基于遷移學習的高鐵供電專業(yè)人才培養(yǎng)模式研究

摘要 隨著我國高鐵行業(yè)的快速發(fā)展，對高鐵供電專業(yè)人才的需求和要求不斷提高，而現(xiàn)有鐵路供電專業(yè)的人才培養(yǎng)模式缺乏對產(chǎn)業(yè)升級動態(tài)變化的實時掌握，沒有充分深度融合教育數(shù)據(jù)與鐵路數(shù)據(jù)來智慧化人才培養(yǎng)過程，人才培養(yǎng)質(zhì)量往往滯后于鐵路產(chǎn)業(yè)升級需求。基于此，文章采用遷移學習方法將高校對高鐵供電專業(yè)人才培養(yǎng)作為源域，將鐵路企業(yè)對高鐵供電專業(yè)人才動態(tài)需求作為目標域，首先采集并標準化教育數(shù)據(jù)和企業(yè)數(shù)據(jù)，基于源域數(shù)據(jù)建立專家知識庫模型，并將該模型遷移至目標域，然后根據(jù)遷移偏差設(shè)計三級迭代優(yōu)化的遷移權(quán)重學習方法，以更新源域模型的各項參數(shù)權(quán)重，最后通過實際案例分析，印證了該方法可以有效降低企業(yè)與高校對該專業(yè)人才培養(yǎng)的差異，提高高鐵供電專業(yè)人才培養(yǎng)質(zhì)量。

關(guān)鍵詞 高鐵供電；遷移學習；人才培養(yǎng)；智慧教育

中圖分類號 U238 文獻標識碼 A 文章編號 2096-8949（2023）13-0177-04

0 引言

黨的二十大提出了建設(shè)“交通強國”的戰(zhàn)略部署，中共中央、國務院印發(fā)《交通強國建設(shè)綱要》明確提出，“大力培養(yǎng)支撐中國制造、中國創(chuàng)造的交通技術(shù)技能人才隊伍，構(gòu)建適應交通發(fā)展需要的現(xiàn)代職業(yè)教育體系”[1-3]。根據(jù)國家鐵路發(fā)展規(guī)劃，到2030年高鐵規(guī)模達到45 000 km，新增16 000 km[4-5]。高鐵供電技術(shù)技能型人才的培養(yǎng)已成為我國高速鐵路發(fā)展邁向新征程中亟待解決的關(guān)鍵問題。我國高鐵技術(shù)和規(guī)模的快速發(fā)展也在倒逼高鐵供電教育模式向智慧化發(fā)展，以動態(tài)適應新時期鐵路的智慧發(fā)展。目前，高鐵供電專業(yè)人才培養(yǎng)還存在以下問題[6-7]：

（1）鐵路企業(yè)對于“新人才”要求的動態(tài)變化，使得鐵路高校培養(yǎng)出的人才呈現(xiàn)“千人一面”，人才培養(yǎng)質(zhì)量往往滯后于鐵路產(chǎn)業(yè)動態(tài)升級需求，缺乏對產(chǎn)業(yè)升級動態(tài)變化的實時掌握。

（2）對于鐵路行業(yè)、普通鐵路企業(yè)中的崗位資源、技術(shù)資源、設(shè)備資源等數(shù)據(jù)，出于鐵路特殊行業(yè)的安全性和隱私性，使得鐵路大數(shù)據(jù)的信息共享難，無法與教育大數(shù)據(jù)進行直接融合和建模，進而阻礙智慧教育進程。

（3）高校對高鐵供電人才的共性培養(yǎng)與鐵路企業(yè)“一專多能”精準人才需求、學生個性化差異的發(fā)展之間的矛盾，也給智慧教育提出了更高的要求。

針對上述存在的問題，該文采用遷移學習方法將高校對高鐵供電專業(yè)人才培養(yǎng)作為源域，將鐵路企業(yè)對高鐵供電專業(yè)人才動態(tài)需求作為目標域；首先，采集并標準化教育數(shù)據(jù)和企業(yè)數(shù)據(jù)，基于源域數(shù)據(jù)建立專家知識庫模型，并將該模型遷移至目標域；然后，根據(jù)遷移偏差設(shè)計三級迭代優(yōu)化的遷移權(quán)重學習方法，以更新源域模型的各項參數(shù)權(quán)重；最后，通過實際案例分析，印證了該方法可以有效降低企業(yè)與高校對該專業(yè)人才培養(yǎng)的差異，提高高鐵供電專業(yè)人才培養(yǎng)質(zhì)量。

