一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法专利检索-决策树数学与统计专利检索查询-专利查询网

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法

阅读：956发布：2020-05-11

专利汇可以提供一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，所述方法，包括步骤一、利用历史数据建立离线运行的第一时间预判模型；步骤二、基于在线数据，建立第二时间预判模型；步骤三：综合模型M_1和模型M_2结果，得到预判值。本发明分利用端边云架构的在用矿车无人驾驶运输系统的设备优势和便利性，并将此反哺于在用矿车无人驾驶运输系统的服务中去，最终为达到提高系统运行效率的目的奠定基础。，下面是一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法专利的具体信息内容。

权利要求

1.一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，其特征在于，所述方法，包括如下步骤：
步骤一、利用历史数据建立离线运行的第一时间预判模型，在本步骤中建立一个离线的矿车运输时间预判模型，从历史数据中把握矿车运输的一般性规律；步骤一主要包括如下子步骤：
S101历史时空数据收集
在本步骤中收集矿车在矿区道路运输时的历史轨迹数据，在本步骤中依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从其它位置到达该位置的时间，并将数据上传至后台的云端，另一方面，智能路侧的传感器设备同时收集道路上矿车运行的时空数据，并将数据上传至云端，经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点；
S102 数据处理
首先，对矿车端和智能路侧传感器设备收集的数据进行相互校验，通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值，其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”；其中，“时段”是指这次行程发生在一天内的哪个小时，此字段取整数值0～23；
S103建立离线模型
建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型，记为M1，其中输入层神经元个数与输入特征维度一致；3个网络层的神经元数量分别是40，40和40个；输出层神经元个数为1，首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出，记为T1，并根据反向传播算法训练模型M1；训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练；设第i层计算结果为fi，激活函数为σi，除输出层使用线性激活函数外，其他各层使用线性整流函数，wi和bi是参数，则：
fi＝σi(wifi-1+bi) (1)
根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：
T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)
步骤二、基于在线数据，建立第二时间预判模型
本步骤中，所述第二时间预测模型与第一时间预判模型不同之处在于，所述第二时间预判模型进行实时预测，即所述预测至少基于在线进行预测，所述步骤二包括如下子步骤：
S201确定已知信息
确定所需预判矿车的起讫点和所处时段等信息；
S202收集实时数据
与离线部分收集的数据不同，实时数据关注系统的实时动态性，数据具备明显的时变性和随机性，具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，包括当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态；
S203：建立在线模型
建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2；M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)；其优势在于M2可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果；最终预判结果是所有树结果的线性累加，具体如式(3)：
步骤三：综合模型M1和模型M2结果，得到预判值
本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值，具体如式(4)所示：
其中，δ为参数，取值范围为[0，1]，其作用是控制预判值的偏向，若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。

说明书全文

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判

方法

技术领域

[0001] 本发明涉及在用矿车无人驾驶运输系统领域。具体是一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法。

背景技术

[0002] 随着传感器技术和大数据技术的快速发展，自动驾驶技术得到了广泛关注，相较于传统的道路交通场景，矿区、港口等一些特殊的封闭场景已经率先使得这一技术落地，有效地提高了生产效率。但是在矿区使用全新的自动驾驶车辆并不现实。一方面，矿车造价高昂，大批次的淘汰在用矿车、更换成新的自动驾驶车辆，成本过高；另一方面，矿区环境恶劣，灰尘弥漫，道路标线等基础设施不完备，这不利于大多自动驾驶车辆多依赖的高精度环境感知设备(如高清摄像机、毫米波雷达等)正常工作。因此，使用端边云架构的在用矿车无人驾驶运输系统成为了较为理想的解决方案。

