基于KNN算法的公路施工风险判别

杨延新

(聊城市公路工程总公司，山东 聊城 252000)

随着我国基础建设的规模迅速扩大，施工安全事故常有发生。据统计，自2007年起截至2017年上半年，全国共发生6 371起建筑施工安全事故，造成7 804人死亡，给建筑行业以及人民群众的生命财产带来了巨大损失的同时，也不利于社会的和谐稳定发展。因此，基础建设施工过程中的安全管理是一项极其重要的工作，是施工管理中的头号工作和高压线。安全管理的核心在于对事故的预防，而预防的核心在于对事故的风险源有着准确的认识和判定，从而采取有效防御措施。本文正是在这一背景下，采用KNN算法，对公路施工过程中的风险进行准确的定量判别，从而为事故的预防提供参考。

1 KNN算法

KNN算法，即K最近邻算法(K-Nearest Neighbor)，是一种机器学习算法，既可以用于分类，也可以用于回归。KNN算法用于分类的基本思想是：

对于n维空间中的集合X中的一个对象x，以ar(x)表示它的第r个属性，以d(xi,xj)表示对象xi与对象xj之间的距离，则：

(1)

对于侍分类对象xp，首先根据公式(1)计算xp与集合X中所有对象的距离，取出距离最小的K个元素，统计这K个元素中，隶属于哪个类别的元素最多，则将xp也分入此类。

根据KNN算法的基本思想可知，该算法执行过程中，最关键的三个因素是：K值的选择，距离的计算以及分类决策规则。在实际工作中，K值的选择可通过交叉验证来进行优化，距离的计算在欧氏距离的基础上，也可以采用其它距离计算方式，而在分类决策规则的设置上，则可以采用平权法或其他权重设置规则来调配。

2 数据的处理

KNN的计算依赖前期样本数据，且样本数据应包含属性和标签，在前期数据的处理过程中，可以使用Python及其相应的库。在KNN的数据处理中，需要使用到的Python库包括Numpy和Matplotlib。KNN所使用的基础样本数据包括两部分内容，一是对象元素的属性，二是对象元素的标签(即标注对象元素所属的类别)，其形式如表1所示。

表1 样本数据形式

由于不同属性的量纲不同，因此各属性的绝对数量差距较大，在距离的计算中造成不同的影响，为统一不同量纲下的属性数据，首先要对数据进行归一化处理，归一化处理是指将数据归化至[0，1]范围内，使数据成为无量纲的标量，采用公式(2)对样本数据进行归一化处理。

(2)

在Numpy中根据公式(2)即可将样本数据进行归一化处理，归一化处理完毕后，即可将样本数据利用Numpy的读入文件功能将归一化处理完毕的样本数据读入到系统中。读入完毕后可用Matplotlib的绘图功能对数据进行可视化。

3 模型计算

本研究的KNN模型计算和执行也是在Python环境中实现，主要用到的库是Scikit-learn，Scikit-learn是Python的一个用于机器学习的库，它能够完成分类、回归、聚类、降维等多种机器学习的计算和处理。当在Python中引入Scikit-learn后，首先要对基础样本数据进行剖分，以70%的数据作为训练数据，以30%的数据作为检测数据，当检测数据得到的检测结果精度合格时，即可对待分类数据进行分类以得到风险的等级判别。

Scikit-learn实现KNN分类的函数是KNeighborsClassifier，该函数几个重要的参数分别是：n_neighbors，此参数就是KNN算法中的K，默认值为5；weights是在进行分类判断时给最近邻附上的权重，默认值‘uniform’是等权加权，可选的‘distance’选项是按照距离的倒数进行加权；algorithm是分类时采取的算法，根据样本量的大小和特征的维度数量，不同的算法有各自的优势。默认值‘auto’选项会在学习时自动选择最合适的算法，所以一般来讲选择‘auto’即可。在Python中调用KNeighborsClassifier的主要代码命令如下：

from sklearn import neighbors

knn = neighbors.KNeighborsClassifier() #取得knn分类器

data = np.array([[12，800，……],[6，6700],……,[7,6200]])

labels = np.array([1,1,1,2,2,2])

knn.fit(data,labels)

print(knn.predict([18，120，……]))

score = clf.score(xy_test_normalized, labels_test)

算法执行的结果如图1所示。

图1 风险分类统计图

由图1可见，算法实现了风险等级的分类，分类结果能够作为风险预防与救援处理的决策参考，使风险处理更具科学性，减少决策的时间损耗。

4 结论与展望

KNN算法是一种优秀易用的分类算法，能够较好的对分类对象进行精确的分类，采用Python作为工具来计算后，解决了KNN算法计算量偏大弱点，使KNN算法能够很好的应用在公路施工风险的判别中，利用这种方法对公路施工风险进行准确的定量判别后，能为施工安全管理提供有效帮助。同时，KNN算法精准度的进一步提高有赖于更好的K值选择以及判定准则中权重的设置，这需要大量的基础资料作为参考，在后期的工作中，可以从这一方面入手进行算法的进一步优化，以更好地实现公路施工风险的判别。