基于機(jī)器學(xué)習(xí)的車輛沖撞威脅可能性評估方法研究

劉佳琦， 陳文靜

(中國人民公安大學(xué)信息網(wǎng)絡(luò)安全學(xué)院， 北京 100038)

0 引言

當(dāng)今世界恐怖主義、極端暴力襲擊事件頻發(fā)，給人民安全和社會(huì)穩(wěn)定帶來極大威脅。車輛沖撞是指襲擊者以車輛作為武器故意駕駛車輛撞向建筑物、人群或者其他目標(biāo)的行為。通過統(tǒng)計(jì)分析近15年全球恐怖主義數(shù)據(jù)庫(Global Terrorism Database，GTD)所收錄的恐怖主義事件，發(fā)現(xiàn)車輛沖撞事件數(shù)量呈現(xiàn)逐年上升趨勢。由于國內(nèi)對于爆炸物、槍支和刀具的嚴(yán)格管控，使得車輛成為恐怖分子和極端犯罪分子最容易獲得的武器，車輛沖撞已然成為國內(nèi)恐怖襲擊最主要威脅之一。對恐怖活動(dòng)的風(fēng)險(xiǎn)評估成為近年來國內(nèi)外研究的熱點(diǎn)問題。

風(fēng)險(xiǎn)評估流程在《風(fēng)險(xiǎn)管理原則與實(shí)施指南》(GB/T 24353—2009)中進(jìn)行了明確，風(fēng)險(xiǎn)評估包括風(fēng)險(xiǎn)識別、風(fēng)險(xiǎn)分析及風(fēng)險(xiǎn)評價(jià)3個(gè)重要步驟[1]。社會(huì)安全風(fēng)險(xiǎn)評估通常將風(fēng)險(xiǎn)分析分為襲擊發(fā)生可能性分析(敵手能力)、安防系統(tǒng)脆弱性分析及襲擊發(fā)生的后果分析3個(gè)部分，其中可能性評估是風(fēng)險(xiǎn)評估的重要組成部分，是對襲擊發(fā)生的可能程度進(jìn)行分析與評估，其評估結(jié)果對風(fēng)險(xiǎn)評估的結(jié)果有重要的影響，通過可能性評估，能夠準(zhǔn)確分析襲擊者的意圖和能力，也可以在進(jìn)行風(fēng)險(xiǎn)相關(guān)決策時(shí)為風(fēng)險(xiǎn)管理者提供參考依據(jù)。

隨著安全風(fēng)險(xiǎn)評估技術(shù)的不斷發(fā)展，威脅發(fā)生可能性評估已經(jīng)有了一套較為完整的流程。首先明確針對防護(hù)目標(biāo)的惡意威脅行為，收集相關(guān)數(shù)據(jù)信息、歷史案件資料，再建立可能性評估指標(biāo)體系，最后通過層次分析法、模糊綜合評價(jià)法、ANP等評估方法得到可能性分值。辛晶等應(yīng)用網(wǎng)絡(luò)層次分析法對石油化工設(shè)施安全進(jìn)行了風(fēng)險(xiǎn)評估[2]。王永寶等應(yīng)用風(fēng)險(xiǎn)矩陣對風(fēng)險(xiǎn)可能性進(jìn)行了分析[3]。盧耀健等基于模糊隨機(jī)方法對臺風(fēng)災(zāi)害模糊可能性進(jìn)行分析，最終得到臺風(fēng)災(zāi)害模糊風(fēng)險(xiǎn)評估模型[4]。王肖霞等引入廣義模糊數(shù)定量描述專家信息，先利用可能性分布統(tǒng)一表征信息，然后利用相似測度對可能性熵權(quán)進(jìn)行調(diào)整最后完成尾礦壩風(fēng)險(xiǎn)可能性評估[5]。可能性評估研究仍然存在一定局限性，首先風(fēng)險(xiǎn)評估評模型中的可能性評估指標(biāo)多為歷史事件、對手?jǐn)?shù)量、動(dòng)機(jī)等指標(biāo)，指標(biāo)數(shù)量較少覆蓋不夠全面，缺少科學(xué)和全面的可能性評估指標(biāo)體系研究，同時(shí)指標(biāo)分級標(biāo)準(zhǔn)不夠細(xì)致精準(zhǔn)，難以實(shí)現(xiàn)科學(xué)量化；其次評估方法多采用專家經(jīng)驗(yàn)法，過分強(qiáng)調(diào)專家主觀意愿，評估結(jié)果缺少客觀性，依賴專家經(jīng)驗(yàn)的評估方法同時(shí)存在評估結(jié)果不穩(wěn)定的問題。

