基于文本分析的高鐵技術(shù)規(guī)章優(yōu)化研究

楊連報(bào)，劉新，董興芝，李新琴，薛蕊，東春昭，徐貴紅

（1.中國鐵道科學(xué)研究院集團(tuán)有限公司電子計(jì)算技術(shù)研究所，北京100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司運(yùn)輸及經(jīng)濟(jì)研究所，北京100081；3.中國鐵道科學(xué)研究院集團(tuán)有限公司鐵路基礎(chǔ)設(shè)施檢測中心，北京100081）

隨著我國高速鐵路的迅猛發(fā)展和新技術(shù)、新設(shè)備的投入使用，對(duì)高速鐵路的行車安全和技術(shù)規(guī)章管理提出了更高的要求。高速鐵路技術(shù)規(guī)章是指高速鐵路技術(shù)設(shè)備在交付運(yùn)營后，涉及行車組織、信號(hào)顯示、技術(shù)設(shè)備的運(yùn)用、管理、維修等方面的規(guī)章制度。我國已經(jīng)形成國鐵集團(tuán)—鐵路局集團(tuán)公司—站段的三級(jí)技術(shù)規(guī)章體系[1-2]。

制定有效、合理、有針對(duì)性的技術(shù)規(guī)章是我國高鐵安全運(yùn)營的重要基礎(chǔ)保障。目前國內(nèi)關(guān)于高鐵技術(shù)規(guī)章的制定和優(yōu)化進(jìn)行了很多研究，郭錦［3］提出我國技術(shù)規(guī)章體系中國鐵集團(tuán)和鐵路局集團(tuán)公司級(jí)技術(shù)規(guī)章內(nèi)容重復(fù)、抵觸等問題的優(yōu)化建議；王宇嘉等［4-5］提出應(yīng)用層次分析法的模糊綜合評(píng)價(jià)模型評(píng)價(jià)鐵路局集團(tuán)公司級(jí)鐵路技術(shù)規(guī)章編制和修訂前后對(duì)行車組織和安全的影響，并從目標(biāo)、原則、方法及步驟3個(gè)方面對(duì)客運(yùn)專業(yè)的技術(shù)規(guī)章進(jìn)行優(yōu)化；保魯昆等［6］提出利用詞頻和共詞統(tǒng)計(jì)定量分析鐵路技術(shù)規(guī)章中內(nèi)容和條款適應(yīng)性；孫耿杰等［7］則應(yīng)用系統(tǒng)工程理論實(shí)現(xiàn)工務(wù)專業(yè)技術(shù)規(guī)章目錄的構(gòu)建。

不同于既有技術(shù)規(guī)章的定性或定量的分析，以下提出一種新的基于歷史非結(jié)構(gòu)化文本數(shù)據(jù)分析的高鐵技術(shù)規(guī)章優(yōu)化方法，即根據(jù)技術(shù)規(guī)章修訂專家制定的技術(shù)規(guī)章分類標(biāo)準(zhǔn)和標(biāo)注的訓(xùn)練數(shù)據(jù)，應(yīng)用集成學(xué)習(xí)LightGBM文本分類模型實(shí)現(xiàn)海量高鐵安全巡檢記錄數(shù)據(jù)的智能分析和推理。其中，高鐵安全巡檢記錄數(shù)據(jù)可以為技術(shù)規(guī)章的制定提供實(shí)際的數(shù)據(jù)參考，從而使技術(shù)規(guī)章的制定能更加符合現(xiàn)場作業(yè)的要求，具有實(shí)際的指導(dǎo)和約束作用。

1 高鐵安全巡檢記錄數(shù)據(jù)

高鐵安全巡檢記錄是鐵路局集團(tuán)公司安監(jiān)室以及車務(wù)、機(jī)務(wù)、工務(wù)、供電等各專業(yè)安全科人員在現(xiàn)場巡檢時(shí)發(fā)現(xiàn)現(xiàn)場安全問題而形成原始和處理的非結(jié)構(gòu)化文本記錄，是鐵路生產(chǎn)作業(yè)最直接的體現(xiàn)。既有的安全巡檢記錄分類主要是從業(yè)務(wù)角度來區(qū)分，并沒有和技術(shù)規(guī)章進(jìn)行很好對(duì)應(yīng)（見表1）。

