基于結構模型的調度員工作負荷優化研究

高揚, 李曉宇, 劉敬輝, 李涵秋, 齊彥昆

(中國國家鐵路集團有限公司鐵路安全研究中心, 北京 100081)

隨著鐵路運輸組織及行車安全技術的不斷進步,操作人員的工作由過去的,以單一“操作”為主,變為“監視-判斷-決策-控制”一體化,發生人因失誤的可能性及其后果和影響變得更大,存在潛在危險集中到了較少的關鍵安全崗位人員身上。作為高速鐵路行車指揮中樞,調度指揮系統在保障行車安全方面發揮著不可替代的作用,特別地,在非正常行車的應急場景下,調度人員的操作對列車的安全運營起著決定性的作用。在高速鐵路行車,尤其是在非正常行車的應急場景下,調度人員的操作對列車的安全運營起決定性作用。列車調度自動化程度的提高,一方面減輕了調度員的日常操作作業量,但是需要盡可能長時間集中注意力,密切注視調監屏的動態變化;另一方面,當故障場景發生時,需要調度員迅速、正確地針對突發事件進行應急處置。

近年來,隨著人因工程學的發展,在研究人的失誤時,人們不再局限于表現出來的失誤行為,而是越來越關注其背后的產生機制和影響機理。在已有的人因研究中,有研究者基于共享心智模型構建了關鍵安全崗位人員的安全共享心智模型,并驗證了其對人員安全績效的有效預測作用[1]。有研究者基于心理負荷理論模型,對調度員心理負荷的波動情況進行調研檢測及建模監測,從而確定調度員心理負荷與內外多方面因素的影響作用關系[2]。針對調度員的工作績效研究中,研究者分別從工作滿意度和個性特征的角度出發,對二者在心理負荷的中介效應和調節效應進行了驗證,并進一步探討了其深層次的內在影響機制,從而證明了心理負荷對工作績效及其子維度的預測作用[3]。在對認知科學相關文獻研究的基礎上,有研究者結合高速鐵路調度員工作特性、調研訪談結果,確定了高鐵調度員認知能力構成;通過相關性分析得到調度員認知能力與安全績效各維度的影響關系,結合調節效應分析,證明了安全氛圍在認知能力與安全績效中存在顯著的正向調節作用[4-6]。

面向高鐵調度員的認知決策模型的影響因素較多,各因素之間關聯性不強,為了對高鐵調度員的認知決策模型進行更有效率的優化,現借助支持向量機和粒子群優化方法,建立聯合優化模型;提出一系列利用客觀測量數據;通過回歸模型角度進行研究,建立更加性能優化的高鐵調度員的認知決策模型。針對當前鐵路領域人因研究中存在的數據匱乏問題可以有效彌補,將定性問題深入到定量研究的層次中。

1 基于多生理信號的認知決策模型構建相關基礎

1.1 結構方程模型原理

結構方程模型(structural equation modeling,SEM) 是一種建立、估計和檢驗變量之間復雜關系模型的方法。模型中既包含可以通過測量手段被觀測到的顯在變量,也包含無法直接測量其值的潛在變量,除了心理學等社會科學范疇,也廣泛應用于交通運輸、人因技術等工程學領域。

結構方程模型理論的基本原理為,利用一定的統計手段,對假設模型與樣本數據之間關系的一致性程度進行分析比較,評價假設模型與實際模型的近似程度,從而處理復雜現象背后的理論模式,達到對實際問題進行定量研究的目的。

結構模型反應潛變量之間的因果關系,亦稱潛變量模型,也稱因果模型。其中的方程成為結構方程,具體表達式為

η=Bη+Γξ+ζ

(1)

式(1)中:η為內生潛變量,既影響其他變量,也受其他變量影響;ξ為外生潛變量,只影響其他變量,不受其他變量影響;ζ為η中未能被解釋的部分;B為一個因果系數,表示Bη對η的影響;Γ為一個系數矩陣,表示Γξ對η的影響。

在圖1中,ξ1是外生潛變量;η1和η2是內生潛變量;直線箭頭從ξ1指向η1和η2;ξ1是η1和η2的原因變量,它們之間的路徑系數分別為γ11和γ12;直線箭頭從η1指向η2,表明η1會影響η2,路徑系數為β2。類似的,可以得到各個潛變量之間的路徑系數,這些都是待估計的參數。因此,圖1的模型可以寫為

(2)

