基于BP神经网络的铁路安全管理评价研究

孔德扬, 高磊

(西安交通工程学院 交通运输学院， 陕西 西安 710000)

0 引言

铁路当前安全管理系统趋向于构建人—机—环境的系统工程，但是由于客观条件限制，人的因素所占权重居高不下，管理人员对于现场安全管控影响力巨大。

从工作现场的实际情况来看，安全管理分为两个层面：一方面是管理人员对于作业人员的监控和管理；另一方面是作业人员对于各项作业流程的技术管理。管理人员的管理经验和威信成为安全管理主导因素，这是多年来现场形成的特殊但是短期内无法改变的现状，因此如何选择管理人员成为铁路安全管理中重点因素。同时，作业人员的性格与技能水平是安全管理中的基本条件，一般来说性格、年龄、学历等都会成为作业人员能否安全作业的重要影响因素。加之作业人员极易受到管理人员的影响(既有积极影响也有消极影响)，人与人之间的性格相斥等原因，在有限的人员数量中选择管理人员与作业人员的最佳构成相当困难。

近年来关于铁路安全管理的研究成果较为丰富，黄钢[1]在分析各类事故致因理论的基础上，提出创建安全风险管理体系；吕峰[2]从管理与设备角度阐述了当前风险管理的问题与对策；焦文根[3]在分析现阶段安全管理体系问题的基础上，提出基于领导、分工、专业、岗位4个负责制度的责任体系标准及对策，并要求在实行过程中长期反馈、调整；杨连报等[4]分析了铁路安全管理系统与数据的现状按照“人——设备——环境”3个方面，给出了铁路安全管理大数据应用的需求分析模型；李广渊等[5]指出基层站段安全管理的主要影响因素，特别强调干部管理能力直接影响安全管理工作。上述文献是以上层安全管理的角度，提出宏观安全管理优化方向与手段，但在具体安全风险管理算法方面没有过多涉及。刘永诗[6]针对铁路集装箱运输创建人工神经网络模型，对运输过程中的风险进行评价，于辰成[7]针对高铁中存在的风险隐患,建立适当的评价指标体系,并采用BP神经网络方法建立模型，对高铁进行风险评价并得出整改建议。

随着大数据算法的流行，神经网络模型也成为学者研究的热点问题，主要趋势是根据具体问题将传统BP神经网络经过改进或与其他方法结合后进行计算，周辉仁等[8]与Leung F H F等[9]提出了不同于现有BP训练的遗传算法方法的基于时间序列的预测模型；Wei Y等[10]提出了经验模态分析法与BP神经网络相结合的预测模型，并对客流预测取得了较好的结果。

本文在上述文献研究的基础上，着眼于基层安全管理的具体办法，提出以有限个数的管理人员与作业人员组合为输入基础，以每日安全管理指标为输出标准，创建BP神经网络模型，结合乌鲁木齐铁路局集团公司管内某车站实际数据，选取最佳的班组人员组合，提升现场安全管理效率。在车务系统中，作业人员与管理人员因病假、事假等各类原因换班情况十分频繁，因此提供了较为丰富的样本容量。安全管理评价计算具体步骤为：① 将作业人员与管理人员是否执班生成二维输入，作为评估指标。② 以执班期间以车站考核次数、列车发生延误情况次数、是否发生事故作为输出数据，并按照实际情况分为5个层级。③ 将所有数据按照8:2的比例分组，分别作为监督数据与学习数据。④ 构建并训练BP神经网络模型，使输出正确率达到0.9以上。⑤ 利用随机生成新的人员组合，挑选输出结果最低值作为最优人员组合。

1 创建安全管理评价指标体系

铁路安全风险与众多因素相关，通过设备、环境与人三方面因素分别进行分析。

(1) 设备因素分析

现阶段普速线路与车站段一般采用的计算机集中联锁设备、自动闭塞设备、机车LKJ、STP设备等，高速线路与车站还增加CTC分散自律调度集中设备、CTCS列车运行控制设备，但对于规模较大、高速与普速混合的车站仍采用非常站控模式组织列车，列车驾驶方面也没有完全实现无人驾驶，甚至部分线路、车站由于资金、作业量等因素仍然沿用6 502等老旧设备。设备的多样化造成各站作业标准、管理办法没有统一标准，甚至不同型号设备之间存在技术衔接矛盾。总体来说，设备自动化程度越高，安全风险越低。

