彭其淵，胡雨欣，魯工圓

（1. 西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，四川成都610031；2. 西南交通大學(xué)綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，四川成都610031；3. 中國(guó)中鐵二院工程集團(tuán)有限責(zé)任公司，四川成都610031）

調(diào)度命令是調(diào)度員處理日常行車工作中的有關(guān)問(wèn)題，以及在非正常情況下組織并指揮有關(guān)部門和人員辦理行車工作的帶有約束性的指令。目前，我國(guó)列車調(diào)度命令主要由調(diào)度員人工編寫，通過(guò)計(jì)算機(jī)調(diào)度命令軟件、傳真或者電話向相關(guān)部門或人員傳達(dá)。調(diào)度命令編寫工作占用了調(diào)度員大量的時(shí)間與精力，特別是在非正常情況下的應(yīng)急處置過(guò)程中，要求調(diào)度員在短時(shí)間內(nèi)根據(jù)已有信息發(fā)布出正確的調(diào)度命令。因此，有必要對(duì)調(diào)度命令的生成進(jìn)行深入研究，研究智能化調(diào)度命令生成方法，從而減輕調(diào)度員調(diào)度命令擬寫工作的負(fù)擔(dān)，改善調(diào)度命令發(fā)布的效率和規(guī)范性，這對(duì)于提高鐵路運(yùn)輸效率、保證鐵路運(yùn)營(yíng)安全有著重大意義。

調(diào)度命令的發(fā)布場(chǎng)景一般可分為日常行車組織和非正常情況下的應(yīng)急處置兩種情況。對(duì)于日常行車工作，已有的研究大多集中于規(guī)范調(diào)度命令管理［1-2］，主要針對(duì)調(diào)度命令在發(fā)布、傳達(dá)、執(zhí)行中的常見(jiàn)問(wèn)題［3］提出改進(jìn)措施［4］。

鐵路運(yùn)輸組織是一個(gè)動(dòng)態(tài)過(guò)程，在日常生產(chǎn)組織中，人員、設(shè)備、環(huán)境等因素可能突然出現(xiàn)直接危及行車安全或可能危及行車安全的非正常情況，包括設(shè)施設(shè)備故障、天氣變化、群體事件、重大疫情、電力中斷等現(xiàn)象。針對(duì)這種非正常情況，調(diào)度員能夠快速掌握事件信息，第一時(shí)間介入應(yīng)急指揮工作，進(jìn)行相關(guān)處置和通報(bào)。因此，非正常情況下的應(yīng)急處置是行車安全的重要組成部分，也是調(diào)度員的工作重點(diǎn)。孫鵬舉等［5］為有效提升高速鐵路列車調(diào)度員應(yīng)急場(chǎng)景處置能力，構(gòu)建了應(yīng)急仿真系統(tǒng)。季丕祥［6］對(duì)調(diào)度人員在面對(duì)緊急情況時(shí)的應(yīng)急處置能力進(jìn)行了分析，同時(shí)有針對(duì)性地提出解決措施。李磊等［7］將案例推理理論應(yīng)用到鐵路應(yīng)急決策中，并提出一種實(shí)用的行車事故應(yīng)急決策方法。馬齊飛揚(yáng)等［8］為解決現(xiàn)階段列車突發(fā)事件應(yīng)急救援方法普適性及動(dòng)態(tài)性差的問(wèn)題，建立基于改進(jìn)逼近理想解排序法的處置點(diǎn)應(yīng)急救援決策方法。

進(jìn)入新世紀(jì)以來(lái)，信息技術(shù)突飛猛進(jìn)，智能化技術(shù)在自然語(yǔ)言處理［9］、語(yǔ)音識(shí)別［10］、圖像識(shí)別［11］等方面取得突破性進(jìn)展。在中長(zhǎng)期鐵路網(wǎng)規(guī)劃中，將智能化、現(xiàn)代化作為發(fā)展任務(wù)之一。

針對(duì)非正常情況下的應(yīng)急處置過(guò)程，采用深度學(xué)習(xí)框架，基于預(yù)警文本信息，提出一種基于序列?序列（seq2seq）模型的調(diào)度命令智能生成方法，并利用實(shí)際預(yù)警文本信息和調(diào)度命令數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 調(diào)度命令智能生成模型總體架構(gòu)

