【正文】 事故類型 評(píng)價(jià)標(biāo)準(zhǔn) ARIMA ARIMABP ARIMARBF ARIMAGRNN 雙重非線性組合 X1 MAE RMSE X2 MAE RMSE X3 MAE RMSE X4 MAE RMSE X5 MAE RMSE X6 MAE RMSE X7 MAE RMSE X8 MAE RMSE X9 MAE RMSE X10 MAE RMSE X11 MAE RMSE 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 14 表 3－ 7 各模型誤差評(píng)價(jià)表 從表 3－ 5和表 3－ 7看， ARIMABP 、 ARIMARBF 、 ARIMAGRNN和 RBF Combinationf ? 均優(yōu)于ARIMA。 模型預(yù)測(cè)效果的比較 我們把各種模型對(duì) 2020年 1011月各類安全生產(chǎn)事故的數(shù)量和安全生產(chǎn)事故總量的預(yù)測(cè)結(jié)果總結(jié)在下面的表 3－ 5。最后，把上述三種預(yù)測(cè)方法關(guān)于 2020 年 10月和 11 月事故起數(shù)的預(yù)測(cè)值作為輸入向量來(lái)預(yù)測(cè) 10月和 11月的事故起數(shù)。 第三階段預(yù)測(cè) 雙重非線性組合模型的構(gòu)建 將第二階段三種預(yù)測(cè)方法關(guān)于訓(xùn)練樣本的預(yù)測(cè)結(jié)果作為 RBF 的輸入向量，輸入節(jié)點(diǎn)數(shù)為 3，而實(shí)際值作為期望輸出向量訓(xùn)練網(wǎng)絡(luò)，輸出節(jié)點(diǎn)數(shù)為 1。通過(guò) GRNN 模型不斷學(xué)習(xí)歸納出輸入和輸出變量之間的關(guān)系。 ( , )f xy 是 x 和 y 的聯(lián)合概率密度函數(shù)，可由 Parzen 非參數(shù)估計(jì)出來(lái)。事故類型 網(wǎng)絡(luò)輸入 期望輸出 SPREAD 1? 11 10 11 , 1 , 1t t t? ? ?? ? ? 1t? 2? 10 9 12 , 2 , 2t t t? ? ?? ? ? 2t? 3? 3 2 13 , 3 , 3t t t? ? ?? ? ? 3t? 4? 4 3 14 , 4 , 4t t t? ? ?? ? ? 4t? 5? 5 4 15 , 5 , 5t t t? ? ?? ? ? 5t? 6? 11 10 16 , 6 , 6t t t? ? ?? ? ? 6t? 7? 14 12 17 , 7 , 7t t t? ? ?? ? ? 7t? 8? 6 5 18 , 8 , 8t t t? ? ?? ? ? 8t? 9? 9 8 19 , 9 , 9t t t? ? ?? ? ? 9t? 10? 5 4 110 , 10 , 10t t t? ? ?? ? ? 10t? 11? 11 10 111 , 11 , 11t t t? ? ?? ? ? 11t? 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 11 本文采用 GRNN 建立了第三種非線性組合預(yù)測(cè)方法，記作： ARIMAGRNN。 GRNN 網(wǎng)絡(luò)最后收斂于樣本量積聚較多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)較少時(shí)，預(yù)測(cè)效果也比較好。它由輸入層、模式層、求和層和輸出層四層構(gòu)成。 GRNN 模型 [1920] 廣義回歸神經(jīng)網(wǎng)絡(luò)（ GRNN） 是美國(guó)學(xué)者 Donald 在 1991 年提出的。首先由 輸入向量間距離矩陣 確定 SPREAD的范圍，然后在此范圍內(nèi)結(jié)合 預(yù)測(cè)誤差、逼近誤差以及參考散布常數(shù) 1決定最終的 SPREAD值。另外，還需要給出徑向基函數(shù)的散布常數(shù)（ SPREAD）。 隱層的徑向基函數(shù)設(shè)計(jì)為高斯函數(shù)，輸入為輸入向量與權(quán)值向量的距離乘以閾值，輸出即為神經(jīng)元的輸出：()O radbas W P B??。其中， P 為輸入向量； 1W 和 2W 分別為 徑向基層和線性輸出層的 節(jié)點(diǎn)連接權(quán)值； 1B 和 2B 分別為 徑向基層和線性輸出層的 神經(jīng)元閾值。本文采用 RBF 建立了第二種非線性組合預(yù)測(cè)方法，記作： ARIMARBF。 1989 年， Jackson 論證 了 RBF 神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)的一致逼近性能。它屬于前饋型神經(jīng)網(wǎng)絡(luò)，是一種三層的前向網(wǎng)絡(luò)。 RBF 模型 [1718] 徑向基函數(shù)（ RBF） 是多維空間插值的傳統(tǒng)技術(shù)，由 Powell 于 1985 年提出。網(wǎng)絡(luò)訓(xùn)練采用基于數(shù)值最優(yōu)化理論的 LevenbergMarquardt[1516]方法進(jìn)行，然后調(diào)用這些訓(xùn)練好的權(quán)值與閾值，經(jīng)輸出層輸出即可得到預(yù)測(cè)值。 