[发明专利]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

摘要

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。

主权项

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，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；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；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f_i，激活函数为σ_i(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)，w_i和b_i是参数，则：f_i＝σ_i(w_if_i‑1+b_i)  (1)根据M₁模型结构，设w_o和b_o是输出层参数，其最终预判值可以表达为：T₁＝w_oσ₃(σ₂(σ₁(w₁x+b₁)+b₂)+b₃)+b_o  (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，即所述预测至少部分地基于在线进行预测。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，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；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g_k(·)；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。