調(diào)度命令智能生成模型針對(duì)非正常情況下的應(yīng)急處置場(chǎng)景。一般來(lái)說(shuō)，當(dāng)應(yīng)急處置情況出現(xiàn)時(shí)，在鐵路局層面上信息的收集和上報(bào)都主要集中在調(diào)度所，凡與列車運(yùn)行相關(guān)，或是發(fā)生在運(yùn)行列車上的各種信息，現(xiàn)場(chǎng)人員一般都直接向列車調(diào)度員反映，可以說(shuō)列車調(diào)度員是整個(gè)事件的信息匯聚點(diǎn)。列車調(diào)度員通過(guò)各方反映的情況編寫調(diào)度命令，并直接將調(diào)度命令發(fā)往各受令方?；谝陨咸攸c(diǎn)，本模型將相關(guān)部門或車站發(fā)出的預(yù)警文本信息作為模型輸入，信息提取與轉(zhuǎn)化后輸出對(duì)應(yīng)的調(diào)度命令。

圖1為調(diào)度命令智能生成模型總體架構(gòu)，主要分為神經(jīng)網(wǎng)絡(luò)模塊和調(diào)度命令修正模塊兩個(gè)部分。將預(yù)警文本信息處理后的詞序列作為神經(jīng)網(wǎng)絡(luò)的輸入，該神經(jīng)網(wǎng)絡(luò)是一個(gè)seq2seq模型，神經(jīng)網(wǎng)絡(luò)輸出初始調(diào)度命令。由于生成的初始調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令的部分內(nèi)容存在一些誤差，因此利用調(diào)度命令修正模塊對(duì)初始調(diào)度命令內(nèi)容進(jìn)行修正、替換，得到最終調(diào)度命令，從而提高調(diào)度命令生成質(zhì)量。

2 調(diào)度命令智能生成模型

2.1 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的seq2seq模型

seq2seq模型是一種編碼器?解碼器結(jié)構(gòu)的網(wǎng)絡(luò)，該模型最早于2014年被Google Brain團(tuán)隊(duì)和Yoshua Bengio團(tuán)隊(duì)提出［12-13］，是一個(gè)廣泛應(yīng)用于機(jī)器學(xué)習(xí)的深度學(xué)習(xí)模型框架，目前在聊天機(jī)器人、機(jī)器翻譯、自動(dòng)文摘等領(lǐng)域中應(yīng)用廣泛。

編碼器和解碼器的組合具有多樣性，使用長(zhǎng)短時(shí)記憶（LSTM）網(wǎng)絡(luò)進(jìn)行編碼器和解碼器的構(gòu)建。LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的改進(jìn)模型，能夠在一定程度上避免梯度消失問(wèn)題。LSTM網(wǎng)絡(luò)神經(jīng)元內(nèi)部結(jié)構(gòu)如圖2所示。

令t時(shí)刻輸入為xt，一個(gè)LSTM網(wǎng)絡(luò)單元通過(guò)

學(xué)習(xí)可得到t時(shí)刻隱節(jié)點(diǎn)狀態(tài)ht。LSTM網(wǎng)絡(luò)內(nèi)部計(jì)算式如下所示：

式（2）～（6）中：ft、it、ot分別表示LSTM網(wǎng)絡(luò)中的遺忘門、輸入門和輸出門；σ為激活函數(shù)；W、U為權(quán)重；b為偏置項(xiàng)；ct為t時(shí)刻記憶細(xì)胞存儲(chǔ)信息；ct-1為（t-1）時(shí)刻存儲(chǔ)信息；⊙表示矩陣點(diǎn)乘。

seq2seq模型基本思想是利用神經(jīng)網(wǎng)絡(luò)模型將一個(gè)可變長(zhǎng)度的輸入序列轉(zhuǎn)變成一個(gè)固定長(zhǎng)度的向量，再利用神經(jīng)網(wǎng)絡(luò)模型將該向量轉(zhuǎn)變成一個(gè)可變長(zhǎng)度的目標(biāo)輸出序列。seq2seq結(jié)構(gòu)如圖3所示。

2.1.1 編碼部分

在編碼過(guò)程中，對(duì)預(yù)處理階段得到的調(diào)度命令詞序列（x1，x2，…，xt）從前向后編碼，根據(jù)LSTM網(wǎng)絡(luò)計(jì)算規(guī)則，可得到當(dāng)前隱節(jié)點(diǎn)狀態(tài)

