数据-知识融合的水利工程建设安全风险灰色因子分解机预测模型(模型风险因子分解工程建设)

【目的】已有的数据驱动的水利工程建设安全风险预测方法对领域知识的挖掘和利用不足，预测结果的准确性和可解释性有待进一步提高。
为了构建数据-知识融合的水利工程建设安全风险预测模型，【方法】将灰色聚类与因子分解机相结合，提出了一种融合领域知识的灰色因子分解机。
首先，引入基于可能度函数的灰色聚类表征水利工程建设领域专家有关安全风险的先验知识。
然后，将先验知识以参数的形式嵌入到因子分解机中，构建出数据-知识融合的灰色因子分解机。
最后，基于随机梯度下降构造模型参数的求解算法，并结合实例对模型的有效性进行验证。
【结果】实例应用结果显示，与传统因子分解机相比，灰色因子分解机的准确率、精确率、召回率和F1值均得到了不同程度的提升。
与支持向量机、深度因子分解机等其他基准模型相比，灰色因子分解机同样具有更好的预测性能。
【结论】这表明，数据-知识融合驱动的灰色因子分解机模型能够更加准确地预测出安全风险，从而为水利工程建设安全风险管控提供更好的决策支持。

关键词：

因子分解机;风险交互;领域知识;可能度函数;灰色聚类;影响因素;

作者简介：

张可(1983—),男，教授，博士，主要从事工程项目管理、人工智能管理应用研究。

张政(1999—),男，硕士研究生，主要从事工程项目管理、人工智能管理应用研究。

基金：

国家社会科学基金项目(17BGL156);

江苏省建设科技项目(521021012);

河海大学中央高校基本科研业务费项目(B220207039);

引用：

张可, 张政, 金伟. 数据-知识融合的水利工程建设安全风险灰色因子分解机预测模型[ J]. 水利水电技术(中英文), 2024, 55 (1): 134⁃ 143.

ZHANG Ke, ZHANG Zheng, JIN Wei. Data and knowledge⁃driven Grey Factorization Machine prediction model for safety risk in water conservancy engineering construction[J]. Water Resources and Hydropower Engineering, 2024, 55(1): 134⁃ 143.

近年来，我国水利建设投资规模大幅增长，水利基础设施建设全面加快，为推动我国经济高质量发展、增进民生福祉做出重要贡献。
水利部统计数据显示,2022年，我国共完成水利建设投资10 893亿元，同比增长43.8%,历史性地迈上万亿元台阶。
随着水利工程建设规模的不断扩大，施工环境愈发复杂，工程建设安全风险增大。
面对严峻复杂的安全生产形势，迫切需要创新水利工程建设管理方式方法，推动水利工程建设数字化转型发展。
利用机器学习、深度学习等人工智能技术构建准确高效的水利工程建设安全风险预测模型，及时掌握风险状态和发展态势，为安全风险管理提供决策参考和依据，具有重要的现实意义。

现有的工程建设安全风险评估与预测方法主要分为经验驱动和数据驱动两类。
经验驱动方法基于领域专家经验和判断，采用定量和定性相结合的方式对工程安全风险状态进行评估。
例如，杜婷等基于层次分析法构建了建筑项目施工安全评价模型；ANSARI等结合模糊集和最优最劣法提出了一种多属性决策方法，并将其应用于高层建筑施工安全风险评估与排序；袁剑波等针对公路桥梁施工的技术与管理特点，使用网络分析法对公路桥梁施工的安全风险进行评价；YAN等运用物元理论对城市轨道交通建设项目的安全状况进行评估；兰博等基于模糊层次分析法和熵权法提出一种堤防工程安全综合评价方法；黄黎明等采用多层次灰色评估法对水利工程开工前、建设实施两个阶段的质量安全风险进行评价。
经验驱动方法虽然具有一定的主观性且效率不高，但在实际应用过程中易于操作和实现，并且能够很好地融合领域专家的经验和知识。