圖1 結構模型示意圖Fig.1 Time-domain feature map of EEG under different cognitive load levels

1.2 結構方程模型設計

Wickens從信息流的角度出發,分析人在完成作業任務時一連串的心理加工階段,提出了一種人的信息加工(human information processing)模型[7],如圖2所示。

圖2 Wickens信息處理模型Fig.2 Wickens information processing model

在人與外界發生交互時,外界的信息首先由視覺、聽力、觸覺等感覺系統進行接收和加工,Wic-kens[7]將這一過程標記為“感覺(sense)”,并強調其與“知覺(perception)”的不同。他認為外界的信息需要先短暫(不超過1 s)地存儲在短時感覺存儲(short term sensory store,STSS)這一模塊中,然后只有其中的一小部分感覺信息會繼續傳遞,被人真正地知覺。如何選擇哪些信息被繼續傳遞,涉及對感覺到的聲音或圖像信號以及事件的意義的判斷,而這種判斷背后的標準則是基于既有的知識或以往的經驗,即長期記憶(long term memory)中所存儲的內容。

知覺過后,信息流向兩個通道或二者之一。對于部分高度熟練的操作行為,輸入信息能夠觸發下意識的即刻反應,整個加工流將直接進入反應選擇(response selection)階段并采取反應執行(response execution);但在部分復雜情境中,人需要使用工作記憶(working memory)對知覺信息進行暫時存儲和認知加工,一方面獲取更多的外界信息,另一方面對知覺到的信息進行解釋,然后才能選擇恰當的反應。

在上述對Wickens模型的分析中可以發現,該模型的核心就在于引入了記憶和注意兩個認知要素,對其在信息處理過程中的產生影響的作用機理進行解釋。但是需要注意到,記憶和注意兩個認知活動自身也會受到其他因素的影響。Wickens的模型中已經提到:人的工作記憶容量和注意資源都是有限的,認知負荷的有關理論研究中認為,正是這種有限性導致了認知負荷的產生和波動[8]。注意-情境意識模型(attention-situation awareness, A-SA)發現,合理的注意力分配可提高情境意識水平而降低腦力負荷[9]。另一方面,認知負荷或腦力負荷的變化又會影響注意力資源和工作記憶的使用。知覺負載理論和認知控制理論認為,對于不同的認知階段,腦力負荷的升高會導致人對外界干擾信息的注意資源配給產生促進或抑制作用[10]。過高的任務負荷也可能導致工作記憶過載,無法及時獲取新的外界信息進行處理[11]。

根據上文所闡述的腦力負荷與注意和記憶之間的相互作用關系,本文研究以Wickens模型為基礎,添加腦力負荷要素,用以更細節地探究和解釋認知決策過程。特別地,借鑒Endsley提出的情景意識理論,采用具有相同語義的“感知”和“理解”概念,分別對Wickens信息模型中的“感覺儲存”和“知覺編碼”進行替換。同時,對未來狀態的預測將會直接決定人的決策意向,因此將“預測”與“決策”概念相融合。由此構建的結構模型具體形式如圖3所示。

圖3 假設結構模型Fig.3 Hypothetical structural model

1.3 支持向量機回歸方法

支持向量機(support vector machine, SVM)是一種通過監督學習的方式對數據進行分類預測的算法,其決策方程為

f(x)=WTx+b

(3)

式(3)中:W為超平面法向量;x為數據點,為N維向量;b為偏置。

SVM在線性函數兩側制造了一個“間隔帶”,對于所有落入間隔帶內的樣本,都不計算其損失;只有落到間隔帶之外或落在間隔帶邊緣上的樣本,才計入損失函數,也就是支持向量。SVM希望所有樣本盡可能地落在間隔帶內,為此引入兩個松弛變量ξ、ξ*。

(4)

松弛變量ξ、ξ*分別表示間隔帶邊緣之外的樣本點到間隔帶相應邊緣的函數距離。由此,SVM的總優化目標為

(5)

(6)

式中:C為一個正則化參數,用于控制模型的復雜度和訓練誤差之間的權衡;ε為一個預先定義的容差值,用于控制預測值與實際值之間的差異;i為樣本數量。

對于式(5)和式(6)的最優化問題,一般采用拉格朗日乘子法轉換成對偶最優化問題,然后根據KKT(Karush-Kuhn-Tucker)條件進行最優化計算,得到的回歸函數可以寫為

(7)

(8)

(9)