[0003] 在端边云架构的在用矿车无人驾驶运输系统中：“端”指智能矿车，通过智能驾驶机器人对在用矿车改装实现无人驾驶功能，降低成本；“边”指智能路侧设备，通过在固定道路位置点装配智能设备帮助矿车完成环境感知，并及时发布控制、调度指令；“云”指云端智能平台，是整个矿车无人驾驶运输系统的“大脑”，通过处理、计算上传到的矿车、路侧设备的实时感知信息和系统运行状态信息，借助云智能技术实现智能地控制、调度矿车等任务，是保证系统有序、高效运行的基础。

[0004] 矿车的运输时间预判是端边云框架下云智能技术中的一项重要内容，是了解并分析矿区运行状态的先验手段，也是未来矿区任务规划的基本前提。

发明内容

[0005] 本发明提供一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，以提高对于矿车运输时间的判断准确性。

[0006] 为了解决上述问题，本专利提供的技术方案包括：

[0007] 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，其特征在于，所述方法，包括如下步骤：

[0008] 步骤一、利用历史数据建立离线运行的第一时间预判模型

[0009] 在本步骤中，建立一个离线的矿车运输时间预判模型，从历史数据中把握矿车运输的一般性规律。步骤一主要包括如下子步骤：

[0010] S101历史时空数据收集。

[0011] 在本步骤中收集矿车在矿区道路运输时的历史轨迹数据。在本步骤中依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从其它位置到达该位置的时间，并将数据上传至后台的云端。另一方面，智能路侧的传感器设备同时收集道路上矿车运行的时空数据，并将数据上传至云端。经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点。

[0012] S102 数据处理。

[0013] 首先，对矿车端和智能路侧传感器设备收集的数据进行相互校验，优选地，通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值。其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”。其中，“时段”是指这次行程发生在一天内的哪个小时，此字段取整数值0～23。

[0014] S103建立离线模型。

[0015] 建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型(记为M1)，其中输入层神经元个数与输入特征维度一致；网络层的神经元数量分别是40，40和40个；输出层神经元个数为1。首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出(记为T1)，并根据反向传播算法训练模型M1。训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练。设第i层计算结果为fi,激活函数为σi(除输出层使用线性激活函数外，其他各层使用线性整流函数)，wi和bi是参数,则：

[0016] fi＝σi(wifi-1+bi) (1)

[0017] 根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：

[0018] T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)

[0019] 步骤二、基于在线数据，建立第二时间预判模型

[0020] 本步骤中，所述第二时间预测模型与，第一时间预判模型不同之处在于，所述第二时间预判模型进行实时预测，即所述预测至少部分地基于在线进行预测。所述步骤二包括如下子步骤：

[0021] S201确定已知信息。

[0022] 确定所需预判矿车的起讫点和所处时段等信息。

[0023] S202收集实时数据。

[0024] 与离线部分收集的数据不同，上述信息并不过多强调运输的静态特征，而是关注系统的实时动态性，数据具备明显的时变性，甚至随机性。具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，例如当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态等；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态等。

[0025] S203：建立在线模型。

[0026] 建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2。M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)。其优势在于M2可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果。最终预判结果是所有树结果的线性累加，具体如式(3)：

[0027]

[0028] 步骤三：综合模型M1和模型M2结果，得到预判值。

[0029] 本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值。具体如式(4)所示：

[0030]

[0031] 其中，δ为参数，取值范围为[0,1]，其作用是控制预判值的偏向。若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。

[0032] 本发明具有如下优点：

[0033] (1)充分利用端边云架构的在用矿车无人驾驶运输系统的设备优势和便利性，并将此反哺于在用矿车无人驾驶运输系统的服务中去，最终为达到提高系统运行效率的目的奠定基础。

[0034] (2)结合端边云架构的在用矿车无人驾驶运输系统的运行历史规律，将运输时间预判方法拆分为离线和在线两个部分：离线部分利用深度模型挖掘系统长期运行时积累的数据价值，主要体现了运输系统运输时间的静态规律；在线部分提高了矿车运输时间预判方法在各种系统运行状态下的适应能力，主要侧重于系统动态运行状态对运输时间的影响。二者的有效结合能更好地提高预判精度。附图说明：