式中：xt表示當(dāng)前時(shí)刻的輸入。

在輸入遇到結(jié)束標(biāo)識(shí)符時(shí)表示最后一次編碼完成，此時(shí)整個(gè)文本通過(guò)編碼器轉(zhuǎn)化為隱節(jié)點(diǎn)狀態(tài)。每一次隱節(jié)點(diǎn)狀態(tài)都依賴于上一次隱節(jié)點(diǎn)狀態(tài)，經(jīng)過(guò)多次循環(huán)迭代后，最后一次隱節(jié)點(diǎn)狀態(tài)包含了整個(gè)文本的語(yǔ)義特征。定義語(yǔ)義向量c為編碼過(guò)程中最后一個(gè)隱節(jié)點(diǎn)狀態(tài)。

2.1.2 解碼部分

解碼過(guò)程可以看作是編碼過(guò)程的逆過(guò)程。當(dāng)前隱節(jié)點(diǎn)狀態(tài)由前一時(shí)刻隱節(jié)點(diǎn)狀態(tài)st-1、前一時(shí)刻輸出yt-1和語(yǔ)義向量c得到，即當(dāng)前時(shí)刻隱節(jié)點(diǎn)狀態(tài)

通過(guò)隱節(jié)點(diǎn)狀態(tài)st和前一時(shí)刻的輸出來(lái)預(yù)測(cè)當(dāng)前時(shí)刻的輸出yt，語(yǔ)義向量c作為輸入的一部分同時(shí)參與運(yùn)算。每個(gè)單元的概率可表示為

式中：g(·)表示非線性多層神經(jīng)網(wǎng)絡(luò)。選取其中概率最大的值作為t時(shí)刻的輸出yt。

從整體來(lái)看，基于LSTM網(wǎng)絡(luò)的seq2seq模型將預(yù)警文本信息及其對(duì)應(yīng)調(diào)度命令看作詞序列，編碼端將輸入的預(yù)警文本信息編碼為固定維數(shù)的向量，解碼端負(fù)責(zé)從該向量中解碼出對(duì)應(yīng)的語(yǔ)言表達(dá)。

編碼器?解碼器框架在自然語(yǔ)言處理中可讀取任意的文本序列，并將其轉(zhuǎn)化為另一種文本序列，這也是調(diào)度命令智能生成模型的基礎(chǔ)。研究發(fā)現(xiàn)，seq2seq模型在將輸入文本信息壓縮為一個(gè)語(yǔ)義向量時(shí)可能產(chǎn)生信息丟失的問(wèn)題［14］，并且在對(duì)文本進(jìn)行輸出時(shí)缺乏提取關(guān)鍵信息、排除無(wú)用信息的能力，這就會(huì)使輸出的初始調(diào)度命令部分信息的生成出現(xiàn)錯(cuò)誤。

2.2 調(diào)度命令修正

調(diào)度命令是行車有關(guān)部門具體辦理行車工作的依據(jù)，其內(nèi)容的正確性關(guān)乎鐵路運(yùn)營(yíng)安全，因此有必要針對(duì)初始調(diào)度命令生成錯(cuò)誤的部分進(jìn)行修正。通過(guò)構(gòu)建調(diào)度命令修正模塊對(duì)神經(jīng)網(wǎng)絡(luò)生成有誤的信息加以修正、替換，以保證調(diào)度命令智能生成的正確性。

2.2.1 調(diào)度命令修正策略

對(duì)各類初始調(diào)度命令的生成結(jié)果進(jìn)行分析，將難以正確生成的信息歸納為里程、線路走向、速度值、車次號(hào)和車站地點(diǎn)等五種類型。針對(duì)這五類信息，分別提出五種相應(yīng)策略進(jìn)行修正。

（1）策略1：里程信息修正

預(yù)警文本信息或調(diào)度命令對(duì)事件發(fā)生地點(diǎn)的位置描述方式之一是里程表示，如K1200+830，里程表示使地點(diǎn)描述更加精確、規(guī)范。

里程信息修正思路為：對(duì)預(yù)警文本信息中的里程信息進(jìn)行抽取，結(jié)合《高速鐵路列車調(diào)度員應(yīng)急處置指導(dǎo)書》中調(diào)度命令里程規(guī)則對(duì)里程信息處理后，得到正確的里程信息；對(duì)初始調(diào)度命令中的里程信息進(jìn)行抽取；將正確的里程信息與初始調(diào)度命令中的里程信息進(jìn)行替換，修正完畢。對(duì)于這種具有一般格式的信息，使用正則表達(dá)式進(jìn)行信息抽取［15］。通過(guò)正則表達(dá)式可以快速地對(duì)字符串進(jìn)行信息抽取操作，并且抽取結(jié)果不是一個(gè)可能值，而是準(zhǔn)確值。

