基于实时定位系统的监理人员管理和评价
江汉臣, 林鹏 , 强茂山    
清华大学 水沙科学与水利水电工程国家重点实验室, 北京 100084
摘要:该文提出一种基于智能手机和实时定位系统的施工现场监理人员管理和评价的方法。通过安装全球定位系统(GPS)数据上传应用的智能手机采集现场监理人员位置信息, 实时上传到服务器进行数据整合处理, 将人员的位置和行为轨迹显示在Web页面上, 实现实时监控。对收集到的GPS数据进行深度分析, 识别出监理人员特定的工作情境, 构建3个衡量工作量的指标: 现场工作时间、有效工作时间、有效工作范围, 从而评定监理工作绩效。通过模拟试验对方法的可行性进行了验证。试验结果表明: 本文提出的方法可以准确确定监理人员的实时位置, 有效识别其工作情境, 提取的各项指标符合实际情况。该方法在重大水利工程建设管理中有较大的潜在应用空间。
关键词水利工程    监理管理    全球定位系统(GPS)数据挖掘    情境识别    工作量测量    
Supervisor management and evaluation method based on real-time tracking
JIANG Hanchen, LIN Peng , QIANG Maoshan    
State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China
Abstract: A method was developed to provide prompt management and evaluation of supervisory staff behavior on dam construction sites. The system uses smart phones embedded with global positioning system (GPS) module for real-time location tracking. The supervisor location information is collected and uploaded to the server by the smart phones. The server processes the data and displays the locations and paths of each supervisor on a web page for real-time monitoring. Three indicators, the field work time, effective work time and effective working range, were developed to identify the specific work context and measure the supervisor workloads. The method was verified by simulated field tests that show that the method can accurately determine the real-time positions of the supervisors and can identify their work context. Thus, three indicators reflect the actual situation. The real-time tracking system is a useful tool for managing and evaluating field supervisor behavior in large hydraulic projects.
Key words: hydraulic engineering    supervisor management    global positioning system (GPS) data mining    context recognition    workload measuring    

随着现代工业的快速发展和社会需求的不断增加,安全管理监控在国内外得到了广泛重视和极大发展,目前已达到自动化、智能化控制阶段。如中国在采矿行业中已经实现了安装监测监控系统、井下人员定位系统、紧急避险系统、压风自救系统、供水施救系统和通信联络系统,统称安全避险“六大系统”[1, 2, 3],在国外,智能监控技术还被广泛应用于化工、医疗、体育等领域[4, 5, 6]

随着智能手机的普及,全球定位系统(GPS)设备作为智能手机的标准配置被越来越广泛地应用于日常工作、生活和工业应用中,产生了大量数据,这些数据包含了用户行为轨迹的信息。对这些数据信息进行分析、挖掘,可以掌握用户的行为特征[7],并开发出更多有意义的应用。近年来,国内外出现了大量基于位置的服务,如美国的Foursquare、Color、Kuipp,国内的新浪微博、大众点评等,这类应用都是以移动端用户的位置信息为依托,对收集到的数据进行整合和分析,进而提供多元的增值服务。利用海量地理位置信息和数据挖掘技术分析用户行为也一直是学术界研究的热点。早期的情境识别方法比较简单,通过分析常见场景、制定触发规则、根据实时定位设备检测到的数据(多为地理坐标和时间戳),判定数据是否匹配规则,从而描述用户的情境[8, 9]。近年来,随着移动情境数据的丰富,预先制定情境、规则几乎不可能,需要通过较为复杂的机器学习方法来对用户情境数据进行建模[10, 11],以适应不能事先确定、更加一般的情境。

在工业应用方面,Ibrahim等于2010年提出一种基于GPS和Wi-Fi联合定位为工程建设服务的实时监控系统[12],Razavi等于2012年研究了一种适用于室内建设场地的定位感应系统[13],中国电信股份有限公司于2012年提出了一种基于GPS定位的移动考勤系统[14]等。这些应用和系统说明GPS在工程建设以及人员智能管理领域有较大的发展空间。

