, 范耀天, 蔡存强. 海上交通风险网格化分析和预测研究[J]. 应用基础与工程科学学报, 2008(3): 425435.
[14]丁香乾, 石硕. 层次分析法在项目风险管理中的应用[J]. 中国海洋大学学报, 2004, 34(1): 97102.
[15]陈伟炯. 船舶安全与管理[M]. 大连: 大连海事大学出版社, 1998: 18.
[16]吴兆麟, 朱军. 海上交通工程[M]. 大连: 大连海事大学出版社, 2004: 249333.
[17]张玲, 张钹. 人工神经网络理论及应用[M]. 浙江: 浙江科学技术出版社, 1997: 2062.
[18]方泉根, 席永涛, 胡甚平. 基于层次与阶段协同的海上交通风险管理模式[J]. 上海海事大学学报, 2009, 30(3): 5053.
(编辑赵勉)
为解决现阶段海事网格化管理的风险评价局限于网格划分过程、评价方法单一、可靠性低的问题,以系统工程和网格化管理的理论和方法为基础,基于层次分析法(Analytic Hierarchy Process,AHP) 和反向传播神经网络(BackPropagation Neural Network,BPNN),建立海事网格风险预警模型.首先,对海事网格风险影响因素进行分析,建立风险评价指标体系;然后,运用AHP界定各海事网格风险等级,再运用BPNN预测未来周期网格的风险等级;最后,综合上述两种方法的风险评估结果,确立海事网格风险预警等级.模型增加了海事网格风险预警的可靠性和准确性,可为海事部门提供风险控制的信息支撑,提升网格化管理的效果.
关键词:
网格化管理; 风险预警模型; 层次分析法(AHP); 反向传播神经网络(BPNN)
中图分类号: U698;TP183
文献标志码: A
0引言
近年来,随着网格化技术的发展,网格化管理逐渐被应用于海事监管,并收到一定的成效.风险评价和监管体系是海事网格化管理模式不可或缺的有机组成部分,其可操作性直接影响海事动态监管的运行效果.然而,现有的风险评价和监管体系并不完善,给具体操作带来一定难度,导致海事网格化管理效果参差不齐.
现阶段,海事网格化管理的风险评价局限在网格划分过程中,一般选用头脑风暴法、层次分析法(Analytic Hierarchy Process, AHP)等进行评价比选,通过调研、座谈会等形式,组织专家参与网格划分,风险预警能力不足.风险评价的根本目的是判断系统是否符合安全要求,根据评价结果采取风险应对措施对系统进行调整,因此风险评价应该且必须贯彻海事网格化管理的始终,为风险预警和风险控制提供参考.
本文首先对海上通航环境的风险影响因素进行分析,建立网格风险评价指标体系,运用AHP界定网格风险等级;然后,运用反向传播神经网络(BackPropagation Neural Network, BPNN)预测未来周期(年、季度、月或周)单位网格的风险等级;最后,综合上述两种方法的风险评价结果,确定海事网格风险预警模型.以上海海事局洋山辖区为研究对象,结果表明,模型能够提供风险预警,为海事部门统筹协调资源,控制风险,提供信息支撑.
1网格化管理的研究进展
1.1国内外网格化管理的研究回顾
随着计算机技术、“3S”(GIS(地理信息系统)、GPS(全球定位系统)、RS(遥感))技术、网络技术的发展,发达国家已逐渐将网格化管理应用到现代化城市管理中.国外学者对网格化管理的研究主要集中在三方面.一是研究数字技术对城市管理的作用.REPETTI以GIS为基础,研究如何在城市管理中开展公共参与式管理及其应用效果.二是研究城市行政管理行为在数字化背景下的转变,即“数字政府”.CASTELLS Manuel认为,数字政府可减少政府的主导权,扩大公众的参与度.TORRES等认为信息技术可作为传统行政管理的有益补充.三是研究数字城市给政府管理带来的影响.NAISBITT John研究信息技术对城市管理带来的影响,有助于实现小政府大社会,真正实现政府扁平化.
在国内,郑士源等在考察网格技术在各行业应用的基础上,提出将网格管理的思想和方法应用到管理领域,并对网格划分标准化、网格间信息化、资源调度机制等网格化管理的理论和基础进行梳理,为进一步探究网格化管理的发展提供可能.邱春霞等提出将万米单元网格作为基本管理单元,运用“3S”及集成、计算机网络、数据库、通信等技术设计城市网格化管理系统平台的框架,进一步促进网格化在城市管理中的应用.