K(xi,xj)=Φ(xi)TΦ(xj)

(10)

式中:Φ(xj)為將輸入樣本xj映射到特征空間中的特征向量。

常見的核函數包括線性核函數、多項式核函數、高斯核函數、sigmoid核函數等,其中,高斯核函數(RBF核)適用范圍較廣,使用頻率較高。其數學表達式為

KRBF(xi,xj)=exp(-γ‖xi-xj‖2)

(11)

1.4 粒子群優化算法

粒子群優化算法(particle swarm optimization,PSO) 是一種啟發式優化算法,屬于進化算法的一種,其算法流程如圖4所示。

圖4 粒子群算法流程圖Fig.4 Algorithm flow chart of PSO

粒子群算法的核心思路為,基于一組候選解(粒子),借助其自身經驗和種群中最優個體的經驗調整其速度和位置,使其在解空間中移動,最終找到最佳位置,解決優化問題。同時,為了兼顧局部最優和全局最優的結果,引入一個非負的慣性權重因子ω,使得PSO算法可以適應不同的搜索范圍需求。其值較大時,粒子受學習項的影響較小,更趨向于沿自己的慣性方向移動,此時種群的全局尋優能力較強,局部尋優能力較弱;ω較小時,粒子受學習項的影響相對較大,此時全局尋優能力減弱,局部尋優能力增強。

為了平衡全局搜索和局部搜索能力,試將ω按照線性遞減權值(linear decreasing weight,LDM) 策略改變其值。

(12)

式(12)中:ωj為第j個樣本點的權重;j為時間的步數或者索引值;N為算法設定的最大迭代次數;ωinit為初始慣性權重;ωend為迭代至最大迭代次數時的慣性權重,二者均需要根據算法實際應用進行人為設定。

2 實驗設計與特征數據提取

2.1 特征提取

測試實驗基于實驗室內部獨立開發的調度指揮人員人因工程實驗系統進行。實驗系統由場景生成管理系統、調度指揮仿真系統[13]、數據采集分析系統組成,能夠提供正常及故障場景生成與管理、調度人員人機界面及相關環境的構建、被試人員操作行為及生理參數的采集與分析等功能[14]。

當應急場景發生時,調度指揮仿真系統中相應的子系統會做出相應的界面提示。在故障場景應急處置的過程中,被試人員在仿真平臺上進行操作后,實驗平臺會給出相應的顯示或語音反饋。例如,通過調度員通信仿真子系統呼叫司機、要求確認列車有關狀況后,通信仿真子系統會自動播放相應的回復語音。數據采集分析系統通過記錄時間戳對上述反饋刺激進行標記,以便在采集到的心電圖(electrocardiogram,ECG)、腦電圖(electroencephalography,EEG)和眼動等生理數據上進行時間軸對齊與同步。

2.1.1 腦電數據提取

腦電數據預處理基于功能軟件,對采集到的腦電數據進行初步的預處理。包括電極定位、信號去噪、重參考 (re-reference)。EEG是一種成熟且實用的工具,用于研究大腦功能,心理學和精神病學的發展。目前,大多數發育性EEG研究為事件相關電位(ERP)分析或基于傅立葉變換的分析,但是這些分析方法忽略了非鎖相信號和時間信息。時頻分析可以更好地表征EEG數據中包含的3個振蕩特征的時間動力學:頻率、功率和相位。我們對腦電波中的信號分別提取時域特征、頻域特征、時頻域特征。時間序列分類的主流網絡包含長短期記憶網絡(long short-term memory,LSTM)、卷積神經網絡(convolutional,CNN)、卷積神經網絡-長短期記憶網絡(convolutional neural network-long short-term,CNN-LSTM)、長短期記憶-卷積神經網絡(long short-term memory-fully convolutional network,LSTM-FCN),本文研究直接從原始EEG時間序列中提取時域信息和頻域信息,采用CNN-LSTMs獲取腦電空間連續信息與時間依賴信息。圖5和圖6為不同認知負荷水平下的EEG腦電時域、頻域特征圖。圖7中EEG的時頻域信息時空特征明顯,所以本文研究選擇了圖片分類的神經網絡進行認知負荷分類。

圖5 不同認知負荷水平下的EEG時域特征圖Fig.5 Time-domain feature map of EEG under different cognitive load levels

圖6 不同認知負荷水平下的EEG頻域特征圖Fig.6 Frequency-domain feature map of EEG under different cognitive load levels

