基于LSTM的井下无轨胶轮车车速预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于LSTM的井下无轨胶轮车车速预测方法，包括采集同一型号无轨胶轮车的行驶数据；对有效的行驶数据进行筛选和处理，得到训练数据；根据车辆载重指标将训练数据划分为M个样本集；构建基于LSTM的车速预测模型；通过M个样本集对车速预测模型分别进行训练，得到同一型号无轨胶轮车的M个车速预测模型；根据目标车辆在最近一次停止状态时的车辆载重指标，选取相应的车速预测模型，将m个实时采集的特征指标数据输入车速预测模型中，得到目标车辆的车速预测数据。利用本发明专利技术，可以更加合理的对无轨胶轮车的车速进行预测，一旦发生超速或者危险事件，及时进行提醒驾驶员，减少事故的发生。

【技术实现步骤摘要】
基于LSTM的井下无轨胶轮车车速预测方法及装置
本专利技术涉及智能交通
，尤其涉及一种基于LSTM的井下无轨胶轮车车速预测方法。
技术介绍
无轨胶轮车由于运输效率高、作业环节少、环境适应性强等特点，逐步成为井工煤矿辅助运输系统的主要方式，其安全行驶对于煤矿整体的高效平稳运行具有日益重大的影响。目前，煤矿井下无轨胶轮车的安全行驶面临诸多挑战，首先，供无轨胶轮车行驶巷道路况复杂，例如长距离的坡道和弯道路径，路面凹凸和坑洼较多；其次，巷道内光照不足、粉尘过多，会对司机视线或自动驾驶系统中的传感设备(如激光雷达、毫米波雷达、摄像头等)产生严重干扰；此外，车辆行驶过程中还可能出现司机疲劳驾驶、注意力分散、对路况不熟悉等不可控因素。超速行为作为井下无轨胶轮车安全行驶的最大安全隐患，必须获得足够的重视。除了依靠司机的驾驶素养，目前实践中的主要技术手段包括：机车保护装置检测车速超过预设的固定门限时进行报警提示，部分煤矿的巷道中会安装超速抓拍设施并在车辆超速时进行记录和联动报警，某些车辆内部或巷道中还会安装失速保护装置以在车辆失控状态下对其进行急停。总体而言，对无轨胶轮车的超速控制仍然基于一刀切式的固定门限约束(根据一般性规定，无轨胶轮车运物时不得超过40km/h，运人时不得超过25km/h)，且主要采取刚性的、保护性的、以结果为导向的控制措施。由于没有考虑到车辆工况因素、道路环境因素、交通行为因素对实际安全车速门限的影响，难以实现安全、可靠、高效的车速预警效果。例如，当即将出现大角度下坡路面或距离前方人员较近的情况时，实际的合理车速应该远低于规程要求的固定上限，如果司机经验欠缺或处于疲劳驾驶的情况，则很可能因车速过快增加事故风险。基于循环神经网络(RecurrentNeuralNetwork,RNN)的时序数据处理和预测模型，由于能有效提取一组输入数据或中间状态数据的时间先后关联性特征，特别适合处理时间序列数据。长短期记忆网络(LongShortTermMemory,LSTM)是一种特殊的RNN类型，其解决了一般性RNN难以训练的问题(梯度消失)，同时引入了更接近人类特性的记忆遗忘和强化特性，具备较长时域跨度的数据处理能力，被广泛应用于诸如自然语言处理、视频分析、健康状态预测等

