事故預測方法發(fā)展與研究引言：根據(jù)安全系統(tǒng)工程課程的內(nèi)容，我選取了事故預測理論為專題，對其進行了學習與理解，并將所得所獲整理成本文。事故預測是安全決策科學化的基礎(chǔ)，對主動掌握事故預防和遏制事故的發(fā)生具有重要意義。它在分析、研究系統(tǒng)過去和現(xiàn)在安全可知信息的基礎(chǔ)上，利用各種知識和科學方法，對系統(tǒng)未來的安全狀況進行預測，以便對事故進行預報和預防。典型的事故預測理論主要有回歸預測法，情景分析法、時間預測法、馬爾可夫鏈狀預測法、灰色預測法、人工神經(jīng)網(wǎng)絡(luò)預測法等。1. 歸預測法回歸預測是根據(jù)歷史數(shù)據(jù)的變化規(guī)律，尋找自變量與因變量之間的回歸方程式，確定模型參數(shù)，據(jù)此作出預測。回歸預測中的因變量和自變量在時間上是并進關(guān)系，即因變量的預測值要由并進的自變量值來旁推。回歸預測要求樣本量大且樣本有較好的分布規(guī)律。根據(jù)自變量的多少可將回歸問題分為一元和多元回歸，按照回歸方程的類型可分為線性回歸和非線性回歸?？梢?，該方法對于想要分析的系統(tǒng)的數(shù)據(jù)量要求較大，即該模型是建立在大量的事故統(tǒng)計基礎(chǔ)之上的。來自實踐的事故數(shù)據(jù)可靠和真實 ,運用的數(shù)學方法或手段正確, 建立的事故預測數(shù)學模型所預測未來時間內(nèi)的事故就相當準確 ,對于預防事故和搞好安全生產(chǎn)就會起到指導性作用。所以，歸預測法的運用關(guān)鍵是事故數(shù)據(jù)的真實性和數(shù)學方法的正確采用以及實踐知識的積累2. 情景分析法情景分析法(Scenario Analysis)普遍適用于對缺少歷史統(tǒng)計資料或趨勢面臨轉(zhuǎn)折的事件進行預測。情景分析法目前發(fā)展很快，在事故預測方面常結(jié)合其他定量方法，根據(jù)情景分析得到最有可能發(fā)生的情景方案對其進行調(diào)整優(yōu)化將會使預測的結(jié)果更加合理。常見的事故情景分析的技術(shù)有事件樹、故障樹和Petri網(wǎng)等。從事件排序、事件因素、事件之間的依賴性、建模時間以及差錯恢復能力等方面對這3種技術(shù)進行了對比。發(fā)現(xiàn)Petri網(wǎng)對事故發(fā)展提供了較好的時間描述，而事件樹側(cè)重于分析事件的因素，故障樹側(cè)重于梳理出影響事故發(fā)生的主要事件。目前研究的熱點是管理者智力模型的伸展、組織學習的引發(fā)和加速過程等。通過對模糊環(huán)境的分解，情景分析法能夠有效處理組織在戰(zhàn)略層面學習的3種隱藏瓶頸：1)情景分析通過向決策者們呈現(xiàn)偏離的影像和分享經(jīng)驗的機會來提高他們對未知事物的發(fā)掘，并以此來激勵決策者們不同智力模型問的融合，克服了內(nèi)在的感知遲鈍；2)情景分析向決策者們展示未來發(fā)展情景，并實現(xiàn)戰(zhàn)略選擇的結(jié)果，由此人為地縮短了阻礙戰(zhàn)略學習的反饋延遲，加速了組織的學習進度；3)情景分析能有效地處理團隊間的高度一致和高度分歧兩種情況，避免公司組織中由于群體思想的危險和個人意見分歧而導致研究癱瘓。一個組織要想提高他們聯(lián)合決策的靈活性，不可避免的會面臨進退兩難的境況，大多數(shù)人的意見相同是基于例行公事智力模型，但是一旦不期望的變化發(fā)生，智力模型需要具有感知結(jié)構(gòu)外信號的能力，否則團隊將變得視野狹隘，無法適應(yīng)新的環(huán)境；因此團隊要想平穩(wěn)地適應(yīng)新變化，智力模型的多樣性就要與環(huán)境的變化相匹配。3時間序列法時間序列的變化受許多因素的影響，概括地講，可以將影響時間序列變化的因素分為4種，即長期趨勢因素、季節(jié)變動因素、周期變動因素和不規(guī)則變動因素。在時間序列分解模型的基礎(chǔ)上，對4種變動因素有側(cè)重地進行預處理，從而派生出剔除季節(jié)變動法、移動平均法、自回歸法和時間函數(shù)擬合法等具體預測方法。在事故預測中，最常用的方法是指數(shù)平滑法和ARIMA法。4.馬爾可夫鏈狀預測法如果系統(tǒng)安全性指標量值在時間軸上呈離散狀態(tài)，則可作為一個馬爾可夫鏈(Markov Chain)來對待。