（2）策略2：線路走向信息修正

同里程信息修正相似，線路走向信息修正思路為：對(duì)預(yù)警文本信息中的線路走向信息進(jìn)行抽取，得到正確的線路走向信息；對(duì)初始調(diào)度命令中的線路走向信息進(jìn)行抽?。粚⒄_的線路走向信息與初始調(diào)度命令中的線路走向信息進(jìn)行替換，修正完畢。

正則表達(dá)式如下所示：上行線|下行線|上、下行線|上下行線。

（3）策略3：車次號(hào)信息修正

車次號(hào)信息修正思路與線路走向信息修正類似，正則表達(dá)式如下所示：［0-9］｛0，2｝［a-zA-Z］｛0，2｝［0-9］*次。

（4）策略4：速度值信息修正

限速調(diào)度命令是運(yùn)用最為普遍的調(diào)度命令類型之一，應(yīng)急處置事件類型和嚴(yán)重程度直接影響限速調(diào)度命令的限速大小。針對(duì)限速調(diào)度命令的限速值，根據(jù)《高速鐵路列車調(diào)度員應(yīng)急處置指導(dǎo)書》等規(guī)章的指導(dǎo)，對(duì)兩類事件下的限速條件和限速值進(jìn)行了規(guī)則總結(jié)：風(fēng)速限速報(bào)警事件與雨量限速報(bào)警事件。部分規(guī)則如表1所示。

表1 速度值修正規(guī)則Tab.1 Speed value correction rule

限速值信息修正思路為：對(duì)預(yù)警文本信息中的風(fēng)速或雨量信息進(jìn)行抽取，結(jié)合《高速鐵路列車調(diào)度員應(yīng)急處置指導(dǎo)書》中限速規(guī)則將其進(jìn)行處理后，得到正確的限速值信息；對(duì)初始調(diào)度命令中的限速值信息進(jìn)行抽?。粚⒄_的限速值信息與初始調(diào)度命令中的限速值信息進(jìn)行替換，修正完畢。

風(fēng)速正則表達(dá)式如下所示：［d+.d］*m/s。

雨量正則表達(dá)式如下所示：［0-9］｛1，10｝mm|［0-9］｛1，10｝.［0-9］｛1，10｝mm。

限速值正則表達(dá)式如下所示：d+km/h。

（5）策略5：車站信息修正

除里程表示之外，預(yù)警文本信息或調(diào)度命令一般直接給出事件發(fā)生的車站或者區(qū)段，如：“3月2日16時(shí)01分，貴廣線佛山西站SG信號(hào)機(jī)故障滅燈?！敝袑懨魇录l(fā)生地點(diǎn)為佛山西站。

車站信息修正思路為：對(duì)預(yù)警文本信息中的所有車站信息進(jìn)行抽取，得到正確的車站信息；對(duì)初始調(diào)度命令中的車站信息進(jìn)行抽?。粚⒄_的車站信息與初始調(diào)度命令中的車站信息進(jìn)行替換，修正完畢。

然而，直接用車站或地點(diǎn)名描述事件位置時(shí)表達(dá)方法眾多。例如，表達(dá)長(zhǎng)沙南站至貴陽(yáng)北站時(shí)，可能的表達(dá)方式有“長(zhǎng)沙南至貴陽(yáng)北”、“長(zhǎng)沙南―貴陽(yáng)北”、“長(zhǎng)沙南站至貴陽(yáng)北站”等，使用正則表達(dá)式進(jìn)行地點(diǎn)抽取可能會(huì)產(chǎn)生疏漏。針對(duì)該情況，需要運(yùn)用更加智能化的信息識(shí)別提取方法。

命名實(shí)體識(shí)別是用來(lái)識(shí)別并分類文本中所出現(xiàn)的指定名詞的一類自然語(yǔ)言處理任務(wù)，隨著深度學(xué)習(xí)的興起，基于神經(jīng)網(wǎng)絡(luò)的命名實(shí)體識(shí)別方法由于其自動(dòng)提取特征等優(yōu)勢(shì)逐漸獲得大量應(yīng)用。使用基于雙向長(zhǎng)短時(shí)記憶（BiLSTM）網(wǎng)絡(luò)?條件隨機(jī)場(chǎng)（CRF）的方法進(jìn)行命名實(shí)體識(shí)別。