随着工程建设数字化水平的不断提升，国内外学者逐渐将数理统计、机器学习等方法引入到工程建设领域，开展数据驱动的工程建设安全风险评估与预测研究。
例如，CHUA等认为施工安全事故在本质上是一种随机事件，因此采用泊松模型对铁路建设项目的安全风险进行评估；LOVE等分析了澳大利亚456个工程的安全数据，开发出一个负二项回归模型以预测在施工过程中可能出现的安全事故；GUO等利用贝叶斯网络探究不安全行为导致安全事故的概率传递路径；ZHOU等针对安全数据较少且不平衡的问题，提出了一种基于随机森林的建筑施工安全风险预测模型；王秀杰等基于BP神经网络构建了堤防工程安全综合评价模型；LIU等提出了一种基于粒子群优化的支持向量机，并将其应用于地铁施工安全风险预测；冯继伟等引入因子分解机建立了安全风险因素交互情况下的水利工程安全事件风险状态分析模型。

与经验驱动方法相比，数据驱动方法能够拟合数据之间复杂的结构关系，并且可以自动地挖掘安全风险数据中所蕴含的规律，能够为大规模的水利工程建设安全风险评估与预测提供持续性的支持。
但是，数据驱动方法对样本数据的依赖性较高，需要大量的样本对模型进行训练。
然而，水利工程具有独特性特征，获取大量同类型工程数据通常较为困难且成本较高，在许多问题场景下难以为数据驱动模型提供大量的训练样本。
与此同时，水利工程建设领域的专家在长期的生产实践中形成和积累了大量的实践经验和专业知识，这些先验知识对安全风险评估和预测模型的构建具有重要的参考价值和指导意义。
电力、金融、医疗等诸多领域的相关研究表明：将领域中的先验知识集成到数据驱动模型中，实现“数据驱动+知识引导”,能够有效地降低数据驱动模型对样本数据的依赖，同时提高模型的预测精度和泛化能力。
因此，在应用数据驱动方法构建水利工程建设安全风险评估和预测模型时，还应当充分地挖掘和利用已有的领域知识。

为了构建数据-知识融合的水利工程建设安全风险预测模型，本文将擅长挖掘风险交互规律的因子分解机模型与表征领域专家知识的灰色聚类相结合，构造出灰色因子分解机(Grey Factorization Machine, GreyFM)模型。
首先，引入基于可能度函数的灰色聚类对领域专家的先验知识进行表征。
然后，将先验知识以参数的形式嵌入到因子分解机中，让其在训练过程中约束和引导因子分解机对安全风险规律的挖掘和学习。
最后，基于随机梯度下降构建模型参数的求解算法，并结合实例对模型的有效性进行验证。

1.1 基于因子分解机的风险交互分析

在水利工程建设安全风险演化和发展的过程中，各风险因素之间存在着复杂的交互关系。
为了考虑安全风险因素之间的交互关系，本文参考冯继伟等的研究选用因子分解机作为水利工程建设安全风险预测的建模方法。
因子分解机(Factorization Machine, FM)是一种通用的预测模型,该模型结合了支持向量机和矩阵分解模型的优点，能够在数据稀疏的情况下进行参数估计。
与传统的线性回归模型不同的是，因子分解机在特征建模时，不仅会计算单个特征变量对预测结果的影响，还会自动地对所有的特征变量进行两两组合，学习特征变量之间潜在的交互关系，模型的公式表示为

式中，y^为模型的输出；ω0为全局偏置；xi表示第i个特征变量；ωi表示第i个特征变量的权重；ωi,j表示第i和第j个特征变量的交互项系数。
特征交互的引入使得因子分解机的参数数量成倍增加，在数据稀疏的场景下部分交互项的系数难以估算。
针对这一问题，因子分解机采用矩阵分解的方式估算每个交互项的系数，为每个特征变量xi构建了一个隐向量νi,并利用〈νi,νj〉对ωi,j进行表示，即

式中，〈νi,νj〉表示隐向量νi和νj的点积，即

式中，k是隐向量νi和νj的维度。
目前，因子分解机已被广泛应用于推荐系统、在线广告等领域。
使用因子分解机预测水利工程建设安全风险，不仅能够分析单个风险因素对工程整体安全风险水平的影响，还能够拟合各风险因素之间非线性的交互关系，并通过隐向量之间的点积运算对其进行量化表示，有助于更好地认识和理解安全风险演化过程中各风险因素之间的复杂关系。

