摘要：《铁路“十三五”发展规划》中提到，到2020年全国铁路营业里程达到15万公里。为确保铁路运输持续安全稳定，“十三五”规划在提升技术装备水平的发展目标上还着重提到应提升铁路技术装备水平。如何强化监控检测保障能力是铁路部门各级管理层的一项重要课题。若能利用人工智能来帮助分析大规模的数据，从而获得预测性的洞察分析，将是铁路信息化建设的又一重大跨越。文章对此进行了分析。

关键词：AI技术；机车乘务员；监测分析系统

经调研发现，在排除外界客观因素干扰的情况下，机车乘务员的非标准化操作导致的安全事故占很大比例，比如新手机车乘务员遇到紧急情况应对不合理、作业时间身体抱恙、精神不振甚至是疲劳驾驶等个人主观因素都对操作造成影响。机车乘务员作为保障行车安全的最后一道关口，如何能够保障机车乘务员在值乘中严守标准化操作，贯彻安全作业宗旨，或违规动作发生时，通过相关科技设备进行实时准确有效提醒，是各级安全管理人员的重要课题。目前，采用的主要管控手段是视频记录机车乘务员作业过程，并在机车乘务员结束当天作业后，拷贝相关视频，送到机务段安全部门，通过纯人力的方式进行现场分析。

这种方式仅能起到考核目的，“有则改之，无则加勉”。如果发生大事，根本无法提前阻止，还耗费了大量的人力进行视频分析。据调查，一个机务段每天需分析至少400名机车乘务员的作业情况，占用几十人整天的时间，并且人工容易出现误判情况。如果在机车乘务员刚出现不合格操作的时候，进行实时提醒，同时，长期记录机车乘务员的作业情况，建立完善的安全监督考核系统，在此基础上衍生多类分析功能，比如优秀机车乘务员排名、标杆教学、历史趋势展示等，将能大大提升监控检测保障能力。人工智能领域算法与算力高速发展，已经在多个领域展示其强大的预测力。在计算机视觉（ComputerVision，CV）领域，针对视频数据的处理已有较为成熟的追踪（tracking）与检测（detection）算法。机车驾驶舱拍摄的实时视频数据可作为数据源，结合相关的视频、图像处理算法，为解决以上问题提供了新的方法与思路。基于此提出设计机车乘务员标准化作业监测分析系统，经过多角度技术推导，完全保证其可行性。

1、系统涵盖功能

（1）构建自适应考核评估规则体系。结合现有的考核标准，依托机器学习的能力，构建完善的考核评估规则体系，并能够逐步自动完善。

（2）构建作业行为考核评估模型。基于完善的考核评估规则体系，利用人工智能、图像识别技术手段，构建高准确率的考核评估模型，对机车乘务员的作业行为进行评分考核。

（3）构建异常作业行为故障库。基于机车乘务员作业行为考核评估模型的评估过程，筛选出各种不合归作业行为，根据优先级排序展示，搭建故障库，以供警醒作业人员，提前杜绝隐患。

（4）构建模范教学视频库。基于机车乘务员作业行为考核评估模型的评估过程，可以优中取优，选择模范操作视频，供新手学习使用，尤其是各种突发情况的紧急应对，是一笔宝贵的财富。

（5）优秀机车乘务员排行榜。基于机车乘务员作业行为考核评估模型的评估结果，可以进行不同时间维度的优秀机车乘务员排名展示，比如月度、季度、年度，增强机车乘务员的工作积极性及良性竞争意识。

（6）实时语音监督提醒。模型训练成功后，可安装在机车上，以实时监督机车乘务员操作行为，将隐患扼杀于源头。

2、系统设计步骤

2.1模型训练阶段

（1）基于仿真系统的训练数据采集，按照动作标准构建训练数据集，形成标准视频数据库的比对素材。实际驾驶数据量大，有效数据标注较难。将标注的任务转换为标准数据的采集，缩短了数据收集的周期，并能够针对性地生成数据。同时，根据目标所在位置确定数据采集范围，例如机车乘务员在视频中的位置等，以便利用标准模式为训练模型提供更多信息。