[0035] 图1为端边云架构的在用矿车无人驾驶运输系统基本结构。

[0036] 图2为本发明提供的运输时间预判方法实施基本流程。

[0037] 图3为一种种旅行时间预判的深度学习模型的简易拓扑结构。具体实施方式：

[0038] 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，建立在端边云架构的在用矿车无人驾驶运输系统的基础上，其基本结构如图1所示，具体方法包括离线部分和在线部分，如图2所示，具体是：

[0039] 离线部分：离线部分首先建立一个矿车运输时间预判模型，其目的是从历史数据中把握矿车运输的一般性规律。这一部分主要包括如下步骤：

[0040] 步骤一：历史时空数据收集。依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从某位置到达该位置的时间，并将数据上传至后台的云端。另一方面，智能路侧设备同时收集道路上矿车运行的时空数据，并将数据上传至云端。经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点。

[0041] 步骤二：数据处理。首先，对矿车端和智能路侧设备收集的数据进行相互校验，主要通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值。其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”。其中，“时段”是指这次形成发生在一天内的哪个小时，此字段取整数值0～23。

[0042] 步骤三：建立离线模型。建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型(记为M1)，如图3所示，其中输入层神经元个数与输入特征维度一致；网络层的神经元数量分别是40，40和40个；输出层神经元个数为1。首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出(记为T1)，并根据反向传播算法训练模型M1。训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练。设第i层计算结果为fi,激活函数为σi(除输出层使用线性激活函数外，其他各层使用线性整流函数)，wi和bi是参数,则：

[0043] fi＝σi(wifi-1+bi) (1)

[0044] 根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：

[0045] T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)

[0046] 在线部分：在线部分建立第二个矿车运输时间预判模型，与第一个模型不同的是该模型为实时预测模型，针对需进行运输时间预判的矿车。这一部分主要包括如下步骤：

[0047] 步骤一：确定已知信息。与离线部分收集的数据不同，上述信息并不过多强调运输的静态特征，而是关注系统的实时动态性，数据具备明显的时变性，甚至随机性。具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，例如当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态等；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态等。

[0048] 步骤二：收集实时数据。矿车通过车载智能通信设备上传当前运行状态信息，智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间。

[0049] 步骤三：实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1。

[0050] 步骤四：建立在线模型。建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2。M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)。其优势在于可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果。最终预判结果是所有树结果的线性累加，具体如式(3)：

[0051]

[0052] 步骤五：综合模型M1和模型M2结果，得到预判值。本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值。具体如式(4)所示：

[0053]

[0054] 其中，δ为参数，取值范围为[0,1]，其作用是控制预判值的偏向。若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。例如，对矿区典型的常态化工作状态，可以标注δ取[0.7,0.9]；当矿区出现意外事故导致运输状态变化时，可取δ取[0.3,0.5]。

标题	发布/更新时间	阅读量
一种基于数据挖掘的农作物生长预警的方法及装置	2020-05-08	155
一种以太坊网络行为分析方法及相应存储介质与电子装置	2020-05-08	945
生产数据分析方法、装置、设备及介质	2020-05-08	279
基于时间序列高分辨率遥感数据的苹果识别方法	2020-05-11	487
一种基于机器学习的棒束子通道热工水力特性预测方法	2020-05-08	397
一种振动信号分类方法	2020-05-11	550
一种基于激光传感器的平面检测方法、装置	2020-05-12	443
生成评估条件集合的方法、装置及电子设备	2020-05-11	518
基于随机子空间的决策树分类的对外汉语难度评估方法	2020-05-11	393
一种基于深度学习的星系分类与识别的方法及装置	2020-05-12	687

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判

技术领域

背景技术

发明内容

该功能需要专业版企业版VIP权限，您可以：