1.2 数据-知识融合的安全风险预测模型机理

因子分解机等数据驱动模型对样本数据的依赖性较高，需要大量样本的训练降低模型的泛化风险。
但是在水利工程建设领域，存在着许多基础数据不完备的应用场景，难以提供大量的样本数据用于模型训练，这导致因子分解机等数据驱动模型难以深入地挖掘和学习安全风险历史数据中所蕴含的模式和规律，在实际应用时模型性能仍具有提升的空间。

将领域知识(Domain Knowledge)集成到数据驱动模型中能够有效地改善这一问题。
图1所展示的是数据-知识融合的安全风险预测模型，模型的信息来源包括安全风险历史数据和领域知识两个渠道。
将样本数据和领域知识同时作为模型的训练输入，利用数据和知识的互补特性，让领域知识约束和引导因子分解机等数据驱动模型对安全风险规律的挖掘和学习，帮助模型掌握更多的安全风险信息，从而降低模型对样本数据的依赖，同时有效地提升模型的预测精度和泛化能力。

图1 数据-知识融合的安全风险预测模型

基于这一范式，本文将领域专家的先验知识融入到因子分解机模型中，构建由数据和知识联合驱动的安全风险预测模型。
领域专家的经验和知识是水利工程建设领域知识的重要组成部分，对安全风险的研判具有重要的参考价值，在实际应用过程中也更容易获取，是模型训练数据之外的重要补充信息。
如果仅基于因子分解机构建纯数据驱动的安全风险预测模型，则会忽略已有的专家经验和知识，从而造成领域知识的损失。
为此，本文尝试从水利工程建设领域专家的安全风险经验和知识中提取出规则和参数，然后将其嵌入到因子分解机中，进而构造出数据-知识融合的灰色因子分解机预测模型。

1.3 基于可能度函数的领域专家知识融合

为了在因子分解机中融入领域专家的先验知识，本文引入灰色系统中的可能度函数(Possibility Function)来量化表征领域专家对于工程安全风险的感知和判断，然后基于领域专家构造的可能度函数对样本进行灰色聚类评估，并将评估所得的聚类系数与样本数据一起输入到因子分解机中对其进行训练，从而实现数据和知识的融合。

可能度函数是构造灰色聚类模型的重要基础。
它能够度量一个属性取值属于某一灰类的可能性。
由于可能度函数通常由领域专家根据研究问题的特点构造，所以它是融合领域专家实践经验和专业知识的重要工具。
常用的可能度函数有典型可能度函数和三角可能度函数(见图2),其中x(1)、x(2)、x(3)、x(4)为函数的转折点。
灰色聚类则以可能度函数为基础，根据各观测指标的聚类权重和具体的观测值，计算观测样本属于各个灰类的聚类系数，通过比较各聚类系数的大小确定观测样本的所属灰类。

图2 可能度函数

在构建水利工程建设安全风险预测模型前，运用基于可能度函数的灰色聚类对每个工程样本进行灰色聚类评估，并提取每个样本属于最高风险等级的聚类系数，该系数表示该样本对应的水利工程属于最高风险等级的可能性。
由于可能度函数中融合了领域专家的先验知识，所以该聚类系数体现了领域专家对工程安全风险状态的先验判断。

为在传统因子分解机中融入领域专家的先验知识，将灰色聚类系数嵌入到其目标函数中。
该系数能够在模型训练过程中约束模型朝着正确的方向学习，引导模型输出与事实相一致的预测结果。
为此，本文将提出一种嵌入了灰色聚类系数的因子分解机，即灰色因子分解机(Grey Factorization Machine, GreyFM)。
该模型不仅具有数据驱动和风险交互建模的特点，而且通过嵌入灰色聚类系数实现了领域专家先验知识的融合。