（2）基于Faster-Rcnn架构的目标检测模型建构，解决视频数据中机车乘务员定位的问题，提取判别模型的目标范围。采用目前流行的Faster-Rcnn深度学习架构，使用位置数据训练模型。模型训练完毕后，提取目标范围，降低图像噪声对模型的影响，在离线数据集上实现机车乘务员的准确定位。

（3）基于KCF的模式识别模型构建，根据采集的标准数据进行模式匹配，判断与标准动作的偏离度，评估机车乘务员行为是否标准。利用KCF算法，对提取的机车乘务员图像部分进行动作识别。在时间序列上与标准数据集中的机车乘务员动作进行矩阵计算，得到与标准动作间的距离测度结果，评估机车乘务员动作的准确性，实现对机车乘务员行为的考核评估功能。

2.2模型预测阶段

（1）离线数据模拟在线化，通过视频数据包含的基本信息按照时间序列进行拼接，测试离线模型的FPS（每秒计算帧数）与预测效果。由于模型旨在实现实时预测，落地方面，需要关注模型计算的FPS，确保模型能够及时地向机车乘务员发起反馈。因此，将离线数据拼接，按照在线预测的标准对模型进行测试（训练集、测试集分离），提升评估模型的计算速度与准确率，确保达到部署要求。

（2）模型触发与实时语音提醒，根据监控数据决定模型触发的时间，对机车乘务员行为进行实时提醒。机车运行过程中面临不同场景时，机车乘务员应做出不同的动作。模型根据监控数据训练多分类模型，确定机车乘务员应当采取的动作，并触发相应的判别模型。通过实时的数据接口及语音提示，汇报机车乘务员动作的偏误，确保机车的安全运行。

（3）构建机车乘务员驾驶行为的评估考核体系。模型在提醒机车乘务员的非标准操作时，保留提示记录。根据记录的次数、与标准动作的偏离程度，计算出该路段机车乘务员驾驶行为的得分。该得分可作为机车乘务员驾驶行为的客观考核标准，构建评估考核体系。

（4）搭建可扩展业务模型分析。基于评估考核体系，构建机车乘务员标准化作业安全监督考核系统，并展开多维度运用，比如优秀员工排名、模范操作教学、历史水平追溯等。

（5）基于长期数据的机车乘务员状态评估，模型部署后仍然会根据新增数据进行模型的更新、扩充模式库、强化学习效果。通过收集较长时间的数据及预测结果，扩展标准库中的内容至非标准行为，可有效判断机车乘务员是否存在明显的动作不到位或处于疲劳驾驶的状态，以决定是否需要进行进一步培训或调班，提高机车运行的效率与安全性。

 3、系统价值体现

（1）节约人力考核成本。通过严格测试上线的系统，完全可以节约现有占用机务段用于分析的人力。

（2）提高机车安全性。实时语音监督提醒能够将威胁扼杀于源头，有的时候仅仅是一个细微误操作，都可能带来重大的安全隐患。

（3）模型高度可扩展性。模型随着数据量增多，准确率会越来越高，系统支持阶段性更新更高准确率模型。

（4）挖掘更大数据价值。原有的分析手段过于原始，不仅耗费大量人力物力，而且可挖掘的数据价值少，通过机车乘务员标准化作业安全监督考核系统，可以挖掘更大数据价值，比如营造良性竞争环境、提高士气、模范教学等。

（5）目标管理过程控制化。通过机车乘务员标准化作业安全监督考核系统，不仅实现了多角度、交叉管理，过程细致可控，还实现了通过过程控制来实现目标管理。

基于大数据机器学习平台，开发基于深度学习算法的机车乘务员驾驶行为考核评估模型，模型通过与视频采集器对接，采用语音提醒监督的方式，实时地对机车乘务员的非标准驾驶行为进行提醒。在此模型基础上，构建客观的机车乘务员驾驶行为考核评估体系，免去人工考核的需要，提高机车运行的安全性，降低人力成本，实现机车的高效运行。

作者简介：朱彬彬（1980—），女，湖南株洲人，讲师，硕士；研究监控数据训练多分类模型，确定机车乘务员应当采取的动作，方向：信息技术。