權(quán)利要求

1.地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于，該預(yù)測方法包括以下步驟： S1、針對地下礦無軌運(yùn)輸流程，根據(jù)運(yùn)輸卡車狀態(tài)以及運(yùn)行環(huán)境將無軌運(yùn)輸卡車循環(huán)作業(yè)過程細(xì)化為6個(gè)階段； S2、分析影響卡車作業(yè)時(shí)間的因素，構(gòu)建不同運(yùn)輸階段下的作業(yè)工時(shí)影響因素指標(biāo)體系； S3、采集不同運(yùn)輸階段的卡車作業(yè)工時(shí)數(shù)據(jù)，并采集對應(yīng)作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)； S4、基于Stacking集成學(xué)習(xí)框架，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型； S5、將所述步驟S3中采集到的作業(yè)工時(shí)數(shù)據(jù)以及對應(yīng)的工時(shí)影響因素?cái)?shù)據(jù)劃分為訓(xùn)練集和測試集，以影響因素指標(biāo)為輸入、作業(yè)工時(shí)為輸出，對所述6個(gè)階段對應(yīng)的模型進(jìn)行訓(xùn)練和測試，分別得到6個(gè)階段對應(yīng)的預(yù)測模型；通過待預(yù)測參數(shù)對6個(gè)階段的作業(yè)工時(shí)分別進(jìn)行預(yù)測，從而得到無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值。2.根據(jù)權(quán)利要求1所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S1中，將卡車從裝礦點(diǎn)行駛至卸礦點(diǎn)、再由卸礦點(diǎn)返回至裝礦點(diǎn)作為一個(gè)循環(huán)作業(yè)過程，該過程包括3個(gè)路段：地下平巷路段、斜坡道路段以及地表路段，根據(jù)運(yùn)輸卡車在每個(gè)路段上的工作狀態(tài)將循環(huán)作業(yè)過程拆分為6個(gè)階段：重車平巷運(yùn)行階段、重車斜坡道上行階段、重車地表運(yùn)行階段、空車地表返回階段、空車斜坡道下行階段、空車平巷返回階段。 3.根據(jù)權(quán)利要求1所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S2中，基于實(shí)際礦山無軌運(yùn)輸情況，結(jié)合每個(gè)運(yùn)輸階段的特點(diǎn)，選取影響運(yùn)輸卡車作業(yè)工時(shí)的影響因素，對選取的影響因素進(jìn)行皮爾遜相關(guān)性分析，最終得到每個(gè)階段的若干個(gè)相互獨(dú)立的影響因素指標(biāo)。 4.根據(jù)權(quán)利要求3所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在確定每個(gè)運(yùn)輸階段的影響因素的過程中，根據(jù)礦山實(shí)際運(yùn)輸情況，在斜坡道路段，基于上下行車輛需要錯(cuò)車的情況，將下行空車錯(cuò)車紅燈等待時(shí)間作為空車斜坡道下行階段中影響作業(yè)工時(shí)的重要因素。 5.根據(jù)權(quán)利要求4所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S3中，通過計(jì)算運(yùn)輸卡車發(fā)生錯(cuò)車的概率將下行空車錯(cuò)車紅燈等待時(shí)間分配至每一輛卡車的作業(yè)工時(shí)中，包括以下過程： 假設(shè)路線上正在運(yùn)行的卡車數(shù)量為N，平巷路段長度為L 1，斜坡道路段長度為L 2，地表路段長度為L 3，則卡車在斜坡道上需要錯(cuò)車等待的概率P為： 式中，ρ 1、ρ 2、ρ 3為卡車在3個(gè)路段上的時(shí)間系數(shù)，表示卡車在對應(yīng)路段上行駛的難易程度； 表示N輛車中兩輛車相遇的組合數(shù)；則分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間為：t w＝T w×P，式中，T w為斜坡道下行階段錯(cuò)車時(shí)規(guī)定的紅燈等待時(shí)間。 6.根據(jù)權(quán)利要求1所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S3中，所述作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)包括路面粗糙度指標(biāo)，并且采用路面圖像灰度處理方式計(jì)算地下礦無軌運(yùn)輸各路段路面粗糙度。 7.根據(jù)權(quán)利要求6所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 所述路面圖像灰度處理的過程包括以下步驟： S31、等間隔選取測量路段五個(gè)測點(diǎn)，于測點(diǎn)正上方兩米且垂直于路面架設(shè)照相機(jī)，拍攝路面圖像； S32、對獲得的路面圖像進(jìn)行灰度處理，得到圖像的每個(gè)像素點(diǎn)的灰度值； S33、設(shè)每張圖像的像素為N×M，p ij(i＝1,2,...,N；j＝1,2,...,M)為每個(gè)像素點(diǎn)的灰度數(shù)據(jù)，p max為各像素點(diǎn)灰度數(shù)據(jù)的最大值，則每張圖像路面粗糙度R的計(jì)算公式為：  S34、將五個(gè)測點(diǎn)對應(yīng)的圖像路面粗糙度取平均即為測量路段的路面粗糙度，計(jì)算公式為： 其中R L為測量路段的路面粗糙度，R 1、R 2、R 3、R 4、R 5為五個(gè)測點(diǎn)的路面粗糙度。 8.根據(jù)權(quán)利要求1所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S4中，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型的過程包括： S41、基于Stacking集成學(xué)習(xí)框架，選取隨機(jī)森林RF、輕量級梯度提升機(jī)LightGBM、最小二乘支持向量機(jī)LSSVM作為Stacking集成學(xué)習(xí)框架中的基模型，各基模型的預(yù)測結(jié)果作為元模型的的輸入； S42、選取穩(wěn)定性和精度均較好的極端梯度提升樹XGBoost作為Stacking集成學(xué)習(xí)框架中的元模型，元模型的輸出為最終的預(yù)測結(jié)果。 9.根據(jù)權(quán)利要求4所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在步驟S5中，以工時(shí)影響因素為輸入?yún)?shù)，作業(yè)工時(shí)為輸出參數(shù)，使用Python構(gòu)建循環(huán)結(jié)構(gòu)，對各單模型的超參數(shù)進(jìn)行迭代，以平均絕對誤差MAE作為預(yù)測結(jié)果的評價(jià)指標(biāo)，尋求各模型的最優(yōu)超參數(shù)。 10.根據(jù)權(quán)利要求9所述的地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，其特征在于： 在所述步驟S5中，所述無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值的過程為： 設(shè)6個(gè)運(yùn)輸階段的預(yù)測值分別為t 1、t 2、t 3、t 4、t 5、t 6，則無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值為： 其中，t w為分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間。

