基于Kmeans聚类分析地铁施工风险评价方法.docVIP

基于Kmeans聚类分析地铁施工风险评价方法 　　【摘要】本文将聚类分析引入地铁施工风险管理过程中，通过聚类分析与风险管理相结合，给出了风险管理聚类分析流程。针对风险矩阵评价方法的缺陷，设计了基于K-means聚类分析的地铁施工风险评价方法。以南京地铁2号线为例，在前人风险矩阵评价成果的基础上，论证了聚类分析风险评价方法的有效性。 　　【关键词】聚类分析；风险评价；地铁施工风险；K-means算 　　 　　1 引言 　　在我国，随着社会经济的发展和城市化进程的加快，城市交通问题日益凸显。机动车数量增长造成的交通拥堵，城市扩张造成的中心城区和边缘城区连接不畅等交通问题亟待解决，而城市轨道交通建设是缓解城市交通问题的重要途径。在这样的背景下，城市轨道交通的大发展已成为必然，而其中又以地铁项目的建设最为突出，发展最为迅猛，现而今，在我国，“没有地铁的城市是不完整的城市”，已不仅仅是一句口号。 　　由于所面临环境的不确定性和复杂性，地铁建设项目是所有建设工程项目中最易发生施工事故的项目之一[1]，伴随地铁施工事故而来的，是大量的经济、社会及环境损失。随着地铁建设在全国如火如荼的展开，如何减少地铁施工事故，已成为地铁建设过程中必须要解决的课题。 　　目前，我国地铁建设项目的风险管理在风险评价这一环节上没有统一的标准，关于风险因素风险等级的划分并没有一定之规。国际上通常采用ALARP原则[2]作为风险评价准则，但鉴于确定ALARP区域上下界限的复杂性，目前还没有适合我国国情的ALARP风险评价准则，因此在我国，现阶段通常采用风险矩阵评价准则，然而这种评价准则在风险类别的划分上没有充分的依据，不具备足够的说服力，也不能很好的表征风险因素的特征。本文试图利用聚类分析建立新的风险评价方法，以消除这些缺陷。 　　2 地铁施工风险评价的聚类分析方法 　　2.1 聚类分析 　　在各个领域的实践活动中，经常需要对相关目标进行分门别类的研究，所谓聚类就是指根据特定指标将已知研究对象划分为若干不同的类别，划分完成后，同类的研究对象间具有较高的相似度，不同类的研究对象间具有较大的差异度。 　　聚类分析（Cluster Analysis）是一种基于数据挖掘技术的聚类方式，“是研究如何将研究对象（样品或指标）按照多个方面的特征进行综合分类的一种多元统计方法” [3]。聚类结果的优劣取决于所使用的聚类方法，而根据不同的聚类标准，有不同的聚类方法可供选择，包括结合采样技术进行聚类分析的CLARA方法和CLARANS方法，基于神经网络的聚类方法，用于处理大规模数据的DBSCAN，BIRCH以及ScaleKM方法等，其中应用最为广泛的是由MacQueen于1967年提出的K-means算法。 　　作为一门对研究对象进行数据挖掘和分类处理的统计科学，聚类分析已经在数据处理、图像识别以及市场分析等领域得到了充分的利用，在风险管理方面，聚类分析可用于风险评价体系的建立，本文主要探讨其在地铁施工风险管理中的应用。 　　2.2 聚类分析流程 　　聚类分析的主要流程包括：选取聚类特征，相关数据准备，相似度度量，聚类分析以及聚类结果有效性分析，其具体流程如图1所示。 　　2.2.1 选取聚类特征 　　进行聚类分析时，第一步要对研究对象和研究目的加以分析，从中选取聚类特征，以作为对研究对象进行聚类划分的依据。首先，对研究对象做特征识别，识别出所有可以作为分类依据的特征，即初步特征；然后，从初步特征中去除干扰选项，将剩余的聚类特征作为有效特征；最后，从有效特征中选取与研究目的最贴切，最能刻画研究对象特点的特征作为聚类分析的聚类特征。 　　 　　图1聚类分析流程图 　　2.2.2 相关数据准备 　　选取聚类特征后，需对选取的特征进行量化，以便进行聚类分析。有关量化过程中原始数据的获取，可采用实验、收集历史数据、查阅文献及相关资料等方法，对于只能定性描述而不能量化的特征，可采取专家打分法等方法进行量化处理。 　　选取多个聚类特征时，由于不同特征原始数据的量纲可能存在差异，因此获取原始数据后，尚需对其进行处理，以消除量纲的影响。 　　2.2.3 相似度度量 　　相似度是指在选取的聚类特征条件下，研究对象样本间相似程度的大小。相似度的度量主要有两种形式：一种是相似系数，另一种是距离。其中距离相似度是指，将每个样品可看成p维空间的一个点，n个样品组成p维空间的n个点。用各点之间的距离来衡量各样品之间的相似度。距离近的点归为同类，距离远的点属于不同的类。 　　2.2.4 聚类分析 　　聚类分析的执行根据所用方法的差异而不尽相同，但通常可按下述步骤进行：初始化设置，初始分类，计算距离或相似系数，判断聚类质量。在执行聚类分析时，既可以采用人工计算方法，