目前,大型水利工程对于现场监理人员管理和评价主要现状是:由于管理者和考核者无法掌握监理人员在施工现场的实时位置和有效工作时间,一方面导致现场监理人员认为无人监督,从而放松自我要求,使得监理工作达不到要求,影响工程的质量、进度等;另一方面监理单位、业主单位无法对监理人员的工作效率进行评价,某些问责也无法落实[15]。因此,利用GPS技术和智能手机技术,通过数据挖掘,分析监理的行为模式,实现对监理人员的智能管理和评价是当前重大水利工程智能管理的重要发展方向。

本文提出一种基于实时定位系统的现场监理人员行为管理和评价的方法,并开发了适应现场复杂环境的硬件和软件系统。对收集到的GPS数据进行数据挖掘,研究监理人员特定的工作情境和衡量工作量的指标,从而评定监理工作绩效,实现实时管理监控。最后通过模拟试验,验证该方法的可行性和实用性。

1 系统架构

系统开发基于对水电建设工程现场的调研,目的是满足工区人员智能管理的需要。系统需面向现场监理人员的管理,实现对现场监理人员的实时监控,识别工作情境,并衡量其有效工作量。系统分硬件结构和软件结构这2部分。

1.1 硬件结构

本文建议的实时位置定位系统的硬件结构分成3个层次:数据采集层、数据分析层和显示应用层,见图1

图 1 实时定位系统结构示意图

三层硬件结构通过无线网络和有线网络进行通讯,实现各自的功能,其中:

1) 数据采集层由包含GPS模块并安装了数据上传应用的智能手机构成。其功能是接受卫星数据,计算出用户当前的位置,通过数据上传应用,将用户位置信息上传到服务器中。

2) 数据分析层由数据服务器组成,包括综合网络服务器、定位服务平台服务器、定位应用服务器等。综合网络服务器的功能是接收并存储数据采集层上传的海量数据,为其他服务器提供数据支持;定位服务平台服务器的功能是匹配位置数据同现场实景地图,构成显示应用层可视化的基础;定位应用服务器的功能是通过位置信息的数据挖掘,识别工作情境、测量工作量、预警危险等。

3) 显示应用层由各种显示终端组成,包括多媒体调度台、普通PC机等。其主要功能是为管理者和决策者提供现场监理人员实时监控以及通过数据挖掘获得的关于工作情境识别、工作量测量的信息的可视化显示。

1.2 软件架构

软件系统的用户分为2类,一类为现场监理人员,一类为管理决策人员,针对2类用户开发了不同的应用软件。

1) 现场监理人员手机端应用软件:主要用于控制手机中的GPS模块和网络模块,根据用户定制实现采集并上传位置信息的功能。

2) 管理决策人员Web查询软件:主要用于显示监理人员在施工场地上的实时位置信息和行动轨迹。可以实现人员管理(添加和删除)、人员定位以及历史轨迹查询和回放等功能,如图2

图 2 管理系统显示界面

系统通过三层硬件结构和两端的软件架构实现了现场监理人员位置数据的采集、上传、实时监控的可视化显示以及历史轨迹的回放等功能,这些功能可以在宏观层面为管理决策者提供一定帮助。但当数据量较大时,运用合适的工作效率分析方法,从海量数据中挖掘更多有价值的评价信息,对加强施工管理、提高工作效率、明确个人责任、保证工程进度和质量的具有重要意义。

2 监理工作效率分析方法 2.1 监理人员工作情境分析

对于大型水利工程而言,现场监理人员日常的工作情境是较为固定的。图3为一个上白班的混凝土仓面旁站监理员一天的工作情境。图中带箭头的线代表其行为轨迹。该监理员早上从宿舍出发,步行到办公楼旁等待去施工现场的班车;坐上班车到达施工现场;之后到达监理单位在施工现场的办公室,同昨天夜班的同事进行交接;交接完成后步行至其负责监理的混凝土仓面进行旁站监理(这中间可能会回到现场办公室吃饭和休息);到快下班的时间,从仓面回到现场办公室整理记录今天工作资料;之后乘坐班车离开施工现场,并步行回宿舍(离开施工现场至宿舍未在图3中表示)。

图 3 某旁站监理员典型工作情境

对于这种典型的工作情境,本研究提出如下3个指标用以考核现场监理员的工作绩效:

1) 现场工作时间(field work time,FWT):即监理员在施工现场停留的时间,反映了监理员基本的工作情况,是否存在迟到、早退等,是衡量监理员工作量的基本指标。

2) 有效工作时间(effective work time,EWT):即监理员在其负责的施工区域内停留的时间。目前监理员最主要的工作是旁站监理,假设监理员本人位于其所负责的施工区域内即在进行旁站监理工作,将监理员在其负责的施工区域停留的时间称为有效工作时间。在同一考察时段内,有效工作时间一定小于现场工作时间,但其更能反映监理员实际的有效工作量以及工程质量受控的时间单元。

3) 有效工作范围(effective work range,EWR):即监理员在其负责的施工区域内的活动范围,在其行为轨迹中,用位置坐标跨越的范围表示。旁站监理工作需要在所负责的施工区域内移动,监督指导各处工人工作,并检查各个位置的施工质量,因此,有效工作范围从空间维度反映了监理员对工程质量的贡献量。

上述3项指标,从时间和空间这2个维度反映了监理人员的实际工作量,区分了“在施工现场”和“有效工作”这2种不同的工作情景,并分别进行测量,从而为监理员的工作绩效评价提供参考。下面分别就预先制定情境和无预先制定情境的数据挖掘方法进行论述。

2.2 预先制定情境的数据挖掘方法

对于水利工程而言,整个工程现场的范围是预先确定好的,并且也几乎不随时间改变。根据现场工作时间FWT的定义,用预先制定情境的数据挖掘方法获取该指标,算法如下。

针对一个特定的考察对象Obj,提取某个考察时段内,系统中储存的其包含时间戳的位置序列Location={L1,L2,…,Ln},序列中的每一个元素Li(i=1,2,…,n)都是一个三维向量,即:

${L_i} = \left( {{x_i},{y_i},{z_i}} \right)$ (1)

其中:ti表示采集到该数据的时刻;xi表示ti时刻待考察对象所处的经度;yi表示ti时刻待考察对象所处的纬度。

构造一个同施工现场总体范围大致相同多边形SS的顶点分别为s1,s2,…,st。利用GPS设备在确定的多边形的顶点处测量其经度和纬度,得到一个位置序列{S1S2,…,St},序列中的每一个元素Si(i=1,2,…,t)表示S的顶点位置的二维向量,即:

${S_i} = \left( {{a_i},{b_i}} \right)$ (2)

其中:ai表示Si点的经度;bi表示Si点的纬度。

采用一种面积判断法[16]依次考察Location序列的每一个元素Li代表的平面点是否在S的范围内。

用面积判断法筛选序列Location中平面坐标在S内的点,形成一个新数据集合记为Field={F1F2,…,Fm}(mn),在已知数据采集间隔 interval 的情况下,考察对象Obj在考察时段内的现场工作时间

${\rm{FWT = }}m \cdot {\rm{interval}}$ (3)

其中:m表示在施工现场内采集的点的个数;interval表示数据采集的间隔。

2.3 无预先制定情境的数据挖掘方法

进入工程现场后,不同的监理人员所负责的施工区域不同,并且负责的施工区域还会随时间和现场情况动态变化,因此,进入现场后的评价指标的挖掘为无预先制定情境的数据挖掘。需要挖掘的2项指标分别为有效工作时间EWT和有效工作范围EWR,这2项指标都只同施工现场的数据有关,考察的数据集为2.2中的Field序列。

使用聚类算法对Field序列中的数据进行聚类。由于待聚类的数据集是一个存在噪声的数据集,因此采用一种基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)[17],该算法可以在含噪声的空间数据集中发现任意形状的聚类。算法步骤如下:

Step 1 给定监理现场位置数据集Field,扫描半径eps,最小包含点数minPts;

Step 2 检查Field中任意一个尚未检查过的对象p,如果p未被标记为噪声或归类为某个簇,则检查p的半径为eps的邻域,若其中包含的对象数不小于minPts,则建立新簇C,将p的邻域中所有点加入C;如果对象数小于minPts,则将p标记为噪声;