1.2海事网格化管理的研究现状
海事网格化管理是依托统一的海事管理和数字化管理平台,将辖区按照一定的标准划分成若干单元网格,通过加强对网格内部事件的监察提高辖区管理水平.罗金一从理论层面介绍网格化管理的运行要求、配套制度和工作标准,为网格化管理模式实施提供理论指导.ZHANG等对福州辖区网格化管理现状进行介绍,认为网格化管理模式能实现资源共享和提高预警能力,该水域的网格化管理措施和实施经验可为其他水域提供借鉴.成旭等对南京海事局网格化动态监管模式进行介绍,从网格化监管范围、信息分析和联动执法等方面分析船舶交通管理(Vessel Traffic Services, VTS)部门有效监管的方法,论证海事网格化管理的优越性.张向上提出网格化是分工基础上的有效综合,并从全面性、协调性、有效性、主动性和便捷性等方面总结网格化监管的意义.以上研究未涉及网格管理过程中风险评价的重要性,因此有必要进行进一步探究.
吴志华等从通航环境、执法资源、指挥平台、应急资源等方面考虑,提出福建沿海水上交通风险网格化管理设计方案,指出风险预警和风险干预是沿海水上交通安全的必要环节和要素,但未给出风险预警的具体方法和风险干预的具体做法.汤旭红等以天津港水域为例,利用数学模型和专家经验预测事故概率和分布,通过预测水域的碰撞和搁浅事故分析其风险状况.网格化分析的方法为海上交通风险评价提供新的思路.预测碰撞和搁浅的模型考虑通航环境的诸多方面,但风险因素分析在系统性和全面性方面还有改进的余地,而且这种单纯依靠风险因素分析进行风险评价的预测方法,在可靠性和准确性上尚有提高的空间.
总之,网格化在管理上具有显著的优越性,正为越来越多的海事部门所青睐,并应用于海事管理中.然而,网格化管理过程中还存在风险评价和监管体系不完善的问题.本文在上述研究的基础上探究更加可靠的海事网格化管理预警模型.
2基于AHP的网格风险评价
2.1评价指标体系的建立及AHP的实施
风险评价是对系统面临事故和灾害的危险状态进行的定量或定性评估.AHP是分析多目标、多准则复杂系统的有力工具.将AHP与Delphi法相结合,可以使主观估计客观化,减少指标评价过程中的主观随意,从而使预警结果更为准确、合理. 国际海事界普遍认为,约80%的海上事故与人的因素有关.人的因素包括人、机(物)、环境、管理(控制)等4个安全要素.据安全科学基本要素结构,船舶营运系统中的船员属于“人”要素,船舶、货物属于“机”要素,航道和港口属于“环境”要素,船公司属于“管理”要素.一方面,海事网格化管理范畴不同于船舶安全管理,管理范围和对象很难全面涉及;另一方面,海事网格化管理侧重于各单位网格风险的横向比较,网格风险分析的重点在环境方面.因此,从某种意义讲,网格风险分析是对网格通航环境风险的分析,实践中诱发风险的因素还取决于航行在该区域内的船舶及其操作人员等.显然,网格风险预警只能在海事安全监管中起到基础性的指导作用.
网格风险评价指标体系涵盖的风险指标因素既要全面,又不能重复.在系统分析现有研究资料的基础上,运用Delphi法咨询多位专家,结合海上交通系统风险的特点,选取2级4类16项指标,构建网格风险评价指标的递阶层次结构,见图1.
3基于BPNN的网格风险预测
3.1BPNN算法基本原理和标准学习算法过程
算法学习的过程是,神经网络在外界输入样本的刺激下不断改变网络的连接权值,使网络的输出不断接近期望的输出.该过程包括数据的正向传播和误差的反向传播.学习的本质是对各连接权值的动态调整.学习的核心思想是将输出误差以某种形式通过隐含层向输入层逐层反传,即误差的逆传播.三层BPNN结构模型见图2.
图2中:x1,x2,…,xn为输入样本;T1,T2,…,Tq为目标输出;z1,z2,…,zq为实际输出;Δ1,Δ2,…,Δq为实际输出与目标输出的差值;wij为输入层第i个节点对应隐含层第j个节点的连接权值;wjk为隐含层第j个节点对应输出层第k个节点的连接权值.
3.2BPNN学习算法的MATLAB实现
某单位网格i过去12个周期的事故率为xi,i=1,2,…,12.构建一个三层BPNN:输入层节点数为3,隐含层节点数为5,隐含层的激活函数为tansig,输出层节点数为1,输出层的激活函数为logsig.采用滚动预测方法对事故率进行预测:用前3个周期的事故率预测第4个周期的事故率,如用第1~3周期的事故率为输入,预测第4周期的事故率,用第2~4周期的事故率为输入,预测第5周期的事故率,这样下去,即可获得第13周期的事故率.