为了提升安全风险预测模型的性能，降低模型对样本数据的依赖，本文引入领域专家有关安全风险的先验知识并将其集成到因子分解机中，提出了一种数据-知识融合的预测模型——灰色因子分解机。
首先，为了表征领域专家的先验知识，引入基于可能度函数的灰色聚类对工程样本进行安全风险评估；然后，提取灰色聚类系数并将其嵌入到因子分解机模型中，构造出数据-知识融合的灰色因子分解机预测模型，并基于随机梯度下降构造模型参数的求解算法。
最后，将模型应用于Z省水利工程建设安全监管实践，验证其科学性和有效性。

2.1 基于灰色定权聚类的领域专家知识表征

《水利部关于开展水利安全风险分级管控的指导意见》要求对水利工程建设安全风险实施分级管控。
因此，本文将水利工程建设安全风险预测定义为一个分类问题，根据安全风险的大小将在建水利工程划分为若干个等级或类别。

为了融合水利工程建设领域专家的安全风险先验知识，引入基于可能度函数的灰色聚类对数据集中的N个工程样本的安全风险进行评估。
记训练数据集D中的一条安全风险数据为{xi,yi}(i=1,2,3,…,N),其中，xi=(xi1,xi2,xi3,…,xin)记录了第i个水利工程的n个安全风险因素的观测值，yi表示该水利工程的安全风险等级。

考虑到各安全风险因素的意义和量纲有所不同，本文采用灰色定权聚类模型对每个工程样本进行安全风险评估，详细步骤如下：

(1)根据实际应用的需要，将安全风险划分为m个等级(即m个灰类),并对其进行编号，同时将最高风险等级命名为“高风险”,并将其编号为第1个灰类。

(2)对n个安全风险因素进行编号，邀请水利工程建设领域的专家，结合自身经验和知识构造n个风险因素关于m个风险等级的可能度函数，第j(j=1,2,3,…,n)个风险因素属于第k(k=1,2,3,…,m)个风险等级的可能度函数记为fkjjk(·)。

(3)根据安全风险因素的重要性，确定各风险因素的聚类权重εj(j=1,2,3,…,n),且各聚类权重系数的总和为1。

(4)基于可能度函数fjk(·)和各风险因素的聚类权重εj以及具体的观测值，根据公式

计算灰色定权聚类系数ρk。

(5)从m个灰色聚类系数中提取工程样本属于“高风险”灰类的聚类系数ρ1。

重复上述步骤，计算出N个工程样本的灰色聚类系数ρ1。
该系数融合了水利工程建设领域专家的安全风险经验和知识，表示相关工程属于“高风险”的可能性，工程的安全风险越大，属于“高风险”的可能性就越高，该系数也就越大，反之则越小。

2.2 灰色因子分解机预测模型的构建

将N个样本的灰色聚类系数ρ1添加到原始训练数据集D中，从而得到融合了领域专家先验知识的安全风险训练数据集D′。
训练数据集D′中的一条安全风险数据记为{xi,yi,δi} (i=1,2,3,…,N),其中δi为第i个样本属于“高风险”灰类的聚类系数ρ1。

将数据集D′中的x和y分别作为因子分解机的输入和标签。
同时，为在因子分解机中融入领域专家的先验知识，将融合了领域知识的聚类系数δ添加到模型的损失函数中，进而构建出数据-知识融合的灰色因子分解机。
在训练过程中，通过最小化模型的损失函数来学习模型的参数，模型的公式表示为

式中，Θ={ω0,ω=(ω1,ω2,…,ωn),ν=(ν1,ν2,ν3,…,νn)}为灰色因子分解机在训练过程中需要学习的参数。
δ在模型中作为损失函数的权重，融合了领域专家对工程安全风险状态的先验判断，能够对模型在训练过程中出现的误分类情况施以差异化的惩罚，约束模型参数的更新和学习，引导模型既服从现有风险数据的分布规律，又遵循领域专家的安全风险知识。