表1 高鐵安全巡檢記錄樣例數(shù)據(jù)

高鐵安全巡檢記錄每年產(chǎn)生的記錄數(shù)達(dá)到千萬余條，傳統(tǒng)通過人工手段對(duì)海量原始文檔進(jìn)行提取、處理和分類，不僅費(fèi)時(shí)費(fèi)力，而且達(dá)不到理想效果，已經(jīng)無法適應(yīng)當(dāng)前對(duì)海量數(shù)據(jù)進(jìn)行快速深度分析的需要。通過應(yīng)用集成學(xué)習(xí)LightGBM文本分類模型，可實(shí)現(xiàn)巡檢記錄的智能多級(jí)分類。

2 高鐵安全巡檢記錄多級(jí)分類

實(shí)現(xiàn)非結(jié)構(gòu)化高鐵安全巡檢記錄的多級(jí)分類主要包含學(xué)習(xí)和推理階段。其中，學(xué)習(xí)階段主要通過制定多級(jí)分類標(biāo)準(zhǔn)，并隨機(jī)選取2008—2018年的安全巡檢記錄中的部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注。標(biāo)注后的數(shù)據(jù)通過正則表達(dá)式進(jìn)行數(shù)據(jù)中特殊字符、標(biāo)點(diǎn)和英文符號(hào)的濾除，應(yīng)用融合鐵路領(lǐng)域詞典的中文分詞工具Jieba進(jìn)行分詞，并通過Word2Vec和TF-IDF分別生成特征向量，最后應(yīng)用LightGBM模型實(shí)現(xiàn)模型的調(diào)參，形成訓(xùn)練好的模型。

2.1 多級(jí)分類標(biāo)準(zhǔn)

高鐵安全巡檢記錄按照技術(shù)規(guī)章的維度分為2級(jí)分類，其中一級(jí)包含設(shè)備問題、作業(yè)人員違規(guī)、管理人員違規(guī)、信息資料違規(guī)4大類，二級(jí)包含設(shè)備故障或損傷、作業(yè)人員出現(xiàn)管理問題、管理人員出現(xiàn)管理問題、信息資料管理違規(guī)等18小類（見表2）。

表2 高鐵安全巡檢記錄技術(shù)規(guī)章分類標(biāo)準(zhǔn)

2.2 數(shù)據(jù)預(yù)處理與特征向量表示

高鐵安全巡檢記錄數(shù)據(jù)預(yù)處理主要是實(shí)現(xiàn)有關(guān)巡檢記錄中常用詞的去除以及標(biāo)點(diǎn)符號(hào)的濾除，此外通過對(duì)樣本數(shù)據(jù)的觀察，發(fā)現(xiàn)有很多日期、時(shí)間和地點(diǎn)描述，對(duì)于實(shí)現(xiàn)文本向量的表示會(huì)造成干擾。因?yàn)楦哞F技術(shù)規(guī)章分類的特征向量與日期、時(shí)間和地點(diǎn)都無關(guān)，最主要的是檢查發(fā)現(xiàn)的問題和經(jīng)過。因此采用了正則表達(dá)式將日期、時(shí)間和地點(diǎn)等干擾詞進(jìn)行了濾除。

在實(shí)現(xiàn)高鐵安全巡檢記錄數(shù)據(jù)預(yù)處理之后，需要進(jìn)行中文文本分詞。采用融合鐵路領(lǐng)域詞典的分詞方法和Jieba分詞工具實(shí)現(xiàn)文本分詞［8］。針對(duì)分詞后的文件，可以使用TF-IDF和Word2Vec實(shí)現(xiàn)特征向量表示。其中，Word2Vec是2013年Google開源的可以在百萬數(shù)量級(jí)的詞典和上億的數(shù)據(jù)集上進(jìn)行訓(xùn)練的詞向量分布式表示算法，成為目前文本向量分布式表示的主要方法［9-10］。

