面向轨道交通的人工智能课程教学案例库建设与实践

2019-06-18何周阳徐文轩袁浩轩

实验技术与管理 2019年5期

徐凯, 何周阳, 徐文轩, 袁浩轩

(1. 重庆交通大学信息科学与工程学院, 重庆 400074；2. 重庆大学弘深学院, 重庆 401331)

1 人工智能课程教学案例库建设背景

2017年7月,国务院印发《新一代人工智能发展规划》[1],明确指出新一代人工智能发展分3步走的战略目标,到2030年使我国成为世界主要人工智能创新中心。2018年4月,教育部印发了《高等学校人工智能创新行动计划》[2]。当前,人工智能的第三次发展浪潮来势迅猛,“四大”国家新一代人工智能开放创新平台:百度的自动驾驶、阿里云的城市大脑、腾讯的医疗影像、科大讯飞的智能语音,力图在新一轮的国际科技竞争中占据制高点,掌握主导权[3]。人工智能领域的竞争,体现为人才之争。据媒体报道,我国人工智能的人才缺口超过500万,供求比例达到1∶10[4]。人工智能领域的人才缺口巨大,高等学校在人才培养方面责任重大[5]。

“云计算和大数据成就人工智能”[6],作为计算机科学与技术的核心课程,其特点如下：

(1) 知识点多、应用领域广。研究领域广泛, 涵盖了知识表示与推理、模式识别、机器学习、机器视觉、计算智能、智能控制、神经网络、自然语言理解、人工生命、智能机器人、知识发现和专家系统等众多方向,几乎每个知识点都可设立课程单独讲授。人工智能理论与应用已经渗透到工业、农业、交通、军事等诸多领域。

(2) 前沿性强、发展迅速。人工智能课程内容更新快,研究热点也从符号计算发展到智能计算、分布式人工智能Agent和深度学习。在基于深度学习的目标检测和深度学习架构研究这两个研究前沿中,我国离世界水平还有一定距离,国内学者还需在该领域不断奋进[7]。

(3) 理论性强、内容抽象。人工智能一般解决现实中的问题,这些现实问题须进行形式化描述,以使其成为可以用数学方法解决的问题。这种现实问题一般比较抽象,较难用形式化方法描述。

这门课程的上述特点导致了教师在教学中存在如下问题:传统的“教师讲、学生听”的信息单向传输的教学模式让学生处于被动地位,压制学生的主动性和创造性[8]；现有教材理论性强,具体实例少,学生感觉很抽象；教学实践与工程背景相互脱节。因此,有必要对人工智能的课程体系、教学内容和方法进行全方位改革。

在《高等学校人工智能创新行动计划》中,明确提出了探索“人工智能+X”的人才培养模式[9]。鼓励高校对照国家和区域产业需求布点人工智能相关专业。当前各地掀起了轨道交通建设热潮,为适应社会对人才需求,我校在计算机科学与技术专业的研究生培养中,提出了强化轨道交通特色意识,实施特色竞争战略。通过调研发现国内较少有结合轨道交通开展人工智能课程案例教学法的研究。因此,以轨道交通行业为背景,在建立一套完整、规范的人工智能课程教学案例库方面做了以下尝试。

2 人工智能课程教学案例库总体设计

案例教学法是一种具有启发性和实践性的教学方法[10]。在教学案例库设计原则基础上,开展了人工智能知识体系的教学案例库建设。

2.1 设计基本原则

教学案例库设计的基本原则如下:

(1) 案例的规范性与关联性。案例选材以轨道交通为背景,内容紧密结合人工智能领域相关理论和方法,突出教学中的重点和难点,内容详实。让学生从教学案例中有效地理解知识要点及其关联性[11],达到实施案例教学的预期目标和效果。

(2) 案例的互动性与启发性。在案例教学过程中,教师与学生、学生与学生之间能充分互动交流。案例所反映的问题应有深度和广度,启发学生主动思考和研究问题,培养学生形成严谨的思维方式。

(3) 案例的前沿性与创新性。案例建设要精选前沿性、示范性的案例题目。案例建设过程中,教师要鼓励学生在理论、算法上进行大胆尝试、创新。通过算法提出、过程实现、结果仿真、实验验证环节,让学生切身感受案例教学的实践成果。

