劉 杰， 徐 敏

(1.重慶工程職業(yè)技術學院 智能制造與交通學院, 重慶 402260；2。重慶公共運輸職業(yè)學院 運輸貿易系，重慶 402247)

隨著城市軌道交通的迅猛發(fā)展，列車自動駕駛系統(tǒng)(以下簡稱：ATO系統(tǒng))技術也廣泛應用在城市軌道交通日常運營中，盡管ATO技術已經(jīng)相當成熟，但仍不能完全替代人工駕駛。司機駕駛的主要目的是當控制系統(tǒng)出現(xiàn)故障或發(fā)生突發(fā)事件時，可由人工駕駛列車完成運營任務，否則會造成列車滯留區(qū)間或車站，從而阻塞整個線路。多數(shù)地鐵公司規(guī)定晚8點后全部正線列車切換為人工駕駛模式。在人工駕駛模式下，對乘客提供的服務水平質量完全由司機駕駛水平?jīng)Q定。隨著大數(shù)據(jù)和人工智能時代的到來，基于數(shù)據(jù)趨動的城市軌道交通智能化管理將成為未來發(fā)展方向，而司機駕駛水平管理將會成為其中重要的一部分，因此設計以列車數(shù)據(jù)為基礎的司機駕駛水平評價模型，不僅可以提高運營風險抵御能力，而且可以作為司機崗位管理的重要依據(jù)。

1 問題描述

司機駕駛水平的好壞可以從安全、準點、舒適和節(jié)能4個指標來評判，列車行車記錄系統(tǒng)記錄的時間速度時序是最能體現(xiàn)上述4個指標的數(shù)據(jù)，而且數(shù)據(jù)較易獲得[1]。人工駕駛和ATO時間速度數(shù)據(jù)繪制成坐標曲線的形式如圖1、圖2所示。

圖1 人工駕駛過程

圖2 ATO自動駕駛過程

從圖1和圖2可看出，時間速度曲線分為人工駕駛和ATO 2種。根據(jù)經(jīng)驗，ATO駕駛水平普遍高于人工駕駛。以ATO自動駕駛時序數(shù)據(jù)為標準，研究如何對人工駕駛時序數(shù)據(jù)等級評價的問題。具體方法是：利用程序從行車系統(tǒng)導出的文件中抽取原始數(shù)據(jù)，再用數(shù)據(jù)挖掘技術提取原始數(shù)據(jù)特征信息得到特征時序，再用降維技術降低數(shù)據(jù)復雜度得到樣本集，然后構建聚類算法和模糊綜合評價混合模型對樣本集做出評價，最后分析評價結果。

2 數(shù)據(jù)處理

2.1 特征提取

直接采用行車記錄系統(tǒng)提取的原始數(shù)據(jù)作為樣本會產生2個問題。一是特征信息量不夠導致聚類效果不明顯；二是維度不一致導致數(shù)據(jù)無法統(tǒng)一處理。采用python語言編寫的tsfresh包提取時序數(shù)據(jù)特征，tsfresh能夠提取出超過64種特征，這樣既能挖掘原始數(shù)據(jù)潛在特征信息，又能統(tǒng)一所有時序數(shù)據(jù)維度[2]。原始序列表達式如下

(1)

經(jīng)過特征提取后的時序表達式如下

(2)

(3)

(4)

式中,f為tsfresh特征提取作用函數(shù)；D為原始時序集；M為樣本總數(shù)；S′為特征提取后的時序集。

2.2 降維

采用聚類算法對時序數(shù)據(jù)進行等級劃分，而聚類的效果很大程度取決于樣本的維度，特征提取后的樣本維度通常較高，如果直接聚類不僅效果不佳，模型復雜度也顯著增加，影響算法效率，因此需要對特征提取后的樣本降維?？紤]到高維空間可能存在的流形結構 ，采用非線性t-sne降維算法[3]，表達式如下

(5)

S={x1,x2,…,xM}

(6)