綜上所述，恐怖襲擊成因錯(cuò)綜復(fù)雜，單純的定性或定量分析難以科學(xué)和全面地評估襲擊發(fā)生的可能性。基于此，本文提出了一種基于PSO- BP神經(jīng)網(wǎng)絡(luò)的車輛沖撞威脅可能性評估方法，首先收集2006～2020年間國內(nèi)外發(fā)生的車輛沖撞案例，在案例分析基礎(chǔ)上結(jié)合專家經(jīng)驗(yàn)建立車輛沖撞可能性指標(biāo)體系， 根據(jù)案例描述，結(jié)合專家經(jīng)驗(yàn)建立可能性評估指標(biāo)數(shù)據(jù)集，再利用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行反復(fù)學(xué)習(xí)和訓(xùn)練，實(shí)現(xiàn)可復(fù)用的車輛沖撞威脅可能性評估模型，通過實(shí)驗(yàn)分析，該模型可以科學(xué)、全面的對威脅發(fā)生可能性進(jìn)行評估。

1 可能性評估指標(biāo)體系及數(shù)據(jù)集構(gòu)建

為了科學(xué)、全面地構(gòu)建車輛沖撞可能性評估指標(biāo)體系，用更加真實(shí)、準(zhǔn)確的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到科學(xué)實(shí)用的可能性評估模型，本文構(gòu)建了針對車輛沖撞威脅案例集和可能性評估指標(biāo)數(shù)據(jù)集。

1.1 案例收集與分析

通過收集國內(nèi)外發(fā)生具有一定關(guān)注度的車輛沖撞案例，對案例進(jìn)行分析研究后發(fā)現(xiàn)，車輛沖撞事件除以政治、宗教等問題為動(dòng)機(jī)的恐怖事件外，還有很多以酗酒、吸毒、個(gè)人泄憤等為動(dòng)機(jī)的暴力事件，這些暴力事件后果嚴(yán)重，威脅人民安全和社會(huì)穩(wěn)定，同樣應(yīng)該引起重視。因此本文首先篩選GTD數(shù)據(jù)庫中2006～2020年的車輛沖撞數(shù)據(jù)，并以這些數(shù)據(jù)為基礎(chǔ)信息，擴(kuò)展收集各種官方公布信息、新聞媒體報(bào)道以及現(xiàn)場視頻資料等；又?jǐn)U展收集了2006～2020年間其他原因發(fā)生的各種汽車沖撞案例，建立了全面、準(zhǔn)確的車輛沖撞案例集，案例集包含車輛沖撞案例175個(gè)。

1.2 可能性評估指標(biāo)構(gòu)建

建立科學(xué)、全面且有針對性的指標(biāo)體系是可能性評估中至關(guān)重要的一部分，指標(biāo)體系的構(gòu)建決定了可能性評估模型的準(zhǔn)確度和合理性。傳統(tǒng)風(fēng)險(xiǎn)管理流程中可能性評估通常稱為威脅分析，威脅包括敵方的數(shù)量和類型、敵人作案手法、工具類型、運(yùn)用武器等。

通過對收集的車輛沖撞案例分析，發(fā)現(xiàn)車輛沖撞事件具有很高的關(guān)聯(lián)度。首先對事件發(fā)生的背景、經(jīng)過、人員、后果、影響等細(xì)節(jié)進(jìn)行挖掘與整理，從事件發(fā)生的可能性影響因素的角度出發(fā)分析影響事件發(fā)生可能性的共性因素，如當(dāng)車輛進(jìn)行安裝爆炸物等重度改裝，車輛沖撞襲擊發(fā)生的可能性會(huì)大幅度增加；人群高度密集的場所更容易發(fā)生車輛沖撞事件；車輛在大型附近或人群聚集場所附近出現(xiàn)如逆行、進(jìn)行道路行駛、反復(fù)出現(xiàn)在同一路段等車輛行駛異常行為時(shí)，車輛沖撞事件發(fā)生的可能性也隨之增加。