由于本文将水利工程建设安全风险预测定义为分类问题，所以选择对数损失函数作为模型的损失函数，即

同时，考虑到灰色因子分解机的参数较多，为防止在训练过程中出现过拟合，在模型中添加L2正则项，即

式中，θ(θ∈Θ)表示模型的各类参数；λ为正则项系数。
添加了L2正则项的灰色因子分解机模型公式表示为

2.3 基于随机梯度下降的模型参数求解

本节基于随机梯度下降构造灰色因子分解机模型参数的求解方法。
随机梯度下降(Stochastic Gradient Descent, SGD)是因子分解机常用的求解算法之一，其中心思想是迭代地调整参数从而使模型的损失函数最小化。
要实现梯度下降，首先计算灰色因子分解机关于参数θ的损失函数的梯度，然后从θ中减去梯度从而实现参数的迭代更新，公式表示为

式中，η为模型的学习率；∂∂θLoss(y^(x|θ),y)的公式表示为

而Loss(y^(x|θ),y)关于y^(x)的导数计算公式，则需要根据具体问题研究所选择的损失函数确定，可参考文献[14]中的具体方法。

依据随机梯度下降的原理，综合上述分析，给出灰色因子分解机模型参数的求解步骤，具体流程如图3所示。

图3 基于SGD的模型参数求解流程

[14] 冯继伟，孙开畅.基于因子分解机的水利工程事件风险状态预测[J].水利水电技术(中英文),2021,52(12):178-184.FENG Jiwei,SUN Kaichang,et al.Factorization Machine-based prediction of safety event risk status of water conservancy project[J].Water Resources and Hydropower Engineering,2021,52(12):178-184.

为验证灰色因子分解机预测模型的有效性，将其应用于Z省水利工程建设安全监督管理实践中，并与逻辑回归、基于线性/多项式/径向基函数内核的支持向量机、因子分解机、深度因子分解机多个基准模型进行了对比，根据最终的测试结果结合Z省水利工程建设安全监管实践对模型性能进行综合评价与分析。

3.1 实例背景

Z省位于我国东南沿海地区，在水利大投入、大建设、大发展的背景下，Z省水利事业取得了快速发展，水利工程建设规模不断扩大，在建水利工程数量逐渐增多。
为提升安全监管效能，Z省水利部门开发部署了移动监督检查APP,实例数据正是来源于该APP中的水利工程建设安全监督检查记录，这些记录客观反映了Z省水利工程建设安全的真实情况。

为全方位监督在建水利工程的安全状况，Z省水利部门对影响水利工程建设安全生产的因素进行了归纳和整理，最终确定“安全机构”“安全人员配备”等9个影响因素，并将其作为安全生产监督检查内容(见表1)。
每个因素都包含4种不同的状态，监督人员根据现场检查情况确定各因素的状态，并将其记录在APP中。
以“安全机构”为例，该因素共包含“完全满足”“基本满足，机构设置有待完善”“机构设置与有关规定及合同约定有较大差距”和“机构设置基本不符合有关规定及合同约定”4个选项。
同时，每条记录还对在建工程的安全生产情况进行了标注，详细记录了该工程在开展安全检查的当期是否出现人员受伤、设备受损问题。
如果出现了上述情况，则将其标记为高风险，反之则标记为低风险。

为保证高、低风险样本数量相对均衡，对数量较少的高风险样本进行了过采样处理，对数量较多的低风险样本进行了欠采样处理。
最终，获取800个样本作为试验数据，其中高风险样本196条，低风险样本604条。
每个样本都包含上述9个风险因素和1个风险等级标签。
由于9个风险因素的取值都为文字描述的离散型变量，为方便处理在数据集中分别使用字母编号对其进行替代。
样本的风险等级标签包括“高风险”“低风险”两种类型，在数据集分别使用“1”和“0”进行标注。

3.2 模型应用

3.2.1 综合评价指标选取

在本实例中，水利工程建设安全风险预测是一个二分类任务，评价二分类模型最常用的方法就是混淆矩阵(见表2),所有的预测结果都可以分为真正类(True Positive, 简称TP,实际为高风险且被模型正确预测为高风险的样本)、假正类(False Positive, 简称FP,实际为低风险但被模型错误预测为高风险的样本)、真负类(True Negative, 简称TN,实际为低风险且被模型正确预测为低风险的样本)和假负类(False Negative, 简称FN,实际为高风险但被模型错误预测为低风险的样本)4种类型。

