基于云模型的城市轨道交通调度员认知能力评估*

方 铖 黄远春 朱 琳

(上海工程技术大学城市轨道交通学院, 201620, 上海∥第一作者，硕士研究生)

在我国铁路运输生产领域每年发生的各类事故中，80%以上事故为人为失误引发[1]。相关研究表明，认知可靠性是人的可靠性评估的重要因素[2]，对提高列车运行的安全性具有重要意义。运营调度员作为轨道交通系统的“神经中枢”，长期处于高强度工作压力之下，加上特殊的倒班制度，容易出现认知能力失衡的状况，从而产生对工作的倦怠，增加工作失误的概率。因此有必要对运营调度员的认知能力进行评价。考虑到运营调度员在线路处于正常状态下的工作任务相对轻松，故本文主要研究在应急场景下运营调度员的相关认知能力评估。为全面直观了解轨道交通整体运营调度员的认知能力，减小认知能力评估过程中的模糊性和随机性，本文提出基于云模型和改进CRITIC权重法相结合的运营调度员认知能力评估模型。

1 运营调度员认知能力评价指标体系

1.1 作业特征分析

根据运营调度员应急处置过程中的作业流程、内容、控制要求，以及作业特点，可将运营调度员在采取应急处置措施时的操作项划分为5种类型。这5类操作项的作业特征如表1所示。

表1 运营调度员应急处置操作项的作业特征

1.2 建立认知能力评价指标体系

根据运营调度员作业特征、胜任力研究[3-4]以及JT/T 1004.1—2015《城市轨道交通行车调度员技能和素质要求》[5]，本文选取双手协调能力、注意警觉能力、持续性注意能力、决断力、外周知觉能力、反应力作为运营调度员认知能力评估的一级指标。

维也纳心理测试系统被广泛应用于认知能力测评，该系统能够记录被试者的操作时间、操作是否正确等数据。为实现所选取的认知能力一级指标的量化，选取该测试系统对应测试项目中获得的指标参数作为二级指标。

构建的运营调度员认知能力评估指标体系如图1所示。

图1 运营调度员认知能力评价指标体系

1.3 维也纳测试系统结果分析

本文随机抽取上海轨道交通路网202名运营调度员，通过维也纳测试系统完成实际测试(见图2)，导出每项指标的系统记录结果，形成用于云模型评估的初始数据集。利用SPSS(统计产品与服务解决方案)软件对测得结果进行Cronbach′sα信度检验，得到α系数值为0.612(0.6～0.8表示较好)，说明测试结果具有较好的一致性和稳定性。在效度检验中，KMO(Kaiser-Meyer-Olkin)值为0.632，且显著度p<0.01，说明测评结果具有较好的效度。但维也纳测试系统目前只能获取单人单项的心理测评数据和结果，无法有效、直观地估计单人综合或某一批受试者的整体认知能力，且受试者仅在随机时间段内进行单次测试，存在一定的随机性。此外，维也纳测试系统输出的结果为每个认知能力的等级(即很差、较差、正常、较强、很强)，描述具有一定的模糊性。

图2 维也纳心理测试系统测试实景图

2 基于云模型的评估流程

2.1 云模型基本概念

云模型是处理定性概念与定量描述的不确定转换模型，反映了语言值的模糊性、随机性及二者的关联性问题。

设U为1个定量论域，x为U内的定量数值，则论域U所对应的定性概念T对任意1个x都存在1个有稳定倾向的随机数μ，且μ为x对T所表达的定性语言的隶属度。隶属度μ在论域上的分布称为云，每1个x称为1个云滴[6]，即：

μ:U→[0,1],∀x∈U,x→μ(x)

(1)

云模型的基础主要由云模型的三个基本数字特征值来描述，即期望Ex、熵En和超熵He。Ex表示定性概念T的中心值，并确定云滴x的分布位置；En表示定性概念T所表达的云滴x在定量论域U中的取值范围，反映了定性概念T的模糊性和随机性；He为超熵，即熵的熵，代表了熵的不确定性。在云图中，He通常表示云层的厚度，超熵越大，云层越厚。云模型如图3所示。