對車輛沖撞案例進(jìn)行高頻詞匯分析，同時(shí)參考人群密集高風(fēng)險(xiǎn)場所風(fēng)險(xiǎn)評估指標(biāo)體系，從“攻”與“防”角度出發(fā)對車輛沖撞事件的成因進(jìn)行分析，結(jié)合專家經(jīng)驗(yàn)，建立車輛沖撞威脅可能性評估指標(biāo)體系，得到兩個(gè)一級指標(biāo)，敵手能力和目標(biāo)吸引力。敵手能力包括：敵方的動(dòng)機(jī)、戰(zhàn)術(shù)、武器、能力等，用于描述敵手即發(fā)動(dòng)襲擊的可能性。目標(biāo)吸引力是指襲擊目標(biāo)自身的影響力，舉辦活動(dòng)的規(guī)模等，主要用于描述成為襲擊目標(biāo)的可能性。從敵手能力和目標(biāo)吸引力兩個(gè)一級指標(biāo)出發(fā)，共確定二級指標(biāo)16個(gè)。可能性指標(biāo)體系如表1所示。

表1 可能性指標(biāo)體系

1.3 指標(biāo)分級標(biāo)準(zhǔn)

根據(jù)風(fēng)險(xiǎn)管理原則與實(shí)施指南等相關(guān)國家標(biāo)準(zhǔn)，結(jié)合傳統(tǒng)風(fēng)險(xiǎn)評估方法和專家經(jīng)驗(yàn)，對各指標(biāo)進(jìn)行分級[6]。一級指標(biāo)敵手能力下確定4個(gè)二級指標(biāo)，一級指標(biāo)目標(biāo)吸引力下確定3個(gè)二級指標(biāo)。參考車輛碰撞試驗(yàn)等相關(guān)國內(nèi)外標(biāo)準(zhǔn)及車輛沖撞相關(guān)實(shí)驗(yàn)數(shù)據(jù)，確定每個(gè)指標(biāo)的分級標(biāo)準(zhǔn)，再根據(jù)車輛沖撞數(shù)據(jù)分布情況及車輛沖撞特點(diǎn)對分級標(biāo)準(zhǔn)進(jìn)行調(diào)整。各個(gè)指標(biāo)分級及其賦值標(biāo)準(zhǔn)見表2和表3。

表2 一級指標(biāo)敵手能力下二級指標(biāo)分級及賦值表

表3 一級指標(biāo)目標(biāo)吸引力下二級指標(biāo)分級及賦值表

1.4 數(shù)據(jù)集的構(gòu)建

依據(jù)輸入指標(biāo)分級及賦值表，對收集建立的案例集(詳見1.1)的每個(gè)案例的各項(xiàng)可能性評估指標(biāo)進(jìn)行賦值，得到車輛沖撞可能性評估指標(biāo)數(shù)據(jù)集。

在數(shù)據(jù)處理過程中發(fā)現(xiàn)，少數(shù)車輛沖撞事件對社會(huì)危害較小并未引起媒體的關(guān)注，導(dǎo)致這些事件相關(guān)信息缺失，個(gè)別指標(biāo)存在空缺值。為保證建立的數(shù)據(jù)集的嚴(yán)謹(jǐn)性和可靠性，對指標(biāo)數(shù)值空缺超過兩項(xiàng)的不完整數(shù)據(jù)進(jìn)行刪除，其余空缺值選用該指標(biāo)中位數(shù)填充處理。

機(jī)器學(xué)習(xí)過程中最重要的部分是對輸入數(shù)據(jù)的特征值進(jìn)行抓取，而目前國內(nèi)外發(fā)生的車輛沖撞事件并不能覆蓋此類事件發(fā)生的可能性的全部特征，需要進(jìn)行數(shù)據(jù)插補(bǔ)，補(bǔ)充極端情況指標(biāo)數(shù)據(jù)，包括各指標(biāo)的極高或極低等級以維持?jǐn)?shù)據(jù)特征完整性。

