人工智能在我国铁路的应用与发展研究

2019-11-20张晓栋马小宁李平武威

中国铁路 2019年11期

张晓栋，马小宁，李平，武威

（中国铁道科学研究院集团有限公司电子计算技术研究所，北京 100081）

0 引言

进入新时代，信息技术与智能技术飞速发展，全行业开启利用高新技术改造传统产业的进程。铁路行业作为运输骨干，同样面临着前所未有的挑战[1]。我国铁路建设运营场景丰富，存量数据庞大，为新理念、新技术提供了良好的实践基础。随着智能铁路概念的提出，人工智能技术在我国铁路领域的应用日益广泛，以望在传统领域有所突破，进而强化铁路科技创新，巩固和扩大我国铁路领先优势。

随着人工智能技术被世界主流国家提上发展日程，越来越多的国家开始将人工智能与传统行业深度融合，大力发展人工智能交叉领域的应用技术和人才培养。为抢占人工智能发展的重大战略机遇，我国于2017 年7 月颁布了《新一代人工智能发展规划》，将人工智能上升为国家战略[2]。为贯彻党的十九大关于科技强国、交通强国战略部署，我国铁路充分结合人工智能技术，积极开展智能京张、智能京雄、智能蒙华的综合研究[3]，全面推进我国智能铁路建设。

分析人工智能的定义和阶段发展历程，概括人工智能的技术内涵，结合我国铁路未来发展规划方向，从不同技术应用层面对现阶段人工智能在我国铁路的应用与发展进行描述和总结，分析现阶段人工智能在我国铁路领域应用中存在的问题，并对未来的研究与应用提出发展建议，以期为我国智能铁路发展提供参考。

1 人工智能概述

1.1 定义与发展历程

人工智能是对人的意识和思维过程进行模拟并系统应用的一门新兴学科[4]，可分为强人工智能（Artificial General Intelligence，AGI）与弱人工智能（Artificial Narrow Intelligence，ANI），一般通过计算机程序的手段予以实现，并被应用于全领域的一种技术手段。人工智能的相关概念于20 世纪中叶提出，至今经历了3 次较大的发展波动（见图1）。20 世纪40 年代—70 年代，人工智能研究诞生，重点研究将逻辑推理能力计算机化，但受限于计算能力而偃旗息鼓，即“萌芽实验期”；20 世纪70 年代—90 年代，人工智能被广泛理解为计算机对人类知识的总结，但由于理论基础差、交叉学科发展桎梏、实际应用效果较差导致发展暂缓，即“缓慢发展期”；20 世纪90 年代至今，互联网技术的飞速发展为人工智能发展从数据和运算能力方面提供了支撑，计算机从数据中学习算法变得可行，并在某些领域大获成功，即“集中爆发期”。

图1 人工智能技术发展历程

1.2 技术内涵

近年来，随着数据的增长和计算成本的降低，人工智能相关技术飞速发展，机器学习、深度学习、张量学习等新概念经常与数据分析、数据挖掘等传统理论混淆，因此有必要对人工智能的相关技术进行梳理，以期能更好地了解人工智能的技术内涵。

强人工智能是较为理想的状态，当前的技术水平较为欠缺，在真实世界中难以实现，现阶段人工智能仍主要停留在弱人工智能阶段。数据存量与计算能力是制约人工智能发展的两大要素，不断增长的海量数据为弱人工智能提供了丰富的数据支撑，低廉高效的计算能力为弱人工智能提供了强劲的算力支撑。同时传统数理统计、数据分析、数据挖掘也有效支撑了人工智能相关技术的发展（见图2）。

图2 人工智能的技术内涵

当前人工智能的发展方向主要集中在专家系统、智能Agent 规划、推荐系统、情感计算、进化计算、机器学习、计算机视觉、自然语言处理、机器人与机器感知、知识表达与常识库等方面。其中，机器学习是人工智能应用较多的方向，使用算法解析、训练数据，从数据中获取规律，并对事件行为做出判断和预测。机器学习直接来源于早期的人工智能算法研究和传统数理统计理论，包括决策树、随机森林、贝叶斯分析、支持向量机、神经网络等方法。按照学习方式，机器学习可分为监督学习、无监督学习、集成学习、张量学习、深度学习等；按照应用形式，机器学习又可分为回归分析、数据预测、分类与聚类、异常检测、因果推理等。

