解析AI在轨道交通领域的应用特点

轨道交通中的AI应用特征分析

原文作者：Paul Darlington

一、概述

人工智能与机器学习技术已渗透到众多领域，并且在铁路行业得到了实际部署。新一代工程技术人才在高等教育机构中也开始学习人工智能相关知识。因此，无论行业是否准备好迎接，这项技术的普及已是大势所趋，它既能带来巨大的效益，也伴随着潜在的风险。

关于人工智能是否应被引入轨道交通行业，业界一直存在讨论。那么，轨道交通行业应如何接纳包括机器学习在内的新兴智能技术呢？机器学习作为人工智能的一个分支，通过算法在实践中不断改进，使得机器能够基于数据进行自主学习并优化预测结果。

当前，人工智能和机器学习已在道路交通领域得到应用，并发生了一些引人注目的安全事故。相比之下，道路交通的安全准入标准更为宽松，普通驾驶员的事故率较高，这为智能技术的优化提升提供了更大的空间。然而，铁路行业的安全标准远高于道路交通。一旦发生一起由人工智能引起的铁路事故，必将引发巨大的社会关注。因此，在铁路安全核心和运营关键环节部署人工智能与机器学习技术必须极其谨慎，短期内尚不具备全面推广的条件。另一个严峻的挑战是，高度复杂的智能系统需要长期的厂家技术支持，这可能导致供应商锁定。而轨道交通的运营方则希望避免这种依赖。因此，一个可行的解决方案是：将人工智能和机器学习限定在特定的功能模块内，而不赋予其全局控制权。此外，如果没有显著的回报，铁路设备供应商可能不愿意承担智能系统的长期运维责任。至于未来是否能够研发出能够自主设计和迭代更新系统的高级人工智能，也值得行业深思。

Rod 博士警示，真正的高级人工智能可能会展现出类似人类的特质，例如产生“倦怠感”或出现自主性的错误。他建议：对于传统技术已经能够实现的功能，铁路行业无需勉强引入人工智能；如果确实需要应用人工智能，必须解决以下四个关键问题：

1、透明度：特别是涉及安全的功能，必须确保算法的可追溯性和清晰性；

2、算法偏见：需要避免系统性、重复性的算法错误，防止产生不公平或存在安全隐患的非预期结果；

3、可追溯性：这是确保系统安全可靠运行的根本基础；

4、伦理规范：人工智能在学习过程中必须遵循伦理准则。

二、应用案例

目前，铁路行业已将人工智能和自主机器学习系统应用于基础设施的维护管理，通过分析海量的运维数据，实现资产的精细化管理。监控范围包括架空线路、线槽通道、植被生长状况、绝缘接头、第三轨、道岔和道口等固定设施的视频及热成像监测。机器学习技术还能深入分析列车运行数据，生成机车健康状态评分。运维人员可以根据评分优先级来安排列车的运营，从而有效提高铁路运营的准点率。

英国铁路网（Network Rail）首席数据科学家 Nick Kotsis 描绘了铁路人工智能的发展蓝图：通过自主系统实现对线路网的全天候监控，并利用人工智能分析资产风险数据，预测风险趋势。随后，可以借助智能决策工具，制定最优的巡检和维护方案，最大限度地减少施工对运营的影响。同时，机器人和自动化技术能够提高铁路施工和运维的效率，减少高风险作业的人员数量，从而保障一线员工的人身安全。

人工智能和机器学习并不会取代铁路员工或导致岗位流失，反而能够实现精准的运维干预，显著减少列车停运的班次，节约运营成本，并提高线路的可靠性。要获得从业者的认可、实现行业内的协作并建立信任，就必须确保算法的透明度，并保证输出结果的无偏见性。

Rod 博士不建议在安全完整性等级（SIL）为1级及以上的安全关键场景中使用人工智能。以伦敦横贯铁路（Elizabeth line）西伯恩公园站（Westbourne Park）的自动折返功能为例：该线路每小时有14趟列车需要进入折返轨道。当司机启动自动折返模式后，可以穿过空车厢前往另一端的驾驶室。当列车行驶约1英里到达帕丁顿站（Paddington）时，司机即可就位，准备驾驶下一班开往东行的列车。在此场景中，信号控制的核心部分采用了SIL 4级别的传统高安全系统；而人工智能仅负责折返轨道的视频监控，以防止工作人员或闯入人员被行驶的列车误伤，这仅需满足SIL 1级即可。Rod 博士还提出了人工智能的其他应用场景：通过多路视频进行实时智能监控站台，自动识别并标记突发事件。轨道交通系统已广泛部署高清闭路监控，成本相对较低，但人工回看分析视频不仅成本高昂，工作也十分枯燥，并且极易出现疏漏。借助人工智能快速精准地筛查视频画面，自动预警异常事件，并将处理任务交给人工决策，可以大大提高运营效率。

三、结论

目前，人工智能在轨道交通领域的应用，在调度排班和机车车辆的预测性维护方面最为成熟；此外，还涵盖节能优化、运行图编排、自动驾驶列车、实时运营扰动处置、运能规划、运维辅助系统以及基础设施数字孪生等多个方向。因此，对于人工智能在轨道交通中的应用，需要清晰认识以下几个方面：

1、将人工智能定位为辅助工具。合理设计落地应用后，能够梳理和分析海量的复杂数据，但最终的决策和执行仍应由人工完成。现代铁路系统产生的数据量远超人工的处理能力，而人工智能算法能够高效处理复杂的大数据，并将其转化为便于管理人员使用的有效信息。

2、人工智能需要赢得人类的信任，并能减轻人工的工作负担，实现赋能而非增加负担。然而，神经网络的运行逻辑难以被直观理解，要赢得行业信任并非易事。

3、需要在人工监管与人工智能自主决策之间找到平衡点，确保技术能够辅助人工判断，而不是取代人的决策。

4、定期对人工智能的决策结果进行核查和审计，以确保风险管控、安全判定和关键决策的严谨性，达到与专业人工决策同等的标准。

5、完善人员培训、行业协作以及伦理规范的建设，以实现人机协同工作。

6、建立适度的信任机制，平衡用户的主观信任程度与系统本身的可靠性。信任失衡可能导致两种极端情况：过度依赖系统而产生盲从，或者完全不信任系统而拒绝应用该技术。

7、人工智能的数据分析需要精准匹配工程师的实际业务需求，进行定制化开发智能算法，从而充分挖掘存量数据的价值。

8、铁路系统的复杂结构和较高的开放度，在一定程度上限制了人工智能的落地；而封闭性更强的城市地铁系统，有望更早、更便捷地普及智能技术。

9、科学有效地落地应用人工智能是轨道交通行业释放其价值的关键。