構(gòu)建的命名實(shí)體識(shí)別模型如圖4所示。模型的第一層為輸入層，隨機(jī)初始化嵌入矩陣后，將輸入字符表示從獨(dú)熱矢量映射為低維字向量（x1，m，x2，m，…，xk，m）；模型的第二層為雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層，將上一階段得到的向量序列作為雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的輸入，利用上下文信息有效地提取特征；模型的第三層為條件隨機(jī)場(chǎng)層，對(duì)句子進(jìn)行序列標(biāo)注，根據(jù)上文信息進(jìn)行標(biāo)簽預(yù)測(cè)。最終，輸出該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的“BIO”標(biāo)注。

為了得到更好的識(shí)別效果，根據(jù)”BIO”標(biāo)注方法對(duì)5 000余條調(diào)度命令和安監(jiān)報(bào)信息進(jìn)行標(biāo)注，作為命名實(shí)體識(shí)別模型的訓(xùn)練和測(cè)試語(yǔ)料?！癇IO”標(biāo)注是指對(duì)序列中每個(gè)元素賦予標(biāo)注“B?X”、”I?X”或者“O”中的一種。本模型中三種標(biāo)注類型如下所示：“B?LOC”、“I?LOC”和“O”。其中，“B?LOC”表示該字符屬于車站名稱的起始字，“I?LOC”表示該字符屬于車站名稱的中間字，“O”表示該字符不屬于車站名稱。

2.2.2 調(diào)度命令修正模塊構(gòu)建

XMTD-8222電熱恒溫鼓風(fēng)干燥箱，上海精宏實(shí)驗(yàn)設(shè)備有限公司；MJX-160B-Z霉菌培養(yǎng)箱，上海博迅實(shí)業(yè)有限公司醫(yī)療設(shè)備廠；SW-CJ-20雙人單面凈化工作臺(tái)，蘇州凈化設(shè)備有限公司；LDZX-30KBS立式壓力蒸汽滅菌器，上海申安醫(yī)療器械廠；HJ-2A數(shù)顯恒溫磁力加熱攪拌器，金壇市城東新瑞儀器廠；FA2004N電子天平，上海菁海儀器有限公司；H1850R離心機(jī)，湖南湘儀實(shí)驗(yàn)儀器開(kāi)發(fā)有限公司；PHS-3CpH計(jì)，上海智光儀器儀表有限公司；紫外可見(jiàn)分光光度計(jì)，上海儀電分析儀器有限公司；恒溫水浴鍋，北京科偉永興儀器有限公司。

對(duì)涉及不同應(yīng)急處置事件的預(yù)警文本信息，神經(jīng)網(wǎng)絡(luò)可對(duì)其進(jìn)行統(tǒng)一處理和訓(xùn)練，從而生成初始調(diào)度命令。由于調(diào)度命令種類多樣，不同類型的調(diào)度命令擁有不同的內(nèi)容、結(jié)構(gòu)與特征，因此難以對(duì)所有初始調(diào)度命令使用同樣的方法進(jìn)行修正。在調(diào)度命令修正階段，對(duì)不同類型應(yīng)急處置事件分別構(gòu)建不同的調(diào)度命令修正模塊。為簡(jiǎn)化模塊構(gòu)建復(fù)雜度，各事件調(diào)度命令修正模塊由第2.2.1節(jié)所提出五種調(diào)度命令修正策略組合構(gòu)成。修正策略的調(diào)用提高了模塊的自由度，并在很大程度上減少了不同類型模塊構(gòu)建的工作量。

以“接觸網(wǎng)跳閘重合不成功”事件為例，介紹修正模塊構(gòu)建流程。事件預(yù)警文本信息如下所示：“4月5日11時(shí)30分，供電調(diào)度通知鲘門至惠東站間上、下行線接觸網(wǎng)跳閘自動(dòng)重合不成功（故標(biāo)下行線1 504 km816 m）”，對(duì)應(yīng)的調(diào)度命令為：“G6328次列車運(yùn)行至鲘門站至惠東站間上下行線1 502 km816 m 至1 506 km816 m處限速40 km·h-1”。

