一种可用于高速公路投资风险评估的神经网络模型

交通运输系统工程与信息 ›› 2013, Vol. 13 ›› Issue (4): 94-99.

一种可用于高速公路投资风险评估的神经网络模型

王作功¹，李慧洋¹，贾元华^*2

1. 河南大学风险管理研究所，河南开封 475004；2. 北京交通大学系统工程研究所，北京 100044

收稿日期:2012-11-07 修回日期:2012-12-26 出版日期:2013-08-26 发布日期:2013-09-05
作者简介:王作功（1967-），男，河南太康人，教授，博士.
基金资助:
国家自然科学基金项目（U0970116）.

A Neural Network Model for Expressway Investment Risk Evaluation and its Application

WANG Zuo-gong¹, LI Hui-yang¹，JIA Yuan-hua²

1. Institute of Risk Management, Henan University, Kaifeng 475004, Henan, China; 2. Institute of System Engineering & Control, Beijing Jiaotong University, Beijing 100044, China

Received:2012-11-07 Revised:2012-12-26 Online:2013-08-26 Published:2013-09-05

摘要/Abstract

摘要：

高速公路投资风险评估对高速公路可持续发展具有重要作用.首先，本文针对传统的准三层BP神经网络评价模型运算精度和运算效率之间的矛盾，从其结构优化的角度出发，提出并设计了输入层神经元到隐含层神经元、隐含层神经元到输出层神经元的随机重连过程的变结构神经网络模型；其次，针对中国高速公路的投资特点，建立了高速公路项目投资风险的评价指标体系，设计了基于随机重连过程的变结构神经网络的高速公路项目投资风险评价模型，运用中国10条高速公路项目对模型进行了训练并对4条高速公路投资风险进行评估.研究结果表明，该模型预测的平均相对误差为1.91%，最大相对误差为2.63%，具有良好的预测效果.

关键词: 公路运输, 高速路, 神经网络, 变结构, 风险评价, 系统工程

Abstract:

Investment risk evaluation of expressways plays a significant role in the sustainable development of expressways. A consideration of the inconsistency between operation accuracy and operation efficiency of the traditional quasi3layer BP neural network evaluation model is first established. This paper proposes and designs a variablestructure neural network model in the random relinking process from the input layer neurons to the hidden layer neurons. Then, the model acquires the hidden layer to the output layer from the angle of structural optimization. Secondly, in view of the characteristics of the Chinese expressway investment, this paper develops an expressway project investment risk evaluation index system. Furthermore, a design of the expressway project investment risk evaluation model is completed based on the variablestructure neural network of the relinking random process. In addition, the model has been verified with ten Chinese expressway projects. The risk evaluations have been conducted for four of the ten expressway projects. The research result shows that the average relative error predicted with such model is 1.91% and the maximum relative error is 2.63%.Therefore, the prediction result is deemed suitable.

Key words: highway transportation, highway, neural network, variable structure, risk evaluation, system engineering

中图分类号:

王作功，李慧洋，贾元华. 一种可用于高速公路投资风险评估的神经网络模型[J]. 交通运输系统工程与信息, 2013, 13(4): 94-99.

WANG Zuo-gong, LI Hui-yang，JIA Yuan-hua. A Neural Network Model for Expressway Investment Risk Evaluation and its Application[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(4): 94-99.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18618.shtml

http://www.tseit.org.cn/CN/Y2013/V13/I4/94

参考文献

[1]贾元华, 董平如. 高速公路建设与管理[M]. 北京: 北方交通大学出版社, 2002.[JIA Y H, DONG P R. Highway construction and management[M]. Beijing: Northern Jiaotong University Press, 2002.] 

[2]王作功, 贾元华, 徐丽营. 我国收费高速公路投资风险评估研究[J]. 交通运输系统工程与信息, 2006, 6(4): 90-94.[WANG Z G, JIA Y H,XU L Y. Study on venture evaluation of toll freeway investment[J]. Journal of Transportation Systems Engineering and Information Technology, 2006, 6(4): 90-94.]

[3]高幸, 韩佩宏. 高速公路资产证券融资风险层次分析模型评价[J]. 企业技术开发, 2007, 27(1): 86-89.[ GAO X, HAN P H. Appraisal on improved AHP method in risk assessment of ABS highway[J]. Technological Development of Enterprise, 2007, 27(1): 86-89.]

[4]田少波, 张培林, 刘铁鑫,等. CIM 模型在高速公路投资风险评估中的应用[J]. 武汉理工大学学报(交通科学与工程版), 2009, 33(3): 483-486.[TIAN S B, ZHANG P L, LIU T X, et al. Application of cont rolled Interval s and memory model in risk evaluation of expressway investment[J]. Journal of Wuhan Univer sity of Technology(Transportation Science & Engineering), 2009, 33(3): 483-486.]

