[发明专利]一种面向露天矿的无人驾驶矿卡实时行程时间预测方法

权利要求书

1.一种面向露天矿的无人驾驶矿卡实时行程时间预测方法，其特征在于，包括如下步骤：

S1：获取矿区地图并根据矿区路段特征划分整个矿区环境，建立矿区路网图；

S2：选取无人驾驶矿卡实时行程时间的预测因子，包括路面类型、路段坡度、路段长度、感知条件、车型、车辆载重类型以及行驶时段；

S3：获取无人驾驶矿卡的真实矿区位置、车型、车辆载重类型、感知条件和行驶时段，并根据矿区地图，将真实矿区位置映射到步骤S1中建立的矿区路网图之中，获取无人驾驶矿卡所行使路段的路面类型、路段坡度、路段长度，获得完整的预测因子；同时采集无人驾驶矿卡在各路段上的行程时间；

S4：将步骤S3中获得的预测因子和无人驾驶矿卡在各路段上的行程时间作为原始历史数据，构建时间序列数据集并将其分为训练集、验证集和测试集；

S5：利用训练集和验证集对初始神经网络进行训练和验证，建立实时行程时间预测模型；将测试集输入实时行程时间预测模型，并进行反标准化处理，得到对应的行程时间预测值，以验证实时行程时间预测模型的有效性；

S6：利用步骤S3所述方法，获取待预测的无人驾驶矿卡实时行程时间的预测因子并将其输入步骤S5建立的实时行程时间预测模型，输出无人驾驶矿卡实时行程时间预测值。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述矿区路段特征包括坡度、台阶和交叉口。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，所述路面类型包括干线，半干线和移动线三种类型；所述车辆载重类型包括空车和重车；所述路段坡度的取值范围为-8％～+8％，其中-表示下坡，+表示上坡；所述感知条件包括白天、夜间、扬尘、光照条件等。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，对原始历史数据进行预处理，具体过程为：以每5min为一个时段，计算各时段行程时间平均值作为该时段的行程时间，然后采用最小最大标准化技术将各时段行程时间映射到[0,1]之间。

5.根据权利要求1所述的方法，其特征在于，步骤S5中，将训练集和验证集输入初始神经网络，并利用损失函数计算误差：

其中，F_loss为损失函数；n为训练集样本数；y_i为行程时间实际值；y_i′为行程时间预测输出值；

具体训练过程如下：

设全局学习率为η；一阶矩估计和二阶矩估计的衰减速率分别为β₁和β₂；初始化权值矩阵W₀；初始化一阶动量矩m₀和二阶动量矩v₀均为0；以及初始化时间步t为0，然后循环执行以下步骤，直至满足停止要求为止；

S51：计算梯度：

其中，g_t为第t时间步的梯度值，J为代价函数，W_t-1表示第t-1时间步的权值矩阵；

S52：更新时间步t；

S53：更新一阶有偏估计和二阶有偏估计：

m_t＝β₁m_t-1+(1-β₁)g_t

v_t＝β₂v_t-1+(1-β₂)g_t

其中，m_t和v_t分别为第t时间步的一阶动量矩和二阶动量矩；

S54：一阶动量矩和二阶动量矩的偏差修正：

其中，m_t′表示修正后的一阶动量矩；v_t′表示修正后的二阶动量矩；和分别表示第t时间步的一阶矩估计和二阶矩估计的衰减速率；

S55：计算参数更新量

其中，Δw表示权重增量，δ为偏差项常数；

S56：更新参数：

W_t＝W_t-1+Δw。