(4) 案例的实用性与真实性。案例要有真实的工程背景,让学生在学习案例的过程中把握相关工程的设计规律,更接近工程实际[12-13]。案例实验数据来自于工程实际运行,数据具有真实性、连贯性,充分支撑学生实践能力的提高。

2.2 集前沿性、实用性和行业性为一体的教学内容改革

人工智能课程的突出特点是研究领域过于宽泛，而授课课时少,因此追求授课内容“大而全”是不切合实际的,有必要精选教学内容。可用较少学时简要概括一下经典人工智能,如知识表示、搜索技术等一些基本概念和方法。我们将课程的教学重点放在新兴且实用的人工智能技术上,如计算智能、智能控制、机器学习、深度学习以及人工智能综合应用等方面。教材和参考资料选择上应多元化,如计算智能参考北京大学谭营教授译英吉布雷切特的《计算智能导论》,机器学习参考周志华编著的《机器学习》。同时充分利用人工智能网络资源,人工智能典型网站有:中国人工智能协会http://caai.cn、美国人工智能协会http://www.aaai.org/home.html、加拿大人工智能协会http://caiac.ca等。教师要和学生一起追踪人工智能方面的重要会议,如AAAI和IJCAI；分析、研究与人工智能相结合的工程应用以及轨道交通领域的顶级国际期刊,如Engineering Applications of Artificial Intelligence、IEEE transactions on intelligent transportation systems等,及时掌握该学科最新动态,梳理出当代人工智能结合轨道行业领域的研究热点。

2.3 基于人工智能教学内容的案例库建设

案例选择要科学,具有系统性、真实性、典型性和趣味性等特征[14]。我们从国内外研究文献、教师科研项目、学生毕业论文等多种途径,收集案例素材,精心设计并撰写各知识要点的教学案例及内容(见表1)。

表1 基于人工智能教学内容的教学案例示例

3 人工智能教学案例分析示例

教学案例的具体设计要规范化,应包括章节、知识重点和难点、案例名称和内容、案例分析过程、教学手段、思考与探究内容等诸多方面。案例教学采用启发式、探究式、讨论式和参与式的形式[15]。下面分别对3种典型情况进行分析讨论,包括层层深入剖析案例、多种解决方案案例和综合集成案例。

3.1 层层深入剖析案例设计

仿生智能计算中的进化计算、粒子群、蚁群算法,在解决复杂问题优化,特别是轨道交通中列车开行方案、列车节能运行、列车速度曲线优化和列车运行调整等问题中得到广泛应用。这里以计算智能章节中的遗传算法为例,介绍层层深入的剖析案例设计。

章节:计算智能

知识重点:遗传算法、多目标进化理论及应用。

知识难点:遗传算法基本机理、多目标之间的支配关系、Pareto最优边界。

案例名称:基于遗传算法的地铁列车运行调整。

案例内容:在地铁列车晚点情况下,构建以减少列车总晚点和提高列车到发均衡性为优化目标的列车运行调整模型,不考虑起停的附加时分,采用遗传算法求解该初始晚点情形下的列车运行调整方案。

案例分析过程:设定线路上有10趟列车在5个连续的车站依次运行,并给出列车在各站间区间的计划运行时分、计划停站时分、最小追踪间隔、最小发到间隔等诸多参数。列车计划运行图为平行运行图,设定8:00从A站出发的列车因在B—C区间发生误操作,导致到达C站时晚点120 s,采用人工智能方法求解该初始晚点情形下的列车运行调整方案。

这是一个列车总晚点时分和到站均衡性的多标优化问题。在满足列车最小停站时分、区间最小运行时分和列车最小运行间隔等要求约束下,用遗传算法对上述模型进行求解。其解决思路为:首先分析赶点调整模式,将其作为初始方案；在此基础上,对各列车在车站的到达和车站出发时分分别增加幅值。求解初始方案时,第一列晚点列车以最小区间运行时间和最小停站时间运行,直到恢复原计划时分为止。后行列车以第一列车赶点运行时分为基准,在满足约束下,求解其最早到达各车站的运行时分,依此类推可确定初始方案。

案例教学手段:列车运行图调整演示。

思考与探究内容:

