CN114066297A - 一种高速铁路行车调度员工作状态识别方法 - Google Patents

Abstract

本发明公开了一种高速铁路行车调度员工作状态识别方法，包括以下步骤：S1.在行车调度工作状态进行标定范式实验，并实现眼动特征信息采集；S2.以眼睛动态特征指标作为因变量，调度员工作状态作为判别分析的目标函数值,确定判别规则；S3.将判别阈值加上一个修正量d，得到判别阈值修正量；S4.确定判别时间，进行多次识别误差修正，从而判定调度员的工作状态。本发明制定了使用眼动特征并结合判别分析、误差修正和假设检验进行工作状态识别的组合策略，提升识别的准确率和可靠性。

Description

一种高速铁路行车调度员工作状态识别方法

技术领域

本发明涉及高速铁路行车调度，特别是涉及一种高速铁路行车调度员工作状态识别方法。

背景技术

高速铁路行车调度员是列车运行区段的最高决策者和管理者，其掌握调度区段列车运行状态的能力直接关系到列车运行秩序的稳定。车站自律系统的成功部署一方面减少了行车调度员的工作强度，另一方面又使行车调度员长时间不需要与列车运行系统进行实时交互。因此，对调度员的工作状态进行识别以作出必要提醒是加强列车运行监督的必要辅助技术。

现有的行车调度员状态识别与监督技术主要关注于调度任务负荷和疲劳状态识别：研究人员对不同调度任务的负荷与信息处理量为依据，综合评估调度工作负荷，离线地分析作业场景对工作负荷的影响，在超负荷的条件下加强对调度员的辅助。或是通过图像检测技术提取调度员的眼睑距离，计算眼睑闭合程度变化，估计调度员昼夜疲劳程度概率分布和时间分布，加强易疲劳时段的辅助。

现有的调度员工作状态评估技术没有很好的关注到监控任务增加对调度员警惕性的负面影响，或是在低工作负荷时敏感性不足，或是忽视了工作任务对调度员疲劳的反馈作用。

发明内容

本发明的目的在于克服现有技术的不足，提供一种高速铁路行车调度员工作状态识别方法，针对调度员视觉活动模式不固定而导致的工作识别误差，引入判别阈值修正量和假设检验的方法的组合策略并结合行车调度工作特点减少识别密度，提高单次识别可靠性和准确率。

本发明的目的是通过以下技术方案来实现的：一种高速铁路行车调度员工作状态识别方法，其特征在于：包括以下步骤：

S1.在行车调度工作状态进行两种工作状态的划分，并实现眼动特征信息采集；

S2.以眼睛动态特征指标作为因变量，调度员工作状态作为判别分析的目标函数值,确定判别规则；

S3.将判别阈值加上一个修正量d，得到判别阈值修正量；

S4.确定判别时间，进行多次识别误差修正，从而判定调度员的工作状态。

所述步骤S1包括：

S101.将调度过程中与视觉活动高度相关的调度任务、调整任务与记录任务进行工作状态划分：

将监控任务划分为监控状态；

将调整任务与记录任务合并为一类形成调度员的任务状态；

S102.在划分的任务状态时段和监控状态时段按照每30s一次的频率采集包含多个眼动特征的样本x,每个样本x是包含9个指标的向量：

x＝[瞳孔不宁,瞳孔大小,眼跳频率,眼跳振幅,眨眼持续时间,眨眼间隔,眨眼频率,注视次数,注视时间]。

所述步骤S2包括：

S201：对于步骤S102中的得到的样本x，若对应的时段为任务状态时段则将样本加入集合X₁，对应的时段为监控状态时段则该样本加入集合X₂

S202：计算两种工作状态的均值向量

其中i＝1时表示任务状态，i＝2时表示监控状态；

S203：计算两类的类内离散矩阵

S204：计算类内总离散矩阵

S_w＝S_w1+S_w2；

S205：计算矩阵S_w的逆矩阵

S206：求出系数向量

S207：确定判别函数为

S208：确定判别函数的阈值

其中，N₁和N₂为集合X₁和X₂中样本的个数；

所述步骤S3包括以下子步骤：

S301：求实验样本判别函数标准差：

其中i＝1，2；N_i为集合X_i的样本个数；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果

S302：计算实验样本判别函数值的概率分布函数：

其中i＝1，2；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果；

S303:确定修正量d的取值：

其中w₀为步骤S208的计算结果；错判损失比q(1∣2)/q(2∣1)为常数，由以往实验的经验值确定，取值范围为2.37～3.88；N_i为集合X_i的样本个数；d为方程求解的结果。