图3 云模型分布示意图

2.2 云发生器

2.2.1 正向云发生器

正向云发生器是从定性概念到其定量表示的映射，其根据云的数字特征(Ex,En,He)产生云滴，每个云滴都是该概念的一次具体实现。正向云发生器的工作步骤为：

1)产生1个期望值为Ex，标准差等于En的正态随机数En，s。

2)产生1个期望值为Ex，标准差为En，s的正态随机数x。

4)将x作为具有μ定性概念的一个云滴。

5)重复步骤1)到步骤4)，直到产生满足要求数目的云滴数。

2.2.2 逆向云发生器

逆向云发生器是实现定量值到定性概念的转换模型，可以将一定数量的精确数据转换为以数字特征表示的定性概念。其工作步骤为：

4)删除样本中与期望值距离最近的s个样本点(当N≥100时,s=0.01×N；当N<100时，s=1)，样本数取0.99N，再次计算方差。

6)输出云数字特征(Ex,En,He)。

2.3 认知能力评估流程设计

根据云模型理论，将运营调度员认知能力评估体系视为论域，将每一位参加测试的运营调度员视为一个云滴，则所有运营调度员获得的所有指标评价综合结果形成的云团整体特征即反映了整体运营调度员的认知能力等级。具体评估流程实施步骤如下：

步骤1，确定因素集。建立城市轨道交通运营调度员心理评价指标体系，如图1所示。

步骤2，确定评价集和评价云。评价集合由实际评价方案中定性评论的属性组成。如果实际评价方案中存在g个不同等级的定性评价，则评价集合V={V1,V2,…,Vg}。首先，基于评价集的有界区间，求解V中各等级评价云的数字特征；然后，利用正向云生成器生成评价云图；最后，将模糊评价集转换为实际评价尺度。云数字特征的计算公式为：

其中k为模糊程度,是确定的常数，常取0.1[6]。

步骤3，确定权重集。根据维也纳测试系统获得改进CRITIC权重法[7]的原始评估矩阵，利用数据的波动性(对比强度)和相关性(冲突性)进行权重计算：

步骤4，确定评价结果云。利用逆向发生器生成评价云数字特征矩阵Z。基于得到的W和Z，城市轨道交通整体运营调度员心理评价结果的云模型数字特征C可表示为：

C=WZ

其中：

由于此计算过程涉及云参数和常规参数的混合计算，因此每个云数字特征都是根据云模型和模糊理论的计算规则进行计算的，即：

步骤5，评价结果的确定。利用正向发生器生成数字特征为C的综合结果云模型的云图，将综合结果云的范围和形态与生成的评价云进行分析比较。

3 实例分析

3.1 评价过程实施

依据认知能力评估流程，将每个二级指标的评价结果划分成5个等级，并以此作为评价集V={很差(1分),较差(2分),正常(3分),较强(4分),很强(5分)}。对应的云数字特征为：很差(0.5,0.167,0.1)、较差(1.5,0.333,0.1)、一般(2.5,0.333,0.1)、较强(3.5,0.333,0.1)、很强(4.5,0.333,0.1)。评价指标体系的权重分布如表2所示。利用逆向发生器生成每个二级指标的云特征参数如表3所示，最终得到运营调度员认知能力评价综合结果云的数字特征为C=(2.938 5,1.028 1,0.554 5)。

表2 评价指标体系的权重集

表3 评价指标体系的云特征参数

为了更加直观地展现最终的评价结果，设置云滴数M=3 000，以保证误差小于0.01[6]；利用正向云发生器生成综合结果云的云图，并将评价云和综合结果云放置在一张图中，生成的云图如图4所示。

图4 运营调度员认知能力评估结果云图

3.2 评价结果分析

由综合结果云的数字特征和云图分布可知，隶属度最高、云滴最集中处介于“正常”和“较强”之间，说明了整体运营调度员的认知能力处于正常状态。通过比较综合结果云和评价云的形态发现，综合结果云的跨度及厚度都远远大于评价云的。这反映出受试运营调度员的认知能力等级存在较大差距。

由表3可知，整体运营调度员的注意警觉能力为3.023 7，达到了“较强”水平，与其他能力相比水平较高。在表2中，持续性注意能力与决断力的权重值相对较高，分别为0.219 7、0.229 6。这与运营调度员在日常工作中需要持续关注线路车辆运行情况，果断采取应急处置措施存在一定联系。

4 结语

运营调度员的认知能力会对城市轨道交通运营安全产生重要的影响。本文旨在建立一套科学、系统的评估方法，以获得整体运营调度员的综合认知能力测评与等级评价结果。该评价模型也可针对某个个体进行基于所建立评价指标体系的整体能力评价，即需要被试者在不同时间进行多次测试，并实施所设计的评估流程，最终得到个体的各个能力维度评价等级。城市轨道交通相关部门可结合维也纳测试系统的单人测试结果和整体运营调度员的认知能力等级，开展运营调度员心理辅导、认知能力提升等相关活动，确保运营调度员的认知能力处于正常水平，为城市轨道交通安全运行提供有力保障。