對(duì)上述信息進(jìn)行分析，該類調(diào)度命令為列車限速調(diào)度命令，由于限速值可通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到，因此需要修正的部分為：車站信息，如“鲘門”、“惠東”；線路走向信息，如“上、下行線”；里程信息，根據(jù)《高速鐵路列車調(diào)度員應(yīng)急處置指導(dǎo)書》規(guī)定，限速位置按照故障點(diǎn)前后各2 km確定。綜上，“接觸網(wǎng)跳閘重合不成功”事件修正模塊以策略1、策略2和策略5組合而成。

通過(guò)以上方法對(duì)各類應(yīng)急處置事件構(gòu)建對(duì)應(yīng)的調(diào)度命令修正模塊，當(dāng)神經(jīng)網(wǎng)絡(luò)輸出初始調(diào)度命令后，即可通過(guò)關(guān)鍵詞匹配到相應(yīng)的修正模塊，調(diào)用其中的修正策略對(duì)初始調(diào)度命令進(jìn)行修正處理，得到最終調(diào)度命令。

2.3 評(píng)價(jià)指標(biāo)

采用記憶導(dǎo)向型摘要評(píng)價(jià)（ROUGE）方法來(lái)評(píng)價(jià)最終調(diào)度命令智能生成質(zhì)量。ROUGE 方法是Lin等［16］于2003年提出的一種評(píng)價(jià)自動(dòng)文摘和機(jī)器翻譯質(zhì)量的指標(biāo)，中心思想是將自動(dòng)生成的文摘與專家制定的標(biāo)準(zhǔn)文摘進(jìn)行比較，通過(guò)統(tǒng)計(jì)兩者之間的基本單元數(shù)目進(jìn)行評(píng)分。將模型輸出的調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令進(jìn)行比較，統(tǒng)計(jì)生成調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令的基本單元數(shù)目，使用ROUGE 準(zhǔn)則中的ROUGE?1、ROUGE?2和ROUGE?L來(lái)評(píng)價(jià)調(diào)度命令生成質(zhì)量，最終得出的數(shù)值越高表示生成的調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令相似度越高。

ROUGE準(zhǔn)則定義如下所示：

式中：Cn，m為生成的調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令共有的n元詞數(shù)目；Cn為標(biāo)準(zhǔn)調(diào)度命令中n元詞數(shù)目，取n=1，2。

式中：l(Y，Y標(biāo))為自動(dòng)生成調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令連續(xù)最長(zhǎng)共有序列的長(zhǎng)度；l(Y標(biāo))為標(biāo)準(zhǔn)調(diào)度命令長(zhǎng)度。

3 實(shí)驗(yàn)過(guò)程及結(jié)果分析

3.1 實(shí)驗(yàn)過(guò)程

探究基于seq2seq模型的調(diào)度命令智能生成方法的應(yīng)用效果，并對(duì)調(diào)度命令修正模塊的修正情況進(jìn)行驗(yàn)證，實(shí)驗(yàn)過(guò)程如圖5所示。首先，將訓(xùn)練數(shù)據(jù)預(yù)處理之后用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過(guò)參數(shù)調(diào)試得到最優(yōu)神經(jīng)網(wǎng)絡(luò)模型；其次，將測(cè)試數(shù)據(jù)中的預(yù)警文本信息作為模型的輸入投入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，生成初始調(diào)度命令；再利用調(diào)度命令修正模塊進(jìn)行內(nèi)容修正，得到最終生成的調(diào)度命令；最后，使用ROUGE評(píng)價(jià)方法對(duì)生成的調(diào)度命令進(jìn)行評(píng)價(jià)。