1 基于遷移學習的高鐵供電專業(yè)人才培養(yǎng)模型

該模型主要分為三部分，分別是數(shù)據(jù)的分析與標準化、源域人才培養(yǎng)的知識規(guī)則庫建立以及遷移權(quán)重學習方法的設(shè)計。具體流程如圖1所示。

圖1 流程圖

1.1 數(shù)據(jù)的分析與標準化

數(shù)據(jù)分析主要采用熵權(quán)法，通過SPSS數(shù)據(jù)分析軟件進行計算，最終得到我們需要的崗位職業(yè)能力及專業(yè)群人才培養(yǎng)的相關(guān)量化指標[8-9]。熵權(quán)法的基本原理就是根據(jù)指標變異性的大小來確定客觀權(quán)重。熵權(quán)法確定指標權(quán)重的推導過程如下。

第一步：數(shù)據(jù)標準化

將各個指標的數(shù)據(jù)進行標準化處理。假設(shè)給定了F個指標 X1， X2， ...， XF，其中Xi=x1， x2， ...， xn，假設(shè)對各指標數(shù)據(jù)標準化后的值為Y1， Y2， ...， YF，那么

式中，i——一級指標；j——二級指標；Yij——標準化的輸出值。

第二步：求各指標的信息熵

根據(jù)信息論中信息熵的定義，一組數(shù)據(jù)的信息熵計算為

式中，，表示某項指標的占比重。

第三步：確定各指標權(quán)重

根據(jù)信息熵的計算公式，計算出各個指標的信息熵為E1， E2， ...， Ek。通過信息熵計算各指標的權(quán)重

式中，i=1，2，……，F(xiàn)。

1.2 基于BRB的源域?qū)＜抑R規(guī)則庫

傳統(tǒng)的IF-THEN規(guī)則與置信規(guī)則相比，其主要的區(qū)別在于置信規(guī)則的輸出在前者的基礎(chǔ)上融入了具有證據(jù)形式的置信分布，而且可以很好地建模在復雜決策問題上，比如不確定性信息的決策問題[6-7]。該文運用BRB推理系統(tǒng)構(gòu)建了參數(shù)接觸網(wǎng)專業(yè)μ，變配電專業(yè)V，線路檢修專業(yè)M和人才培養(yǎng)質(zhì)量F之間的非線性模型。第k條規(guī)則可作如下表示[6]：

，并有參數(shù)θk和δi，

當參數(shù)被輸入到置信規(guī)則庫系統(tǒng)時，置信規(guī)則庫中的某些規(guī)則會被輸入?yún)?shù)所激活，然后，運用證據(jù)推理（ER）方法融合以上規(guī)則庫中被輸入?yún)?shù)所激活的規(guī)則后項中的置信結(jié)構(gòu)，根據(jù)得到的結(jié)果得出相應的人才培養(yǎng)質(zhì)量評價值F。第k條規(guī)則被輸入量參數(shù)激活的權(quán)重如下：

這里n=3，，相對屬性權(quán)重為，為第k條規(guī)則中第i個輸入e0，i與相應參考值Ek，i的匹配度。這里，和Ai，1lt; Ai，2 lt;…lt;Ai，Ji，的計算公式如下：

然后運用ER算法融合被輸入?yún)?shù)激活的各個置信規(guī)則的后項信度結(jié)構(gòu)，可以得到：

式中：——對第p個后項參考值賦予的置信度。

1.3 遷移權(quán)重學習方法

由于源域與目標域之間的環(huán)境差異大、數(shù)據(jù)分布不同，因此將源域?qū)＜抑R遷移至目標域，會造成一定的遷移偏差，為了解決該問題，提出遷移權(quán)重學習方法。計算目標域?qū)嶋H樣本輸出true_Z（t）與源域知識遷移輸出Estimated_Ir（t）之差平方和的均值：

