基于KNN算法的公路施工風(fēng)險(xiǎn)判別

楊延新

(聊城市公路工程總公司，山東 聊城 252000)

隨著我國(guó)基礎(chǔ)建設(shè)的規(guī)模迅速擴(kuò)大，施工安全事故常有發(fā)生。據(jù)統(tǒng)計(jì)，自2007年起截至2017年上半年，全國(guó)共發(fā)生6 371起建筑施工安全事故，造成7 804人死亡，給建筑行業(yè)以及人民群眾的生命財(cái)產(chǎn)帶來(lái)了巨大損失的同時(shí)，也不利于社會(huì)的和諧穩(wěn)定發(fā)展。因此，基礎(chǔ)建設(shè)施工過(guò)程中的安全管理是一項(xiàng)極其重要的工作，是施工管理中的頭號(hào)工作和高壓線。安全管理的核心在于對(duì)事故的預(yù)防，而預(yù)防的核心在于對(duì)事故的風(fēng)險(xiǎn)源有著準(zhǔn)確的認(rèn)識(shí)和判定，從而采取有效防御措施。本文正是在這一背景下，采用KNN算法，對(duì)公路施工過(guò)程中的風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的定量判別，從而為事故的預(yù)防提供參考。

1 KNN算法

KNN算法，即K最近鄰算法(K-Nearest Neighbor)，是一種機(jī)器學(xué)習(xí)算法，既可以用于分類，也可以用于回歸。KNN算法用于分類的基本思想是：

對(duì)于n維空間中的集合X中的一個(gè)對(duì)象x，以ar(x)表示它的第r個(gè)屬性，以d(xi,xj)表示對(duì)象xi與對(duì)象xj之間的距離，則：

(1)

對(duì)于侍分類對(duì)象xp，首先根據(jù)公式(1)計(jì)算xp與集合X中所有對(duì)象的距離，取出距離最小的K個(gè)元素，統(tǒng)計(jì)這K個(gè)元素中，隸屬于哪個(gè)類別的元素最多，則將xp也分入此類。

根據(jù)KNN算法的基本思想可知，該算法執(zhí)行過(guò)程中，最關(guān)鍵的三個(gè)因素是：K值的選擇，距離的計(jì)算以及分類決策規(guī)則。在實(shí)際工作中，K值的選擇可通過(guò)交叉驗(yàn)證來(lái)進(jìn)行優(yōu)化，距離的計(jì)算在歐氏距離的基礎(chǔ)上，也可以采用其它距離計(jì)算方式，而在分類決策規(guī)則的設(shè)置上，則可以采用平權(quán)法或其他權(quán)重設(shè)置規(guī)則來(lái)調(diào)配。

2 數(shù)據(jù)的處理

KNN的計(jì)算依賴前期樣本數(shù)據(jù)，且樣本數(shù)據(jù)應(yīng)包含屬性和標(biāo)簽，在前期數(shù)據(jù)的處理過(guò)程中，可以使用Python及其相應(yīng)的庫(kù)。在KNN的數(shù)據(jù)處理中，需要使用到的Python庫(kù)包括Numpy和Matplotlib。KNN所使用的基礎(chǔ)樣本數(shù)據(jù)包括兩部分內(nèi)容，一是對(duì)象元素的屬性，二是對(duì)象元素的標(biāo)簽(即標(biāo)注對(duì)象元素所屬的類別)，其形式如表1所示。

表1 樣本數(shù)據(jù)形式

由于不同屬性的量綱不同，因此各屬性的絕對(duì)數(shù)量差距較大，在距離的計(jì)算中造成不同的影響，為統(tǒng)一不同量綱下的屬性數(shù)據(jù)，首先要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理是指將數(shù)據(jù)歸化至[0，1]范圍內(nèi)，使數(shù)據(jù)成為無(wú)量綱的標(biāo)量，采用公式(2)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

(2)