3.2 數(shù)據(jù)集

根據(jù)廣州鐵路集團(tuán)安監(jiān)報(bào)數(shù)據(jù)和調(diào)度命令數(shù)據(jù)，建立了預(yù)警文本信息?調(diào)度命令數(shù)據(jù)集，共計(jì)16 735條。數(shù)據(jù)集中預(yù)警文本信息和發(fā)布的調(diào)度命令一一對(duì)應(yīng)，共計(jì)13種類型。表2列出了13種類型應(yīng)急處置、對(duì)應(yīng)的調(diào)度命令以及各類型事件所對(duì)應(yīng)的調(diào)度命令修正策略。為了更好地對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行測(cè)試，在數(shù)據(jù)集中抽出1 300條數(shù)據(jù)構(gòu)建驗(yàn)證集，驗(yàn)證集中包含13種類型預(yù)警文本信息?調(diào)度命令數(shù)據(jù)，每種類型數(shù)據(jù)100條，共計(jì)1 300條。將剩余數(shù)據(jù)的90%作為訓(xùn)練集，其余10%的數(shù)據(jù)作為測(cè)試集（包含13種類型應(yīng)急處置事件，每個(gè)應(yīng)急處置事件數(shù)據(jù)量一致）。為了保證調(diào)度命令的規(guī)范性，依據(jù)《鐵路運(yùn)輸調(diào)度規(guī)則（2017版）》中調(diào)度命令模板對(duì)調(diào)度命令數(shù)據(jù)進(jìn)行規(guī)范化處理。

表2 調(diào)度命令數(shù)據(jù)集類型及修正策略Tab.2 Dispatching command dataset types and correction strategies

值得注意的是，對(duì)于同一類型應(yīng)急處置事件，不同情況下的處置辦法不同。例如，針對(duì)接觸網(wǎng)跳閘事件，接觸網(wǎng)自動(dòng)重合不成功時(shí)，需發(fā)布調(diào)度命令限速；接觸網(wǎng)自動(dòng)重合成功時(shí)，只需發(fā)布口頭指示限速80 km·h-1注意運(yùn)行。從兩者之間區(qū)別度非常小的文本信息中能夠獲取的有效特征是有限的，這也是調(diào)度命令生成的難點(diǎn)之一。

3.3 數(shù)據(jù)預(yù)處理

為了便于模型能夠?qū)︻A(yù)警文本信息進(jìn)行識(shí)別，并獲取更多的有效特征，在將數(shù)據(jù)輸入模型之前首先需要進(jìn)行預(yù)處理，主要有以下三個(gè)步驟：

第一步，中文分詞。使用Python庫(kù)中的jieba庫(kù)進(jìn)行分詞處理，為了更好地識(shí)別未登錄詞，構(gòu)建了車站名稱詞典。詞典中包含了所研究的廣鐵集團(tuán)管轄范圍內(nèi)的354個(gè)車站和地理位置詞匯，提高分詞精度。

第二步，去噪處理。主要剔除無(wú)用的停用詞或標(biāo)點(diǎn)符號(hào)，由于需要生成完整的調(diào)度命令信息，因此僅對(duì)預(yù)警文本信息進(jìn)行去停用詞及標(biāo)點(diǎn)符號(hào)處理。

第三步，中文轉(zhuǎn)換。在利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行調(diào)度命令生成任務(wù)之前，首先需要將預(yù)警文本信息和調(diào)度命令的自然語(yǔ)言化的字詞轉(zhuǎn)化為計(jì)算機(jī)可以理解的數(shù)學(xué)語(yǔ)言。按出現(xiàn)頻率從高到低的順序分別為每一個(gè)分詞詞語(yǔ)賦予一個(gè)數(shù)字，數(shù)字從1開(kāi)始依次增加，并按<“詞語(yǔ)”：數(shù)字>的形式存儲(chǔ)在字典中，如<“車站”：128>。除了現(xiàn)有詞語(yǔ)之外，額外加入以下四種字符：、、、。其中，用來(lái)進(jìn)行字符補(bǔ)全，用來(lái)替代訓(xùn)練中未出現(xiàn)過(guò)的詞語(yǔ)，為解碼器端句子起始標(biāo)志，為解碼器端句子結(jié)束標(biāo)志。最后，按照字典映射關(guān)系將輸入的句子［x1，x2，…，xt］映射為對(duì)應(yīng)的數(shù)字間的特征，將每一個(gè)數(shù)字轉(zhuǎn)換為300維張量，得到輸入序列［x1，x2，…，xt］。

3.4 實(shí)驗(yàn)結(jié)果

3.4.1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率和迭代次數(shù)參數(shù)對(duì)比實(shí)驗(yàn)

為了確定seq2seq模型的最優(yōu)參數(shù)，針對(duì)學(xué)習(xí)率、迭代次數(shù)設(shè)置不同的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)中seq2seq模型編碼器和解碼器均采用兩層LSTM網(wǎng)絡(luò)，隱層節(jié)點(diǎn)數(shù)為64，批量大小為64，隨機(jī)失活設(shè)為0.5，采用Adam算法優(yōu)化損失函數(shù)。