Word2Vec算法的實(shí)質(zhì)為一個(gè)淺層神經(jīng)網(wǎng)絡(luò)，主要包含CBoW（Continuous Bag-of-Words Model）模型和Skip-gram模型。CBoW模型主要是利用上下文來預(yù)測某一個(gè)目標(biāo)詞的向量表達(dá)。Skip-gram模型則是根據(jù)目標(biāo)詞預(yù)測上下文，從而獲得目標(biāo)詞的詞向量。假設(shè)文本序列集為C={w1，w2，w3，…，wN}，對(duì)于一個(gè)給定詞wt，在選取窗口大小為j時(shí)，此時(shí)的Skip-gram模型主要是通過構(gòu)建神經(jīng)網(wǎng)絡(luò)，使得在所有給定的詞的情況下，能夠最大可能預(yù)測出周圍的詞，模型的損失函數(shù)采用最大似然估計(jì):

文本詞向量表示Skip-gram神經(jīng)網(wǎng)絡(luò)模型的整體架構(gòu)見圖1。

圖1 文本詞向量表示Skip-gram神經(jīng)網(wǎng)絡(luò)模型架構(gòu)

Skip-gram模型最終目標(biāo)就是通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)隱含層中的權(quán)重，使得根據(jù)給定詞one-hot詞向量預(yù)測出輸出詞的概率最大。在這一計(jì)算過程中，神經(jīng)網(wǎng)絡(luò)的隱含層實(shí)際上就是像1個(gè)word embedding查找表，其輸出的1×V維的向量就是詞向量。

2.3 多級(jí)分類模型訓(xùn)練

高鐵安全巡檢記錄文本按照技術(shù)規(guī)章標(biāo)準(zhǔn)分類是1個(gè)2級(jí)分類問題，針對(duì)多級(jí)分類問題可以按照多標(biāo)簽分類的模式進(jìn)行劃分，也可以按照分類器串聯(lián)的方式，即先選擇1個(gè)分類模型實(shí)現(xiàn)一級(jí)分類的識(shí)別，然后在一級(jí)分類的基礎(chǔ)上進(jìn)行二級(jí)分類。多級(jí)分類結(jié)果與普通分類結(jié)果的表示沒有區(qū)別，均是直接為文本打上分類標(biāo)簽。直接選用集成學(xué)習(xí)框架LightGBM［11］，對(duì)二級(jí)分類進(jìn)行識(shí)別，之后根據(jù)分類關(guān)系獲得一級(jí)分類標(biāo)簽。LightGBM是一個(gè)基于決策樹的梯度Boosting框架，比傳統(tǒng)的支持向量機(jī)、樸素貝葉斯分類等可以有更快的訓(xùn)練效率、更高的準(zhǔn)確率，并且可以處理大規(guī)模數(shù)據(jù)，支持并行化學(xué)習(xí)。

LightGBM主要采用直方圖算法實(shí)現(xiàn)連續(xù)的浮點(diǎn)特征值離散化為k個(gè)整數(shù)離散值，并構(gòu)造寬度為k的直方圖，這樣可以較大減少內(nèi)存的消耗，減少運(yùn)算的復(fù)雜度。此外，LighGBM使用帶有深度限制的按葉子生長（leaf-wise）算法，即每次從當(dāng)前所有葉子中找出增益最大的葉子節(jié)點(diǎn)進(jìn)行分類，從而避免產(chǎn)生過多的誤差，為防止產(chǎn)生過擬合增加了最大深度的限制。上述算法的關(guān)鍵參數(shù)可以在模型訓(xùn)練中指定和進(jìn)行調(diào)試。Light?GBM主要包含核心參數(shù)、控制參數(shù)、IO參數(shù)、目標(biāo)參數(shù)、度量參數(shù)、網(wǎng)絡(luò)參數(shù)等，在模型訓(xùn)練中常修改的便是核心參數(shù)、控制參數(shù)等（見表3）。