(2) 环境因素分析

铁路系统各站、段作业环境与间休环境已经有了巨大改善，本文所强调的是内部控制环境，一般包含职业道德、员工的胜任能力、管理理念和经营风格、组织结构、权利和责任的分配、人力资源政策与措施等。目前铁路内部控制环境与职工、干部需求明显不匹配，导致部分干群关系紧张，职工队伍不够稳定、流动性较大，造成严重违章与事故频繁发生。经过多年的科学管理，整体事故率有了明显的降低，但是在作业关键环节，问题仍然反复发生。

整体环境的改变，需要长期深入改革，在作业人员与作业人员、管理人员与作业人员之间建立足够的信任度。

(3) 人为因素分析

由于铁路系统现阶段没有完全摆脱对于人员的依赖，受限于设备自动化程度不高，人员对铁路安全风险的影响程度较高，以编组站为例，全路除苏家屯等少数高度自动化车站外，其余车站的接发车、调车、货运检查以及车辆技术检查等技术作业均需要人员下达具体计划并执行，造成作业质量不够稳定，安全问题频繁发生。此外车站班组内部人员关系涉及多方面因素，值班站长多是依靠管理经验与威信对班组人员进行管理，因性格相斥、作业习惯等因素造成作业中效率低下甚至故意拖延的情况成为管理中的顽疾。

综上所述，综合比较分析设备、环境与人为因素，本文选取人为因素进行具体分析，针对作业人员与管理人员的班组人员组合进行优化。

1.1 评估指标建立

铁路车站按照四班制轮换，单组评估指标按照一班班组人员出勤情况建立，出勤取值为1，反之取0，如表1所示。

表1 安全评估指标示例表

由表1可知，评估指标为0-1标签数据，长度是全站所有班组人员人数，表示作业人员2、3、5与管理人员1出勤。

1.2 评价指标建立

(1) 创建模型

结合现场实际安全卡控项点，创建铁路运输安全管理模型，如式(1)。

Mi=min{m1+m2+m3}

(1)

式中，Mi为在第i个班中铁路运输安全管理指标；m1为列车作业延误次数指标；m2为考核次数指标，m3为发生事故次数指标。

在m1、m2、m3三个指标中，m1延误列车为最轻微的情况，一般不会引起严重安全问题，每发生一次记数1；m2考核指标分为“红线”考核、A类考核、B类考核以及C类考核，严重程度依次降低，为便于计算发生“红线”考核记数20，发生A类考核记数10，发生B类考核记数5，发生C类考核记数2；m3事故次数是最为重要的安全管理指标，每发生1次记数为100。

(2) 评估指标层次建立

按照《车务段安全管理系统》中的分类标准，将班组评价指标划分为4个层次，对应各个安全管理指标区间，具体为：Mi取值[0,20]评价为标准化班组，取值[21,40]评价为良好班组，取值[41,60]评价为达标班组，取值[61,+∞]评价为未达标班组。

2 BP神经网络模型

2.1 BP神经网络原理

BP神经网络是一种基于神经元感知机理的误差反向传播的前馈性神经网络，误差反向传播的前馈性神经网络，层与层之间采用全连接结构，而每层之间的神经元之间不连接结构，如图1所示。

图1 BP神经网络结构图

2.2 BP神经网络计算步骤

参考BP神经网络相关理论[11-14]，建立适合安全管理评价的计算步骤。

Step 1：神经网络初始化。使用高斯分布初始化神经网络各层权重矩阵ω与偏置向量b，确定参数倍数值。

Step 2：数据正向输入。随机选取l组数据组成批量输入数据矩阵Xl，输出数据矩阵Yl，通过神经网络各层计算，如式(2)。

Yl=h(σ(xl×ωp+bp))

(2)