Step 3 检查C中任意一个未被处理的对象q,若q的半径为eps的邻域至少包含minPts个对象,则将未归类为任何一个簇的对象加入C

Step 4 重复Step 3,继续检查C中未被处理的对象,直到没有新的对象加入C

Step 5 重复Step 2—Step 4,直到所有对象都被归类为某个簇或标记为噪声。

用上述算法对数据集Field进行处理,Field被划分成若干簇和若干噪声点,记作:Field={C1, C2,…,n1,n2,…}。其中Ci(i=1,2,…)代表簇,ni(i=1,2,…)代表噪声点。

图4是对某一组位置数据采用DBSCAN算法聚类后的结果,圆形和三角形点代表2个簇,菱形点代表噪点。

图 4 DBSCAN算法聚类结果示意

根据之前的假设,聚集得到的数据簇表示监理员某一种工作情境。易知,现场办公室内工作情境的数据簇范围将远小于现场旁站工作情境的数据簇范围,因此可以通过计算数据簇各自的覆盖范围,判断具体的工作情境,从而提取下述指标,包括:

1) 有效工作时间EWT的提取

考察已经识别出的代表现场旁站工作的数据簇Ceffective,读取其中元素的个数,记为me,数据采集间隔为interval,则有效工作时间EWT可以用式(4)表示,即:

${\rm{EWT = }}{m_e} \cdot {\rm{interval}}$ (4)

2) 有效工作范围EWR的提取

遍历Ceffective中各个点,找出经度xi中的最大值和最小值,记为xmaxxmin;找出纬度yi中的最大值和最小值,记为ymaxymin;则有效工作工作范围EWR可用式(5)和式(6)表示,即:

${\rm{EW}}{{\rm{R}}_x} = {x_{\max }} - {x_{\min }}$ (5)
${\rm{EW}}{{\rm{R}}_y} = {y_{\max }} - {y_{\min }}$ (6)

图5为利用算法生成的监理人员工作情况报表模板,其中有效工作范围用面积表示。

图 5 监理工作情况日报表
3 模拟试验及结果分析 3.1 模拟试验方案

为了检验本文建议的方法用于现场监理人员工作情境识别和工作量测量的有效性,进行了5组模拟试验,分别通过实地测量和本文方法计算上述3个评价指标,比较其差异,从而验证方法的有效性。

试验在某高校操场进行,如图6所示。

图 6 户外实验场地

梯形框围成的1号区域代表整个施工现场,左侧矩形线围成的2号区域代表监理员负责的仓面,右侧矩形框围成的3号区域代表现场办公室。位置数据获取基于图1中的定位系统和配套的手机应用,使用的设备为三星I9023智能手机,操作系统为Android 4.0。

首先,将手机置于1号区域的控制点ABCD上,分别测量10 min,经过平差计算,得到施工现场整体的4个控制点的经纬度,结果如表1所示。利用操场上各种线条和标志物,事先确定行动轨迹,根据卫星地图事先确定有效工作范围的经纬度跨度。

表 1 试验场地控制点经纬度
经度/°E纬度/°N
A116.322 66140.009 502
B116.325 61540.009 826
C116.327 53640.009 502
D116.322 84640.007 784

试验流程如下:

Step 1 从1号区域外进入1号区域,记录时刻t1

Step 2 从1号区域进入3号区域;

Step 3 在3号区域内静止一段时间,从3号区域内走出;

Step 4 进入2号区域,记录时刻t2

Step 5 在2号区域内活动,尽量遍历区域内每一处,从2号区域走出并记录时刻t3

Step 6 走出1号区域,并记录时刻t4

试验路径如图6中白色线条所示。实测的现场工作时间用式(7)表示,即

${\rm{FW}}{{\rm{T}}_t} = {t_4} - {t_1}$ (7)

实测的有效工作时间用式(8)表示,即

${\rm{EW}}{{\rm{T}}_t} = {t_3} - {t_2}$ (8)