对样本数据xi进行归一化处理,
x*i=xi-xminxmax-xmin(8)
式中:xmax=max{xjj=1,2,…,12};xmin=min{xj|j=1,2,…,12};x*i是事故率xi的归一化值.
将处理后的每3个周期的事故率作为输入向量,将处理后的第4个周期的事故率作为目标向量,
P=(x*1x*2x*3;x*2x*3x*4;x*3x*4x*5;x*4x*5x*6;x*5x*6x*7;
x*6x*7x*8;x*7x*8x*9;x*8x*9x*10;x*9x*10x*11)
(7)
T=(x*4 x*5 x*6 x*7 x*8 x*9 x*10 x*11 x*12)
(8)
创建一个神经网络net:每个输入向量的取值范围限定在训练时输入数据范围内,隐含层5个神经元,输出层1个神经元,隐含层激活函数tansig,输出层激活函数logsig,训练函数采用弹性梯度下降法,训练步数5 000,误差性能目标值0.001,学习速率为0.1.在MATLAB中运行程序:
net=newff(minmax(P),[5,1],{′tansig′,′logsig′},′trainrp′);
net.trainParam.epochs=5 000;
net.trainParam.goal=0.001;
LP.lr=0.1;
net=train(net,P,T);
Y=sim(net,P);
plot(T,′*′) hold on plot(Y,′+′)
当这一训练过程满足要求后,已知任意连续3个周期的事故率,即可预测第4个周期事故率.
3.3确定网格风险等级
BPNN预测的风险等级同样划分为5个级别:Ⅰ级(低风险)、Ⅱ级(较低风险)、Ⅲ级(临界风险)、Ⅳ级(较高风险)、Ⅴ级(高风险).
统计每个单位网格内的事故,以事故率和事故后果为依据,确定每个单位网格的风险等级.预测事故率与风险等级对照见表1.
通过MATLAB可以利用已知若干周期的数据,实现所有网格风险等级的预测.由于海上交通系统的复杂性、事故发生的随机性和风险因素的不确定性等影响,AHP和BPNN方法对网格风险的分析结果可能不一致,这是不矛盾的.两者相辅相成能增加风险预警的可靠性.
4网格风险预警模型及应用
4.1网格风险预警模型及风险应对
AHP半定性半定量地界定网格的风险等级,BPNN定量预测网格的风险等级.通过建立二维表格,即可确定网格风险预警结果.
网格风险预警结果可用类似于交通信号灯的方法显示出来.本系统中AHP界定5个风险等级,BPNN得到5个风险等级,设计5色显示系统,即用“红色”“橙色”“黄色”“绿色”“蓝色”标识预警结果.众所周知,风险总是存在的,降低风险需要付出人力、物力的代价,因此一定低风险水平是可接受的.为适应海事网格化的特定环境,在海图上更好地显示预警结果,在常规4个风险等级的基础上增加“蓝色”的低风险标识,用来表示可以接受的风险区域.
单位网格风险预警结果及初步应对措施见表2.对于AHP评估的较高风险、高风险网格和BPNN预测的红色和橙色事故风险网格,海事部门有必要采取强有力的措施,例如限制船舶通行、合理调度船舶、提醒网格内过境船舶驾驶员等.对于其他预警情况,则采取相对较弱的措施,例如巡航执法和非现场手段的监控等.当然,风险控制与应对是一项复杂的系统工程,表2仅给出初步应对的措施,具体取决于各地海事局辖区监管、执法力量以及协同管理模式. 评价方法,选定辖区水域中若干典型水域作为分区,通过对各分区交通流、历年险情事故、应急反应能力和油污风险的分析,对辖区水域进行网格划分,结果见图3.
根据上海海事局提供的洋山辖区的事故率资料,利用本文提出的预警模型,用实例验证如下:
选取单位网格2某12个周期的事故率,由式(6)算得归一化值,见表3.
经网络的训练样本输入向量P和输出向量T,运用第3.2节BPNN学习算法及其MATLAB程序训练神经网络,调节参数直至BPNN满足要求,结果见图4.
应用训练好的BPNN可预测第13周期的事故率:在MATLAB环境下运行程序“x=[0.500.325];sim(net,x)”,运行结果为“ans=0.752 1”,利用式(6)可以得到第13周期的事故率为0.063 084%.对照表1,确定第13周期的风险等级为高风险.
对于洋山辖区单位网格2,BPNN预测到的该周期内的风险等级为高风险,无论AHP预测到的风险等级为几级,对照表2均得到该单位网格的风险预警结果为红色.用同样的方法,可以得到其他单位网格的预警结果:单位网格3,5,10为红色预警;单位网格1为橙色预警;单位网格4,6,7为黄色预警;单位网格9为绿色预警;单位网格8为蓝色预警.海事网格管理风险预警结果可以在VTS中心大屏幕或电子海图上显示,以便海事部门及时采取风险应对措施.
