Максим Алексеевич Кулагин – заместитель начальника отдела разработки технологических информационных систем
ул. 3-я Мытищинская, д. 10, Москва, 129626
Maxim A. Kulagin, Deputy Head of Process-Oriented Information Systems Unit
10, 3d Mytischinskaya St., Moscow, 129626
Валентина Геннадьевна Сидоренко – доктор технических наук, профессор, профессор кафедры «Управление и защита информации»
ул. Образцова, д. 9, стр. 9, Москва, 127994
Valentina G. Sidorenko, Doctor of Engineering, Chair Professor, Department of Management and Protection of Information
9b9 Obrazcova Ulitsa, Moscow, 127994
Цель. Целью работы является рассмотрение опыта снижения влияния человеческого фактора на ход технологических процессов, разработка структуры и математического обеспечения системы поддержки принятия решений по профилактике нарушений безопасности в работе машиниста с использованием методов машинного обучения, анализ полученных результатов. Методы. В исследовании, представленном в статье, используются методы машинного обучения, статистического анализа и экспертного анализа. В части методов машинного обучения использовались: логистическая регрессия, случайные леса, градиентный бустинг над решающими деревьями при частотном представлении категориальных признаков, нейронные сети. Результаты. Сформировано множество характеризующих работу машиниста показателей, которые используются в создаваемой системе. Сформулирован термин «надежность машиниста», как способность не совершать нарушения безопасности движения в течение определенного количества поездок. Реализованы и исследованы алгоритмы прогнозирования нарушений в работе машинистов, используемые для формирования групп надежности и перечня профилактических мероприятий, рекомендуемых для снижения числа нарушений безопасности в работе машиниста. В качестве меток для задачи прогнозирования нарушений безопасности были выбраны грубые нарушения с установленной виной машиниста, которые могут быть совершены в ближайшие 3, 7, 10, 20, 30, 60 дней. Анализ результатов на тестовой выборке позволил выявить, что модель, основанная на градиентном бустинге над решающими деревьями при частотном представлении категориальных признаков, показывает лучшие результаты для задачи бинарной классификации на горизонте прогнозирования 30 и 60 дней. Разработанный алгоритм дал верный прогноз: в 76% случаях при пороге 0,7 и горизонте 30 дней; в 82% случаях при пороге 0,9 и горизонте 60 дней. Перспективным направлением решения поставленной задачи является интеграция различных подходов к прогнозированию возникновения нарушений безопасности в работе машиниста. В качестве дополнительных результатов с помощью лучшей из рассмотренных модели градиентного бустинга над решающими деревьями при частотном представлении категориальных признаков определены 10 наиболее значимых показателей работы машинистов. Заключение. Представлен обзор методов и систем оценки надежности человека и влияния человеческого фактора на безопасность транспортных систем, позволивший выбрать перспективные направления и методы решения задач прогнозного анализа работы машиниста, к которым относятся методы машинного обучения. Сформированное множество показателей работы машиниста, учитывающих динамику изменения качества работы машиниста в прошлом, позволило получить исходные данные для обучения моделей, реализованных в рамках создаваемой системы. Реализованные модели позволили агрегировать информацию о машинистах для принятия точечных и временных профилактических мероприятий, рекомендуемых для повышения надежности машиниста. Сформулированный подход по формированию профилактических мероприятий внедрен в трех депо ОАО «РЖД» в режиме опытной эксплуатации.
Aim. The aim of the paper is to examine the experience of reducing the effect of the human factor on business processes, to develop the structure and software of the decisionsupport system for preventing safety violations by train drivers using machine learning and to analyse the findings. Methods. The study presented in the paper uses machine learning, statistical analysis and expert analysis. In terms of machine learning, the following methods were used: logistical regression, random forests, gradient boosting over decision trees with frequency-domain representation of categorical features, neural networks. Results. A set of indicators characterizing a train driver’s operation were identified and are to be used as part of the system under development. The term “train driver’s reliability” was defined as the ability not to violate train traffic safety over a certain number of trips. Algorithms were designed and examined for predicting violations in a train driver’s operation that are used in defining reliability groups and lists of preventive measures recommended for the reduction of the number of safety violations in a train driver’s operation. Major violations with proven guilt of the driver that may be committed within the following 3, 7, 10, 20, 30, 60 days were chosen as attributes for the purpose of safety violation prediction. Analysis of the results on the test sample revealed that the model based on gradient boosting over decision trees with frequency-domain representation of categorical features shows the best results for binary classification on the prediction horizon of 30 and 60 days. The developed algorithm made a correct prediction in 76% of cases with the threshold value of 0.7 and horizon of 30 days and in 82% of cases with the threshold value of 0.9 and horizon of 60 days. The solution of the problem can be found in the integration of different approaches to predicting safety violations in a train driver’s operation. Additionally, 10 of the most significant indicators of a train driver’s operation were identified with the best of the considered models, i.e., gradient boosting over decision trees with frequency-domain representation of categorical features. Conclusion. The paper presents an overview of methods and systems of assessing human reliability and the effect of the human factor on the safety of transportation systems. It allowed choosing the most promising directions and methods of predictive analysis of a train driver’s operation, including methods of machine learning. The resulting set of indicators of a train driver’s operation that take into consideration the changes in the quality of such operation allowed obtaining initial data for training the models implemented as part of the system under development. The implemented models enabled the aggregation of information on train drivers and adoption of targeted and temporary preventive measures recommended for improving driver reliability. The resulting approach to the definition of preventive measures has been implemented in three depots of JSC RZD in trial operation mode.
The authors declare that there are no conflicts of interest present.