有效工作范围EWRt通过卫星地图量得。

用本文方法确定上述3个评价指标,现场工作时间FWTn、有效工作时间EWTn和有效工作范围EWRn,将这些指标同实测数值进行比较,以验证本文方法的有效性。

试验的结果如表2所示,偏差e的计算方法如式(9)所示,即

$e = \frac{{\left| {{\rm{Valu}}{{\rm{e}}_t} - {\rm{Valu}}{{\rm{e}}_n}} \right|}}{{{\rm{Valu}}{{\rm{e}}_t}}}$ (9)
表 2 三项指标的误差分析
组别 实测数据 本文方法 相对偏差e/%
现场
工作
时间/s
有效
工作
时间/s
有效工作范围 现场
工作
时间/s
有效
工作
时间/s
有效工作范围 现场
工作
时间
有效
工作
时间
有效工作范围
纬度经度纬度经度纬度经度
(″)(″)(″)(″)(″)(″)
11 4229222.594.001 3758742.714.993.35.24.624.8
21 4229522.594.001 3959942.705.251.94.44.231.3
31 4229512.594.001 3608942.805.054.46.08.126.3
41 0978822.594.001 0988222.233.950.16.813.91.3
51 0978822.594.001 0959752.714.850.210.54.621.3

其中:Valuet为使用传统方法测得的各种指标;Valuen为使用本文方法提取的各种指标。

3.2 试验结果

试验得到的数据分布如图7所示(仅展示其中一次实验的结果)。横坐标为经度,纵坐标为纬度,四边形ABCD代表场地边界,“十”字和圆形标记代表手机采集到的数据,其中“十”字标记为使用 DBSCAN 算法聚类形成的用于计算有效工作时间和有效工作范围的数据。

图 7 试验轨迹分布

数据处理时,首先对数据进行归一化处理,扫描半径eps取0.048,最小包含点数minPts取40个。试验结果如表2所示。 5组实验的中现场工作时间FWT的平均偏差为2.0%,有效工作时间EWT的平均偏差为6.6%,有效工作范围EWRx的平均偏差为21.0%,EWRy的平均偏差为7.1%。 从表2可以看出,本文建议的算法提取的FWT、EWT和EWRy 这3项指标同实测指标对应的很好,平均相对偏差都在10%以下,但EWRx的平均相对偏差较大。分析其原因,是因为聚类算法将人员还未进入2号区域的部分数据同2号区域内的数据聚集在一起,从而在经度方向产生了较大误差。对算法进行分析易知,这种误差的绝对大小是较为固定的,不会随着试验范围的扩大而增加,实际应用时各项指标的实际范围都将大于模拟试验的范围,相对误差也会随之降低。GPS定位精度对系统功能也有一定的影响,若定位误差较大或出现信号干扰的情况,则会导致计算出的指标偏离实际。目前,智能手机大多支持AGPS(assistant global positioning system),可以在移动通讯基站的辅助下将GPS定位精度提高到3.1 m[18]。大型水利工程单个工作面的尺度较大,长宽方向均超过数十米,这使得定位误差带来的影响较小。此外,还可以利用Wi-Fi、ZigBee等技术进行辅助定位,以增强系统的鲁棒性。该系统自2013年以来,成功应用于溪洛渡水电建设项目的现场监控中,能够反映现场监理人员的实际工作情况。

4 结 论

本文利用GPS定位技术,根据水利工程现场监理人员的日常工作行动的特点,设计了一套现场监理人员实时监控系统,包含3个层次硬件结构和B/S模式软件平台。具有实时化、全自动、成本低、可扩展等特点。

从人力资源管理的角度出发,提出3个定量指标:现场工作时间、有效工作时间和有效工作范围,用于衡量现场监理人员的有效工作量。

通过模拟试验验证了本文建议的方法可以快速、准确获取待评价者的3项工作绩效评价指标,与实测结果相比,本文方法对于工作时间测量的平均相对误差为4.3%,工作范围测量平均相对误差14%左右,可以满足现场监理人员绩效考核的需要。