[5]楼文高. 高新技术项目投资风险的人工神经网络综合评价模型[J]. 科研管理, 2005, 26(3): 8-11.[LOU W G. Comprehensive evaluation model for the investing risk of using artificial neural networks in the Hitech projects[J]. Research Management, 2005, 26(3): 8-11.]

[6]崔卫芳,等. 基于BP神经网络的农业高科技投资项目风险评价模型[J]. 西北农业科技大学学报, 2006, 34(7): 160-164.[CUI W F, et al. Risk evaluation model of high scitech agriculture projects based on ANN[J]. Journal of North agriculture technology university, 2006, 34(7): 160-164.]

[7]陈建宏, 胡敏, 肖诚,等. 基于模糊人工神经网络的金属矿山投资风险评价[J]. 广西大学学报: 自然科学版, 2011, 36(6): 1030-1035.[ CHEN J H,HU M,XIAO C,et al. Evaluation of investment risks of mine based on fuzzy neural network[J]. Journal of Guangxi University（Natural Science Edition）, 2011, 36(6): 1030-1035.]

[8]候媛彬, 杜京义, 汪梅. 神经网络[M]. 西安电子科技大学出版社, 2007: 3-15.[HOU Y B, DU J Y, WANG M. Neural network[M]. Xi’an University of Electronic Science and Technology Press, 2007: 3-15.]

[9]王作功. 基于生态理论的风险管理研究——以高速公路投资为例[M]. 中国经济出版社, 2011: 191-204. [WANG Z G. Study on risk management based on ecosystem, taking freeway as sample[M]. China Economics Publishing House, 2011: 191-204.]

[10]TAO Yonghong,QI Ailin. Based on the efficiency coefficientBP neural network study of the risk of early warning[J]. Management Science and Engineering, 2009(3):96-100.

[11]William McCluskey, Peadar Davis, Martin Haran, et al. The potential of artificial neural networks in mass appraisal: the case revisited[J]. Jourual of Financial Management of Property and Construction, 2012, 17(3):274-292.

[1]	王宁, 张佳蕊, 赵姣. 城际零担货运平台车辆路径问题研究[J]. 交通运输系统工程与信息, 2022, 22(2): 163-177.
[2]	谭二龙, 李宏海, 钟厚岳, 霍恩泽, 马晓磊. 基于轨迹数据的货车自发编队节油潜力估计[J]. 交通运输系统工程与信息, 2022, 22(1): 74-84.
[3]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[4]	贾术艳, 宋雨童, 杨紫都. 基于生长曲线函数的货车运营环节碳达峰研究[J]. 交通运输系统工程与信息, 2021, 21(6): 310-318.
[5]	甘蜜, 卿三东, 刘晓波, 李丹丹. 货车轨迹数据在公路货运系统中应用研究综述[J]. 交通运输系统工程与信息, 2021, 21(5): 91-101.
[6]	李根, 翟伟, 朱兴贝, 杨晟, 邬岚. 侧向碰撞风险对交织区汇合行为的影响[J]. 交通运输系统工程与信息, 2021, 21(4): 204-210.
[7]	李桃迎，王婷，张羽琪. 考虑多特征的高速公路交通流预测模型[J]. 交通运输系统工程与信息, 2021, 21(3): 101-111.
[8]	杨建喜，郁超顺，李韧，杜利芳，蒋仕新，王笛. 基于多周期组件时空神经网络的路网通行速度预测[J]. 交通运输系统工程与信息, 2021, 21(3): 112-119.
[9]	陈秀锋，吴阅晨，邴其春，聂蕊蕊. 基于类锚虚拟线圈的多流向车流量检测算法[J]. 交通运输系统工程与信息, 2021, 21(2): 51-57.
[10]	高天航，徐力，靳廉洁，葛彪. 考虑航艏向与数据变化差异的船舶轨迹预测[J]. 交通运输系统工程与信息, 2021, 21(1): 90-94.
[11]	袁方，杨轸，周雄峰. 双车道公路弯道半径及回旋线长度对转向行为的影响[J]. 交通运输系统工程与信息, 2021, 21(1): 116-123.
[12]	胡立伟，何越人，李耀平，孟玲，殷秀芬. 基于人工免疫机制的营运货车运行风险评价研究[J]. 交通运输系统工程与信息, 2021, 21(1): 149-155.
[13]	戢晓峰，吴亚欣，郝京京，房锐，胡澄宇. 平纵组合路段事故严重程度致因辨识模型[J]. 交通运输系统工程与信息, 2020, 20(6): 197-204.
[14]	程颖，张佳乐，张少君，郭继孚，张达. 大型货运车辆生态驾驶及节油潜力评估[J]. 交通运输系统工程与信息, 2020, 20(6): 253-258.
[15]	张政，陈艳艳，梁天闻. 基于出行特征的用地类型推断方法研究[J]. 交通运输系统工程与信息, 2020, 20(5): 29-35.