[发明专利]矿区车辆的油耗预测模型的训练方法、装置及电子设备

权利要求书

1.一种矿区车辆的油耗预测模型的训练方法，包括：

获取历史时序数据、目标时段的任务数据、历史时序油耗的真实值、目标时段的油耗的真实值，其中，历史时序数据包括目标时段之前的多个连续时段的历史数据的序列，历史时序油耗的真实值包括车辆在目标时段之前的多个连续时段的油耗的真实值的序列，目标时段的任务数据包括车辆在目标时段的计划载重和行驶里程；

根据历史时序数据，利用矿区车辆的油耗预测模型，生成历史时序油耗的预测值，包括

根据历史时序数据，利用矿区车辆的油耗预测模型的多头自注意力网络，生成时序特征；

根据时序特征，生成历史时序油耗的预测值；

根据历史时序数据和目标时段的任务数据，利用矿区车辆的油耗预测模型，生成目标时段的油耗的预测值，包括

获取车辆的空载载重和满载载重；

根据车辆的空载载重和满载载重，非线性地生成多个载重范围，其中，载重范围对应的载重越大，区间宽度越小；

根据车辆在目标时段的计划载重和行驶里程，生成任务特征，包括根据计划载重在每个载重范围内的车辆的行驶里程，生成与所述载重范围对应的任务特征；

根据时序特征和任务特征，利用矿区车辆的油耗预测模型，生成目标时段的油耗的预测值；

根据历史时序油耗的真实值、历史时序油耗的预测值、目标时段的油耗的真实值和目标时段的油耗的预测值，联合训练油耗预测模型。

2.根据权利要求1所述的训练方法，其中，根据历史时序油耗的真实值、历史时序油耗的预测值、目标时段的油耗的真实值和目标时段的油耗的预测值，联合训练油耗预测模型，包括：

根据历史时序油耗的真实值和历史时序油耗的预测值，计算第一损失函数；

根据目标时段的油耗的真实值和目标时段的油耗的预测值，计算第二损失函数；

根据第一损失函数和第二损失函数，联合训练油耗预测模型。

3.根据权利要求2所述的训练方法，其中，根据第一损失函数和第二损失函数，联合训练油耗预测模型，包括：

根据第一损失函数和第二损失函数加权的结果，联合训练油耗预测模型。

4.根据权利要求1所述的训练方法，其中，根据历史时序数据，利用矿区车辆的油耗预测模型的多头自注意力网络，生成时序特征，包括：

对历史时序数据中的缺失值进行掩码处理；

为掩码处理后的历史时序数据，生成位置编码；

根据历史时序数据和位置编码，利用矿区车辆的油耗预测模型的多头自注意力网络、前馈神经网络和残差网络，生成时序特征。

5.根据权利要求1所述的训练方法，其中，根据车辆的空载载重和满载载重，非线性地生成多个载重范围，包括：

根据多个车辆在指定时间的空载载重的平均值，以及多个车辆的满载载重中的最大值，非线性地划分出多个载重范围。

6.根据权利要求1所述的训练方法，其中，根据计划载重在每个载重范围内的车辆的行驶里程，生成与所述载重范围对应的任务特征，包括：

针对每个载重范围，根据多个车辆中，计划载重在所述载重范围内的所有车辆的行驶里程之和、计划载重在所述载重范围内的所有车辆的计划载重的平均值，以及多个车辆在指定时间的空载载重的平均值，生成与所述载重范围对应的任务特征。

7.根据权利要求1所述的训练方法，其中，根据时序特征和任务特征，生成目标时段的油耗的预测值，包括：

利用矿区车辆的油耗预测模型的残差网络，处理任务特征；

根据残差网络处理后的任务特征与时序特征之和，生成目标时段的油耗的预测值。

8.根据权利要求1所述的训练方法，其中：

所述历史时序油耗的真实值包括在目标时段之前的多个连续时段内，多个车辆的总油耗的真实值的序列；

所述目标时段的油耗的真实值包括在目标时段内，多个车辆的总油耗的真实值。

9.根据权利要求1所述的训练方法，其中，历史数据包括矿区的历史天气数据、车辆的历史空载里程和历史满载里程的至少一个。