在Numpy中根據(jù)公式(2)即可將樣本數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理完畢后，即可將樣本數(shù)據(jù)利用Numpy的讀入文件功能將歸一化處理完畢的樣本數(shù)據(jù)讀入到系統(tǒng)中。讀入完畢后可用Matplotlib的繪圖功能對(duì)數(shù)據(jù)進(jìn)行可視化。

3 模型計(jì)算

本研究的KNN模型計(jì)算和執(zhí)行也是在Python環(huán)境中實(shí)現(xiàn)，主要用到的庫(kù)是Scikit-learn，Scikit-learn是Python的一個(gè)用于機(jī)器學(xué)習(xí)的庫(kù)，它能夠完成分類、回歸、聚類、降維等多種機(jī)器學(xué)習(xí)的計(jì)算和處理。當(dāng)在Python中引入Scikit-learn后，首先要對(duì)基礎(chǔ)樣本數(shù)據(jù)進(jìn)行剖分，以70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以30%的數(shù)據(jù)作為檢測(cè)數(shù)據(jù)，當(dāng)檢測(cè)數(shù)據(jù)得到的檢測(cè)結(jié)果精度合格時(shí)，即可對(duì)待分類數(shù)據(jù)進(jìn)行分類以得到風(fēng)險(xiǎn)的等級(jí)判別。

Scikit-learn實(shí)現(xiàn)KNN分類的函數(shù)是KNeighborsClassifier，該函數(shù)幾個(gè)重要的參數(shù)分別是：n_neighbors，此參數(shù)就是KNN算法中的K，默認(rèn)值為5；weights是在進(jìn)行分類判斷時(shí)給最近鄰附上的權(quán)重，默認(rèn)值‘uniform’是等權(quán)加權(quán)，可選的‘distance’選項(xiàng)是按照距離的倒數(shù)進(jìn)行加權(quán)；algorithm是分類時(shí)采取的算法，根據(jù)樣本量的大小和特征的維度數(shù)量，不同的算法有各自的優(yōu)勢(shì)。默認(rèn)值‘a(chǎn)uto’選項(xiàng)會(huì)在學(xué)習(xí)時(shí)自動(dòng)選擇最合適的算法，所以一般來(lái)講選擇‘a(chǎn)uto’即可。在Python中調(diào)用KNeighborsClassifier的主要代碼命令如下：

from sklearn import neighbors

knn = neighbors.KNeighborsClassifier() #取得knn分類器

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)

算法執(zhí)行的結(jié)果如圖1所示。

圖1 風(fēng)險(xiǎn)分類統(tǒng)計(jì)圖

由圖1可見(jiàn)，算法實(shí)現(xiàn)了風(fēng)險(xiǎn)等級(jí)的分類，分類結(jié)果能夠作為風(fēng)險(xiǎn)預(yù)防與救援處理的決策參考，使風(fēng)險(xiǎn)處理更具科學(xué)性，減少?zèng)Q策的時(shí)間損耗。

4 結(jié)論與展望

KNN算法是一種優(yōu)秀易用的分類算法，能夠較好的對(duì)分類對(duì)象進(jìn)行精確的分類，采用Python作為工具來(lái)計(jì)算后，解決了KNN算法計(jì)算量偏大弱點(diǎn)，使KNN算法能夠很好的應(yīng)用在公路施工風(fēng)險(xiǎn)的判別中，利用這種方法對(duì)公路施工風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的定量判別后，能為施工安全管理提供有效幫助。同時(shí)，KNN算法精準(zhǔn)度的進(jìn)一步提高有賴于更好的K值選擇以及判定準(zhǔn)則中權(quán)重的設(shè)置，這需要大量的基礎(chǔ)資料作為參考，在后期的工作中，可以從這一方面入手進(jìn)行算法的進(jìn)一步優(yōu)化，以更好地實(shí)現(xiàn)公路施工風(fēng)險(xiǎn)的判別。