通過(guò)seq2seq模型輸出的調(diào)度命令稱為初始調(diào)度命令，將初始調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令進(jìn)行比對(duì)，初始調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令完全匹配視為生成正確，有任何一處無(wú)法匹配則視為生成有誤。值得注意的是，由于后續(xù)還會(huì)由調(diào)度命令修正模塊對(duì)前一階段生成的初始調(diào)度命令內(nèi)容進(jìn)行修正，因此對(duì)于初始調(diào)度命令中與標(biāo)準(zhǔn)調(diào)度命令不相同，但可由調(diào)度命令修正模塊進(jìn)行修正的部分，不將其看作生成有誤。

在相同的訓(xùn)練集下，設(shè)定學(xué)習(xí)率r為0.100、0.010、0.001，迭 代 次 數(shù) 為100～700。 圖6 為 對(duì)seq2seq模型在以上參數(shù)下進(jìn)行訓(xùn)練，并在驗(yàn)證集上實(shí)驗(yàn)的結(jié)果。由圖6可見(jiàn)，在三種學(xué)習(xí)率下，隨著迭代次數(shù)的增加，模型正確率都呈現(xiàn)出先增高后降低的趨勢(shì)。當(dāng)學(xué)習(xí)率0.001，迭代次數(shù)400時(shí)，實(shí)驗(yàn)效果最佳。對(duì)此時(shí)各類型應(yīng)急處置事件的初始調(diào)度命令生成正確率利用驗(yàn)證集進(jìn)行測(cè)試，如圖7所示。

由圖7可知，應(yīng)急處置事件類型編號(hào)2“線路所通過(guò)信號(hào)機(jī)故障”在所有事件類型中正確率最低。該類調(diào)度命令由于文本長(zhǎng)度較短、特征過(guò)少，導(dǎo)致在機(jī)器學(xué)習(xí)時(shí)難以捕獲命令特征，未能達(dá)到較好的智能生成效果。其余事件的調(diào)度命令生成正確率大部分在90%以上，生成正確率較高。

3.4.2 實(shí)驗(yàn)結(jié)果

基于第3.4.1節(jié)確定的各項(xiàng)參數(shù)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，在測(cè)試集上進(jìn)行最終實(shí)驗(yàn)結(jié)果展示。使用ROUGE評(píng)價(jià)指標(biāo)分別對(duì)seq2seq模型和調(diào)度命令修正階段生成的調(diào)度命令進(jìn)行評(píng)價(jià)，結(jié)果取所有輸出結(jié)果的平均值，實(shí)驗(yàn)結(jié)果如表3所示。

表3 ROUGE評(píng)價(jià)結(jié)果Tab.3 ROUGE evaluation results

實(shí)驗(yàn)結(jié)果表明，最終生成的調(diào)度命令與標(biāo)準(zhǔn)調(diào)度命令的匹配度較高，并且調(diào)度命令修正模塊有效提升了模型生成質(zhì)量。其中，Rouge?1結(jié)果提升19.0%，Rouge?2結(jié)果提升18.5%，Rouge?L結(jié)果提升37.9%。

表4為利用修正模塊修正前后的調(diào)度命令生成結(jié)果示例，其中包含13種類型的應(yīng)急處置事件。從最終生成效果可見(jiàn)，提出的調(diào)度命令智能生成模型能夠有效地基于預(yù)警文本信息生成對(duì)應(yīng)調(diào)度命令，生成的調(diào)度命令具有連貫性和可讀性，并且調(diào)度命令修正模塊能夠?qū)Τ跏颊{(diào)度命令進(jìn)行合理修正，提高了調(diào)度命令內(nèi)容的正確率。

5 結(jié)論

（1）seq2seq模型能夠有效地基于預(yù)警文本信息生成調(diào)度命令，正確率超過(guò)90%。

（2）引入調(diào)度命令修正模塊可以有效提升調(diào)度命令生成正確率，相較于沒(méi)有使用修正模塊時(shí)，Rouge?1結(jié)果提升19.0%，Rouge?2結(jié)果提升18.5%，Rouge?L結(jié)果提升37.9%。

（3）不同結(jié)構(gòu)、特征的預(yù)警文本信息對(duì)于最終生成的調(diào)度命令正確率有一定影響，“線路所通過(guò)信號(hào)機(jī)故障”事件錯(cuò)誤率最高。