馬爾可夫鏈預測模型是根據(jù)事故各狀態(tài)之間的轉(zhuǎn)移概率來預測事故未來的發(fā)展，轉(zhuǎn)移概率反映了各種隨機因素的影響程度和各狀態(tài)之間的內(nèi)在規(guī)律性，因此該模型適用于隨機波動性較大的預測。傳統(tǒng)的方法用步長(滯時)為1的馬爾可夫鏈模型和初始分布推算出未來時段狀態(tài)的絕對分布來做預測分析。該法默認所論馬爾可夫鏈滿足“齊次性”。實際應(yīng)用中所論及的隨機變量序列，盡管滿足“馬氏性”，但“齊次性”一般都不滿足。另外，該法沒有考慮對應(yīng)各階(各種步長)馬爾可夫鏈的絕對分布在預測中所起的作用，因此沒有充分利用已知數(shù)據(jù)資料的信息。利用各階馬爾可夫鏈求得狀態(tài)的絕對分布疊加來做預測分析，可稱之為疊加馬爾可夫鏈預測方法。然而這種方法沒有考慮各階馬爾可夫鏈對應(yīng)的絕對概率在疊加中所起的作用，即認為各階所起的作用是相同的，這顯然不科學。因此也許可以考慮一種加權(quán)馬爾可夫鏈預測，也就是先分別依其前面若干時段的指標值對該時段進行預測，然后按前面各年與該年相依關(guān)系的強弱加權(quán)求和，這樣可以更充分、合理地利用信息。馬爾可夫鏈模型應(yīng)用于事故預測中往往結(jié)合其他模型，充分利用各自的優(yōu)勢，如回歸馬爾可夫鏈，灰色馬爾可夫鏈模型等。用馬爾可夫預測來對事故的狀態(tài)進行劃分，能夠正確描述事件的依賴性和跨階段依賴性，克服了事故數(shù)據(jù)的隨機波動性對預測精度的影響。缺點是狀態(tài)空間爆炸的問題，即狀態(tài)規(guī)模隨著系統(tǒng)因素的數(shù)量增加呈指數(shù)增長，這樣使馬爾可夫鏈模型的計算量增加。在運用馬爾可夫預測模型時狀態(tài)劃分是預測準確與否的關(guān)鍵，狀態(tài)劃分一般應(yīng)依據(jù)以下原則：1)分析精度的要求。一般地，在數(shù)據(jù)滿足一定數(shù)量的情況下，狀態(tài)劃分越細精度越高；2)原始數(shù)據(jù)的長短和波動幅度。數(shù)據(jù)較多、波動幅度較大時，狀態(tài)數(shù)應(yīng)相對多一些，反之，則應(yīng)少一些；3)在允許的條件下，盡量減小劃分的跨度。5灰色預測法灰色預測法(Grey model)是一種對含有不確定因素的系統(tǒng)進行預測的方法。該理論將信息完全明確的系統(tǒng)定義為白色系統(tǒng)，將信息完全不明確的系統(tǒng)定義為黑色系統(tǒng)，將信息部分明確、部分不明確的系統(tǒng)定義為灰色系統(tǒng)。安全系統(tǒng)是一個多因素、多層次、多目標的相互聯(lián)系、相互制約的巨系統(tǒng)，其運行過程是由許多錯綜復雜的關(guān)系所組成的灰色動態(tài)過程，具有明顯的灰色性質(zhì)。運用灰色方法對于安全事故的預測有一定幫助。但是灰色預測模型的曲線擬合能力差，所以可以將灰色預測模型與馬爾可夫事故預測模型結(jié)合起來，建立灰色馬爾可夫事故預測模型，這樣就利用了灰色預測和馬爾可夫預測各自的優(yōu)勢，達到了1+12的效果。6神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANNs)具有表示任意非線性關(guān)系和學習的能力，給解決很多具有復雜的不確定性和時變性的實際問題提供了新思想和新方法。大多數(shù)研究中用到的方法是通過確定每個輸入變量對輸出的影響。來消除不相關(guān)的輸入和訓練樣本中的冗余部分。Gevrey等回顧并比較分析了輸入變量影響的7種方法，認為決定單個變量的影響力在于對部分回歸系數(shù)最終值的驗算。利用神經(jīng)元網(wǎng)絡(luò)來研究預測問題，一個很大的困難就在于如何確定網(wǎng)絡(luò)的結(jié)構(gòu)。Grossberg發(fā)現(xiàn)誤差曲面上存在著平坦區(qū)域。如果在調(diào)整進入平坦區(qū)后，設(shè)法壓縮神經(jīng)元的凈輸入，使其輸出退出激活函數(shù)的飽和區(qū)，就可以改變誤差函數(shù)的形狀，從而使調(diào)整脫離平坦區(qū)。實現(xiàn)這一思路的具體作法是，在其中引入一個陡度因子，對激活函數(shù)作了適當調(diào)整。2事故預測數(shù)學模型的應(yīng)用事故預測的原理 ,就是依據(jù)事故所具有的因果性、偶然性 、必然性和再現(xiàn)性的特點 , 從而尋找事故的規(guī)