基于神经网络的城市脆弱性模型初探

贾枝润 王若菌

【摘 要】脆弱性与城市安全关系密切，分析影响城市脆弱性的各类因素。提出运用聚类分析法提炼城市脆弱性指标，建立基于神经网络的城市脆弱性模型，为城市脆弱性评估提供理论依据。

【关键词】聚类分析;脆弱性;神经网络

A study of urban vulnerability model based on Neural Network

JIA Zhirun，WANG Ruojun

（School of Safety Engineering， Shenyang Aerospace University， Shenyang， 110136）

Abstract：Vulnerability is closely related to urban security， and various factors affecting urban vulnerability are analyzed. In order to provide a theoretical basis for urban vulnerability assessment， the paper proposes to use cluster analysis to extract urban vulnerability index and establish a neural network based urban vulnerability model.

Key words ：Cluster analysis，Vulnerability，Neural network

引言

随着社会文化进步，世界各国对城市安全越来越重视。但是城市作为典型的复杂巨系统，新的安全问题不断涌现。我国2018年1月，印发的《关于推进城市安全发展的意见》旨在指导与提升我国城市安全发展水平。国际公认，重大事故风险为危害暴露程度和系统脆弱性的函数。脆弱性与城市安全关系密切，大量学者进行了城市脆弱性研究，王松华进行了城市脆弱性综合评价体系建构研究，王岩进行了城市脆弱性研究，张晓瑞进行了城市脆弱性的综合测度研究，刘继生进行了辽源市社会系统的脆弱性及其规避措施的研究，刘毅发表了基于DEA模型的我国自然灾害区域脆弱性评价。学者们大多从经济、生态、社会等单一视角进行论证，有必要在现有城市脆弱性相关研究的基础上，從综合视角对城市系统脆弱性进行系统研究，对城市脆弱性量化方法做进一步的综合评价研究。本文在查阅大量国内外文献的基础上，分析影响城市脆弱性的因素，同时考虑评估的目标和指标统计数据的可赋值性来确定指标，建立基于神经网络的城市脆弱性模型，以期深化城市脆弱性评估研究，为实现城市安全发展提供科学依据。

1聚类分析模型的建立与求解

脆弱性是一个多维度、多层次的模型体系，有不同的表现形式。城市脆弱性是由于人类社会各个系统（承灾体）对某种灾害或者突发事件发生时的暴露程度、敏感程度、易损程度、应对能力以及缺乏应对能力从而使系统的结构和功能发生改变的一种属性。因此，评价城市脆弱性可以从这几方面整理相关影响因素进行深入分析，同时兼顾评估的目标和指标统计数据的可赋值性。结合我国实际情况，选择主要的影响城市脆弱性的因素：人口密度、老龄人口比例、人均占有社会资源量、失业率、恩格尔系数、物价指数、自然灾害强度、自然灾害次数、安全生产百万工时死亡率、万车死亡率、社会安全事件发生率、公共卫生事件发生率、三废产生总量。其中，某些指标间存在较强的相关性，构建聚类分析模型进行分析，建立相关系数矩阵。

对每个指标进行标准化处理，变量间的相近性度量采用相关系数，类与类之间的相近性度量采用离差平均和，聚类树形图如下图1所示。

从聚类图中可以看出，某些指标之间具有较大的相关性，最先被聚到一起，所以我们可以用其中一个指标来替代另外一些指标，这样就从多个指标中选出来部分分析指标。它们是评价指标为人口密度、老龄人口比例、恩格尔系数、自然灾害强度、安全生产百万工时死亡率、万车死亡率、社会安全事件发生率、公共卫生事件发生率、“三废”总量，进而利用这些指标构建城市脆弱性神经网络模型。

2城市脆弱性神经网络模型建立

2.1模型假设

（1）输入层不计在层数之内。

（2）设层与层之间的神经元都有信息交换，但同一层的神经元之间无信息交换。

（3）设信息的传输方向是从输入层到输出层方向。

2.2模型的建立与求解

BP算法属于δ学习律，计算中的激发函数f（x）必须可导，采用Simoid函数做为激发函数：

一个三层的BP神经网络模型可以拟合任意一个非线性映射。确定任务定价方案模型为三层网络模型，该模型有三部分组成：输入层，隐含层和输出层。

对输入层节点数进行确认，神经网络模型的输入层是起缓冲存储器的作用，把数据源加到网络模型上，其节点数目取决于数据源的维数，即这些节点能够代表每个数据源。

确定隐含层的神经元数目，网络的隐含层为一层，隐含层神经元个数表达了网络输入与输出之间的非线性程度，对神经网络模型的训练速度和预报能力有重要的作用，隐含层神经元的个数少，不能满足精度需要，隐含层神经元的个数多则影响训练速度依靠经验公式对神经元数目进行选取：