技术实现思路
本专利技术要解决的技术问题是：为了解决现有技术中无轨胶轮车车速预警方式单一且效果不佳的技术问题，本专利技术提供一种基于LSTM的井下无轨胶轮车车速预测方法，根据车辆实时的工况、道路环境和交通行为，可以得到目标车辆的车速预测数据，及时对车速进行预警，减少事故的发生。本专利技术解决其技术问题所采用的技术方案是：一种基于LSTM的井下无轨胶轮车车速预测方法，包括以下步骤：S101：采集同一型号所述无轨胶轮车从驶入井下巷道至驶出所述井下巷道的不同班次的行驶数据；S102：对所述行驶数据进行筛选，剔除无效的所述行驶数据，将剩余有效的所述行驶数据进行归一化处理，得到训练数据；S103：根据车辆载重指标将所述训练数据划分为M个样本集；S104：构建基于LSTM的车速预测模型，确定所述车速预测模型的损失函数、梯度优化器及学习率；S105：通过所述M个样本集对所述车速预测模型分别进行训练，得到同一型号所述无轨胶轮车的M个所述车速预测模型；S106：根据目标车辆在最近一次停止状态时的车辆载重指标，选取相应的所述车速预测模型，将m个实时采集的特征指标数据输入所述车速预测模型中，得到所述目标车辆的车速预测数据。本专利技术的基于LSTM的井下无轨胶轮车车速预测方法，以同一型号不同班次的行驶数据为学习样本，根据当前实际的车辆工况、道路环境和交通行为来构建预测当前车速的深度学习模型，可以更加合理的对无轨胶轮车的车速进行监测，一旦发生超速或者危险事件，及时进行提醒驾驶员，减少事故的发生；同时，可用于指导、评估新手驾驶员的驾驶行为，提高新手驾驶员的操作安全性和学习效率。进一步，具体的，所述构建基于LSTM的车速预测模型具体包括：在t时刻输入矩阵其中，所述表示在t时刻由m个特征指标数据构成的列向量，W表示在时间维度上的长度，t时刻输出的数据为Yt＝[yt]，其中，yt表示t时刻的车速数据，设置LSTM神经网络模型的隐藏层层数。进一步，具体的，所述行驶数据包括车辆工况数据、道路环境数据及交通行为数据。由于矿井下的巷道路况复杂，在训练车速预测模型时需要包含对车速会产生影响的所有数据，使得车速预测模型可以输出更准确的结果。进一步，具体的，所述车辆工况数据包括车辆载重、变速箱档位、车辆速度、车辆转速、车辆转向角度、车辆加速度、油门踏板行程、刹车踏板压力及轮胎压力。车辆自身的工况对车速有直接影响，训练数据需要包含影响车速的多个工况数据。进一步，具体的，所述道路环境数据包括车辆实时位置、当前位置的道路曲率、当前位置的道路坡度及车辆当前行驶前方预设距离(例如100米)内最近一个路口的距离。道路环境对车辆车速有着间接影响，例如，上坡时，车速可能会减慢，下坡时，车速由于惯性会加快，在路口时车速也需要减慢等等，在预测车辆当前车速时，需要考虑巷道内的道路情况，使得预测出来的车速更加合理准确。进一步，具体的，所述交通行为数据包括车辆当前行驶前方预设距离内巷道中的动态目标(人员和车辆)的数量、所述动态目标与车辆的距离、所述动态目标的移动速度和方向、车辆当前行驶前方预设距离内最近一个路口信号灯的信号状态。例如，当车辆前方有其他车辆在行驶或者人员走动时，车速会减慢，当车辆遇到红灯时，车速也会减慢，所以，在预测车速时，需要考虑巷道内的交通行为，使得预测出来的车速更加合理准确。进一步，具体的，所述车辆载重指标包括空载、轻载、中载、重载及满载。车辆在不同载重状态时的车速不同，为了车速预测更加准确，把车速预测模型按照不同的车辆载重指标进行分类，每一种车辆载重情况适用相应的车速预测模型。进一步，具体的，所述特征指标数据包括车辆转速、车辆转向角度、车辆加速度、油门踏板行程、刹车踏板压力、轮胎压力、车辆实时位置、当前位置的道路曲率、当前位置的道路坡度、车辆当前行驶前方最近一个路口的距离、车辆当前行驶前方的动态目标的数量、所述动态目标与车辆的距离、所述动态目标的移动速度和方向及车辆当前行驶前方预设距离内最近一个路口信号灯的信号状态。特征指标数据是用于车速预测模型训练的重要数据，特征指标数据越全面，车速预测更加准确。本专利技术的有益效果是，本专利技术的基于LSTM的井下无轨胶轮车车速预测方法，以同一型号不同班次的行驶数据为学习样本，根据当前实际的车辆工况、道路环境和交通行为来构建预测当前车速的深度学习模型，可以更加合理的对无轨胶轮车的车速进行监测，一旦发生超速或者危险事件，及时进行提醒驾驶员，减少事故的发生；同时，可用于指导、评估新手驾驶员的驾驶行为，提高新手驾驶员的操作安全性和学习效率；本方法还可用于动态地设定实时超速门限，相比传统的设置固定超速门限方法，有效提高了车辆的安全性。相比现有技术中，LS本文档来自技高网...

