一种基于深度区域嵌入的露天矿区域功能分类方法技术

本发明专利技术公开了一种基于深度区域嵌入的露天矿区域功能分类方法，属于露天矿管理领域，首先对露天矿进行均匀单元区域划分，然后通过轨迹数据提取不同单元区域的特征信息，将不同单元区域构建成一个稀疏单元区域图；再则，利用结构化深度网络嵌入模型学习单元区域节点的空间嵌入表示，实现单元区域空间区域嵌入；然后，将单元区域特征时序序列作为双向长短期记忆神经网络的输入从而获取单元区域时序特征，实现单元区域时序区域嵌入，以弥补区域时间特征不足的问题；再则，将得到的单元区域节点的嵌入表示和单元区域序列特征进行特征融合，将最终特征融合结果输入到注意力层，解决不同特征权重分配不均问题；最后，进行训练得到更加准确的分类结果。到更加准确的分类结果。到更加准确的分类结果。

【技术实现步骤摘要】
一种基于深度区域嵌入的露天矿区域功能分类方法


[0001]本专利技术涉及露天矿管理领域，尤其是一种基于深度区域嵌入的露天矿区域功能分类方法。

技术介绍

[0002]当今社会，各种地理信息采集技术尤其是“3S”技术，也即遥感卫星(RS)、全球定位系统(GPS)、地理信息系统(GIS)飞速发展，使得收集和存储海量地理交通数据变得日益简单。露天矿是一个集采集，运输为一体的大型生产系统，其中的卡车和挖机等车辆也都配备了GPS设备，每天都产生了大量的轨迹数据。随着时代的发展，越来越多的露天矿配备了生产调度系统，该系统通过内部计算合理的分配矿内卡车，挖机的配对，以最优的方式对卡车进行派单，即降低了运营成本也提高了采矿效率。通过精确的判断功能区域，调度系统可以迅速对卡车状态进行最合理的调节。由于露天矿具有多个采场和多个渣土场，且随着时间的推移，采场和渣土场都在不断地变化。目前采用手工标注的方式实现采场、渣土场的标识具有耗费人力、更新不及时、数据不准确等问题，所以通过露天矿上的轨迹数据来对功能区域分类显得至关重要。
[0003]露天矿区拥有多种功能区域，如采矿区域、卸矿区域等。不同的功能区域承担不同的职责。以往的研究大多是将重点放在了GPS轨迹的时序特征上，这是由出行规律所决定的，不同的时间段内，各自功能区表现出不同的时间特征，例如在工作日早上人们都是从居住区前往办公区。而露天矿场景下，由于卡车是根据派单时间进行工作，其在时间维度上的信息特征并不足以明确识别区域功能，但卡车在一个派单任务中要经过多个功能区域，不同功能区依托卡车轨迹存在了空间上的相互联系，因此如何利用卡车轨迹数据准确的对露天矿功能区域进行分类是优化露天矿卡车调度系统的重点研究。
[0004]GPS轨迹是区域功能识别最重要的数据之一，其内容主要包括上下车经纬度和时间，此前大部分研究通过研究出租车的起始点对城市功能进行识别，而由于轨迹通常是连续的，而出租车轨迹仅考虑了起始位置而忽略的中间行程所包含的区域信息，忽略了全局特征。同时城市出租车轨迹覆盖率较露天矿卡车轨迹更广，矿区卡车轨迹区域覆盖率较为稀疏，这给矿区功能识别带来了一定的挑战。