說明書

技術(shù)領(lǐng)域

本發(fā)明屬于采礦裝備作業(yè)工時(shí)預(yù)測技術(shù)領(lǐng)域，具體涉及一種地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法。

背景技術(shù)

礦產(chǎn)資源是人類社會發(fā)展的重要物質(zhì)基礎(chǔ)和保障，根據(jù)埋藏深度的不同，獲取礦產(chǎn)資源的方式主要包括露天開采和地下開采兩種。從全球范圍來看，地下開采方式仍然占據(jù)礦床開發(fā)利用的主導(dǎo)地位，隨著礦產(chǎn)資源需求量的不斷增加，地下礦山的開采規(guī)模也不斷增大，大量機(jī)械化設(shè)備的應(yīng)用已成為全球地下礦山生產(chǎn)建設(shè)的必然趨勢。構(gòu)建礦山運(yùn)輸設(shè)備實(shí)時(shí)精準(zhǔn)調(diào)度系統(tǒng)是實(shí)現(xiàn)多裝備連續(xù)、高效運(yùn)輸作業(yè)過程的關(guān)鍵，但目前的地下礦山車輛調(diào)度方法都沒有考慮到運(yùn)輸設(shè)備行程時(shí)間對調(diào)度準(zhǔn)確性的影響，在實(shí)際運(yùn)用過程中容易出現(xiàn)調(diào)度計(jì)劃超前或者滯后的問題。因此，地下礦山卡車行程時(shí)間預(yù)測是構(gòu)建實(shí)時(shí)精準(zhǔn)調(diào)度系統(tǒng)的必然要求。

