關于大數據條件下行車班前預想重點卡控可行性探討

【摘要】班前預想是提高作業效率，降低違章、違紀的有效手段。當前的班前預想只是簡單地根據天氣、班前計劃、調度命令等條件提出卡控措施，而忽略了以往的在相同情況下發生違章、違紀的經驗教訓，尤其未考慮特定時間與發生違章作業之間的相關關系。本文利用大數據理論，通過統計某一時間段內發生違章作業的概率分布，找出發生違章概率大的時間段，并進行重點卡控，可有效降低此違章的發生率。

【關鍵字】大數據；班前預想；分布統計；重點卡控

1引言

班前點名會是車間各班組考勤考核、技能培訓、任務布置、班前預想的重要過程。它不僅能記錄各班組的人員到場情況，而且可以通過班前技能培訓，提高職工的業務水平能力。任務布置主要是根據班前計劃、調度命令、施工計劃等籌劃班組作業，精心配合，完成任務。班前預想是針對任務布置過程中遇到的重點、難點進行提前考慮，透過班前預想可對存在很大發生概率的違章作業提前卡控，重點提醒，降低發生概率。但是目前的班前預想只是簡單地根據天氣、班前計劃、調度命令提出卡控措施，忽略了在相同條件下發生違章、違紀的經驗教訓，以往大量的數據沒有被有效的利用。本文通過全樣本數據統計，并采用大數據算法對以往違章事件進行更新，實時對特定崗位進行違紀分析，并得出針對特定時間特定崗位的卡控重點，以此來降低違章、違紀發生的概率。

2大數據挖掘分析

為加強鐵路行車正?；芾磉\作，包括鐵路總公司（簡稱鐵總）、路局會對工作班組效果進行發卡考核，并對問題原因進行分析和整改。同時各個站、段以及行車班組也會對行車安全進行監督，對不合規定的行為提出建議并限期整改。問題涉及工作生產的各個方面，數據呈現出非結構化、量大和處理難等特點。

2.1大數據的概念

目前，對于大數據的概念，還沒有統一的定義。根據大多數學者的認為大數據是指無法用現有的軟件工具提取、存儲、搜索、共享、分析和處理的海量復雜數據集合[1]。大數據并非產品也不是技術，只是數字化時代的一種現象。而且，以戰略眼光分析大數據可得出，大數據不單指其龐大的數據量，還包括如何用專業化方式處理這些數據。大數據不但包括大數據技術、應用還包括大數據科學以及大數據工程。在大數據時代，如何深層次開發大數據并提供相關服務能力將成為競爭的關鍵[2]。對行車進行監管的數據非常龐雜，結構形式不統一，直接取得應用效果不明顯。利用大數據技術鐵路行車班組能夠對監管數據建立實時或準實時的采集、監控機制，對日常生產的要求提出卡控措施。通過深入挖掘一段時期內的行車各崗位存在的問題，收集、評估崗位在班中可能將發生的情況，提出對特定崗位重點卡控的措施。

2.2 數據挖掘的功能和應用

數據挖掘是大數據時代的關鍵技術，是指從非完整的、海量的、有噪音的、模糊且隨機的數據中挖掘隱含在內且人們未提前得知的有用信息的過程。一般，數據挖掘的功能有兩類，即描述和預測[3]。描述性挖掘用于展現集體數據的一般特性，而預測性挖掘用于推算處理數據，完成預測目的。數據挖掘功能同目標數據的類型有關，有些功能適用于不同類型的數據，有些功能則只適用于某種特定數據。數據挖掘功能能夠讓人得知未知信息，提升數據價值，從而應用到了不同領域。大數據可以發現事物發展潛在的規律，具有某種意義上的智能性。它不關注于事物發展的因果關系，而專注于從事物中得出相關關系獲取價值。比如日本先進工業技術研究所的坐姿研究與汽車防盜系統，這個系統可根據人體對座位的壓力差異識別出乘坐者的身份，準確率高達98%。這是把一個不被認為是數據、甚至不被認為和數據沾邊的事物轉化成了可以用數值來量化的數據模式[4]。

3.大數據下制定行車重點卡控措施流程

通過分析研究行車崗位發生違章、違紀與發生時間的相關關系，利用大數據理論分析方法，找出各個崗位在一定條件下容易發生違規作業的時間段，監管人員要重點卡控，及時提醒，降低發生類似事件的概率。

3.1 大數據的采集和處理

為加強鐵路行車安全，路局各部門都會針對特定問題對站段進行檢查，并提出合理化建議，督促各單位按期整改，很大程度上提高了各站段的管理水平和職工的作業能力。站段也會依據路局要求針對本單位的特點對科室、車間進行發卡考核，從違章、違紀、管理等各方面指出存在的問題。這些問題在整改后，作為閑置的數據沒有被很好的利用。并且在一段時間內，數據呈現出量大、非結構化和難處理的特點，完全分析數據變得幾乎不可能。通過大數據理論算法，可以利用數據得出有利用價值的事物之間的相關關系。

3.2行車崗位發卡統計與發生時間段的相關關系

每年有關行車問題的信息多達上萬條，其中包含時間、責任人、單位、崗位、問題概述、問題分析及問題整改措施等類型，同時信息的重要度也有很大差別。在處理過程中可只選取與行車有關的問題進行建模，類型中選取崗位和時間段，對于路局信息和站段信息可以添加重要度系數。同時對班中時間劃分為若干個時間段（一般以1小時劃分），這樣經過統計就可以得出各崗位與發生時間的概率分布，

其中： 表示時間與不同崗位的分布關系；

表示時間段；

表示不同的崗位。

經過計算就可以得出發生違紀現象概率最大的時間段，監管人員可以依據計算結果對特定崗位進行重點卡控。

4.結論

應用大數據技術進行數據采集、分析，挖掘出有價值的信息，是鐵路將數據轉化為競爭力的必然過程[5]。通過統計分析路局、車站對行車一段時間內的監督效果，為班前預想提供理論參考。本文利用大數據理論，通過統計某一時間段內發生違章作業的概率分布，找出發生違章概率大的時間段，并進行重點卡控，可有效降低此違章的發生率。

參考文獻

[1] 王倩，朱宏峰，劉天華.大數據安全的現狀與發展[J].計算機與網絡創新生活，2013（16）：66-69.

[2] 程陳.大數據挖掘分析[J].軟件，2014，35（4）：130-131.

[3] 韓少鋒，陳立潮.數據挖掘技術及應用綜述[J]. 機械管理開發2006（02）.

[4] 維克托.邁爾-舍恩伯格，肯尼斯.庫克耶.大數據時代[M].浙江人民出版社，2013.1

[5] 代明睿，朱克非，鄭平標.我國鐵路應用大數據技術的思考[J].鐵道運輸與經濟.2014，36（3）：23-26.