Time為時長;ERSP為事件相關譜攝動

2.1.2 心電數據提取

一個心搏周期內的心電信號主要包含下列3個典型的波形。P波、QRS波群、T波。表現為一段波形圓鈍的正向起伏,占時較長,可以達到0.05～0.25 s。

用于R波檢測的方法有很多,例如基于數學形態學的方法、匹配濾波方法、過零檢測方法等,其中,基于閾值的差分法是一種較為常用的經典算法。其基本原理是,檢測波形斜率的變化來定位尖峰位置。R波在心電波形中表現為明顯的突變沖激,通過差分方法計算波形對時間的導數值,若超過特定閾值,則視為此處斜率變化較大,可能處于R波的上升沿或下降沿,R波點可能位于附近的極值點上。

2.1.3 注視點數據提取

本文研究采取一種基于位置閾值算法的注視點提取方法。其總體思想是將時序上相鄰兩視點的位置差與給定閾值進行比較,小于閾值,則認為這兩個視點位置足夠靠近,可以視為屬于同一個注視點所代表的注視域;如果大于閾值,則認為這兩個視點分屬于兩個注視域。

步驟1將輸入的二維平面直角坐標系下視點位置坐標記為集合{x(i),y(i)},逐次計算相鄰視點的位置差,得到差值集合dgaze,計算過程為

(13)

步驟2提取數值大于100像素的差值點dgaze(k)。該差值所對應的兩個相鄰視點分別屬于前一個注視域和后一個注視域。將這兩個視點分別記為n(k)和n(k+1)。

n(k)=[x(k),y(k)]

(14)

n(k+1)=[x(k+1),y(k+1)]

(15)

步驟3如果視點n(i)在時域上距離較近,表現為相鄰或臨近的位置差值連續大于閾值,則將其視為掃視路徑上的點,從注視域點集中剔除。本文選取的時序閾值為采樣周期的4倍,即,如果n(k+1)與n(k)之間少于4個采樣點,則認為n(k+1)為掃視點,不屬于任何注視域。經過篩選后,獲得注視域點集ψi。

ψi={n(i-1)+1,…,n(i)}

(16)

步驟4計算注視域ψ的中心點,作為代表該注視域的注視點。根據得到的注視點,可以得到注視點個數和平均注視時間作為眼動數據的特征指標。

除了注視點信息,還采取了瞳孔數據作為特征信息,計算了瞳孔直徑均值和瞳孔直徑標準差作為眼動數據的特征。

2.2 特征選擇

經過前文所述的處理過程,從采集到的多來源、多模態生理數據中提取出的特征集如表1所示。

表1 生理數據特征指標Table 1 Physiological data features

可以看到,該特征集共包含34項特征指標,即34維原始特征維度。從維數的角度看,并不構成典型的高維小樣本數據集,理論上可以直接作為機器學習算法的輸入變量。但從實際應用的角度出發,依舊需要對其進行進一步的處理,去掉不相關特征和冗余特征,對特征集進行約簡降維 (將高維數據通過矩陣變換映射到更低維空間)。

特征降維主要有兩個處理思路,特征提取和特征選擇。特征提取一般是通過數學計算將數據映射至另一維度空間,典型的方法有主成分分析法、獨立成分分析法、Fisher線性判別分析法等。某些生理信號具有數值意義之外的時間、空間特征,但是特征提取改變了原來的特征空間,所產生的新特征具備與原始特征差距甚遠、甚至完全不同的物理意義,造成了其數據含義的不可解釋性,這是生理數據研究中難以接受的[15-18]。

特征選擇的核心思想是通過某種評價準則,從原始特征空間中選擇最優特征子集。常見的評價標準有發散性(如信息熵等)或相關性(如單特征與響應變量之間的線性相關性等)、目標函數(如學習效果評價指標)等[19]。

3 基于多生理信號的腦力負荷評估方法

針對上文描述的腦力負荷預測模型,選擇回歸模型的均方誤差(mean squared error,MSE)做為評價指標,對特征選擇和模型調參的過程進行優化,即要求最優特征子集和模型參數使得模型的均方誤差最小。MSE的計算公式為

(17)