目前對于礦山運(yùn)輸設(shè)備的作業(yè)時(shí)間預(yù)測的研究相對較少，大量的文獻(xiàn)主要是針對城市道路和高速公路交通系統(tǒng)當(dāng)中的車輛行程時(shí)間預(yù)測進(jìn)行研究。按照預(yù)測模型劃分，交通領(lǐng)域的行程時(shí)間預(yù)測方法可分為時(shí)間序列預(yù)測模型、交通參數(shù)預(yù)測模型以及影響因素預(yù)測模型。地下礦山道路存在車流密度小，時(shí)空關(guān)聯(lián)性不強(qiáng)等問題，且運(yùn)輸卡車的行程時(shí)間受環(huán)境和人員影響較大，容易產(chǎn)生波動，基于時(shí)間序列或交通參數(shù)的預(yù)測方法不完全適用地下礦車輛行程時(shí)間的預(yù)測，而基于行程時(shí)間影響因素的預(yù)測模型更貼近礦山實(shí)際。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足之處，提供一種地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，根據(jù)卡車的位置和狀態(tài)將卡車作業(yè)循環(huán)過程細(xì)化為6個(gè)階段，結(jié)合每個(gè)階段的特點(diǎn)，確定各階段的行程時(shí)間影響因素指標(biāo)，對6個(gè)階段的卡車運(yùn)行時(shí)間分別進(jìn)行預(yù)測，更符合礦山實(shí)際運(yùn)輸情況，提高作業(yè)工時(shí)預(yù)測精度。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

一種地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，該預(yù)測方法包括以下步驟：

S1、針對地下礦無軌運(yùn)輸流程，根據(jù)運(yùn)輸卡車狀態(tài)以及運(yùn)行環(huán)境將無軌運(yùn)輸卡車循環(huán)作業(yè)過程細(xì)化為6個(gè)階段；

S2、分析影響卡車作業(yè)時(shí)間的因素，構(gòu)建不同運(yùn)輸階段下的作業(yè)工時(shí)影響因素指標(biāo)體系；

S3、采集不同運(yùn)輸階段的卡車作業(yè)工時(shí)數(shù)據(jù)，并采集對應(yīng)作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)；

S4、基于Stacking集成學(xué)習(xí)框架，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型；

S5、將所述步驟S3中采集到的作業(yè)工時(shí)數(shù)據(jù)以及對應(yīng)的工時(shí)影響因素?cái)?shù)據(jù)劃分為訓(xùn)練集和測試集，以影響因素指標(biāo)為輸入、作業(yè)工時(shí)為輸出，對所述6個(gè)階段對應(yīng)的模型進(jìn)行訓(xùn)練和測試，分別得到6個(gè)階段對應(yīng)的預(yù)測模型；通過待預(yù)測參數(shù)對6個(gè)階段的作業(yè)工時(shí)分別進(jìn)行預(yù)測，從而得到無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值。

較佳地，在所述步驟S1中，將卡車從裝礦點(diǎn)行駛至卸礦點(diǎn)、再由卸礦點(diǎn)返回至裝礦點(diǎn)作為一個(gè)循環(huán)作業(yè)過程，該過程包括3個(gè)路段：地下平巷路段、斜坡道路段以及地表路段，根據(jù)運(yùn)輸卡車在每個(gè)路段上的工作狀態(tài)將循環(huán)作業(yè)過程拆分為6個(gè)階段：重車平巷運(yùn)行階段、重車斜坡道上行階段、重車地表運(yùn)行階段、空車地表返回階段、空車斜坡道下行階段、空車平巷返回階段。

較佳地，在所述步驟S2中，基于實(shí)際礦山無軌運(yùn)輸情況，結(jié)合每個(gè)運(yùn)輸階段的特點(diǎn)，選取影響運(yùn)輸卡車作業(yè)工時(shí)的影響因素，對選取的影響因素進(jìn)行皮爾遜相關(guān)性分析，最終得到每個(gè)階段的若干個(gè)相互獨(dú)立的影響因素指標(biāo)。

較佳地，在確定每個(gè)運(yùn)輸階段的影響因素的過程中，根據(jù)礦山實(shí)際運(yùn)輸情況，在斜坡道路段，基于上下行車輛需要錯(cuò)車的情況，將下行空車錯(cuò)車紅燈等待時(shí)間作為空車斜坡道下行階段中影響作業(yè)工時(shí)的重要因素。

較佳地，在所述步驟S3中，通過計(jì)算運(yùn)輸卡車發(fā)生錯(cuò)車的概率將下行空車錯(cuò)車紅燈等待時(shí)間分配至每一輛卡車的作業(yè)工時(shí)中，包括以下過程：

假設(shè)路線上正在運(yùn)行的卡車數(shù)量為N，平巷路段長度為L 1，斜坡道路段長度為L 2，地表路段長度為L 3，則卡車在斜坡道上需要錯(cuò)車等待的概率P為： 式中，ρ 1、ρ 2、ρ 3為卡車在3個(gè)路段上的時(shí)間系數(shù)，表示卡車在對應(yīng)路段上行駛的難易程度； 表示N輛車中兩輛車相遇的組合數(shù)；則分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間為：t w＝T w×P，式中，T w為斜坡道下行階段錯(cuò)車時(shí)規(guī)定的紅燈等待時(shí)間。