誤差函數(shù)中的參數(shù)集g可作如下表示：

式中，——規(guī)則權(quán)重參數(shù)；——屬性權(quán)重參數(shù)；——后項輸出元素置信度，約束條包括：，，和。

為了更好地最大化跨域樣本之間的差異。也就是說，該約束提供了更大的權(quán)值空間，能夠為低重要性的源域規(guī)則分配更小的權(quán)值，而對關(guān)鍵的源域規(guī)則分配更高的權(quán)值，對三個遷移權(quán)重進行三步迭代優(yōu)化設(shè)計，得到如下的目標函數(shù)：

這里使用坐標下降法對目標函數(shù)進行求解，該優(yōu)化算法分為三個步驟。第一步，固定和，并最小化目標函數(shù)來估計；第二步，固定和，并最小化目標函數(shù)來估計；第三步，固定和，并最小化目標函數(shù)來估計；重復上述三步迭代直至收斂可以獲得最優(yōu)的、和估計值，具體流程如圖2所示。

2 實際案例分析

該文面向鐵路高校和鐵路企業(yè)雙方，針對鐵道供電專業(yè)群下接觸網(wǎng)檢修、變配電檢修、電力線路維修三個具體崗位職業(yè)能力要求，將專業(yè)、崗位對應的職業(yè)能力培養(yǎng)要求進行結(jié)構(gòu)描述，分別為一級要素“基礎(chǔ)素質(zhì)、職業(yè)素質(zhì)、職業(yè)知識、職業(yè)技能”，記為A1～A4；一級要素下設(shè)計16項職業(yè)能力分項作為二級要素，記為B1～B16；二級要素下詳細描述職業(yè)能力內(nèi)容作為三級要素，記為C1～Cn。

該次調(diào)研發(fā)放問卷1 360份，回收有效問卷1 200份。其中，高職院校鐵道供電專業(yè)群調(diào)研回收有效問卷290份，含接觸網(wǎng)檢修崗位100份、變配電檢修崗位90份、電力線路檢修崗位100份；企業(yè)崗位調(diào)研回收有效問卷910份，含接觸網(wǎng)崗位310份、變配電崗位260份、電力線路檢修崗位340份。

2.1 校企雙方數(shù)據(jù)的標準化

接觸網(wǎng)檢修、變配電檢修、電力線路維修崗位職業(yè)能力一級要素調(diào)研數(shù)據(jù)處理結(jié)果如表1～3所示。二級要素和三級要素的數(shù)據(jù)處理同理可得，篇幅有限不再展示。

2.2 構(gòu)建源域?qū)＜抑R規(guī)則庫及確定輸入與輸出量的參考值

通過聚類方法結(jié)合專家經(jīng)驗對所收集的數(shù)據(jù)進行分析，設(shè)置輸入變量和輸出變量的參考值（語義值）。接觸網(wǎng)檢修崗位μ的參考值（語義值）為1.913（VS）、2.003（PS）、1.228（PM）、1.446（ML），變配電檢修崗位V的參考值（語義值）為2.943（VS）、1.877（PS）、2.055（ML）、1.336（VL），電力線路檢修崗位M的參考值（語義值）為1.304（VS）、1.226（PS）、1.094（ML）、1.444（VL）；人才培養(yǎng)質(zhì)量的參考值（語義值）為4（NS）、5（VS）、6（VS）、7（PS）、8（PM）、9（L）、10（VL）。語義值VS、PS、PM、ML、VL、NS和VS分別代表“很小”“一般小”“正中”“一般大”“很大”“極小”和“小”。

