车务段安全信息分析与辅助决策系统研究

刘志鹏，廖家舟，钟晓玲

（成都理工大学 信息科学与技术学院，四川 成都 610059)

0 引言

近年来大数据分析与深度学习在当今社会的很多领域中发挥了巨大的作用，大量传统行业也都在进行技术升级和服务优化，企业的信息化建设是一条必经之路[1]。随着我国高速铁路的迅猛发展，铁路各统计单位均积累了丰富的基础数据，然而在这些信息的数据分析、信息共享等方面仍然存在一定的欠缺，大量基础数据的利用率很低，无法为铁路部门提供详细且准确的辅助决策信息[2]。运用大数据分析的技术和方法，从铁路部门的数据中挖掘有效的信息并对其进行综合分析，是一种行之有效的方法[3-4]。基于此，通过搭建一个统计信息分析和管理平台，以期有效地解决铁路各部门在管理决策、安全管理方面存在的问题[5]。

铁路车务段主要从事运输组织工作，目前普速铁路区段技防设备投入有限，需要依靠较大的人力完成安全生产管理工作，现场作业人员因业务能力、年龄结构、家庭压力及外界环境等多重因素影响，易产生不安全作业行为，给现场作业带来安全隐患。鉴于安全管理工作的长期性、复杂性和突发性等特点，车务段管理人员须时刻抓好安全生产各项工作，现场检查过程中，对作业人员的违反规章行为进行纠正、考核，对检查发现的安全信息录入系统，利用表格或程序进行管理；然而车务段在安全信息运用统计分析方面，缺乏有效方法，不能科学精确地研判现场安全风险及规章缺陷，人为主观因素决策较为突出，在推动安全风险分层防控和安全隐患排查治理方面作用发挥不明显，安全预警工作精准性不高。

综合以上分析，需要研发一个统计分析平台来满足日常工作需求，结合现有基础数据分析模块，运用大数据分析与深度学习模型算法，构建安全信息分析与辅助决策平台的逻辑框架，并能够提供预警预测等辅助决策功能，提高工作与决策效率。

1 车务段安全信息分析与辅助决策系统设计

1.1 系统设计目标与原则

1.1.1 设计目标

车务段安全信息分析与辅助决策系统的设计目标主要包括系统化、智能化和普适化3 个方面。

（1）系统化。为了提高安全信息、人员管理等模块在整个系统中的统一性、准确性，避免各方数据分散统计所导致的数据模块割裂，以至于忽略大量数据间的潜在联系，建立统一的大数据分析平台，充分利用所有数据的价值，从而提供更可靠、更稳定的数据分析结果与辅助决策意见。

（2）智能化。针对原有数据分析方法分散且效率低下问题，车务段安全信息分析与辅助决策系统需要运用成熟的大数据分析方法，引进深度学习模型，实现分析方法的先进性与分析结果的科学性，通过利用数据智能分析的方法达到实时化、多样化、精确化的目标。

（3）普适化。由于车务段安全信息分析与辅助决策系统面向的人群较为复杂，不同类型的用户对系统需求也有所不同，为保护数据安全，对用户身份进行分类，区分使用权限，最大程度满足所有用户的需求和使用体验。

1.1.2 设计原则

车务段安全信息分析与辅助决策系统设计遵照可扩展性、可维护性和可靠性的原则。

（1）可扩展性。系统设计时采用模块化结构设计，模块的独立性较强，各独立模块对整个系统的影响很小，便于对系统进行改进、扩充，利于系统的完善升级。

（2）可维护性。系统开发时使用模型-视图-控制器(MVC)模式，该模式不仅实现了功能模块和显示模块的分离，同时还大大增强了系统的可移植性、可维护性和各组件的可复用性。

（3）可靠性。系统的可靠性包括2 个方面，一是系统的数据安全性，系统必须保证能够长期安全可靠稳定的运行；二是系统能够切实解决用户所面临的问题，并保证数据分析结果的科学性。

1.2 系统架构

以下分别从功能、逻辑和技术3 个方面阐述系统架构。

（1）系统功能架构。根据系统设计目标与原则，采用数据管理员后台与数据分析前台的结构。其中数据管理员后台主要包括用户权限划分、用户管理、基础数据管理、系统管理等功能；数据分析前台则主要包括数据的统计、分析、可视化、预测预警等功能。系统功能结构如图1 所示。

图1 系统功能结构Fig.1 System functional structure

（2）系统逻辑架构。系统逻辑架构如图2 所示，具有以下3 个特点。①在用户个性化需求日益增加的情况下，需要系统具备多种方式访问应用的能力，即有多个视图对应一个模型的能力。例如，系统中所有不同种类、不同形式的安全信息的增加、删除、修改、查询操作均采用统一的信息模型，对应不同的数据表。采用MVC 设计模式[6-7]，利用一个信息模型对应多个视图即可完成这种功能。既减少了代码的复用性，又减少了后期代码的维护量。②将系统的逻辑架构分层化后，一个应用的业务流程或者业务规则的改变往往只需改动MVC三层模型中的某一层而不影响其他层的代码，从而降低了代码的耦合性。③这种架构有利于软件工程化管理。由于不同的层各司其职，能更好地实现系统开发中的分工，也能降低后期系统维护难度。