較佳地，在所述步驟S3中，所述作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)包括路面粗糙度指標(biāo)，并且采用路面圖像灰度處理方式計(jì)算地下礦無軌運(yùn)輸各路段路面粗糙度。

較佳地，所述路面圖像灰度處理的過程包括以下步驟：

S31、等間隔選取測量路段五個(gè)測點(diǎn)，于測點(diǎn)正上方兩米且垂直于路面架設(shè)照相機(jī)，拍攝路面圖像；

S32、對獲得的路面圖像進(jìn)行灰度處理，得到圖像的每個(gè)像素點(diǎn)的灰度值；

S33、設(shè)每張圖像的像素為N×M，p ij(i＝1,2,...,N；j＝1,2,...,M)為每個(gè)像素點(diǎn)的灰度數(shù)據(jù)，p max為各像素點(diǎn)灰度數(shù)據(jù)的最大值，則每張圖像路面粗糙度R的計(jì)算公式為： 

S34、將五個(gè)測點(diǎn)對應(yīng)的圖像路面粗糙度取平均即為測量路段的路面粗糙度，計(jì)算公式為： 其中R L為測量路段的路面粗糙度，R 1、R 2、R 3、R 4、R 5為五個(gè)測點(diǎn)的路面粗糙度。

較佳地，在所述步驟S4中，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型的過程包括：

S41、基于Stacking集成學(xué)習(xí)框架，選取隨機(jī)森林RF、輕量級梯度提升機(jī)LightGBM、最小二乘支持向量機(jī)LSSVM作為Stacking集成學(xué)習(xí)框架中的基模型，各基模型的預(yù)測結(jié)果作為元模型的的輸入；

S42、選取穩(wěn)定性和精度均較好的極端梯度提升樹XGBoost作為Stacking集成學(xué)習(xí)框架中的元模型，元模型的輸出為最終的預(yù)測結(jié)果。

較佳地，在步驟S5中，以工時(shí)影響因素為輸入?yún)?shù)，作業(yè)工時(shí)為輸出參數(shù)，使用Python構(gòu)建循環(huán)結(jié)構(gòu)，對各單模型的超參數(shù)進(jìn)行迭代，以平均絕對誤差MAE作為預(yù)測結(jié)果的評價(jià)指標(biāo)，尋求各模型的最優(yōu)超參數(shù)。

較佳地，在所述步驟S5中，所述無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值的過程為：

設(shè)6個(gè)運(yùn)輸階段的預(yù)測值分別為t 1、t 2、t 3、t 4、t 5、t 6，則無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值為： 其中，t w為分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

(1)本發(fā)明根據(jù)卡車的位置和狀態(tài)將卡車作業(yè)循環(huán)過程細(xì)化為6個(gè)階段，結(jié)合每個(gè)階段的特點(diǎn)，確定各階段的行程時(shí)間影響因素指標(biāo)，對6個(gè)階段的卡車運(yùn)行時(shí)間分別進(jìn)行預(yù)測，更符合礦山實(shí)際運(yùn)輸情況。

(2)本發(fā)明在斜坡道下行階段，考慮了下行運(yùn)輸卡車錯(cuò)車紅燈等待時(shí)間，通過計(jì)算出現(xiàn)錯(cuò)車情況的概率將紅燈等待時(shí)間平均分配值每一輛車的運(yùn)行時(shí)間中，貼近礦山生產(chǎn)實(shí)際，能更準(zhǔn)確地反映礦山卡車實(shí)際運(yùn)輸情況。

(3)基于Stacking學(xué)習(xí)框架，以泛化能力最好的XGBoost作為元模型，以RF、LightGBM、LSSVM3個(gè)模型作為Stacking集成學(xué)習(xí)框架中的基模型，構(gòu)建多模型融合的運(yùn)輸作業(yè)工時(shí)集成預(yù)測模型，更能適應(yīng)地下礦山無軌運(yùn)輸?shù)缆诽攸c(diǎn)，適應(yīng)運(yùn)輸卡車在不同運(yùn)輸階段的工時(shí)預(yù)測。