最終得到車輛沖撞事件威脅發(fā)生可能性評估指標(biāo)數(shù)據(jù)集，數(shù)據(jù)量為300條。車輛沖撞威脅發(fā)生可能性分值為數(shù)據(jù)標(biāo)簽。

1.5 數(shù)據(jù)集的擴(kuò)展

蒙特卡洛方法(Monte Carlo)是一種基于概率論的隨機(jī)抽樣方法，可以實(shí)現(xiàn)對小樣本數(shù)據(jù)擴(kuò)充。蒙特卡洛方法的思想起源于18世紀(jì)Buffon投針實(shí)驗(yàn)，實(shí)驗(yàn)創(chuàng)造了用隨機(jī)模擬估計(jì)預(yù)測量的新方法[8]。ChenGang等人2019年利用蒙特卡洛方法構(gòu)造虛擬樣本補(bǔ)充到數(shù)據(jù)集中，解決了因樣本數(shù)量不足導(dǎo)致結(jié)構(gòu)件壽命預(yù)測準(zhǔn)確率低的問題[9]。

蒙特卡洛方法在進(jìn)行大量隨機(jī)模擬實(shí)驗(yàn)后通過隨機(jī)抽樣得到滿足變量分布的虛擬樣本，最后將這些虛擬樣本加入到原始數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)集擴(kuò)充。直接采樣、接受拒絕采樣與重要性采樣是最常見的3種蒙特卡洛采樣方法[10]。本文選取接受拒絕采樣方法，拒絕采樣適用于原分布式未知的情況，同時(shí)數(shù)據(jù)的維數(shù)不會(huì)影響蒙特卡洛方法的復(fù)雜性，因此這一方法適合解決車輛沖撞威脅可能性評估數(shù)據(jù)擴(kuò)充問題。使用蒙特卡洛方法將可能性數(shù)據(jù)集擴(kuò)充后從中選取900條數(shù)據(jù)用于后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

2 基于BP神經(jīng)網(wǎng)絡(luò)的評估模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是Rumelhart和McClelland等科學(xué)家于1986年提出的一種深度學(xué)習(xí)算法[11], BP神經(jīng)網(wǎng)絡(luò)模型通過建立機(jī)器的多隱含層模型并使用大量數(shù)據(jù)進(jìn)行訓(xùn)練來學(xué)習(xí)有用的特征，從而達(dá)到提高分類、預(yù)測的準(zhǔn)確性的目的。BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，其核心是利用誤差不斷修正權(quán)值和閾值。BP神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)，輸入層、隱含層、輸出層，每一層都由一定數(shù)量的神經(jīng)元(節(jié)點(diǎn))組成，每一個(gè)神經(jīng)元以其自身的拓?fù)浣Y(jié)構(gòu)進(jìn)行運(yùn)算，共同完成整個(gè)神經(jīng)網(wǎng)絡(luò)的計(jì)算，神經(jīng)元拓?fù)浣Y(jié)構(gòu)如圖1所示。xi為神經(jīng)元輸入，ωi為連接權(quán)值，選取最便捷的線性加權(quán)求和可得神經(jīng)元凈輸入Netin為:

圖1 神經(jīng)元拓?fù)鋱D

(1)

θi表示該神經(jīng)元的閾值,f為激活函數(shù)，此時(shí)可以得到神經(jīng)元輸出：

yi=f(Netin-θi)

(2)

BP神經(jīng)網(wǎng)絡(luò)整個(gè)算法流程包括兩個(gè)部分，第一個(gè)部分是信號經(jīng)過輸入層、隱含層、輸出層向前傳播，第二部分是誤差反向傳播，在這一部分使用梯度下降法來更新參數(shù)，誤差經(jīng)過輸出層、隱含層、輸入層不斷反向傳播，依次修正各層之間的權(quán)重和偏置，最終使得預(yù)測的輸出不斷逼近期望輸出，達(dá)到所期望的目標(biāo)精度。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