通常情况下选择“准确率(Accuracy)”来衡量分类模型的预测性能，但是在水利工程建设安全领域，还需重点关注模型对高风险工程的预测准确率。
因为高风险工程通常存在着较大的安全隐患，更容易发生安全生产事故，进而造成人员伤亡和经济损失。
所以，本文还选取了精确率(Precision)、召回率(Recall)和F1值(F1Score)三个指标考量模型对高风险样本的预测准确率。
上述4项评价指标的值越高，表示模型的预测性能越好。
根据混淆矩阵(见表2)的定义，各指标计算公式为

在试验中，按照80%和20%的比例划分训练集和测试集，采用并五折交叉验证的平均数作为各指标的最终结果。
同时，为防止类别不平衡引起模型准确率虚高，在训练集和测试集中均设置了数量相当的高风险和低风险样本。

3.2.2 灰色定权聚类评估

在原始数据集中，工程样本的风险等级标签仅根据工程“是否发生人员受伤、设备受损”确认，这并不能全面反映工程安全风险的分布规律。
根据海因里希安全法则，每个发生安全事故的工程背后都隐藏着大量的存在着安全隐患的工程。
为了帮助模型准确识别出潜藏着安全隐患的水利工程，有必要在因子分解机模型中融入水利工程建设领域专家的先验知识。
领域专家对安全风险和隐患具有高度的敏感性，他们对工程安全风险的先验判断能够为模型提供更多有效的信息。
使用历史数据和领域专家知识作为训练输入的灰色因子分解机预测模型，将能够更好地拟合风险数据的分布规律，同时又遵循领域专家的安全风险知识。

为此，在构建模型之前，邀请水利工程建设领域的专家使用灰色定权聚类对样本的安全风险进行评估。
由于样本的9个指标都为离散型变量，无法使用灰色定权聚类计算，所以在聚类之前，按照统一的规则将其离散取值转化为数值。
以“安全机构”为例，“安全满足”为90,“基本满足，机构设置有待完善”为70,“机构设置与有关规定及合同约定有较大差距”为50,“机构设置基本不符合有关规定及合同约定”为30。
在此基础上，构造可能度函数并对每个样本进行灰色定权聚类评估。

首先对9个指标和“高风险”“低风险”2个类别进行编号，然后分别构造9个指标关于2个类别的可能度函数fjk(·) (i=1,2,3,…,9;j=1,2)。
首先，构造“安全机构”属于“高风险”的可能度函数，根据该指标的取值与安全风险之间的关系选用下限测度可能度函数，并且将函数的转折点设为“20”和“100”,所以其可能度函数为f11[-,-,20,100],公式表示为

重复上述过程构造出其他8个指标关于2个类别的可能度函数。
然后，确定各指标特征的权重εj。
在实际监督检查过程中发现，“安全知识与配合”和“安全防护”更容易出现问题，因此提高二者的聚类权重。
各指标权重最终确定为ε1=0.1,ε2=0.1,ε3=0.1,ε4=0.1,ε5=0.1,ε6=0.1,ε7=0.1,ε8=0.15,ε9=0.15。
最后，计算工程样本属于“高风险”和“低风险”两个类别的聚类系数ρ1和ρ2,提取每个样本属于“高风险”的聚类系数ρ1,并添加原始数据集中，以作为灰色因子分解机模型的训练输入。

3.2.3 模型应用分析

首先将训练样本及聚类系数输入到灰色因子分解机中对其进行训练；然后，在测试集上对模型性能进行测试。
同时，为探索灰色因子分解机的预测性能，选取逻辑回归(LR)、基于线性(Linear)/多项式(Poly)/径向基(RBF)函数内核的支持向量机(SVM)、因子分解机(FM)、深度因子分解机(DeepFM)作为基准模型，在相同的数据集上进行了对比试验，各模型预测结果统计如表3所列。