表3 LightGBM主要參數(shù)說明

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)選取某鐵路局集團(tuán)公司近10年的安全檢查數(shù)據(jù)共計(jì)6億多條，訓(xùn)練數(shù)據(jù)選取共計(jì)6 198條，主要采取準(zhǔn)確率（Precision）、召回率（Recall）和F1值（F1）作為模型評(píng)價(jià)指標(biāo)。

訓(xùn)練數(shù)據(jù)主要是首先根據(jù)多級(jí)分類標(biāo)準(zhǔn)進(jìn)行標(biāo)注，即為每條高鐵安全巡檢記錄增加技術(shù)規(guī)章分類的二級(jí)標(biāo)簽，然后針對(duì)標(biāo)注后的數(shù)據(jù)中的高鐵安全巡檢記錄進(jìn)行融合鐵路詞典的中文文本分詞和基于Word2Vec的文本向量轉(zhuǎn)換，同時(shí)將技術(shù)規(guī)章分類標(biāo)簽數(shù)據(jù)進(jìn)行編碼，最終將所有文本轉(zhuǎn)換為數(shù)字表示的向量形式。

訓(xùn)練通過GridSearchCV進(jìn)行網(wǎng)格訓(xùn)練和調(diào)優(yōu)，其中采用80%的訓(xùn)練數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集，最終得到最優(yōu)的模型參數(shù)為:LightGBM設(shè)置樹的應(yīng)用類型application=multiclasss，模型使用算法boosting=gbdt，度量函數(shù)metric=multi_logss，最大深度max_depth=15，分類數(shù)量num_class=18，葉子節(jié)點(diǎn)數(shù)num_leaves=64，學(xué)習(xí)速率learning_rate=0.01，隨機(jī)特征設(shè)置比列feature_fraction=0.8，重采樣比例bag?ging_fraction=0.9，重采樣頻率bagging_freq=5，正則化系數(shù)lambda_l1=0.6。最后在測試集上得到訓(xùn)練結(jié)果（見表4）。

表4 模型訓(xùn)練結(jié)果

由表4可見，在學(xué)習(xí)階段得到的模型整體的準(zhǔn)確率、召回率和F1值都比較高，可以應(yīng)用推理階段，即實(shí)現(xiàn)剩余數(shù)據(jù)自動(dòng)分類預(yù)測，為技術(shù)規(guī)章的優(yōu)化提供支撐。

4 結(jié)束語

在我國高鐵快速發(fā)展和走出去的關(guān)鍵時(shí)期，高鐵技術(shù)規(guī)章的科學(xué)合理制定和優(yōu)化關(guān)系到高鐵的安全生產(chǎn)作業(yè)和運(yùn)營。基于集成學(xué)習(xí)LightGBM的文本智能分類模型，以非結(jié)構(gòu)化高鐵安全巡檢記錄文本數(shù)據(jù)為分析對(duì)象，基于現(xiàn)場車務(wù)、機(jī)務(wù)、工務(wù)、供電等專業(yè)的實(shí)際作業(yè)中常見的作業(yè)違規(guī)問題，來進(jìn)行有針對(duì)性的技術(shù)規(guī)章制定和優(yōu)化，并可以進(jìn)行有針對(duì)性的培訓(xùn)和重點(diǎn)的獎(jiǎng)懲。如對(duì)于現(xiàn)場作業(yè)中常見的培訓(xùn)管理違規(guī)問題，可從在技術(shù)規(guī)章中增加培訓(xùn)次數(shù)、培訓(xùn)時(shí)長和培訓(xùn)考核的限制，以有效規(guī)避高鐵運(yùn)營中由于技術(shù)規(guī)章制定的疏漏、模糊和不具備針對(duì)性等造成現(xiàn)場作業(yè)不到位，從而從技術(shù)規(guī)章制定和優(yōu)化角度規(guī)避風(fēng)險(xiǎn)隱患，避免故障乃至事故的發(fā)生，保障高鐵的安全運(yùn)行。