式中，ωp为第p层参数矩阵，bp表示第p层偏置向量，σ(x)为激活函数。当p为输出层时，h(x)=x；当p为输入层或隐藏层时，h(x)分类概率函数。

Step 3：计算输出误差。选用交叉熵误差函数计算输出值与监督数据的误差值，反向传播公式，如式(3)。

(3)

式中，E′为反向传播误差，tl表示l组0-1标签监督数据向量。

Step 4：利用误差值对隐藏层与输入层权重与偏置反向求偏导数，与学习率相乘，对参数矩阵进行更新。

隐藏层参数误差，如式(4)、式(5)。

(4)

(5)

式(4)中，XΤ为X的转置矩阵。更新神经网络各层参数，如式(6)、式(7)。

(6)

(7)

Step 5：重复Step 2—Step 4。

3 实例计算

3.1 数据来源

选取2018年3月1日至2018年10月1日乌鲁木齐铁路局集团公司管内某车站考勤表中记录的人员组合、评价标准作为样本数据。

全站职工、干部共计23人，分为6组，各工种内部人员数量需要符合执班要求，如表2所示。

表2 车站人员分布于执班人数要求表

样本共计190组，每组评价指标取该班组执班期间平加权均值，部分数据，如表3所示。

3.2 参数设定

由于本模型是关于车站工作人员出勤组合问题，因此输入数据为0-1二维数据无需正规化处理。经过多次测试计算，确定具体参数为：mini-batch的l值取8，激活函数使用RELU函数，输入层神经元个数设定为23个，隐藏层43个，输出层4个，参数倍数值取0.3，学习率取值0.08。

3.3 计算结果

选取149组为学习数据，剩余41组为测试数据。利用python3.7编程进行计算，经过1 500次迭代，训练数据识别率为0.932 9，测试数据识别率为0.926 8，利用matplotlib函数生成正确率迭代图，如图2所示。

图2 训练-测试数据正确率迭代图

在迭代1 200次以后训练数据与测试数据基本处于最优状态，测试数据正确率达到期望值0.9。但是由于个别极端数据对权重影响较大，造成测试数据正确率未达到0.95。

3.4 最佳人员组合

BP神经网络模型预测正确率达到0.926 8，可信度较高。因此根据训练完毕的BP神经网络反向计算，寻找车站4个班组最佳班组人员组合。按照同一工种人员不重叠的原则，随机生成500组各班人员组合，班组安全管理指数与评价等级最优情况，如表4所示。

表3 安全指管理评价指标部分样本数据

表4 各班人员组合预测表

4 总结

样本班组人员组合的样本数据具有较为明显的分类特征，经过BP神经网络模型计算，最终预测模型准确率达0.926 8，取得了较好的效果，并根据模型提出最优人员组合。但是鉴于最佳人员组合的局限性，以及选取车站的规模，此结果仍然存在一定的偶然性。因此，本文应在以下3点进行改进。

(1) BP神经网络虽然具备诸多优点，但是在面对不同具体问题时仍然存在兼容性问题，因此在今后的研究中应在模型选取上更加贴近铁路安全管理的要求，例如遗传算法与BP神经网络相结合的GA-BP神经网络模型，Pearson相关系数与BP神经网络相结合的模型，支持向量机与BP神经网络相结合的模型等等。力争模型能够更好的贴近现场安全管理的实际情况。

(2) 此次样本数据体现较好的输入、输出的非线性关系，但是在班组人员较多的车站、样本数据容量增加情况下就无法保证当前精度，因此可以采用2种方法进行改进：一是加入相关设备、环境、车流密度等输入指标，争取更为客观的输出结果；二是合理设置神经网络模型的参数初始值、超参数，利用dropout等方法随机删除神经元，经多次计算后提升模型计算精度。

(3) 本文的数据只考虑了人员是否出勤，而对出勤人员的工作状态、能力、经验等并没有具体分析，从而造成计算结果精度无法进一步提升，但是人员工作状态、能力与经验根据班次情况而变化，并且尚无成熟手段可以监测，因此在接下来的研究中应更多融入心理学及统计学相关内容进行综合研究。