附圖說明

圖1為本發(fā)明的實(shí)施例中地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法的流程圖。

圖2為本發(fā)明的實(shí)施例中各運(yùn)輸階段工時(shí)影響因素指標(biāo)匯總表示意圖。

圖3為本發(fā)明的實(shí)施例中各基模型超參數(shù)對預(yù)測效果的影響示意圖。

圖4為本發(fā)明的實(shí)施例中各模型的最優(yōu)超參數(shù)表示意圖。

圖5為本發(fā)明的實(shí)施例中測試樣本作業(yè)工時(shí)預(yù)測值與真實(shí)值對照曲線示意圖。

圖6為本發(fā)明的實(shí)施例中測試樣本各評價(jià)指標(biāo)參數(shù)表示意圖。

具體實(shí)施方式

下面結(jié)合附圖所示的實(shí)施例對本發(fā)明作進(jìn)一步說明。

如附圖1所示，本實(shí)施例公開了一種地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法，該預(yù)測方法包括以下步驟：

步驟S1、針對地下礦無軌運(yùn)輸流程，根據(jù)運(yùn)輸卡車狀態(tài)以及運(yùn)行環(huán)境將無軌運(yùn)輸卡車循環(huán)作業(yè)過程細(xì)化為6個(gè)階段。

在步驟S1中，將卡車從裝礦點(diǎn)行駛至卸礦點(diǎn)、再由卸礦點(diǎn)返回至裝礦點(diǎn)作為一個(gè)循環(huán)作業(yè)過程，該過程包括3個(gè)路段：地下平巷路段、斜坡道路段以及地表路段，根據(jù)運(yùn)輸卡車在每個(gè)路段上的工作狀態(tài)將循環(huán)作業(yè)過程拆分為6個(gè)階段：重車平巷運(yùn)行階段、重車斜坡道上行階段、重車地表運(yùn)行階段、空車地表返回階段、空車斜坡道下行階段、空車平巷返回階段。

步驟S2、分析影響卡車作業(yè)時(shí)間的因素，構(gòu)建不同運(yùn)輸階段下的作業(yè)工時(shí)影響因素指標(biāo)體系。

在步驟S2中，基于實(shí)際礦山無軌運(yùn)輸情況，結(jié)合每個(gè)運(yùn)輸階段的特點(diǎn)，選取影響運(yùn)輸卡車作業(yè)工時(shí)的影響因素，對選取的影響因素進(jìn)行皮爾遜相關(guān)性分析，最終得到每個(gè)階段的若干個(gè)相互獨(dú)立的影響因素指標(biāo)。

在另一實(shí)施方式中，在步驟S2確定每個(gè)運(yùn)輸階段的影響因素的過程中，根據(jù)礦山實(shí)際運(yùn)輸情況，在斜坡道路段，基于上下行車輛需要錯(cuò)車的情況，礦山專門設(shè)有交通信號裝置。該情況下應(yīng)遵循空車讓重車、下坡車讓上坡車的原則，且錯(cuò)車需要在錯(cuò)車硐室進(jìn)行。因此，將下行空車錯(cuò)車紅燈等待時(shí)間作為空車斜坡道下行階段中影響作業(yè)工時(shí)的重要因素。

S3、采集不同運(yùn)輸階段的卡車作業(yè)工時(shí)數(shù)據(jù)，并采集對應(yīng)作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)。

在步驟S3中，作業(yè)工時(shí)影響因素指標(biāo)包括定量指標(biāo)和定性指標(biāo)，定量指標(biāo)可通過相關(guān)儀器測量或相關(guān)資料查閱得到。

如，卡車的載重量可由地磅稱重系統(tǒng)實(shí)時(shí)測量獲取?？ㄜ囆旭偹俣?，可由測試時(shí)刻卡車駕駛室顯示面板記錄得到。斜坡道坡度，由坡度計(jì)測量得到。巷道氧氣濃度，由井下氧氣檢測儀檢測記錄得到。卡車司機(jī)工齡、卡車使用年齡、轉(zhuǎn)彎次數(shù)、避讓行人次數(shù)等，均可查閱礦山相關(guān)資料獲取。

對于司機(jī)技能等級，根據(jù)中國國家職業(yè)資格證書制度，對于卡車駕駛員一共設(shè)置了初級工、中級工、高級工、技師四個(gè)級別，可用數(shù)字1、2、3、4表示，通過查閱礦山卡車駕駛員職業(yè)資格證書即可獲得對應(yīng)數(shù)據(jù)。雨雪天氣指標(biāo)，將天氣劃分為無降雨、少量降雨、大量降雨3個(gè)等級，由數(shù)字0、1、2表示，通過查閱當(dāng)日中國氣象局監(jiān)測數(shù)據(jù)得到。