車輛沖撞威脅可能性評估數(shù)據(jù)為整數(shù)型數(shù)據(jù)，兩個(gè)整數(shù)之間的關(guān)系實(shí)際意義不大，這些無價(jià)值的信息會(huì)給機(jī)器學(xué)習(xí)模型帶來信息干擾。為了解決上述問題，在機(jī)器學(xué)習(xí)模型建立前對數(shù)據(jù)進(jìn)行獨(dú)熱編碼(One-Hot Encoding)處理，使可能性評估模型變成多分類模型。

獨(dú)熱編碼又被稱為one-hot編碼或一位有效編碼，可以用于解決多分類問題。獨(dú)熱編碼利用狀態(tài)寄存器對每一種狀態(tài)進(jìn)行編碼，每一個(gè)狀態(tài)都有自己的寄存器，因此只有一位寄存器出于有效狀態(tài)。獨(dú)熱編碼方式是一種易于實(shí)現(xiàn)的編碼方式，其在處理非連續(xù)數(shù)據(jù)時(shí)具有很大優(yōu)勢，獨(dú)熱編碼不需要解碼器就可以實(shí)現(xiàn)，此外一定程度上實(shí)現(xiàn)了特征擴(kuò)充[12]。車輛沖撞威脅可能性評估的數(shù)據(jù)為等級數(shù)值，是不連續(xù)的整數(shù)，因適合使用獨(dú)熱編碼方式進(jìn)行編碼。

神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性、收斂速度、預(yù)測精準(zhǔn)度都依賴于訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)主要包括網(wǎng)絡(luò)層數(shù)和各層的神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)及其參數(shù)設(shè)置如下。

(1)輸入層

輸入層為的輸入數(shù)據(jù)為對手?jǐn)?shù)目、對手是否有犯罪前科、場館舉辦活動(dòng)規(guī)模等7個(gè)可能性評估指標(biāo)的分值，輸入層有7個(gè)變量，其節(jié)點(diǎn)數(shù)為7。

(2)隱含層

對于隱藏層的設(shè)定，需要考慮隱藏層的層數(shù)和各層神經(jīng)元的個(gè)數(shù)這兩個(gè)重要的內(nèi)容。隱含層的層數(shù)越多模型越復(fù)雜，越適用于解決復(fù)雜問題。車輛沖撞威脅可能性分析模型復(fù)雜程度不高，但其數(shù)據(jù)特征不夠明顯，特征提取存在一定難度。在實(shí)驗(yàn)過程中首先將隱含層設(shè)置為一層，在嘗試變換隱含層節(jié)點(diǎn)數(shù)后測試集準(zhǔn)確度始終不能達(dá)到40%。當(dāng)隱含層增加到兩層，準(zhǔn)確大幅提升。經(jīng)過實(shí)驗(yàn)最后確定隱含層數(shù)為兩層。進(jìn)行多次的測試與驗(yàn)證，綜合數(shù)據(jù)集與大型場館可能性評估的實(shí)際情況，得到最優(yōu)隱含層設(shè)置為隱含層第一層為20個(gè)節(jié)點(diǎn)，隱含層第二層為10個(gè)節(jié)點(diǎn)，此時(shí)訓(xùn)練速度和精度都達(dá)到了最優(yōu)狀態(tài)。

(3)輸出層

輸出層的輸出數(shù)據(jù)為大型場館發(fā)生車輛沖撞事件的可能性，數(shù)值分為1～5個(gè)整數(shù)數(shù)字，代表可能性的5個(gè)等級。輸出數(shù)據(jù)只有可能性這一個(gè)變量，基于獨(dú)熱偏碼方式輸出層節(jié)點(diǎn)數(shù)量設(shè)為5。

(4)參數(shù)設(shè)置

除上述參數(shù)外，迭代次數(shù)、學(xué)習(xí)率、以及誤差的計(jì)算等BP神經(jīng)網(wǎng)絡(luò)參數(shù)需要設(shè)置。經(jīng)過系列實(shí)驗(yàn)最終確定迭代次數(shù)設(shè)置為10 000，學(xué)習(xí)率設(shè)置為0.02，克服了梯度消失的問題，加快了訓(xùn)練速度。選用均方根誤差(MSE)進(jìn)行誤差的計(jì)算。其公式如公式(3)，其中yi為真實(shí)值i為預(yù)測值。

(3)