(1) 思考问题:适应度函数的设计是影响遗传算法搜索方向的关键。针对列车总晚点时分和到站均衡性两个优化目标,最简单的做法是采用加权求和方式。对构造的两个目标函数采用不同权重系数,将多目标问题转化为单目标问题,得出不同情况下优化后的列车运行调整图,计算出列车总晚点和均衡性指标,分析在不同权重系数下对列车总晚点时分和列车到发均衡性的影响。

(2) 深入探究问题1:上述采用加权求和方式来处理目标函数虽然简单,但存在着如下问题:两个目标之间的单位不一致、各目标加权值的分配主观性较大；由于多目标优化问题不存在唯一的全局最优解,而是存在多个最优解的集合。采用Pareto支配方式对此问题进行研究和评价,这才是恰当且符合当前研究方向的,具有一定的深度和难度。

(3) 深入探究问题2:在应用遗传算法时,可对算法作改进,比如变异采用自适应方式、保护优秀的个体或使用协同式的遗传算法后,对计算出列车总晚点和均衡性指标有何提升？另外,遗传算子在为每个个体提供了进化机会的同时,也产生了退化现象。而生物免疫理论却可抑制进化过程中的退化现象,倘若采用免疫进化方法来解决此问题,其性能指标结果又会怎样？

对上述两个深入探究的问题,分别从多目标函数实质、进化算法改进等不同角度,分别对其进行了层层深入的剖析。不仅训练了学生的计算思维和分析思维,也训练了学生的发散思维。

3.2 采用多种解决方案案例设计

以智能控制章节的人工神经网络原理及其控制为例,介绍高速列车定位采用多种智能解决方案的设计方法。

章节:智能控制

知识重点:人工神经网络原理及其控制。

知识难点:人工神经网络的学习算法。

案例名称:神经网络在列车定位中应用。

案例内容:利用列控系统中应答器提供的定位信息,采用不同种类型的神经网络来降低定位误差。

案例分析过程:

基于应答器实测数据的列车运行定位基本原理:当测得列车经过相邻位置报告点处速度后,利用速度传感器或多普勒雷达测量得到的速度对时间的积分,就可得到列车与最近相关应答器的相对距离,该相对距离加上最近相关应答器的公里标,即可得到列车的绝对位置。因此利用列控系统中应答器和无线消息的信息,就可建立列车位置BP前馈神经网络计算模型,然后基于所建的模型对列车定位位置的精度进行计算和评价。

基于BP神经网络的算法流程可分为以下3步:BP神经网络的构建、训练和预测验证,如下图1所示。

图1 BP神经网络算法流程图

在第一步BP神经网络构建时,将该网络设计成3个输入、1个输出和1个隐含层的网络结构。3个输入分别为列车相邻位置报告点处速度(Vi,j-1,Vi,j)和运行时间(ti,j-1,j),输出为列车在相邻位置报告点之间的走行距离(Di,j-1,j)。隐含层包含8个神经元节点,即3-8-1的网络结构,如图2所示。

图2 BP神经网络的构建

在第二步神经网络训练中,使用归一化处理后的输入、输出数据,让训练后的网络能预测非线性函数的输出。从样本数据中选2/3训练用,剩余的1/3作为验证数据,用于测试网络的拟合性能。在第三步神经网络预测验证中,用第二部分训练好的网络对函数进行预测输出,对预测结果进行分析验证。

案例教学手段:列车定位BP网络演示。

思考与探究内容:

(1) 思考问题:结合列车定位问题,教师先介绍BP神经网络算法流程,逐步让学生理解BP网络结构设计、输入输出数据的预处理、初始权值设计,并通过现场实验演示和验证。开展课堂讨论,引导学生对实验质疑。学生在此过程中提出了很多问题:隐层神经元个数如何确定？网络训练过程中为什么会出现震荡,如何解决？怎样对训练和权值调整进行改进等？

(2) 多种解决方案探究:工程上常用速度平均法实现列车的定位,除了这里的BP神经网络计算模型外,我们还可使用径向基函数RBF、自适应神经模糊推理系统ANFIS作为列车定位的计算模型。因此不仅可将这3种人工智能方法做横向对比,还要将3种神经网络模型与速度平均法模型作比较,通过实验观察使用人工智能方法,定位误差在性能评价指标上的提高。