图2 系统逻辑结构Fig.2 System logical structure

（3）系统技术架构。系统后端总体采用python-flask 框架作为开发平台，基于MVC 模式，系统数据存储使用MySQL作为存储后端。其中在辅助决策模块使用深度学习模型LSTM 及爬虫技术，数据分析模块使用数据可视化及大数据分析等技术。系统前端基于bootstrap 框架，加入大量JavaScript 动态页面技术。系统技术架构如图3所示。

图3 系统技术架构Fig.3 System technical architecture

2 系统功能模块设计

车务段安全信息分析与辅助决策系统采用模块化结构设计，其功能主要包括基础信息管理模块、统计分析与可视化模块，以及统计分析与可视化模块。

2.1 基础信息管理模块

基础信息管理模块如图4 所示。基础信息管理模块主要完成对各类安全信息的实时记录和存储，并在日常数据的维护中对安全信息做基础的增加、删除、修改、查询、撤回等操作。对于数据信息的管理，各基础功能均采取批量化操作。另外，为了满足不同用户的查询需求，设置SQL 查询、特定查询、自定义查询功能模块，支持模糊查询和精确查询，从而提高查询效率。支持手动导入安全信息系统的原始数据和从铁路局集团公司安全信息库中导出数据，提高了数据转化效率，减少了数据的跨平台转换。

图4 基础信息管理模块Fig.4 Basic information management module

基础信息管理模块通过统一管理相关信息、减少人工操作，提高管理效率。

（1）现场安全信息管理。现场安全信息表是通过基层工作人员在沿线车站的现场进行检查记录，主要记录常规检查中的检查记录，以及当发现违反规章时的问题及其附加描述。该信息主要用来对现场的实际工作情况进行管理和监测。

（2）基础安全信息管理。基础安全信息表对所有已出现安全问题主体的详细统计以及对该问题的详细描述进行汇总，实现对整个车务段涉及违反操作管理办法、违反作业标准、运输调度规则等诸多日常安全信息的管理、统计、可视化。以某车务段安全信息为例，通过信息提取，比照海恩法则，对安全信息进行分类：将出现事故苗头的严重问题定为A 类安全信息，将关键性、突出性隐患问题定为B 类安全信息，将一般性安全问题定为C 类安全信息，将对安全生产不会造成直接影响的轻微性问题定为D 类安全信息。

（3）用户信息管理。用户信息表主要用来对整个使用车务段信息系统的用户进行管理、存储、调取，该用户信息统一由系统管理员进行业务操作。

（4）员工基础信息管理。员工信息来源于每年对车务段员工的信息普查，记录车务段中每位员工的详细信息，通过该表能够对整个车务段的人员构成、组织结构有清晰的了解。员工信息与其他信息配合完成系统数据分析工作。

2.2 统计分析与可视化模块

统计分析与可视化模块如图5 所示。该模块主要通过对实时数据库信息进行挖掘，对不同类别的数据进行筛选，形成可视化图表，从而更直观地反映当前工作状态中存在的安全问题与隐患，辅助安监部门开展日常工作。

图5 数据分析与可视化模块Fig.5 Data analysis and visualization module

统计分析与可视化模块从多个维度对数据进行深度分析。①指标类信息。对不同的安全指标进行独立分析，反映不同因素和指标对于安全问题影响程度。②时间类信息。统计并绘制安全信息数量的年度、季度和月度的同比与环比信息，在宏观上反映变化趋势。在此基础之上对周、日、时数据进行统计，在细节上反映近期存在的问题与隐患，展示了在时间维度上对安全问题的分类分析与可视化。部分数据可视化界面如图6 所示。③主体类信息。统计分析在车间/班组/个人3 个维度的安全问题数量。在同一维度中，对各个车间/班组/个人进行精确统计，并进行可视化对比，将问题准确落实在相应主体上，为后续工作指明方向。④综合类信息。主要对整个车务段的员工进行人员基础信息统计，如政治面貌、教育程度、人员来源、年龄结构等基础信息。综合类信息反映了整个单位的员工结构情况，为后续人力资源分配提供参考。⑤关键点信息。通过对人员动态、关键作业环节、关键班组、关键岗位、关键风险点等进行分析，生成一段时期安全风险的动态变化图，并配有针对个体的详细安全信息，从而反映出该时期的具体问题及出现问题较为集中的个体，为各部门的考核提供重要依据。

图6 部分数据可视化界面Fig.6 Part of the data visualization interface

由于系统需要进行大量的实时性绘图，以及数据分析预测等操作，为提高系统的访问速度及性能，采用Flask-cache 模块对系统中的部分视图函数、业务函数进行缓存，并利用Redis 作为Flask缓存后端。