使用Python3.8、TensorFlow2.0完成BP神經(jīng)網(wǎng)絡(luò)構(gòu)建。分割上文所構(gòu)建的數(shù)據(jù)集，80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

綜上，最終確定車輛沖撞威脅可能性評估的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

2.3 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果分析

模型準(zhǔn)確率曲線如圖所示如下圖3所示，可以看出在5 000次迭代時(shí)得到相對最好的效果。最終的準(zhǔn)確度為60%。

圖3 BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度曲線

3 基于PSO- BP神經(jīng)網(wǎng)絡(luò)的評估模型構(gòu)建

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用在各個(gè)領(lǐng)域，是成熟的研究方法，但在應(yīng)用車輛沖撞威脅可能性評估問題上時(shí)容易陷入局部最優(yōu)解，此外BP神經(jīng)網(wǎng)絡(luò)過度依賴初始方案和初始參數(shù)。為更好建立大型場館面向車輛沖撞的可能性評估模型，本文使用了粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，解決了模型容易陷入局部最優(yōu)解的問題，大幅提高了模型準(zhǔn)確度。

3.1 粒子群優(yōu)化算法

群智能(Swarm Intelligence)方法靈感源自觀察自然界中蟻群、蜜蜂群、鳥類以及魚類等生物群體的行為機(jī)制[13]。大量個(gè)體想要完成復(fù)雜的任務(wù)需要相互配合，每個(gè)較大的生物群體有自己的相互協(xié)作方式，群智能算法是模仿這樣的行為的算法。群智能算法中較為典型的算法有蟻群算法和粒子群優(yōu)化算法等。群智能優(yōu)化算法中引入了隨機(jī)數(shù)和隨機(jī)初始化，相比于其他優(yōu)化算法群智能優(yōu)化算法對初始方案的依賴程度較低，可以用于處理各種復(fù)雜問題，應(yīng)用領(lǐng)域十分廣泛，漸漸成為主流優(yōu)化技術(shù),在數(shù)據(jù)挖掘、計(jì)算智能、工業(yè)應(yīng)用、生物、經(jīng)濟(jì)等領(lǐng)域都有重要的應(yīng)用[14]。

(4)

(5)

BP對于初始權(quán)重的設(shè)置是隨機(jī)的，初始權(quán)重直接影響模型的預(yù)測效果。PSO- BP神經(jīng)網(wǎng)絡(luò)使用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，把BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度作為粒子群算法的優(yōu)化目標(biāo)，尋找使得預(yù)測效果達(dá)到最佳的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)重，從而得到最優(yōu)預(yù)測模型。PSO- BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖4所示。

圖4 PSO- BP流程圖

3.2 PSO- BP模型構(gòu)建

構(gòu)建PSO- BP神經(jīng)網(wǎng)絡(luò)模型需要對PSO算法進(jìn)行設(shè)定，在PSO算法中種群規(guī)模是一個(gè)非常重要的參數(shù)，種群中所包含的粒子數(shù)決定了網(wǎng)絡(luò)的復(fù)雜程度，不但影響了模型的收斂速度更影響了模型預(yù)測的準(zhǔn)確度，粒子數(shù)過少可能會(huì)導(dǎo)致找不到最優(yōu)解，粒子數(shù)過大又會(huì)使計(jì)算時(shí)間過長，結(jié)合實(shí)踐經(jīng)驗(yàn)及本論文所研究問題的特征，設(shè)置粒子個(gè)數(shù)為3。粒子矩陣形狀設(shè)置為3×20×20。學(xué)習(xí)因子設(shè)置為0.02，慣性權(quán)重均設(shè)置為0.8。

使用Python3.8、TensorFlow2.0完成PSO- BP神經(jīng)網(wǎng)絡(luò)構(gòu)建，將上文所構(gòu)建的數(shù)據(jù)集進(jìn)行分割，80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，作為輸入數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，再對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理后開始模型的訓(xùn)練、預(yù)測及效果評估。

