[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

说明书

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，属于矿山调度领域。首先，获取露天矿卡车原始轨迹数据和路网数据，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和路网数据；其次，提取轨迹中的因素属性信息特征；再次，通过基于注意力机制的时空图卷积网络捕捉时间和空间维度的车流量信息特征；接着，通过卷积网络捕捉邻近路段的特征；然后，将上述三部分特征信息进行连接，设计预测模型和损失函数，并训练模型；最后，根据待预测的轨迹，采用训练得到的模型，进行行程时间预测。优点：充分利用轨迹、路网以及外部信息特征，实现准确的露天矿卡车行程时间预测。优化露天矿卡车调度系统，降低运营成本，提高采矿效率。

技术领域

本发明涉及智慧矿山系统领域，特别是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。

背景技术

露天矿是一个以采掘为中心，以运输为纽带的大型生产系统，卡车是露天开采过程中最重要的开采及运输工具，采运成本约占矿山生产成本的一半以上。因此，近年来许多露天矿中已经开始应用露天矿卡车调度系统，并通过不断地优化卡车调度系统，以降低运营成本和提高采矿效率。精确地预测卡车行程时间是露天矿调度系统中重要的一环。精准、实时的卡车行程时间预测是实现卡车调度优化的重要研究内容。

矿区实际作业中，卡车行程时间可能会受到道路环境、卡车类型、气象条件与不同时间参数等因素的影响。传统的研究仅保证于单个路段的准确性，通过对每个路段花费的时间求和来获得给定轨迹的行驶时间，这就会导致累积误差。现有基于图网络的方法，多采用根据路网构建的结构化的车流量图来预测行程时间，准确有效的获取车流量特征是提高行程时间预测的关键。露天矿复杂的车流量信息与时间和空间有着高度密切的关联，现有的研究没有全面的提取这类时空特征。另一方面，现有的研究考虑了当前一段时间的车流量信息，但这段时间很有可能因为没有车辆通过导致数据稀疏。

发明内容

本发明的目的是要提供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，解决传统的图网络中没有全面的使用车流量时空信息特征以及道路中某一段时间内无车辆通过导致数据稀疏的问题。

本发明的目的是这样实现的，本发明采用端到端的学习方法；

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。

具体方法步骤如下：

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；