式中,xi為樣本；g為t-sne降維算法作用函數(shù)；S為樣本集。

3 模型建立

規(guī)定評價等級為5級，分別為優(yōu)、良、一般、及格、差。模型分為3個階段，第一階段用一種聚類算法將樣本集按規(guī)定等級數(shù)量聚為5類，模型表達公式如下

(7)

(8)

(9)

每一種聚類算法都有其應用局限性，并且不同聚類算法對相同樣本集都會有不同聚類結果，因此采用單一聚類算法其結果可靠性不高。為了解決這一問題，模型第二階段將多種聚類算法的結果用模糊綜合評價算法處理，最后確定樣本等級，公式表達如下

(10)

式中,φ為模糊綜合評價算法作用函數(shù)。

具體算法如下[4]：

步驟1。確定評價因素集U={u1,u2,…,uK}，這里的因素集元素就等同于聚類算法,確定評語集V={0,1,2,3,4}。

步驟2。確定評價因素權重向量W=[w1,w2,…,wk…,wK]，wk由聚類算法本身效果決定。無標簽聚類算法效果評價指標主要有SC(Silhouette Coefficient)，CH(Calinski-Harabasz Index)，DB(Davies-Bouldin Index)3種，其中,SC、CH值越大表明效果越好，而DB值越接近于0效果越好，綜合3個指標的信息給出權重公式如下[5]

(11)

(12)

(13)

(14)

Akv為第k種聚類算法對第v等級隸屬度

(15)

由模型第一和第二階段得出的ri是一次實驗結果，因為各種聚類算法內部隨機因素的存在，導致每次實驗結果會有所不同，因此考慮到模型的穩(wěn)定性，在模型第三階段采用多次實驗取眾數(shù)的方法最終確定評價結果，公式表達如下

(16)

(17)

因為司機的整個駕駛過程由若干條人工駕駛樣本組成，所以形成一條評價等級序列，再利用模糊綜合評價算法對該等級序列進行處理，得到司機駕駛水平評價等級結果。

(18)

這里算法和模型第二階段類似，唯一改變的是評價因素權重向量W的計算方法

(19)

4 實例分析

隨機抽取某地鐵6號線17個車運行記錄數(shù)據(jù)為研究對象，采用python3.6編程抽取得到4 219條時序原始數(shù)據(jù),即M=4 219，其中,ATO自動駕駛3 407條，人工駕駛812條。經(jīng)過tsfresh特征提取后每條時序數(shù)據(jù)維度統(tǒng)一為794維，再用t-sne算法將其降至2維。所有人工駕駛樣本屬于8位司機，即N=8。聚類算法選擇K-means[6]、層次聚類[8]、譜聚類[7]和高斯混合聚類[9]，即K=4。運用提出模型計算得到4種聚類算法一次實驗結果見圖3[10-11]。

圖3 一次聚類實驗結果

從圖3可看出，4種聚類算法的聚類效果都很明顯。再設H=1 000， 8位司機駕駛過程等級變化情況見圖4。

圖4 8位司機駕駛過程等級變化情況

最終司機的評價等級如表1所示。

表1 司機駕駛水平評價等級

5 結論

多種聚類算法和模糊綜合評價混合模型可以規(guī)避單一聚類算法自身缺點，同時能定量給出最終評價結果。從結果來看，抽樣的8位司機當中3位處于中等水平以下，3位中等水平，2位中上水平，沒有優(yōu)秀。這說明司機駕駛水平整體偏低，平時的訓練力度不夠。從每個司機駕駛過程來看，其波動性普遍較大，等級評價為良的2位司機其駕駛波動性也較高，這說明司機的駕駛不穩(wěn)定，起伏較大。由于人的主觀評價波動性更加復雜，因此結論的實際驗證是很困難的，但從總體上而言，以上結論得到了司機管理部門人員的認可。針對上述情況給出如下建議：

(1)購買模擬駕駛仿真設備，加強司機技能訓練力度。

(2)制定合理的獎懲措施，激勵司機提高其駕駛水平。

(3)加強司機的心理疏導，緩解工作壓力。