Abstract
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.
Highlights
Поддержка принятия решения по профилактике нарушений безопасности в работеЦелью 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.
Поэтому целесообразно разработать систему поддержки принятия решения (СППР) по профилактике нарушений безопасности в работе машиниста, которая позволит дать объективную оценку деятельности машиниста путем прогнозирования возможных нарушений и формирования перечня профилактических мероприятий, рекомендуемых для повышения надежности машиниста.
1) определим задачи, решение которых рассмотрено в данной статье: а) определение множества показателей работы машиниста, используемых СППР; б) разработка алгоритма прогнозирования нарушений в работе машинистов с целью формирования групп надежности в рамках СППР; в) разработка алгоритма формирования перечня профилактических мероприятий, рекомендуемых для повышения надежности машиниста, на основе анализа результатов работы алгоритмов прогнозирования нарушений в работе машиниста; г) реализация СППР по профилактике нарушений безопасности в работе машиниста в рамках автоматизированной информационной системы управления ОАО «РЖД».
Summary
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. Поэтому целесообразно разработать систему поддержки принятия решения (СППР) по профилактике нарушений безопасности в работе машиниста, которая позволит дать объективную оценку деятельности машиниста путем прогнозирования возможных нарушений и формирования перечня профилактических мероприятий, рекомендуемых для повышения надежности машиниста. 1) определим задачи, решение которых рассмотрено в данной статье: а) определение множества показателей работы машиниста, используемых СППР; б) разработка алгоритма прогнозирования нарушений в работе машинистов с целью формирования групп надежности в рамках СППР; в) разработка алгоритма формирования перечня профилактических мероприятий, рекомендуемых для повышения надежности машиниста, на основе анализа результатов работы алгоритмов прогнозирования нарушений в работе машиниста; г) реализация СППР по профилактике нарушений безопасности в работе машиниста в рамках автоматизированной информационной системы управления ОАО «РЖД». Результаты работы моделей бинарной классификации для горизонта прогнозирования 30 дней
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.