另外，針對步驟S2中確定的重要因素指標(biāo)下行空車錯(cuò)車紅燈等待時(shí)間，可以通過計(jì)算運(yùn)輸卡車發(fā)生錯(cuò)車的概率將下行空車錯(cuò)車紅燈等待時(shí)間分配至每一輛卡車的作業(yè)工時(shí)中，具體包括以下過程：

假設(shè)路線上正在運(yùn)行的卡車數(shù)量為N，平巷路段長度為L 1，斜坡道路段長度為L 2，地表路段長度為L 3，則卡車在斜坡道上需要錯(cuò)車等待的概率P為： 式中，ρ 1、ρ 2、ρ 3為卡車在3個(gè)路段上的時(shí)間系數(shù)，表示卡車在對應(yīng)路段上行駛的難易程度； 表示N輛車中兩輛車相遇的組合數(shù)；則分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間為：t w＝T w×P，式中，T w為斜坡道下行階段錯(cuò)車時(shí)規(guī)定的紅燈等待時(shí)間。

在另一實(shí)施方式中，在步驟S3中，作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)還可以包括路面粗糙度指標(biāo)，并且采用路面圖像灰度處理方式計(jì)算地下礦無軌運(yùn)輸各路段路面粗糙度。

具體地，路面圖像灰度處理的過程包括以下步驟：

S31、等間隔選取測量路段五個(gè)測點(diǎn)，于測點(diǎn)正上方兩米且垂直于路面架設(shè)照相機(jī)，拍攝路面圖像。

S32、對獲得的路面圖像進(jìn)行灰度處理，得到圖像的每個(gè)像素點(diǎn)的灰度值。

S33、設(shè)每張圖像的像素為N×M，p ij(i＝1,2,...,N；j＝1,2,...,M)為每個(gè)像素點(diǎn)的灰度數(shù)據(jù)，p max為各像素點(diǎn)灰度數(shù)據(jù)的最大值，則每張圖像路面粗糙度R的計(jì)算公式為： 

S34、將五個(gè)測點(diǎn)對應(yīng)的圖像路面粗糙度取平均即為測量路段的路面粗糙度，計(jì)算公式為： 其中R L為測量路段的路面粗糙度，R 1、R 2、R 3、R 4、R 5為五個(gè)測點(diǎn)的路面粗糙度。

S4、基于Stacking集成學(xué)習(xí)框架，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型。

在步驟S4中，構(gòu)建多模型融合的Stacking集成學(xué)習(xí)工時(shí)預(yù)測模型的過程包括：

S41、基于Stacking集成學(xué)習(xí)框架，選取隨機(jī)森林RF、輕量級梯度提升機(jī)LightGBM、最小二乘支持向量機(jī)LSSVM作為Stacking集成學(xué)習(xí)框架中的基模型，各基模型的預(yù)測結(jié)果作為元模型的的輸入；

S42、選取穩(wěn)定性和精度均較好的極端梯度提升樹XGBoost作為Stacking集成學(xué)習(xí)框架中的元模型，元模型的輸出為最終的預(yù)測結(jié)果。

S5、將步驟S3中采集到的作業(yè)工時(shí)數(shù)據(jù)以及對應(yīng)的工時(shí)影響因素?cái)?shù)據(jù)劃分為訓(xùn)練集和測試集，以影響因素指標(biāo)為輸入、作業(yè)工時(shí)為輸出，對6個(gè)階段對應(yīng)的模型進(jìn)行訓(xùn)練和測試，分別得到6個(gè)階段對應(yīng)的預(yù)測模型；通過待預(yù)測參數(shù)對6個(gè)階段的作業(yè)工時(shí)分別進(jìn)行預(yù)測，從而得到無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值。

在步驟S5中，以工時(shí)影響因素為輸入?yún)?shù)，作業(yè)工時(shí)為輸出參數(shù)，使用Python構(gòu)建循環(huán)結(jié)構(gòu)，對各單模型的超參數(shù)進(jìn)行迭代，以平均絕對誤差MAE作為預(yù)測結(jié)果的評價(jià)指標(biāo)，尋求各模型的最優(yōu)超參數(shù)。

另外，在步驟S5中，將6個(gè)運(yùn)輸階段的預(yù)測值相加得到循環(huán)作業(yè)工時(shí)預(yù)測值，則無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值的過程為：

設(shè)6個(gè)運(yùn)輸階段的預(yù)測值分別為t 1、t 2、t 3、t 4、t 5、t 6，則無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值為： 其中，t w為分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間。