ARIMABP模型的實(shí)現(xiàn)過(guò)程由模型輸入、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試、模型輸出等四個(gè)部分組成。 BP模型表達(dá)式如下： ()O f WP B??,其中 O 為節(jié)點(diǎn)輸出； W 為節(jié)點(diǎn)連接權(quán)值； P 為節(jié)點(diǎn)輸入； B 為神經(jīng)元閾值； f 為輸入 /輸出的傳遞函數(shù)。 它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。 隱層神經(jīng)元的傳遞函數(shù)通常用 logsigmoid 型函數(shù)、 tansigmoid型函數(shù)、 purelin 純線性型函數(shù)。圖中星號(hào)為實(shí)際值，中間實(shí)曲線為依據(jù) 中 (11A)得到的預(yù)測(cè)值，上下兩條虛曲線為預(yù)測(cè)值置信水平為 95%的置信上限和 置信下限。 在均方誤差最小原則下，容易求出1 1 2 2? ()t l t l t l tl ? ? ?? ? ? ?? ? ? ? ?? ? ?, 1 1 1 1? ? ? ? ? ?? ? ? ? ? ? ? ? ?t l t l t l l t l t? ? ? ?，所以1 1 1 1()t t l t l l tel ? ? ?? ? ? ? ?? ? ? ? ?， 2 2 211( ( ) ) (1 )tlV a r e l ???? ? ? ? ? ?， tl?? 的置信水平為 1?? 的置信限為： 122 21112?( ( ) (1 ) )l ?? ??? ??? ? ? ? ? ? ? 其中，12???為標(biāo)準(zhǔn)正態(tài)分布 12??的分位數(shù)，本文 ? 取 5%。同時(shí)也給出點(diǎn)預(yù)測(cè)值的置信水平為 95%的置信限以及安全生產(chǎn)事故總量時(shí)間序列擬合圖，見(jiàn)表 3－ 6和圖 3－ 1。得到如下 11 個(gè)預(yù)測(cè)模型。 ti? (i =1,2,? ,9)代表第 t 期死亡 i 個(gè)人的事故總量， 10t? 代表第 t 期死亡 10 人及以上的事故總量。選擇20202020 年 9月之間的數(shù)據(jù)擬合 ARIMA 模型。式中， B 為后移算子， 1()ddB? ? ? ；11() ppBBB??? ? ?????? ； 11() qqBBB??? ? ?????? ；其中， 1,??? p?? ， 1,???q?? 是需要估計(jì)的自回歸系數(shù)和滑動(dòng)平均系數(shù)， 0p?? ， 0q?? ； t? 為零均值白噪聲序列。其結(jié)構(gòu)如下： 2( ) ( )( ) 0 , ( ) , ( ) 0 ,( ) 0 ,dttt t t sstBBE Va r E s tE s t??? ? ? ? ??? ? ? ? ? ??? ? ? ??? ? ? ? ?? 簡(jiǎn)記為 ARIMA( ,pdq )。 對(duì)以下各階段得出的預(yù)測(cè)模型，我們都利用 2020 年到 2020 年 9月的安全生產(chǎn)事故快報(bào)數(shù)據(jù)作為已知信息，對(duì) 2020 年 10月和 11 月的情況做出預(yù)測(cè)，并與實(shí)際值做出比較以驗(yàn)證模型的精度。所以，第二階段在第一階段結(jié)論的基礎(chǔ)上應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建了三種可行的安全生產(chǎn)事故量非線性組合預(yù)測(cè)模型。 20 世紀(jì) 90年代初， Granger 和 Terasvirta[12]等人研究發(fā)現(xiàn)，借助非線性函數(shù)關(guān)系的非線性組合預(yù)測(cè)比線性組合預(yù)測(cè)所得的結(jié)果誤差要小。 因?yàn)榘踩a(chǎn)事故涉及多種復(fù)雜的影響因素，應(yīng)用單一的預(yù)測(cè)方法難于滿足預(yù)測(cè)的有效性，所以有必 要采用多個(gè)預(yù)測(cè)方法進(jìn)行組合預(yù)測(cè)，綜合利用各種預(yù)測(cè)方法提供的信息，以便減少預(yù)測(cè)誤差而獲得更好的預(yù)測(cè)結(jié)果。 安全生產(chǎn)事故量隨著時(shí)間的變化而變化，由于 ARIMA 模型在各類安全生產(chǎn)事故量預(yù)測(cè)過(guò)程中既考慮了這些數(shù)量在時(shí)間序列上的相關(guān)性，又考慮了隨機(jī)變化的干擾性，對(duì)短期趨勢(shì)預(yù)測(cè)具有較高的準(zhǔn)確率。第 6 類至第 10 類事故呈現(xiàn)與前面安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 5 5類不同的特點(diǎn)，第 6 類需要加強(qiáng)監(jiān)管的月份是每年的 2 月、 5月和 10 月；第 7 類需要加強(qiáng)監(jiān)管的月份是每年的 1 月、 2 月和 8 月；第 8 類需要加強(qiáng)監(jiān)管的月份是每年的 1 月、 4月和 7月；第 9類需要加強(qiáng)監(jiān)管的月份是每年的 4月、 5 月和 10月；第 10類需要加強(qiáng)監(jiān)管的月份是每年的 3月、 8月和 11月。 事故起數(shù)