3.3 PSO- BP模型結(jié)果分析

模型誤曲線如圖5所示，可以看出隨著迭代次數(shù)的增加誤差下降的非常快，在8 000次迭代后誤差變化幅度減小，在10 000次迭代時(shí)得到最好的效果。使用PSO- BP算法避免了陷入局部最優(yōu)解情況發(fā)生，獲得擬合區(qū)間，模型能快速抓取到車輛沖撞威脅可能性評估數(shù)據(jù)集的特征。圖6為模型訓(xùn)練準(zhǔn)確度的變化曲線，模型經(jīng)過10 000次迭代后得到最終的準(zhǔn)確度78.8%。模型訓(xùn)練耗時(shí)短收斂快，不會(huì)陷入局部最優(yōu)解，誤差小準(zhǔn)確度高。未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為60%，PSO- BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度更高，效果更穩(wěn)定，對于車輛沖撞事件可能性評估有更好的預(yù)測效果。

圖5 PSO- BP誤差曲線

圖6 PSO- BP準(zhǔn)確度曲線

為驗(yàn)證本文提出的PSO- BP神經(jīng)網(wǎng)絡(luò)模型的有效性及可用性，額外選取遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)(GA- BP)模型和基于sklearn的決策樹模型同前文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型和PSO- BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比實(shí)驗(yàn)，結(jié)果如表4所示。經(jīng)對比，PSO- BP神經(jīng)網(wǎng)絡(luò)模型的測試集準(zhǔn)確度明顯優(yōu)于其他3種模型。PSO- BP神經(jīng)網(wǎng)絡(luò)能很好地處理多分類問題，適合用來解決面向車輛沖撞威脅的可能性評估。

表4 模型準(zhǔn)確度對比表

3.4 指標(biāo)權(quán)重獲取

根據(jù)PSO- BP神經(jīng)網(wǎng)絡(luò)模型反推指標(biāo)體系中各指標(biāo)權(quán)重，權(quán)重雷達(dá)圖如圖7所示，三級指標(biāo)權(quán)重排列表如表5所示。從其排列可知在車輛沖撞威脅發(fā)生可能性指標(biāo)體系中人群密集程度和場所知名程度權(quán)重顯著大于其他指標(biāo)，指標(biāo)權(quán)重符合車輛沖撞威脅可能性評估的客觀事實(shí)，符合專家預(yù)期。因此，當(dāng)人群密集程度顯著增大時(shí)應(yīng)及時(shí)增加巡邏守衛(wèi)力量。知名度較高的場所應(yīng)注意人車分流同時(shí)完善報(bào)警系統(tǒng)，避免車輛沖撞事件的發(fā)生，將損失降到最低。

圖7 指標(biāo)權(quán)重雷達(dá)圖

表5 三級指標(biāo)權(quán)重排列表

4 結(jié)論

針對傳統(tǒng)評估方法缺少客觀性評估的問題，構(gòu)建了基于深度學(xué)習(xí)的車輛沖撞威脅可能性評估模型，解決了傳統(tǒng)可能性評估方法缺少定量客觀性評估的問題。首先對國內(nèi)外近15年間引起媒體廣泛關(guān)注的車輛沖撞事件進(jìn)行分析與整理，形成車輛沖撞案例集，建立車輛沖撞威脅可能性評估指標(biāo)體系，構(gòu)建車輛沖撞威脅可能性評估指標(biāo)數(shù)據(jù)集；其次，使用蒙特卡洛方法對數(shù)據(jù)進(jìn)行擴(kuò)充；然后，在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上引入粒子群優(yōu)化算法，并進(jìn)行對比實(shí)驗(yàn)。結(jié)果表明，本文提出的方法在性能上提高了18.8個(gè)百分點(diǎn)，并得到7個(gè)三級指標(biāo)的對應(yīng)權(quán)重，所得權(quán)重符合車輛沖撞威脅可能性評估客觀事實(shí)。實(shí)驗(yàn)結(jié)果表明本文所提方法具有較高的準(zhǔn)確性和算法穩(wěn)定性。

提出的基于深度學(xué)習(xí)的車輛沖撞威脅可能性評估模型目前只能實(shí)現(xiàn)對威脅發(fā)生可能性進(jìn)行靜態(tài)評估，下一步將考慮擴(kuò)展指標(biāo)體系并結(jié)合公安情報(bào)數(shù)據(jù)，對威脅發(fā)生可能性進(jìn)行動(dòng)態(tài)評估研究。