[发明专利]一种地下运输作业工时预测方法、装置、设备及存储介质

说明书

本发明涉及一种地下运输作业工时预测方法、装置、设备及存储介质，其包括：获取作业工时影响因素指标，并根据所述作业工时影响因素指标提取影响地下运输作业工时的有效因子；构建初始IGA‑ENN模型；将所述有效因子作为输入变量输入到所述初始IGA‑ENN模型，并将地下运输作业工时作为所述初始IGA‑ENN模型的输出进行迭代训练得到训练完备的目标IGA‑ENN模型；将待预测有效因子的数据输入至所述训练完备的目标IGA‑ENN模型，对所述地下运输作业工时进行预测。本发明提供的一种地下运输作业工时预测方法、装置、设备及存储介质，通过作业工时影响因素指标提取有效因子，构建并训练IGA‑ENN模型，根据训练训练完备的IGA‑ENN模型预测地下运输作业工时。

技术领域

本发明涉及地下运输作业工时预测技术领域，尤其涉及一种地下运输作业工时预测方法、装置、设备及存储介质。

背景技术

随着地下矿开采深度和规模的不断加大以及设备的机械化自动化程度不断提高，如何做好采运设备的管理，实现采运设备的高效运行，是矿山企业重点关注的问题。但由于地下矿山生产环境复杂，设备之间的协调性差，导致生产计划执行率不高，生产难以精准调控。因此，精确的预测地下矿山运输设备的作业工时，能实现地下矿采运设备的实时调度和精准控制，降低运营成本和提高采矿效率，并为地下金属矿智能调度系统的构建提供数据支撑。

目前对于矿山运输设备的作业时间预测问题的研究相对较少，且主要对象为露天矿卡车。由于地下开采环境复杂，且各开采工艺之间的衔接不够紧密，生产设备之间的协调性差，对于地下矿山运输设备的行程时间预测问题的研究几乎没有。国内外学者关于时间预测问题的研究主要集中于交通系统，少部分针对于露天矿运输。交通系统中车辆行程时间预测在国内外的研究中已经有牢固的基础和深厚的发展，目前关于时间预测的方法主要有：卡尔曼滤波、BP神经网络、支持向量机、线性回归模型以及梯度提升回归树方法等。

基于回归模型的作业工时预测方法，由于数据间的关系较复杂，难以构建一个明确的数学模型来解释各因素和作业工时之间的关系，且针对不同的运行环境，其模型也会发生变化。基于神经网络和智能算法的作业工时预测方法，主要问题是优化算法的模型参数不宜选取，且需要大量的数据用以训练，提高预测精度。

发明内容

有鉴于此，有必要提供一种地下运输作业工时预测方法、装置、设备及存储介质，用以解决现有技术中没有针对地下运输作业工时预测方法的问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了一种地下运输作业工时预测方法，包括：

获取作业工时影响因素指标，并根据作业工时影响因素指标提取影响地下运输作业工时的有效因子；

构建初始IGA-ENN模型；

将有效因子作为输入变量输入到初始IGA-ENN模型，并将地下运输作业工时作为初始IGA-ENN模型的输出进行迭代训练得到训练完备的目标IGA-ENN模型；

将待预测有效因子的数据输入至训练完备的目标IGA-ENN模型，对地下运输作业工时进行预测。

优选的，作业工时影响因素指标包括驾驶员信息、运输设备信息以及环境信息。

优选的，获取作业工时影响因素指标之后，通过预设方式将定性指标转化为定量指标。

优选的，通过预设方法将定性指标转化为定量指标之后，提取影响地下运输作业工时的有效因子，具体为：

将作业工时影响因素的定量指标作为原始输入矩阵，确定样本点最近邻点的个数K以及降维后的特征维数；

计算样本点与其他样本点间的欧氏距离，确定每个样本点的K个最邻近点，K个邻近点构成最邻近点的集合；

计算每个样本点被其最邻近点的集合重构的系数矩阵；