2.3 辅助决策模块

辅助决策模块是建立在对实时数据监测的基础之上，利用深度学习及数理统计方法，对已发现的隐患问题进行风险预警及隐患预测，从而及时了解安全隐患排查情况并推动各单位开展整治隐患工作。辅助决策模块如图7 所示。主要包括风险预警和隐患预测2 大模块。在预警模块中利用统计学方法对各车间、班组、个人的现场安全信息进行安全预警，并根据未来一周的天气情况作辅助决策，针对不同维度与不同等级的风险进行分析及预警，从而达到警示管理人员并提前做出应急处理的目的；在预测模块中，利用深度学习模型对未来2天(以每2 h 为间隔)进行隐患预测，基于已发生的安全信息数据，预测未来发现隐患的数量及隐患较为集中的时间段，并对比近期同一时段隐患数量的变化趋势提出辅助决策建议，为后续工作重点确定方向。

图7 辅助决策模块Fig.7 Auxiliary decision-making module

2.3.1 风险预警模块

（1）主体预警。主体预警通过查询数据库，计算各类安全问题的发生频率，对超过阈值的主体进行邮件预警。管理人员在录入安全信息后，系统对不同主体发生的不同种类安全问题进行统计，对于不同维度的主体所采取的预警阈值算法也不同。①对于车间主体与班组主体，由于各个车间/班组的规模不同，人员组成结构也不同，每个车间/班组采用独立的预警阈值算法，当超过预警阈值系统会自动发送邮件至车间/班组负责人。②对于个人主体而言，统一使用一个预警阈值，若超过阈值，系统会自动给个人发送邮件作为警示，阈值的算法采用指数加权移动平均的思想，通过移动平均消除时间序列中的不规则变动，从而分析出时间序列的长期趋势，系统预警体系随着实际情况的变化而变化。

另外，系统引入评价体系，以选定主体的历史阈值数据作为基础，将历史阈值绘制成图，以更好地反映该主体一段时间内的安全趋势，计算最近时间范围内阈值的斜率，并将斜率值作为该主体当月的安全评分。评分若不大于零则说明该主体处于安全情况逐渐向好或持平的趋势，否则说明该主体安全情况逐渐变差。若连续一段时间评分均大于零且数字呈逐渐扩大的趋势，则将根据该车间/班组具体情况做重点整改。这种评价方式能够弥补指数加权移动平均算法的弊端，实际工作当中根据不同的预警等级对不同主体进行不同的应急处置，并进行相应的日度和月度考核反馈。

（2）天气预警。由于天气状况是影响安全生产与运输的重要影响因素，因而对天气状况的预警必不可少。该模块通过爬虫访问天气预报网络接口，实时爬取不同地区的天气预报，之后会将预报信息经过系统数据处理，最终系统自动根据不同的天气变化、温度变化等变量提前进行邮件预警，并给出应对建议和措施。

2.3.2 LSTM 预测模块

LSTM 预测模块引入长短期记忆神经网络的深度学习模型，基于已发生的安全信息数量进行预测，通过预测数据趋势达到辅助分配管理资源与风险评估的作用。在实际工作中，影响安全问题发生的因素非常复杂，包括现场作业标准、职工不安全行为、管理缺陷等诸多因素，而采用基于历史数据规律的预测方式简化了预测难度，虽然这种方式降低了预测精度，但是预测隐患的数量随时间变化的趋势与实际趋势高度吻合。因此，该模块能够结合预测趋势的变化，对后期工作重点时段的监管力度、监管方式等因素进行调整与辅助分析，并形成综合风险评价报告。

基于LSTM 的安全问题数量预测方法首先对数据进行预处理并构建模型，当进行模型训练和测试时，为实现数据的单变量多步预测[8]，采用滑动窗口逐点迭代的预测方式，将滑动窗口定义为输入数据的宽度[9-10]，对于下一个预测点，使用该宽度的时间窗循环向后移动一个步长，直至达到预测要求。最后将模型嵌入系统，并将预测结果传至前端。数据预测界面如图8 所示。

图8 数据预测界面Fig.8 Data prediction interface

3 结束语

车务段安全信息分析与辅助决策系统通过大数据分析、深度学习等技术手段实现了信息共享、数据整合、综合分析、实时预警、动态管理、风险研判等功能。在系统实际运用中，通过及时发现安全问题的高发时段，并根据数据分析的结果找准问题根源，将安全隐患解决在源头；针对职工由于技能不熟练、盲目作业等导致安全事故频发的现象，及时提出制定针对性管控措施，做到补齐安全管理短板。车务段安全信息分析与辅助决策系统的应用使传统车务段安全信息统计平台得到全面升级优化，提升了数据统计分析水平，提高了工作人员的工作效率和管理人员的决策效率。