选择最大输入节点数时，最大为2，因此，编程时可选取为2，本模型仿真试验时使用隐含层节点数为2个，并在使用学习过程中，可以采用自适应方法进行调整。输出层神经元数目取决于神经网络模型的输出变量。本模型的输出变量为城市脆弱性评分。因此，输出层神经元数目为1，编程时取2。确定学习速率，冲量系数，系统误差，样本误差，训练次数，最大样本数等。学习速率决定着权职改变的幅度值。值越大，权值改变的越剧烈，也可能引起系统误差震荡，所以应在不导致系统误差震荡的情况下尽可能取大些，一般学习速率，与迭代次数呈明显的规律。通常越大跌代次数越少。本模型初选，学习过程中采用自适应方法进行调整。冲量系数的加入可以在一定程度上抑制震荡，避免系统误差突升突降情况的发生，相当于对权空间中误差曲面的高次分量的滤波，在当前全值修正量加入前次修正量的影响，相当于使用了误差修正的惯性。系统最大误差，为单个样本最大误差，网络训练时如果要求每个样本都达到最大误差以下，训练时间就会相当长，模型实际训练时只采用系统最大误差。9690B240-422A-49BF-8E87-D916C614A1FC

为网络训练时系统误差，其表达式为：

时，达到训练要求，越小，网络模型越精确，但训练时间越长，取。为最大训练次数，主要考虑一次训练时间不能过长，取。 为样本集中最大样本数，根据经验，训练样本集中样本不少于180时，网络可以稳定，编程时取最大样本数为220模型时实际训练时取180。

归一化处理时，Sigmoid函数值在（0，1）之间 故模型输入输出值都应在（0，1）之间，另一方面，對于样本对中输入向量中。输入参数的单位不同绝对差值大必须进行归一化处理本模型采用下式处理：

X（p，i）-训练样本值;

Xact（p，i）-样本实际值;

Xmin-训练样本集中节点的最小值;

Xmax-训练样本集中节点的最大值。

神经网络的学习过程实际上就是通过对训练样本的学习。神经网络模型在对训练样本进行学习时要求有一定数量的样本个数。如果训练样本数量较少，而且训练样本自身存在的误差较大，则在学习样本的过程中神经网络模型将是不收敛的或不能拟合。将利用神经网络模型探究所得到的城市脆弱性等级。

3结束语

（1）提出运用聚类分析方法，筛选了影响城市脆弱性的关键因素，人口密度、老龄人口比例、恩格尔系数、自然灾害强度、安全生产百万工时死亡率、万车死亡率、社会安全事件发生率、公共卫生事件发生率、“三废”总量。

（2）提出基于神经网络的城市脆弱性预测模型，为城市脆弱性评估提供理论依据。

参考文献

[1] 中华人民共和国中央人民政府.中共中央办公厅 国务院办公厅关于推进城市安全发展的意见，2018.

[2] 王松华，赵玲.城市脆弱性综合评价体系建构研究[J].苏州大学学报，2014 （5）：30-37.

[3] 王岩，方创琳，张蔷.城市脆弱性研究评述与展望[J].地理科学进展，2013，32（5）：755-768.

[4]张晓瑞，李涛，方创琳，等.城市脆弱性的综合测度研究[J].地理与地理信息科学，2016，32（2）：89-93.

[5] 刘继生，那伟，房艳刚.辽源市社会系统的脆弱性及其规避措施[J].经济地理，2010，30（6）：944-948.

[6]刘毅，黄建毅，马丽.基于DEA模型的我国自然灾害区域脆弱性评价[J].地理研究，2010，29（7）：1153-1162.

本文系沈阳航空航大学创新训练项目，项目编号110418013。9690B240-422A-49BF-8E87-D916C614A1FC