式(17)中:yi為測試樣本的實際值;f(xi)為模型預測值。

為了能夠讓模型更好地解決實際中的問題,將訓練好的模型部署到真實的環境中時,在真實的數據上得到最好的預測效果,誤差越小越好。但是在實際問題中很難通過直接將泛化誤差作為了解模型泛化能力的信號,因為在部署環境和訓練模型之間往復,代價很高,也不能使用模型對訓練數據集的擬合程度來作為了解模型泛化能力的信號,因為獲得的數據往往含有不需要的信息。因此在本文研究中將數據分割成兩部分:80%的樣本作為訓練集、剩余20%的樣本作為測試集。使用訓練集的數據來訓練模型,然后用測試集上的誤差作為最終模型在應對現實場景中的泛化誤差。

3.1 聯合優化模型

在上述模型優化的過程中,模型中有一些超參數和具體的輸入特征需要根據具體問題進行實際調整。通過不斷調整算法的超參數,模型在測試集上的預測能力可以不斷增強。但在實際問題中,由于訓練數據過多,超參數維度過多,人工調整參數有著巨大的成本壓力。因此,提出以 SVM 為核心算法,通過 PSO 算法對模型超參數進行自動調整。通過對 MSE 指標的不斷觀測,PSO 能夠逐漸收斂到模型的最佳參數。具體的參數如下。

(1) SVM 算法的懲罰系數C。在 SVM 模型中,C的大小控制著優化目標對損失函數的要求。C越大,越要求松弛變量值趨近于0,即要求處于間隔帶之外的樣本盡可能減少。在這種情況下,模型對訓練樣本的擬合度較高,但無法保證對訓練樣本集以外的數據的預測效果,即產生過擬合現象,進而導致模型的泛化能力減弱。C越小,對落在間隔帶之外的樣本的容忍度越高,對訓練集的擬合性下降,可能導致欠擬合;但另一方面,對新數據的容錯能力增強,提高了模型的泛化性。

(2)核函數系數γ。γ決定著核函數的曲線形態,越大,映射后的各樣本點之間的距離越趨向于相等,空間分布越疏散,每個樣本點都可能被視為一個單獨的聚類,導致過擬合;越小,映射后得到的樣本點之間距離越小,在高維空間中的分布越集中,所有樣本點都可能被視為隸屬于同一個聚類,造成欠擬合。

(3)特征輸入選擇。上文提到輸入的34個特征可能存在無關特征或者冗余特征,在本文研究中將特征是否進入模型作為一個二元變量進行優化,直接作用到最后的損失函數。但是直接對所有特征進行二元選擇,可行解空間可以達到234。因此將所有特征分為 3 組,第二組的腦電信號特征中每一組作為一個備選,大大降低了可行解空間。以心電信號為例,將從心電信號中提取出的特征指標組成一個特征向量,記為φECG,集合內共包括12個特征元素。

φECG={f(1),f(2),…,f(12)}

(18)

用一個12位二進制數FECG表示由φECG中各元素所組成的特征子集,即

(19)

(20)

不同的特征被選中或未選中,FECG的值會相應改變。例如,若只選中心電信號的第一個特征指標SDNN,其他特征均被排除,則FECG=1;若只選中第二個特征指標rMSSD,則FECG=2;若選中第一個和第二個特征指標,其他特征均未選中,則FECG=3。

綜上所述,聯合優化的數學模型為

min{MSE}

(21)

(22)

以上為腦力負荷預測模型的優化模型,為了驗證聯合優化模型的有效性,將對比 SVM 模型與聯合優化模型的結果,以說明聯合優化模型的擬合效果相對于簡單的 SVM 模型有進一步的提升。

3.2 SVM模型優化結果

首先在原始特征集輸入的情況下,對SVM參數進行調整,以得到 SVM 模型的最佳算法效果。上文中已經說明SVM 模型有兩個參數需要調整C、γ,通過對這兩個參數進行調整可以達到算法的最佳效果。具體的調整方法如下。

(1)將C固定為100,γ分別取值0.01、0.05、0.1。為了更清晰地比較3個γ值對SVM效果的影響,將3個模型在測試集上的回歸評價指標繪制為柱狀圖的形式,如圖8所示。

圖8 回歸結果評價指標Fig.8 regression Results with different γ and C

(2)將γ固定為0.05,C分別取值10、100、1 000。訓練得到的支持向量回歸模型在測試數據集上的預測效果如圖8所示。

在圖8中,MAE指的是平均絕對誤差(mean absolute error,MAE)。R2即R2指標,該指標衡量了不同背景下回歸模型的預測性能,其值越大、越趨近于1時,代表模型的性能越好。