基于本實(shí)施例的預(yù)測方法，根據(jù)卡車的位置和狀態(tài)將卡車作業(yè)循環(huán)過程細(xì)化為6個(gè)階段，多方面確定各階段的行程時(shí)間影響因素指標(biāo)，對6個(gè)階段的卡車運(yùn)行時(shí)間分別進(jìn)行預(yù)測，更符合礦山實(shí)際運(yùn)輸情況。而且，在斜坡道下行階段，考慮了下行運(yùn)輸卡車錯(cuò)車紅燈等待時(shí)間，通過計(jì)算出現(xiàn)錯(cuò)車情況的概率將紅燈等待時(shí)間平均分配值每一輛車的運(yùn)行時(shí)間中，貼近礦山生產(chǎn)實(shí)際，能更準(zhǔn)確地反映礦山卡車實(shí)際運(yùn)輸情況。另外，基于Stacking學(xué)習(xí)框架，以泛化能力最好的XGBoost作為元模型，以RF、LightGBM、LSSVM3個(gè)模型作為Stacking集成學(xué)習(xí)框架中的基模型，構(gòu)建多模型融合的運(yùn)輸作業(yè)工時(shí)集成預(yù)測模型，更能適應(yīng)地下礦山無軌運(yùn)輸?shù)缆诽攸c(diǎn)，適應(yīng)運(yùn)輸卡車在不同運(yùn)輸階段的工時(shí)預(yù)測。

以下，選取國內(nèi)某地下礦山正在進(jìn)行無軌運(yùn)輸作業(yè)的路段作為實(shí)驗(yàn)路段，以對本實(shí)施例的預(yù)測方法進(jìn)行驗(yàn)證。

步驟S1、該實(shí)驗(yàn)路段的地下礦無軌運(yùn)輸過程中，卡車從裝礦點(diǎn)行駛至卸礦點(diǎn)，再由卸礦點(diǎn)返回至裝礦點(diǎn)為一個(gè)循環(huán)作業(yè)過程。過程中主要經(jīng)歷3個(gè)路段：地下平巷路段、斜坡道路段以及地表路段。根據(jù)運(yùn)輸卡車在每個(gè)路段上的工作狀態(tài)(重車行駛、空車行駛)將循環(huán)作業(yè)過程拆分為6個(gè)階段：重車平巷運(yùn)行階段、重車斜坡道上行階段、重車地表運(yùn)行階段、空車地表返回階段、空車斜坡道下行階段、空車平巷返回階段。

步驟S2、通過對礦山無軌運(yùn)輸情況的調(diào)查以及詢問相關(guān)管理人員，從多個(gè)角度分析影響運(yùn)輸卡車作業(yè)工時(shí)的影響因素，初步選取各運(yùn)輸階段的影響因素，對初選的影響因素進(jìn)行皮爾遜相關(guān)性分析，最終得到每個(gè)階段的若干個(gè)相互獨(dú)立的影響因素指標(biāo)。6個(gè)運(yùn)輸階段的影響因素指標(biāo)具體見圖2。

步驟S3、跟蹤該地下礦山實(shí)驗(yàn)路段無軌運(yùn)輸循環(huán)作業(yè)流程，按照劃分的6個(gè)運(yùn)輸階段連續(xù)采集運(yùn)輸卡車作業(yè)工時(shí)數(shù)據(jù)，并采集對應(yīng)作業(yè)工時(shí)影響因素指標(biāo)數(shù)據(jù)，其中每個(gè)運(yùn)輸階段的樣本數(shù)據(jù)均采集200組。

對于錯(cuò)車紅燈等待時(shí)間，通過計(jì)算運(yùn)輸卡車發(fā)生錯(cuò)車的概率，將錯(cuò)車紅燈等待時(shí)間分配至每一輛卡車的作業(yè)工時(shí)當(dāng)中。假設(shè)路線上正在運(yùn)行的卡車數(shù)量為N，平巷路段長度為L 1，斜坡道路段長度為L 2，地表路段長度為L 3，則卡車在斜坡道上需要錯(cuò)車等待的概率P為： 式中：ρ 1、ρ 2、ρ 3為卡車在3個(gè)路段上的時(shí)間系數(shù)，表示卡車在對應(yīng)路段上行駛的難易程度； 表示N輛車中兩輛車相遇的組合數(shù)。則分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間為：t w＝T w×P，式中，T w為斜坡道下行階段錯(cuò)車時(shí)規(guī)定的紅燈等待時(shí)間。查閱礦山資料可知，在實(shí)驗(yàn)路段上運(yùn)行的卡車數(shù)量為5，2822中段平巷長度約為3800米，斜坡道長度約為3600米，地表路段長度約為3000米，ρ 1、ρ 2、ρ 1分別取1、1.2、0.8，統(tǒng)計(jì)T w值約為120秒。則由上述公式計(jì)算得到t w為40.46秒。