2.3 遷移權(quán)重學習方法

將根據(jù)源域數(shù)據(jù)構(gòu)建的專家知識規(guī)則庫模型遷移至目標域數(shù)據(jù)中，對企業(yè)的910組數(shù)據(jù)進行驗證，將結(jié)果代入公式10進行計算估計的目標域?qū)嶋H樣本輸出與源域知識遷移輸出之間的誤差函數(shù)ζ（g）=1.255 58×10-2。很顯然，源域模型在目標域數(shù)據(jù)集中的結(jié)果還存在很大的遷移偏差，然后利用“1.3節(jié)”提出的三級迭代的遷移屬性優(yōu)化方法，對誤差函數(shù)進行優(yōu)化，相應的ζ（g）降到了4.725 0×10?3，這時δ1=0.945 7，δ2=0.936 3，δ3=0.930 1。綜合校企雙方在鐵道供電專業(yè)群的三個專業(yè)崗位中呈現(xiàn)的職業(yè)能力結(jié)構(gòu)，可得到該專業(yè)群人才培養(yǎng)現(xiàn)狀與培養(yǎng)要求之間的對比分析圖（見圖3）。左圖是目前人才培養(yǎng)模型的結(jié)果，右圖是該文所提的基于遷移學習的人才培養(yǎng)模型，顯然目前學校人才培養(yǎng)要求與企業(yè)需求不同步，特別是B2、B4、B13、B14要素差別較大；而采用了遷移學習方法的結(jié)果可以明顯減小企業(yè)人才需求與學校人才培養(yǎng)現(xiàn)狀之間的差異。

3 結(jié)語

針對高鐵供電專業(yè)人才培養(yǎng)質(zhì)量往往滯后于鐵路產(chǎn)業(yè)升級需求，而鐵路數(shù)據(jù)又不能直接用來建立高校供電專業(yè)人才培養(yǎng)模型的現(xiàn)狀，該文采用遷移學習方法將高校對高鐵供電專業(yè)人才培養(yǎng)作為源域，將鐵路企業(yè)對高鐵供電專業(yè)人才動態(tài)需求作為目標域；通過知識遷移學習、專家知識庫模型等技術(shù)手段，減小域間差異，并可實時更新源域?qū)＜抑R庫模型，使高校培養(yǎng)出的鐵道供電專業(yè)人才完全滿足鐵路企業(yè)實際需求，并引領(lǐng)鐵路企業(yè)技術(shù)發(fā)展。

參考文獻

[1]中華人民共和國發(fā)展與改革委員會. 《鐵路“十四五”發(fā)展規(guī)劃[EB/OL]. https： //www. ndrc. gov. cn/zcfb/zcfbghwb/2020. 11/t2017867819. html.

[2]中共中央 國務院. 《交通強國建設(shè)綱要》. http： //www. xinhuanet. com//2019-09/19/c_1125016261. htm.

[3]教育部. 教育部關(guān)于印發(fā)《教育信息化2. 0行動計劃》的通知[EB/OL]. [2018-04-18] http： //www. moe. gov. cn /srcsite/A16/s3342/201804/t20180425_334188. html.

[4]牛道安， 柯在田， 劉維楨， 等. 高速鐵路基礎(chǔ)設(shè)施檢測監(jiān)測體系框架研究[J]. 中國鐵路， 2020（10）： 9-17.

[5]姚冬， 陳東生， 陶凱， 等. 高速鐵路基礎(chǔ)設(shè)施綜合檢測監(jiān)測技術(shù)探討[J]. 鐵道標準設(shè)計， 2020（3）： 42-48.

[6]王亞珅. 面向數(shù)據(jù)共享交換的聯(lián)邦學習技術(shù)發(fā)展綜述[J]. 無人系統(tǒng)技術(shù)， 2019（6）： 58-62.

[7]Duan L， Xu D， Tsang I W. Domain adaptation from multiple sources： a domain-dependent regularization approach[J]. IEEE Transactions on Neural Networks amp; Learning Systems， 2012（3）： 504.

[8]姜海燕， 劉昊天， 舒欣， 等. 基于最大均值差異的多標記遷移學習算法[J]. 信息與控制， 2016（4）： 63-70.

[9]Dai W， Yang Q， Xue G R， et al. Boosting for transfer learning[C]. International Conference on Machine Learning. ACM， 2017： 193-20.