S304：修正判别阈值，令

w₀＝w₀+d

S305：分类规则：若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为任务状态，y<w₀,识别样本为监控状态；若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为监控状态，y<w₀,识别样本为任务状态。

所述步骤S4包括：

每n次判定后对调度员进行一次预警，单次判定的准确率为p，判定为监控状态需要的最低次数为C^*，参数n，p和C^*的一般数学关系如下：

其中，α取0.9，p取0.78，n为使用者需要的调度员最长连续监控时间的两倍；C^*为满足上式的整数，监控状态识别规则修改为：在连续n/2分钟内，至少C^*个样本判定为监控状态时，将该调度员的工作状态判定为监控状态。

本发明的有益效果是：本发明设计高速铁路行车调度工作状态分类的范式实验，用以作为调度员工作状态识别的参考标准，对特定的识别对象的工作状态进行标定，并针对调度员视觉活动模式不固定而导致的工作识别误差，引入判别阈值修正量和假设检验的方法的组合策略并结合行车调度工作特点减少识别密度，提高单次识别可靠性和准确率

附图说明

图1为本发明的方法流程图；

图2为行车调度工作状态标定范式实验样本样例示意图；

图3为实施例中的验证结果示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

高速铁路行车调度员进行监控工作的时间比例显著增加，与行车指挥系统的交互减少。设计适应调度员工作任务和工作环境特点的工作状态分类方法有助于避免调度员长期处于低负荷状态而导致的警惕性降低。本发明构建了标准试验范式下的工作状态标定-眼动特征提取-分类识别模型建立-误差修正的技术方案，具体地：

如图1所示，一种高速铁路行车调度员工作状态识别方法，包括以下步骤：

S1.在行车调度工作状态进行标定范式实验，并实现眼动特征信息采集；

调度任务的基本操作单元可划分为监控任务，决策任务，调整任务，记录任务和通话任务。其中监控任务，调整任务与记录任务是与视觉活动高度相关的调度任务，其视觉搜索范围限制在桌面场景内，具备较强的可辨识性。由于长时间的监控任务促进警惕性的降低，故将监控任务划分为监控状态，而将调整任务与记录任务合并为一类形成调度员的任务状态。监控状态与任务状态构成了桌面场景下调度员工作任务的二分类模式，作为工作状态划分的依据。

被试人员被要求管理约340km的调度区间共计9座车站的行车组织工作。3小时阶段计划包含18对列车，阶段计划的列车运行图如图3所示。每间隔30min，被试人员进行一次列车晚点调整或区间/车站限速任务，任务完成后重新下达阶段计划，这类任务定义为固定任务。在固定任务之间，被试人员主要进行监控列车运行，并且会不定时的检查阶段计划以掌握列车运行秩序的变化，及时发现并化解冲突。这类调整运行计划和处理突发事故的冲突化解任务(列车运行线冲突、车站进路冲突)称之为非固定任务。实验人员完成固定任务和非固定任务形成的任务序列即为被试人员的任务状态集，任务之间为监控状态集。

实验开始时刻的前30min～40min被试人员熟悉环境，静坐放松。然后向被试人员讲解实验区段的线路、车站、运行图以及调度任务概况。实验开始前10min，被试检查实验系统初始状态。实验开始后，实绩运行图模拟系统开始工作，在实验正式开始的10min后，研究人员通知被试执行预设的实验任务。被试着依照《高速铁路行车组织细则》和《铁路技术管理规程(高速铁路部分)》执行模拟调度任务。实验过程中全程录像以统计实验过程进行的详细任务。

在实验过程中采用德国The SMI Eye Tracking Glasses 2w(SMI ETG)眼动仪及被套的分析软件BeGaze记录眼部特征信息，采样率设置为30Hz。在原始数据和事件数据的基础上，本研究采用30s的采样时段，统计了总共4类9个眼动指标。眼动指标分为扫视、瞳孔、眨眼、注视4类，包括扫视频率，扫视振幅，注视累计瞳孔大小，瞳孔不宁，眨眼持续时间，眨眼间隔，眨眼频率，注视次数和注视时间来全面地反映眼睛运动的状态。