從圖8可以看到,γ=0.05時,預測模型的MAE和MSE值均為3組間最小,R2為最大。因此,在C一定的條件下,使得SVM模型最優的γ值落在0.01～0.1的范圍內。

從圖8可以看到,C=100時,預測模型的MAE和MSE值均為3組間最小,R2為最大。因此在γ值一定的條件下,使得SVM模型最優的C值落在10～1 000的范圍內。

從以上模型優化結果可以看到,C=100并且γ=0.05時,SVM模型的效果達到最優,此時模型的誤差指標如表2所示。

表2 誤差指標(SVM模型)Table 2 Error indicators of SVM model

3.3 聯合模型優化結果

采用粒子群算法對上述聯合優化問題進行求解,并和SVM 模型結果進行對比。聯合優化的迭代過程如圖9所示。可以看到,在100次迭代內,SVM模型的均方誤差達到了8.930 2,與圖8中所示模型的MSE相比,經過聯合優化的模型有了顯著的改善。

圖9 聯合優化模型迭代過程Fig.9 Iterative process of joint optimization

將聯合優化后的模型在測試數據集上進行預測,所得到的誤差指標數據如表3所示,并和3.2節中的SVM模型進行比較。可以看到,與SVM模型相比,聯合優化模型的模型評價指標均得到了提升。以3.1節中預測效果相對最好的模型(C=100,γ=0.05) 為例,經過聯合優化,SVM模型的MAE從2.86降至1.30;R2從0.81增至0.96,更接近于數值1,得到一定程度的提升;MSE從22.11降至5.17,得到顯著改善。因此,可以認為聯合優化算法對SVM模型的學習過程和學習效果具有明顯的優化效果。

表3 誤差指標(聯合優化和SVM模型)Table 3 Error indicators of joint optimization model and SVM model

為了更直觀地展示聯合優化模型的預測效果,以測試數據集的實際值為自變量,聯合優化SVM模型的預測值為因變量,繪制回歸結果圖。如圖10所示。

圖10 回歸結果 (聯合優化)Fig.10 Regression results graph with joint optimization

從圖10中所設虛線為y=x直線可以看到,大多數樣本點落在45°輔助線附近或輔助線上,表明這些樣本的實際值與預測值趨近于相等,具備較好的擬合狀態。同時,該模型依然存在與實際值相差較大的預測值,表現在回歸結果圖中即為遠離y=x輔助線的樣本點,可以看到,圖10中存在數個偏離程度較大樣本點,這也是表2中所示的模型誤差指標的來源。

除上述基本圖形特征外,還注意到,在50～60的實際值范圍內,樣本點的分布呈現稀疏松散的狀態,與45°線均存在一定的偏離,且隨著實際值的增加,這種松散和偏離的趨勢存在加劇的傾向。這可能是由于以下原因造成的:無論是用于訓練的樣本集或是用于測試的樣本集,落在這一取值區間內的數據均較為稀少,模型在訓練過程中很難從有限的樣本中學習到足夠的特征,在預測過程中就會出現相對較大的誤差。

4 結論

通過基于生理數據的調度員認知決策結構模型構建,實驗室內部自行開發的調度指揮一體化仿真實驗平臺,使用多種生理測量儀器采集調度人員在應急場景處置過程中的生理信號。對多源異構生理信號進行結構化處理,提取其特征指標,利用支持向量回歸模型進行初步的回歸預測;設計并采用了一種基于特征選擇和SVM參數選擇聯合優化的粒子群算法對支持向量回歸模型的訓練過程進行優化。相比于SVM 模型,聯合優化模型能夠自動化的調整參數和選擇特征,并且在測試數據集上,聯合模型相對于SVM模型,MSE 誤差指標減少了 77%,R2誤差指標提升了 15%。同時在使用聯合優化模型擬合結構方程過程中,腦力負荷與注意力、工作記憶之間的顯著性P值從 0.09 降低到了 0.02,這表明該理論模型與實際采集到的樣本數據之間具有較好的適配度,模型具有較高的接受度和可信度。基于實驗和機器學習算法提取出結構方程模型所需的樣本數據后,對結構方程模型進行擬合及修正,獲得具有量化路徑系數的認知決策模型。以實際北京局調度員試驗數據作為樣本,通過實驗與比較,驗證揭示了調度員認知要素與認知決策過程之間的基本作用關系,研究了腦力負荷與注意力和工作記憶之間的關系,對后期調度員工作負荷及適崗能力優化更具實用價值。