【技术保护点】
1.一种基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，包括以下步骤：/nS101：采集同一型号所述无轨胶轮车从驶入井下巷道至驶出所述井下巷道的不同班次的行驶数据；/nS102：对所述行驶数据进行筛选，剔除无效的所述行驶数据，将剩余有效的所述行驶数据进行归一化处理，得到训练数据；/nS103：根据车辆载重指标将所述训练数据划分为M个样本集；/nS104：构建基于LSTM的车速预测模型，确定所述车速预测模型的损失函数、梯度优化器及学习率；/nS105：通过所述M个样本集对所述车速预测模型分别进行训练，得到同一型号所述无轨胶轮车的M个所述车速预测模型；/nS106：根据目标车辆在最近一次停止状态时的车辆载重指标，选取相应的所述车速预测模型，将m个实时采集的特征指标数据输入所述车速预测模型中，得到所述目标车辆的车速预测数据。/n

【技术特征摘要】
1.一种基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，包括以下步骤：
S101：采集同一型号所述无轨胶轮车从驶入井下巷道至驶出所述井下巷道的不同班次的行驶数据；
S102：对所述行驶数据进行筛选，剔除无效的所述行驶数据，将剩余有效的所述行驶数据进行归一化处理，得到训练数据；
S103：根据车辆载重指标将所述训练数据划分为M个样本集；
S104：构建基于LSTM的车速预测模型，确定所述车速预测模型的损失函数、梯度优化器及学习率；
S105：通过所述M个样本集对所述车速预测模型分别进行训练，得到同一型号所述无轨胶轮车的M个所述车速预测模型；
S106：根据目标车辆在最近一次停止状态时的车辆载重指标，选取相应的所述车速预测模型，将m个实时采集的特征指标数据输入所述车速预测模型中，得到所述目标车辆的车速预测数据。


2.如权利要求1所述的基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，所述构建基于LSTM的车速预测模型具体包括：
在t时刻输入矩阵其中，所述表示在t时刻由m个特征指标数据构成的列向量，W表示在时间维度上的长度，t时刻输出的数据为Yt＝[yt]，其中，yt表示t时刻的车速数据，设置LSTM神经网络模型的隐藏层层数。


3.如权利要求1所述的基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，所述行驶数据包括车辆工况数据、道路环境数据及交通行为数据。


4.如权利要求3所述的基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，所述车辆工况数据包括车辆载重、变速箱档位、车辆速度、车辆转速、车辆转向角度、车辆加速度、油门踏板行程、刹车踏板压力及轮胎压力。


5.如权利要求3所述的基于LSTM的井下无轨胶轮车车速预测方法，其特征在于，所述道路环境数据包括车辆实时位置、当前位置的道路曲率、当前位置的道路坡度及车辆当前行驶前方预设距离内最近一个路口的距离。


6.如权...

【专利技术属性】
技术研发人员：沈科，周李兵，邹盛，王天宇，季亮，陈晓晶，王晓波，于政乾，
申请(专利权)人：天地常州自动化股份有限公司，中煤科工集团常州研究院有限公司，
类型：发明
国别省市：江苏;32