深度学习是机器学习的一个重要方向，是用于建立、模拟人脑进行分析学习的神经网络，是模仿人脑的机制解释数据的一种特殊的机器学习技术，是在数据存量、计算能力极大提高的前提下对神经网络的充分发展与应用，包括前馈神经网络、径向基神经网络、卷积神经网络等。

随着时间的推移、技术的进步，人工智能、机器学习、深度学习之间存在着密切的关联关系（见图3）。机器学习在20 世纪80 年代开始焕发生机，是人工智能的重要实现手段，也是目前主流的人工智能实现方法，主要体现在底层算法上。深度学习在21 世纪的最初10 年开始蓬勃发展，是机器学习的重要分支，是对神经网络的极大丰富和深度叠加，对数据存量和计算能力有较高的要求。

图3 人工智能、机器学习、深度学习的关联关系

2 人工智能在我国铁路的应用与发展

当前人工智能虽然主要集中在弱人工智能方向，但对传统行业的影响仍较深刻。大量专家学者将人工智能技术应用于传统的铁路建设、装备、运营等方面，为我国铁路实现提质、增效、节能、减排、安全等目标注入了新的动力。当前人工智能在我国铁路的应用与发展主要集中在推理与推荐系统、机器学习、计算机视觉、知识表达与常识库等方面（见图4）。

图4 铁路领域人工智能发展重点

2.1 推理与推荐系统

推荐系统是一种特殊形式的信息过滤系统，一般包括协同过滤推荐、基于内容的推荐、基于规则的推荐等，能够从数据中获取某种潜在规则，向外提供智能推荐服务。案例推理则具有增量学习能力等特点，可以模仿人类思维分析解决问题，在许多知识经验丰富却难以建立数学模型的领域得到广泛应用。推理与推荐系统是人工智能领域一种较新的问题求解和学习方法，在铁路线网规划和运输组织优化等复杂系统中发挥着积极作用。

传统铁路线网规划面临着地理、地质环境复杂，设计强度大，周期长等问题，铁路建设中沉淀了大量的设计参数和约束条件数据，结合地理信息、BIM 等技术，线网规划案例推荐系统可为地址选线快速推荐合理设计方案，有效提高设计效率与施工质量，降低工程投资[5-6]。

货运组织与运输调度是铁路运营的重点问题，利用人工智能和大数据优势，智能分析历史最优方案的外部环境、线网状态、车站情况等复杂因素，结合当前车流、货流情况采用推荐系统智能判定生产场景，并对该生产问题进行转化，智能优化车流径路、集结组合方式、调整列车运行方案、调整调度计划，辅助生产人员作出科学的预测与决策[7-10]。

2.2 机器学习

机器学习在铁路的应用较为丰富，相关专家学者采取了较多尝试，主要集中在辅助决策、模式识别、分类聚类分析等3 个方面。

（1）辅助决策。辅助决策是以信息智能采集处理技术、自然语言处理技术、信息检索技术为基础，构建以决策为导向的方法集，提供全方位、多层次的辅助决策支持。在铁路突发事件应急救援方面，利用人工智能技术对设备、环境、人员等影响因素进行多维分析，以缩短救援时间、降低救援成本为目标，对铁路突发事件进行智能辅助决策[11]。铁路工电供故障检测与应急处理方面，结合工电供设备状态数据，将辅助决策技术与故障信息相融合[12]，智能检测设备风险，为事故预防提供预警方案，避免检测与维修的延时性与滞后性。

（2）模式识别。模式识别是指通过计算机利用数学方法对模式进行自动判断和处理。铁路领域的模式识别具有影响因素多、相互关系复杂等特点，研究难点主要体现在特征值形式多样不易转化为数学表达方式，难以采用某个单一方法处理这2 个方面，需要结合特征提取、模糊识别、神经网络、贝叶斯分析、支持向量机等方法进行特定模式的综合识别。

当前我国铁路领域的模式识别还处于尝试阶段，例如：对车辆轮轴温度、结构、状态的极限模式检测，自动识别与判定车轴状态，尽早排除安全隐患[13-14]；雷电灾害与行车安全关联模式检测，提高行车安全与运输效率[15]；牵引供电跳闸保护报文模式智能识别与分析，保障接触网运用安全[13]；隧道断面形变模式智能识别与监控[16]，为铁路施工管理提供智能检测方法。