5结束语
预警的目标在于海事管理部门在有限时间内采取措施减少可能的风险损失,同时,措施的采取要基于科学的预测和可靠的预警预报,这样才能避免风险应对的盲目性.AHP通过定性地分析系统要素及其关系,给出定量的计算过程和结果,避免评价的随意性,可以科学有效地给出网格风险评价结果;BPNN作为一种有监督的学习算法,通过反复调整权值和阈值,逐渐降低误差直至满足精度要求,达到准确预测的目的,即依据过去的情况预测未来的发展状况.将这两种方法结合起来能增强风险评价和预警的可靠性,一方面能弥补仅用AHP时主观片面因素的不足,另一方面能克服仅用BPNN时对历史数据的依赖,海上交通事故毕竟有一定的随机性和不确定性.经过模拟,基于AHP和BPNN的海事网格风险预警模型基本达到预期目标.网格风险预警对于发挥现有监管资源最大效能,增强事故险情的预防预警能力,提高应急反应能力,提升服务质量具有重要意义.
海上交通系统的复杂性决定预警方法不能绝对准确,模型可为灰色理论、蒙特卡洛、马尔科夫、贝叶斯等方法的风险分析提供思路.网格化管理模式须建立在高度信息化的基础上,如果VTS、船舶自动识别系统(Automatic Identification System, AIS)、电子海图系统(Electronic Chart Display and Information System, ECDIS)、水上交通视频监控系统(Closed Circuit Television, CCTV)、GPS等的数据相互独立,不能统一到智能化的一体化平台上,预警的应对措施就难以及时有效,网格化管理也就无法高效运行.将网格化管理模式与非现场海事监管系统和当前2.0版船舶动态管理系统相融合,建立一体化海事监管平台,是下一步研究的方向.
参考文献:
[1]FOSTER I, KESSELMAN C, NICK J M, et al. Grid services for distributed system integration[J]. Computer, 2002, 35(6): 3746.
[2]REPETTI A. An urban monitor as support for a participative management of developing cities[J]. Habitat Int, 2003, 27(4): 653669.
[3]TORRES L, PINA V. Egovernance developments in European union cities: reshaping government’s relationship with citizens[J]. Governance, 2006, 19(2): 277302.
[4]XU Zhiwei, LI Wei. The research on VEGA grid architecture[J]. J Comput Res & Dev, 2002, 39(8): 923929.
[5]韩颖. 海事管理的网格化模式研究[D]. 上海: 复旦大学, 2011.
[6]郑士源, 徐辉, 王浣尘. 网格及网格化综述[J]. 系统工程, 2005, 23(3): 17.
[7]邱春霞, 张亚南. 城市网格化管理系统平台初步设计[J]. 西安科技大学学报, 2008, 28(1): 9699.
[8]罗金一. 网格化管理在海事管理与服务中的应用研究[J]. 交通运输部管理干部学院学报, 2012, 22(3): 1215.
[9]ZHANG Jinpeng, FANG Quangen, HU Shenping. Synergic mode of gridbased traffic risk control in China’s coastal waters[C]//Ind Eng & Eng Manage, 2010 IEEE Int Conf, 710 Dec 2010: 1488.
[10]成旭, 蔡宏伟, 张卫星, 等. 网格化海事动态监管模式下的船舶交通管理[J]. 中国航海, 2012, 35(4): 9095.
[11]张向上. 网格化监管在基层海事处规范化建设中的应用[J]. 中国海事, 2012(1): 4042.
[12]吴志华, 林孝鸿, 胡甚平, 等. 沿海水上交通安全网格化管理模式的设计与实现[J]. 中国航海, 2011, 34(1): 5458.
[13]汤旭红, 范耀天, 蔡存强. 海上交通风险网格化分析和预测研究[J]. 应用基础与工程科学学报, 2008(3): 425435.
[14]丁香乾, 石硕. 层次分析法在项目风险管理中的应用[J]. 中国海洋大学学报, 2004, 34(1): 97102.
[15]陈伟炯. 船舶安全与管理[M]. 大连: 大连海事大学出版社, 1998: 18.
[16]吴兆麟, 朱军. 海上交通工程[M]. 大连: 大连海事大学出版社, 2004: 249333.
[17]张玲, 张钹. 人工神经网络理论及应用[M]. 浙江: 浙江科学技术出版社, 1997: 2062.
[18]方泉根, 席永涛, 胡甚平. 基于层次与阶段协同的海上交通风险管理模式[J]. 上海海事大学学报, 2009, 30(3): 5053.
(编辑赵勉)