S2.以眼睛动态特征指标作为因变量，调度员工作状态作为判别分析的目标函数值,确定判别规则：

调度员眼睛动态特征在不同的工作状态下呈现显著差异的同时其数值的分布又呈现一定的交叉，通过单一指标的分布规律不能将调度员不同的工作状态准确地区分开来。找到一个由原始自变量组成的线性函数使得组间差异和组内差异的比值最大化，从而将样本纳入不同的总体，这就是判别分析。以眼睛动态特征指标作为因变量，调度员工作状态作为判别分析的目标函数值，判别函数与判别规则的确定如下：

S201：对于步骤S102中的得到的样本x，若对应的时段为任务状态时段则将样本加入集合X₁，对应的时段为监控状态时段则该样本加入集合X₂

S202：计算两种工作状态的均值向量

其中i＝1时表示任务状态，i＝2时表示监控状态；

S203：计算两类的类内离散矩阵

S204：计算类内总离散矩阵

S_w＝S_w1+S_w2；

S205：计算矩阵S_w的逆矩阵

S206：求出系数向量

S207：确定判别函数为

S208：确定判别函数的阈值

其中，N₁和N₂为集合X₁和X₂中样本的个数；

S3.将判别阈值加上一个修正量d，得到判别阈值修正量：

判别分析的结果有一定的错误率，这种错误来源于不同状态下的部分样本的判别函数值相等。将识别错误的类型分为E(1∣2)和E(2∣1)，对应的错判损失q和错判样本数量n的定义如表1所示。

表1 判别分析错误类型参数定义表

在现场的调度生产工作中，错判类型E(1∣2)造成的列车晚点或列成运行秩序的损失q(1∣2)远大于q(2∣1)。若不可避免地产生错判，则应尽量地减少错判带来的损失,减少错判类型E(1∣2)发生的次数。为了将判别模型的错判类型尽量地纳入到将任务状态错判为监控状态这一类型中，将判别阈值加上一个修正量d，修正量d的求解过程如下：

S301：求实验样本判别函数标准差：

其中i＝1，2；N_i为集合X_i的样本个数；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果

S302：计算实验样本判别函数值的概率分布函数：

其中i＝1，2；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果；

S303:确定修正量d的取值：

其中w₀为步骤S208的计算结果；错判损失比q(1∣2)/q(2∣1)为常数，由以往实验的经验值确定，取值范围为2.37～3.88；N_i为集合X_i的样本个数；d为方程求解的结果。

S304：修正判别阈值，令

w₀＝w₀+d

S305.对于识别样本，比较样本的判别函数值y与阈值w₀的大小，得出其分类,分类规则：若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为任务状态，y<w₀,识别样本为监控状态；若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为监控状态，y<w₀,识别样本为任务状态。

S4.确定判别时间，进行多次识别误差修正，从而判定调度员的工作状态:

为了减少不必要的干预措施，给调度员留下一定的监控时间，防止调度员工作强度过高，将高速铁路行车调度员工作状态干预的时间点设置在连续多次判定为监控状态且一定时间内未进行干预时。每n次判定后对调度员进行一次预警，单次判定的准确率为p，判定为监控状态需要的最低次数为C^*，参数n，p和C^*的一般数学关系如下所示：

其中，α为统计学意义上的显著性，通常取常数0.9，p为历史判定准确率，取实验获得的经验值0.78，n为使用者需要的调度员最长连续监控时间(单位：分钟)的两倍，因采样时长为30秒。C^*为满足上式的整数。监控状态识别规则修改为：在连续n/2分钟内，至少C^*个样本判定为监控状态时，才将该调度员的工作状态判定为监控状态。这时可根据需要对调度员进行提醒。

在本申请的实施例中，选取一名被试人员按照行车调度工作状态标定范式实验的流程进行约90分钟的实验并标定工作状态、采集眼动特征指标。部分样本数据如图2所示。

其中实际状态标定为1的，属于工作状态，样本x∈X₁；标定为2的，属于监控状态，样本x∈X₂。

样本值x＝[瞳孔不宁,瞳孔大小,眼跳频率,眼跳振幅,眨眼持续时间,眨眼间隔,眨眼频率,注视次数,注视时间]。

根据取得的所有样本和样本所属集合，按照判别函数与判别规则的计算步骤，可求得判别函数系数向量

w^*＝[0.352,0.01,3.108,0.118,49.578,1.838,1.273,-0.152,42.751]^T

各类别样本的判别函数值的均值u₁＝0.60,u₂＝-1.02；标准差σ₁＝0.982,σ₂＝1.030；初始判别阈值w₀＝0.001。则可得判别函数值的概率密度函数为：