与没有嵌入灰色聚类系数的传统因子分解机相比，本文所提出的灰色因子分解机的准确率、精确率、召回率和F1值分别提升了3.02%,12.63%、2.72%和6.06%,这表明在因子分解机中嵌入灰色聚类系数以融合领域知识，能够提升模型的预测性能。
深度因子分解机虽然能够捕获更高阶的风险交互，但其整体表现与FM相近，并未有着显著提升。
综合上述4项评价指标可以看出，与逻辑回归、支持向量机、因子分解机、深度因子分解机相比，本文所提出的灰色因子分解机具有最佳的预测性能。
根据上述试验结果，结合Z省水利工程安全监督管理实践，作分析如下。

(1)从领域知识融合视角来看，与FM相比，GreyFM的预测性能得到了较为明显的提升，这表明在因子分解机中融合领域专家的先验知识能够提升模型的预测性能，同时也反映出领域专家先验知识的重要性。
在水利工程建设安全风险管理实践中，不仅要积极地推广和使用机器学习等数据驱动方法，还要重视水利工程建设领域已有的领域知识，对其进行充分地挖掘和利用，并将其与数据驱动方法相结合，实现数据驱动与知识驱动优势互补，从而帮助相关单位对安全风险做出更为合理的评估和判断。

(2)从单一风险因素的视角来看，通过观察GreyFM的一阶特征参数，发现“安全人员管理”“安全检查”“安全防护”等风险因素的系数较高。
这说明在水利工程建设过程中，“安全人员管理”“安全检查”“安全防护”更容易出现问题。
在水利工程建设安全监管过程中，要加强“安全人员管理”“安全检查”和“安全防护”的检查与管理，严格要求施工单位定期开展安全生产教育、培训及考核工作，督促施工作业人员持证上岗、安全生产管理人员长期到位。
同时，积极开展安全生产检查工作，及时发现和扫除安全隐患，围绕检查内容及结果做好相应的记录，针对施工现场重点部位及环节做好安全防护工作。

(3)从风险交互的视角来看，与未考虑风险交互的逻辑回归、支持向量机模型相比，GreyFM在安全风险预测建模时考虑了风险因素之间的交互，同时也具有更为出色的预测性能。
这在一定程度上印证了在水利工程建设安全风险演化和发展的过程中，各风险因素之间存在着交互作用。
通过观察GreyFM的交叉项系数，发现“安全意识”和“安全防护”“安全支持与配合”和“安全防护”“安全制度”和“安全意识”等因素之间存在着较为突出的交互。
这提醒施工单位及监管部门在安全风险管理时重视风险因素之间的交互作用。
当上述具有显著交互作用的风险因素同时出现问题时，则需及时监控安全风险的发展态势，并采取更为严格的管控措施，防止风险交互引发安全事故。

随着智慧水利及工程建设数字化转型的深入开展，将机器学习、深度学习等人工智能技术应用于水利工程建设是今后发展的必然趋势。
为了提升数据驱动的水利工程建设安全风险预测模型的性能，本文引入领域专家的先验知识，并将其集成到因子分解机中，提出了一种数据-知识融合的安全风险预测模型——灰色因子分解机，同时结合Z省水利工程建设安全监管实践对其有效性进行了验证。
本文研究的主要贡献如下。

(1)将基于可能度函数的灰色聚类与因子分解机相结合，提出了一种新的数据-知识融合驱动的预测模型——灰色因子分解机，该模型不仅具有数据驱动和风险交互建模的特点，而且通过嵌入灰色聚类系数实现了领域专家先验知识的融合。
同时，本文还基于随机梯度下降构建了模型参数的求解算法。

(2)将模型应用于Z省水利工程建设安全监督实践，对其有效性进行了验证。
试验结果显示，与传统因子分解机相比，融合了领域专家先验知识的灰色因子分解机的预测性能得到了显著提升。
与逻辑回归、支持向量机、深度因子分解机等其他基准模型相比，灰色因子分解机同样具有更好的预测性能。

综上所述，本文提出的灰色因子分解机在水利工程建设安全风险预测任务中具有良好的适用性。
它很好地拓展了传统因子分解机在水利工程建设领域的应用，能为水利工程建设安全风险管理提供更好的决策支持，并为水利工程安全风险评估与预测提供新的思路和参考。

水利水电技术（中英文）

水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。
本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也发布国外的先进技术。
期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。