（3）分类聚类分析。聚类是将研究对象的集合分为由类似对象组成的多个类的过程，分类是在已有分类标准下，对新对象进行划分的过程。我国铁路具有较强的计划性特征，导致在一些业务领域出现了分类牵强、研究主观性强、判别标准不一的现象，因此有必要结合人工智能中的分类聚类分析方法对铁路各领域业务数据进行分析，对研究对象科学划分。当前我国铁路分类聚类研究主要是采用主成分分析、降维分析、神经网络、随机森林等方法，在路基病害特征聚类分析[17]、道岔故障特征智能诊断[18]等领域开展应用研究。

2.3 计算机视觉

计算机视觉是指采用视频采集设备和计算机代替人眼对目标进行识别、跟踪和测量，并做出图形处理，从多维数据中获取信息的人工智能系统。计算机视觉包括图像处理、状态识别、空间形状描述、几何建模以及认识过程等内容。近年来随着铁路基础设施的改善升级，站车轨旁视频采集设备普及率明显提高，为计算机视觉在铁路领域的发展带来了契机。计算机视觉在铁路的应用主要集中在车站运营、进站管理、应急处理和入侵检测等方面（见图5）。

图5 计算机视觉在我国铁路的主要应用场景

（1）车站运营。铁路车站安检采用图像识别与深度学习方法，利用计算机视觉与机器学习技术对安检物品数据进行实时迭代计算，动态分析旅客携带的潜在危险物品[19]，降低劳动强度与成本，减少人为误差，改善车站运营安保能力。

（2）进站管理。传统纸质票据、电子票号、乘车人身份三者之间的一致性快速检验是乘客进站审核管理的关键问题。计算机视觉方法使人脸信息与纸制票、磁票、二代身份证、IC 卡等票证介质统一起来，将图像采集、信息处理、人脸识别、字符数据训练等人工智能技术应用于铁路制票与进站设备[20-22]。在售票阶段实现纸质票号与票号信息的智能识别与核对，在检票进站阶段缩短核验时间，提高执行效率。

（3）应急处理。突发事件应急处理是铁路客运站面临的重要问题，站内旅客集散状态、接发列车状态、旅客乘降行为等视觉场景是客运站采集的重点，利用图像与视频采集技术从客运站特征、疏散设备状态、应急标识分布、危险行为识别等方面实时采集数据，并分析客运站突发状态与应急方案的关联关系，动态制定并优化应急疏散方案，提高车站安全系数，加快突发事件应急速度，做到防患于未然[23-24]。

（4）入侵检测。异物入侵对列车行车安全危害较大，车内、轨旁设置视频监控设备，实时采集运行区间是否存在入侵异物。结合区域检测、限界确定、边缘更新、背景减除等方法，排除机车设备、铁路路障、风雨雪等检测障碍情况，智能识别行人与异物入侵轨道，提前发现入侵威胁，保障行车安全与人民生命财产安全[25-28]。

2.4 知识表达与常识库

知识表达与常识库是基于知识的系统，以业务领域知识为驱动，根据生产现象进行合理推论进而指导生产决策，具有智能性特征。铁路是多学科的复杂交叉领域，经验是处理铁路常规业务问题的宝贵财富。随着铁路数字化的深入，将经验有效转化为常识库，实时根据情况的变化联动匹配经验知识并有效表达，有利于提高铁路常规业务的响应度和稳定性。当前知识表达与常识库在我国铁路的应用主要围绕故障检测、应急维护、操作流程标准化、安全风险控制等方面，在构建列检作业智能检查库[29]、列车故障库与应急维护策略库[30-34]、钢轨焊接布局与流程知识库[30]、安全风险边线特征库[35]等方面做出了有益尝试。

3 存在问题与建议

3.1 现阶段存在的问题

人工智能与传统铁路建设发展的结合日益紧密，但理论方法与实际运用的结合仍有一定困难，主要存在以下问题：

（1）人工智能在铁路的应用研究尚属起步阶段，行业整体智能化水平亟待提高。我国人工智能在互联网领域应用较多，在传统铁路领域起步较晚，多为实验性质应用。虽在安全监测、视频采集应用服务、辅助预测与决策等较易结合的方面应用较多，但实现的智能化程度不高，尚处于弱人工智能的初级阶段；虽一定程度上改善了既有作业方式，但并未带来本质提升，且缺乏推广性、普适性，实际意义较小。

（2）人工智能在我国铁路的发展缺乏科学的战略性规划，研究较为分散。当前人工智能在我国铁路的研究与应用处于尝试阶段，多借鉴其他领域的研究经验，模仿痕迹明显。研究相对较为独立和分散，缺乏系统性规划和针对性研发，难以产生行之有效的经济效益和社会效益。