本文设计的系统可实现对监理人员的客观定量化管理,提高了管理效率,在实际工程建设中有广泛的应用空间。

参考文献
[1] 邵长安, 李贺, 关欣. 煤矿安全预警系统的构建研究[J]. 煤炭技术, 2007, 26(5): 63-65.SHAO Changan, LI He, GUAN Xin. Study on construction of early warning system of mine safety [J]. Coal Technology, 2007, 26(5): 63-65
[2] 孟凡荣, 赵芳. 煤矿安全预警系统体系构建 [J]. 微计算机信息, 2008, 24(30): 60-61.MENG Fanrong, ZHAO Fang. Construction of pre-warning system of mine safety [J]. Microcomputer Information, 2008, 24(30): 60-61.
[3] 牛强, 周勇, 王志晓, 等. 基于自组织神经网络的煤矿安全预警系统 [J]. 计算机工程与设计, 2006, 27(10): 1752-1753.NIU Qiang, ZHOU Yong, WANG Zhixiao, et al. Coal safety early-warning system base on self-organization neural networks [J]. Computer Engineering and Design, 2006, 27(10): 1752-1753.
[4] Xie L, He N, Wang S. Step-by-step adaptive MPCA applied to an industrial batch process [J]. Journal of Chemical Engineering of Chinese Universities, 2004, 18: 643-647.
[5] Tu Y J, Zhou W, Piramuthu S. Identifying RFID-embedded objects in pervasive healthcare applications [J]. Decision Support Systems, 2009, 46(2): 586-593.
[6] Gilman M B. The use of heart rate to monitor the intensity of endurance training [J]. Sports Medicine, 1996, 21(2): 73-79.
[7] 陈典全. LBS中基于轨迹的用户行为特征分析 [J]. 全球定位系统, 2011, 36(6): 58-61.CHEN Dianquan. Analysis of user behavior property in LBS based on Trajectory [J]. GNSS World of China, 2011, 36(6): 58-61.
[8] Schilit B, Adams N, Want R. Context-aware computing applications [C]// Proceeding of the Workshop on Mobile Computing Systems and Applications. Santa Cruz, USA: IEEE, 1994: 85-90.
[9] Abowd G D, Atkeson C G, Hong J, et al. Cyberguide: a mobile context-aware tour guide [J]. Wireless networks, 1997, 3(5): 421-433.
[10] Liao L, Patterson D J, Fox D, et al. Building personal maps from GPS data [J]. Annals of the New York Academy of Sciences, 2006, 1093(1): 249-265.
[11] Zheng Y, Liu L, Wang L, et al. Learning transportation mode from raw GPS data for geographic applications on the web [C]//Proceeding of the 17th International Conference on World Wide Web. Beijing: Association for Computing Machinery, 2008: 247-256.
[12] Ibrahim A, Ibrahim D. Real-time GPS based outdoor WiFi localization system with map display [J]. Advances in Engineering Software, 2010, 41(9): 1080-1086.
[13] Razavi S N, Moselhi O. GPS-less indoor construction location sensing [J]. Automation in Construction, 2012, 28: 128-136.
[14] 张文峰. 移动考勤系统在天翼3G智能手机上的应用 [J]. 消费电子, 2012 (08X): 56.ZHANG Wenfeng. Application of mobile attendance system on Tianyi 3G smart phone [J]. Consumer Electronics Review, 2012(08X): 56.
[15] 刘贵文, 邓飞. 建设工程监理行业的现存问题, 矛盾与发展探讨--基于建设工程监理制度分析的视角 [J]. 建筑经济, 2009, (9): 8-12.LIU Guiwen, DENG Fei. Troubles, contradictions and development of China's construction supervision industry: based on a view of institutional analysis [J]. Construction Economy, 2009(9): 8-12.
[16] 刘梁. 点, 多边形拓扑关系与多边形顺, 逆判断优化算法 [J]. 测绘与空间地理信息, 2007, 30(1): 84-86.LIU Liang. An optimized algorithm to determine topo-relation between point and polygon and clockwise or anti-clockwise in polygon [J]. Geomatics and Spatial Information Technology, 2007, 30(1): 84-86.
[17] 荣秋生, 颜君彪, 郭国强. 基于DBSCAN聚类算法的研究与实现 [J]. 计算机应用, 2004, 24(4): 45-46.RONG Qiusheng, YAN Junbiao, GUO Guoqiang. Research and implementation of clustering algorithm based on DBSCAN [J]. Journal of Computer Application, 2004, 24(4): 45-46.
[18] Jiang H C, Lin P, Qiang M S, et al. A labor consumption measurement system based on real-time tracking technology for dam construction site [J]. Automation in Construction, 2015, 52: 1-15.