步驟S4、基于Stacking集成學(xué)習(xí)框架，選取RF(隨機(jī)森林)、LightGBM(輕量級梯度提升機(jī))、LSSVM(最小二乘支持向量機(jī))作為Stacking集成學(xué)習(xí)框架中的基模型，各基模型的初級預(yù)測值作為元模型的的輸入；選取穩(wěn)定性和精度均較好的XGBoost(極端梯度提升樹)代替常規(guī)的線性回歸算法作為Stacking集成學(xué)習(xí)框架中的元模型，元模型的輸出為最終的預(yù)測結(jié)果。

步驟S5、地下礦運(yùn)輸卡車作業(yè)流程分為地下平巷路段、地下斜坡道路段以及地表路段3個(gè)路段，其中地下斜坡道路段運(yùn)輸環(huán)境相比其他兩個(gè)路段更加復(fù)雜，考慮的影響因素更多，因此選取更具有代表性和全面性的斜坡道樣本數(shù)據(jù)作為訓(xùn)練樣本，以工時(shí)影響因素為輸入?yún)?shù)，作業(yè)工時(shí)為輸出參數(shù)，使用Python構(gòu)建循環(huán)結(jié)構(gòu)，對各單模型的超參數(shù)進(jìn)行迭代，以平均絕對誤差(MAE)作為預(yù)測結(jié)果的評價(jià)指標(biāo)，尋求各模型的最優(yōu)超參數(shù)，最終得到各基模型超參數(shù)對預(yù)測效果的影響見圖3所示，各模型的最優(yōu)超參數(shù)見圖4所示。

將各模型的最優(yōu)超參數(shù)代入融合模型，并將步驟S3采集的作業(yè)工時(shí)數(shù)據(jù)以及對應(yīng)的工時(shí)影響因素?cái)?shù)據(jù)劃分為訓(xùn)練集和測試集，其中訓(xùn)練集為160組，測試集為40組。以影響因素指標(biāo)為輸入，作業(yè)工時(shí)為輸出，對模型進(jìn)行訓(xùn)練和測試，分別預(yù)測6個(gè)運(yùn)輸階段的作業(yè)工時(shí)，最終將6個(gè)階段預(yù)測工時(shí)相加得到無軌運(yùn)輸循環(huán)作業(yè)工時(shí)預(yù)測值，選擇平均絕對誤差(MAE)、均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)、以及決定系數(shù)(R2)作為測試樣本的評價(jià)指標(biāo)對模型的精度進(jìn)行評價(jià)。

設(shè)6個(gè)運(yùn)輸階段的預(yù)測值分別為t 1、t 2、t 3、t 4、t 5、t 6，則運(yùn)輸卡車循環(huán)作業(yè)工時(shí)為： 其中，t w為分配至每輛卡車行程時(shí)間當(dāng)中的紅燈等待時(shí)間，由步驟S3公式計(jì)算為40.46秒。

將各階段預(yù)測值以及t w相加得到運(yùn)輸卡車作業(yè)循環(huán)時(shí)間預(yù)測值T P，圖5所示為預(yù)測值與真實(shí)值對照，預(yù)測樣本的平均絕對誤差(MAE)、均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)以及決定系數(shù)(R 2)指標(biāo)見圖6所示。由圖5和圖6可知，預(yù)測值和真實(shí)值擬合程度高，R 2達(dá)到了0.9762，平均絕對誤差為146.74秒。

通過上述實(shí)驗(yàn)，結(jié)果表明的本發(fā)明提出的一種地下礦運(yùn)輸作業(yè)工時(shí)集成預(yù)測模型及方法具有較強(qiáng)的實(shí)用性，在誤差允許范圍內(nèi)，能夠滿足礦山智能調(diào)度系統(tǒng)的數(shù)據(jù)要求。

本發(fā)明的保護(hù)范圍不限于上述的實(shí)施例，顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變形而不脫離本發(fā)明的范圍和精神。倘若這些改動和變形屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍，則本發(fā)明的意圖也包含這些改動和變形在內(nèi)。

地下礦山卡車運(yùn)輸循環(huán)作業(yè)工時(shí)集成預(yù)測方法.pdf