基于BP神经网络的管道投资风险评价模型研究

钟 仕 林

(四川蜀渝石油建筑安装工程有限责任公司，四川 成都 610017)

基于BP神经网络的管道投资风险评价模型研究

钟 仕 林

(四川蜀渝石油建筑安装工程有限责任公司，四川 成都 610017)

在分析油气管道项目风险因素的基础上，建立了油气管道投资项目风险评估指标体系，并对层次分析法进行了改进，利用改进的模糊层次分析法确定了风险指标权重，建立了风险等级评语集，定量评估了项目风险。

油气管道，投资风险，BP神经网络，模糊综合评价

0 引言

由于长距离管道运输业有良好的发展前景，使管道建设领域存在投资过热、决策失误、重复建设、资源浪费、效益不明显等现象。鉴于管道项目的快速发展势头，项目前期投资决策的重要性和我国管道投资建设的现状，对管道项目投资风险加以识别、分析和控制己成为一项迫切的任务。

基于改进AHP法的油气管道项目投资风险模糊综合评价模型[1]，缺乏自学习能力，不具备利用新增信息自动调整权重分配的功能。当模型中增加新的样本数据时，不具备利用原有知识和新增样本数据对权重进行调整的功能。使用人工神经网络方法可以很好地解决上述问题。

1 人工神经网络理论概述

人工神经网络(Artificial Neural Network-ANN)是一门崭新的信息处理科学。1943年，W.S.Moculloch首次提出神经元模型，至今，人们对人工神经网络进行了广泛的研究，取得了大量的研究成果。

由于人工神经网络具有很大的优势，在项目风险管理中得到了广泛的应用。人工神经网络模型众多，在这些模型中，应用最为广泛的当属BP神经网络模型，因此本文采用BP神经网络进行风险评价。

2 BP神经网络基本原理

BP(Back Propagation)[2,3]网络是一种按误差逆传播算法进行训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和减小，直到网络的训练误差达到目标精度。

3 BP神经网络风险评价模型

本文建立基于BP神经网络的油气管道项目投资风险评价模型，需要解决以几个方面的问题：

1)样本数据问题。

BP网络获得非线性处理能力须通过网络的自学习过程，如何取得高质量的评价数据是难点。

2)网络结构的设计问题。

网络层数，各层单元数的选取。

3)训练函数的选择问题。

学习收敛速度太慢，即使比较简单的问题，有时也需几百次甚至上千次的学习才能收敛，选用训练函数就很关键。

3.1 获取网络训练样本

尽管BP神经网络具有复杂的非线性处理能力，但是要获得这种的能力必须通过BP神经网络的自学习过程来实现。如何取得高质量的分布均匀的评价样本数据是建立BP神经网络的难点，而采用基于改进AHP的模糊综合评价模型可以很好的解决这个问题。

首先采用油气管道项目投资风险评价指标体系，利用基于改进AHP的模糊综合评价模型，通过专家访问，问卷调查等方式对一些具有代表性的项目进行评价，取得8个样本。

3.2 BP网络结构设计

大量研究表明：确定合理的网络结构(网络的输入层、隐含层、输出层层数及各层单元个数)，是成功应用BP神经网络模型的关键。因此本文对BP神经网络结构进行详细分析。

1)确定网络的层数。

G.Cybenyo等人已经证明，具有一个隐含层的神经网络能够以任意精度表示任何连续函数。因此，本文建立的网络模型包含一个隐含层，网络结构即为典型的3层BP神经网络。

2)确定网络输入层、输出层单元数。

输入层单元个数与建立的油气管道项目投资风险评价指标的个数对应，根据油气管道项目投资风险评价指标体系[1]，指标层总共包含32个风险因素，因此，网络输入层单元个数为32个。输出层单元个数与模糊综合评价结果对应，5.3.5中模糊综合评价结果H1×5中包含5个数据，因此输出层单元数为5个。

3)确定网络隐含层单元数。

迄今为止，隐含层单元数的选择仍然是一个非常复杂的问题，要精确计算隐含层所需要的神经元个数，目前在理论上还没有完全解决这个问题。隐含层单元数与输入层、输出层单元个数有关系。实际应用中，通常是参考下面两个经验公式确定隐含层单元数[4,5]。

(1)

(2)

式中：m——输出神经元个数；n——输入神经元个数；a——1～10间的常数。

本文将设计不同隐含层单元数的网络进行对比训练，最后选取性能最好时的隐含层单元个数来构建BP神经网络结构，建立油气管道项目投资风险评价模型。

设网络误差目标精度为1e-5，采用Levenberg-Marquardt优化算法对网络进行训练，网络整体误差小于目标精度时，网络停止训练。经过比较分析，可得出以下结论：

a.随着隐含层节点个数的增加，网络训练的次数逐渐减少，

当隐含层节点个数增加到10以上时，训练次数趋于稳定；

b.当隐含层节点数增加时，网络训练时间逐渐延长，尤其当节点个数超过60时；

c.当隐含层节点个数为10～15个时，网络性能最好，因此本文选择32×10×5的网络结构。

3.3 训练函数的选择

选择32×10×5的网络结构，设定最大训练次数epochs=100 000，精度要求goal=1.0e-4，对比分析各种训练方法的优劣，如表1所示。

表1 选用不同训练函数时参数变化情况

由表1可得，选用trainlm进行训练时，网络所需的时间和迭代次数最优。

3.4 模型训练和仿真

经过比较分析，选用32×10×5网络结构，选用trainlm函数对网络进行训练，针对油气管道项目投资风险评价的问题，在确定了网络的结构之后，将样本1～6作为训练样本训练网络，用样本7，8作为检验样本对网络进行检测。样本检测结果与专家评价结果误差很小，满足目标精度要求。

4 结语

本文采用改进的AHP法，利用建立起油气管道项目投资风险模糊综合评价模型。利用神经网络的优点，建立起BP神经网络风险评价模型。本模型主要针对网络层数，隐含层节点数，网络训练函数三个参数的选择进行研究，经过实验对比分析，建立了32×10×5的3层BP网络结构，采用trainlm函数，对网络进行训练和检测，得到了满意的结论。

[1] 钟仕林，张 鹏.油气管道风险指标体系及模糊综合评价模型[J].山西建筑，2008，34(36)：236-237.

[2] 葛哲学，孙志强.神经网络理论与MATLABR2007实现[M].北京：电子工业出版社，2007：4-5.

[3] 楼天顺，施 阳.基于MATLAB系统分析与设计[M].西安：西安电子科技大学出版社，1999：9-10.

[4] 陈立文.项目投资风险分析理论与方法[M].北京：机械工业出版社，2004：172.

[5] 飞思科技产品研发中心.神经网络理论与MATLAB2007实现[M].北京：电子工业出版社，2005：103.

Risk assessment model of pipeline investment based on BP neural network

Zhong Shilin

(SichuanShuyuPetroleumConstruction&InstallationEngineeringCo.,Ltd,Chengdu610017,China)

On the basis of analyzing oil-gas pipeline project risk factors, the thesis establishes oil-gas pipeline investment project risk evaluation index system, improves analytical hierarchy process, determines risk index weight through applying improved fuzzy comprehensive hierarchy analysis method, establishes risk grade evaluating group, and quantitatively evaluates the project risks.

oil-gas pipeline, investment risk, BP neural network, fuzzy comprehensive evaluation

1009-6825(2017)02-0251-02

2016-11-02

钟仕林(1983- )，男，硕士，工程师

TU712

A