初始判别阈值w₀＝0.001可忽略不计，关于修正量d的方程为：

修正量d的取值为0.134。当多次识别时间确定为三分钟时，n＝6，C^*＝5。则最终的判别阈值为0.135，多次识别规则为连续6次判定中至少5将调度员识别为监控状态时，才将该调度员的工作状态判定为监控状态。

对同一个被试再进行约90分钟的实验并标定工作状态、采集眼动特征指标。按照最终判别阈值和多次识别规则进行验证，验证结果如图3所示，总共10次“多次识别判定”中仅出现1次误判和1次迟判。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种高速铁路行车调度员工作状态识别方法，其特征在于：包括以下步骤：

S1.在行车调度工作状态进行两种工作状态的划分，并实现眼动特征信息采集；

S2.以眼睛动态特征指标作为因变量，调度员工作状态作为判别分析的目标函数值,确定判别规则；

S3.将判别阈值加上一个修正量d，得到判别阈值修正量；

S4.确定判别时间，进行多次识别误差修正，从而判定调度员的工作状态。

2.根据权利要求1所述的一种高速铁路行车调度员工作状态识别方法，其特征在于：所述步骤S1包括：

S101.将调度过程中与视觉活动高度相关的调度任务、调整任务与记录任务进行工作状态划分：

将监控任务划分为监控状态；

将调整任务与记录任务合并为一类形成调度员的任务状态；

S102.在划分的任务状态时段和监控状态时段按照每30s一次的频率采集包含多个眼动特征的样本x,每个样本x是包含9个指标的向量：

x＝[瞳孔不宁,瞳孔大小,眼跳频率,眼跳振幅,眨眼持续时间,眨眼间隔,眨眼频率,注视次数,注视时间]。

3.根据权利要求1所述的一种高速铁路行车调度员工作状态识别方法，其特征在于：所述步骤S2包括：

S201：对于步骤S102中的得到的样本x，若对应的时段为任务状态时段则将样本加入集合X₁，对应的时段为监控状态时段则该样本加入集合X₂

S202：计算两种工作状态的均值向量

其中i＝1时表示任务状态，i＝2时表示监控状态；

S203：计算两类的类内离散矩阵

S_wi＝∑_x∈Xi(x-u_i)(x-u_i)^T；i＝1，2

S204：计算类内总离散矩阵

S_w＝S_w1+S_w2；

S205：计算矩阵S_w的逆矩阵

S206：求出系数向量

S207：确定判别函数为

y＝w^*Tx

S208：确定判别函数的初始判别阈值

其中，N₁和N₂为集合X₁和X₂中样本的个数。

4.根据权利要求1所述的一种高速铁路行车调度员工作状态识别方法，其特征在于：所述步骤S3包括以下子步骤：

S301：求实验样本判别函数标准差：

其中i＝1，2；N_i为集合X_i的样本个数；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果

S302：计算实验样本判别函数值的概率分布函数：

其中i＝1，2；u_i为步骤S202的计算结果；w^*为步骤S206的计算结果；

S303:确定修正量d的取值：

其中w₀为步骤S208的计算结果；错判损失比q(1∣2)/q(2∣1)为常数，取值范围为2.37～3.88；N_i为集合X_i的样本个数；d为方程求解的结果。

S304：得出判别修正阈值，令

w₀＝w₀+d

S305：分类规则：若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为任务状态，y<w₀,识别样本为监控状态；若步骤S202计算的已知样本的均值向量u₁和u₂，有

且

则若识别样本x的判别函数值y>w₀，识别样本为监控状态，y<w₀,识别样本为任务状态。

5.根据权利要求1所述的一种高速铁路行车调度员工作状态识别方法，其特征在于：所述步骤S4包括：

每n次判定后对调度员进行一次预警，单次判定的准确率为p，判定为监控状态需要的最低次数为C^*，参数n，p和C^*的一般数学关系如下：

其中，α取0.9，p取0.78，n为使用者需要的调度员最长连续监控时间的两倍；C^*为满足上式的整数，监控状态识别规则修改为：在连续n/2分钟内，至少C^*个样本判定为监控状态时，将该调度员的工作状态判定为监控状态。

Images