[发明专利]基于注意力的时空图卷积露天矿卡车行程时间预测方法

权利要求书

1.一种基于注意力的时空图卷积露天矿卡车行程时间预测方法，其特征是：

首先，对露天矿卡车原始轨迹数据以及原始路网数据进行处理，并结合外部因素属性信息，得到具有属性信息的露天矿卡车轨迹数据以及露天矿路网数据；

其次，将露天矿卡车轨迹中的因素属性信息进行抽取，得到属性特征的嵌入表示；

再次，通过基于注意力机制的时空图卷积网络同时捕捉时间维度和空间维度的车流量信息特征；所述的车流量信息为近期的、天周期以及周周期的历史车流量信息；

然后，通过一个卷积网络捕捉邻近路段的特征信息；

再则，将三部分特征信息进行连接，根据损失函数训练模型；

最后，输入待预测的轨迹，根据训练得到的模型，得到最终的行程时间预测结果。

2.根据权利要求1所述的基于注意力的时空图卷积露天矿卡车行程时间预测方法，其特征是，具体步骤如下：

步骤S1：对露天矿卡车的位置数据进行采样，形成露天矿卡车原始轨迹数据，将这些原始轨迹数据进行提取、清洗以及去噪，并结合天气、班次等属性信息，建立具有属性特征的露天矿卡车轨迹数据；对已有的路网数据通过现有的路网生成算法进行校正，得到具有属性特征的露天矿路网的数据；

步骤S2：提取卡车行程时间影响因素属性信息，将该信息采用词向量嵌入方法转换为轨迹属性特征；基于步骤S1所得到的露天矿卡车轨迹数据和露天矿路网数据，利用现有的地图匹配方法，得到每条轨迹在路网中的原始路线信息；将原始路线信息联合轨迹属性特征得到属性路线信息；

步骤S3：基于步骤S1所得到的露天矿卡车轨迹数据和露天矿路网数据，构建车流量特征图，并将车流量特征图输入至车流量特征提取模块中，用于捕捉近期的、日周期的以及周周期的车流量信息特征；

步骤S4：基于步骤S2所得到每条轨迹在路网中的原始路线信息，将其输入到邻近路段特征提取模块，来捕捉邻近路段的特征信息；

步骤S5：建立一个多任务学习模块；将步骤S2-S4得到的属性路线信息、车流量信息特征和邻近路段特征进行连接，并输入到预测模型，设计多任务损失函数，结合已知轨迹和路网数据集，训练得到模型，用于卡车行程时间预测；

步骤S6：最后根据实际露天矿生产中实时获得的卡车轨迹，采用步骤S5得到的模型预测卡车行程时间。

3.根据权利要求2所述的基于注意力的时空图卷积露天矿卡车行程时间预测方法，其特征是：步骤S1中：

露天矿卡车原始轨迹数据T定义为：T＝{T₁，T₂，...，T_i，...，T_N}是一系列露天矿卡车原始轨迹数据，N表示轨迹数量；T中的T_i表示为其中表示第i条轨迹中的第j个轨迹点，包括轨迹点中的时间，经度和纬度；k是第i条轨迹中轨迹点的个数；

露天矿卡车轨迹数据T′定义为：T′＝{T′₁，T′₂，...，T′_i，...，T′_N}是一系列露天矿卡车轨迹数据，其中N表示轨迹数量；表示轨迹T_i以及它的四个因素属性信息；表示改轨迹的行驶距离，表示天气状况，表示车辆班次信息，表示司机；

露天矿路网G定义为：G＝(V，E)是一个无向图，V和E分别表示图中的节点以及边；V＝{v₁，v₂，...，v_l，...，v_m}，其中v_l是路网中的路段；e_ij＝(v_i，v_j)∈E表示路段v_i和v_j连接与否。