另外,神经网络存在着对未经训练的数据泛化能力不足的缺陷。出现该问题的根本原因就是神经网络只考虑了经验风险最小值,忽略了置信范围最小化。而支持向量机SVM则是将这两个因素同时进行考虑,提高了泛化能力。然后引导学生对这些问题进行思考,顺势引出支持向量机的内容。提示学生能否考虑下一步建立SVM列车位置计算模型,采用在线学习策略进行相关实验。

3.3 综合集成案例设计

人工智能课程最后一章应作总结,将多种人工智能方法融合在一起,发挥各自优势来控制复杂的系统,这比单独使用一种技术更灵活、更有效。从控制工程角度看,较为合适的是将模糊、神经网络和计算智能等技术巧妙结合。例如以神经网络控制为主要骨架,通过模糊推理来调节学习方法,遗传算法则实现神经网络结构和参数优化。

章节:人工智能综合集成应用

知识重点:人工智能在轨道交通中应用。

知识难点:人工智能综合集成技术。

案例名称:地铁列车运行智能集成控制。

案例内容:以人工神经网络为主控制器,分别使用模糊系统优化神经网络的学习参数,遗传算法优化模糊神经网络,从而实现列车站间运行和定位停车控制。

案例分析过程:根据列车在不同工况下的控制目标,将列车运行划分为站间运行过程和定位停车这两个阶段,并分别对这两个阶段用人工神经网络方式实施控制。

对于列车在站间运行的控制,使用模糊推理动态调整参数的神经网络控制,可克服传统BP算法训练时间长的缺陷,其原理见图3。根据列车限制速度和实际速度,获取恰当的控制量进行列车运行控制。首先,要获取现场系统的测试数据,利用数据驱动和人工神经网络具有逼近任意非线性函数能力,挖掘数据中隐含的列车控制规律,从而用神经网络代替人以实现列车控制。

图3 基于模糊调整的列车神经网络控制系统结构

具体实现过程为:采用离线训练和在线训练相结合的方式；在离线训练中,为实现神经网络的快速收敛,在分析神经网络学习性能的基础上,让模糊规则表记忆所获得的启发式知识,从而动态地推理出学习率和动量因子参数,让传统静态学习算法动态化,提高学习效率。将离线训练得到的权值和阈值作为在线控制的初始值；下一步进行在线训练,将神经网络求得的控制量作用于列车对象,通过反传和不断循环、在线调整神经网络权值,以实现列车站间的运行控制。

而对于列车的定位停车控制,采用基于遗传算法优化的模糊神经网络控制,具体实现过程在此不赘述。

案例教学手段:基于人工智能的地铁列车运行集成控制演示。

思考与探究内容:上述混合智能集成控制能充分调动模仿人类的模糊推理思维、神经网络逼近任意非线性函数以及遗传算法的优化能力,特别适合于解决信息不确定、模型不精确的问题。此时,教师可启发学生进一步探索并思考:此问题是否还有其他的智能集成解决方案？如何将智能集成控制与轨道交通领域相结合？

4 案例教学的双循环、动态反馈模式

对所建立的案例库应有相应的评价指标,同时还要有完善的质量保障措施,这才能保证案例库建设的质量和教学效果。案例库教学效果评价要素主要涵盖以下5个方面:案例典型示范性、案例解决方案的明确性、案例理论分析完整性与算法创新性、案例实验数据的充分性及结论正确性、案例反映实际工程的真实程度。同时,应制定各项质量保障措施,如确定案例建设内容,组织专家论证,提升案例质量与水平。通过教师评价、学生反馈,实现对案例库的进一步完善。

在案例库教学效果评估方面,构建了案例教学的动态、双循环反馈模式(见图4)。图4中右边按箭头方向是内部循环,从案例建设指标、质量保障措施和建设效果评估三方面来实现对案例库的持续改进和完善；图4中左边按箭头方向是外部循环,外部循环用来实现学生学习效果的跟踪、考核和反馈,以提高案例库建设质量。通过案例教学的内外循环、动态反馈模式,实现了对整个案例教学过程的有效监控,保证了案例库建设内容的充实性和先进性。