技术实现思路

[0005]本专利技术的目的是要提供一种基于深度区域嵌入的露天矿区域功能分类方法，解决现有技术中露天矿区采用手工标注的方式实现采场、渣土场的标识具有耗费人力、更新不及时、数据不准确的问题。
[0006]本专利技术采用的技术方案：一种基于深度区域嵌入的露天矿区域功能分类方法，首先对露天矿进行均匀单元区域划分，然后通过轨迹数据提取不同单元区域的特征信息，将不同单元区域构建成一个稀疏单元区域图；再则，利用结构化深度网络嵌入模型学习单元区域节点的空间嵌入表示，实现单元区域空间区域嵌入；然后，将单元区域特征时序序列作
为双向长短期记忆神经网络的输入从而获取单元区域时序特征，实现单元区域时序区域嵌入，以弥补区域时间特征不足的问题；再则，将得到的单元区域节点的嵌入表示和单元区域序列特征进行特征融合，将最终特征融合结果输入到注意力层，解决不同特征权重分配不均问题；最后，进行训练，得到更加准确的分类结果。
[0007]具体步骤如下：
[0008]步骤S1、对露天矿区内的卡车GPS轨迹数据和露天矿区区域进行预处理，将原始露天矿轨迹数据进行数据清洗，并将露天矿区域进行单元区域划分，提取单元区域特征，并通过现有露天矿人工划分后的区域功能作为标签数据，即每个单元区域对应一种矿区功能，矿区功能包括采矿区、卸矿区、渣场等；
[0009]步骤S2、通过预处理后的轨迹和单元区域数据，构建轨迹单元区域图；
[0010]步骤S3、将所述步骤S2得到轨迹单元区域图输入到结构化深度网络嵌入模型中，然后利用现有技术无监督训练结构化深度网络嵌入模型，训练结束后生成训练好的单元区域嵌入模型，进而得到单元区域的低维表示向量；
[0011]步骤S4、基于所述步骤S1获得的单元区域特征，构造单元区域时序序列，使用双向长短期记忆神经网络来从时序序列中提取单元区域单元的时序特征；
[0012]步骤S5、将所述步骤S3获得的单元区域的低维表示向量和步骤S4提取的单元区域时序特征进行特征融合，并将最终的特征向量输入至注意力层调整特征权重，最后输入至全连接层并训练现有分类器softmax，得到训练好的分类模型；
[0013]步骤S6、将所述步骤S5区域所对应的最终特征向量输入步骤S5所述的最终分类模型，识别出研究区域所对应的矿区功能。
[0014]进一步的，步骤S1中，具体实施步骤为：
[0015]步骤S11、清洗所述矿区GPS轨迹数据中不在待识别区域及无效的点数据；
[0016]步骤S12、将进行数据清洗操作后的矿区GPS轨迹数据采取现有地图匹配算法，匹配到相应的露天矿区域中，生成区域内单元区域特征数据；
[0017]步骤S13、通过所述露天矿区域进行均匀单元区域划分，生成若干均匀单元区域数据。
[0018]进一步的，步骤S13中，具体实施步骤为：
[0019]将露天矿区均匀划分为n个非重叠的单元区域，R＝{g1,g2,
…
,g
n
}，其中R表示露天矿区，g
i
表示均匀划分后的第i个单元区域，通过平均分割纬度和经度空间来构建区域即w＝(lat
max
‑
lat
min
)/x，h＝(lon
max
‑
lon
min
)/y，其中x和y分别表纬度和经度上的单元区域数，lon
max
、lon
min
、lat
max
和lat
min
分别表示露天矿区的最大最小经纬度，所以n＝x*y即单元区域个数为x*y；每个单元区域由四个边界点定义，其变量和上述经纬度意义相同。
[0020]进一步的，步骤S2中，具体实施步骤为：将轨迹映射到单元区域后得到单元区域特征，单元区域结构可以建模为图G(N,ε)，其中节点集合N表示单元区域，边集合ε表示两个单元区域之间的连接关系；轨迹单元区域图G(N,ε)的邻接矩阵S，其中s
i,j
表示单元区域g
i
和g
j
是否连接；
[0021][0022]进一步的，步骤S3中，具体步骤为：
[0023]步骤S31、将步骤S2得到的轨迹单元区域图G(N,ε)输入到结构化深度网络嵌入模型中；所述的结构化深度网络嵌入模型即结构化深度网络嵌入模型，是现有的一种用于图嵌入的自动编码器，由编码器和解码器组成；编码器负责将输入数据映射到低维向量，解码器负责将低维向量映射到原始表示空间；结构化深度网络嵌入模型深层的网络结构可以更好地感知轨迹单元区域图G(N,ε)的结构；同时网络通过联合优化一阶相似度和二阶相似度约束来同时感知图中局部和整体的结构，并缓解轨迹单元区域图G(N,ε)结构中稀疏性的负面影响；
...

【技术保护点】

【技术特征摘要】
1.一种基于深度区域嵌入的露天矿区域功能分类方法，其特征是：步骤S1、对露天矿区内的卡车GPS轨迹数据和露天矿区区域进行预处理，将原始露天矿轨迹数据进行数据清洗，并将露天矿区域进行单元区域划分，提取单元区域特征，并通过现有露天矿人工划分后的区域功能作为标签数据，即每个单元区域对应一种矿区功能，矿区功能包括采矿区、卸矿区、渣场；步骤S2、通过所述步骤S1中预处理后的轨迹和单元区域数据，构建轨迹单元区域图；步骤S3、将所述步骤S2得到轨迹单元区域图输入到结构化深度网络嵌入模型中，然后利用现有技术无监督训练结构化深度网络嵌入模型，训练结束后生成训练好的单元区域嵌入模型，进而得到单元区域的低维表示向量；步骤S4、基于所述步骤S1获得的单元区域特征，构造单元区域时序序列，使用双向长短期记忆神经网络来从时序序列中提取单元区域单元的时序特征；步骤S5、将所述步骤S3获得的单元区域的低维表示向量和步骤S4提取的单元区域时序特征进行特征融合，并将最终的特征向量输入至注意力层调整特征权重，最后输入至全连接层并训练现有分类器softmax，得到训练好的分类模型；步骤S6、将所述步骤S5区域所对应的最终特征向量输入步骤S5所述的最终分类模型，识别出研究区域所对应的矿区功能。2.根据权利要求1所述的一种基于深度区域嵌入的露天矿区域功能分类方法，其特征是：所述步骤S1具体为：步骤S11、清洗所述矿区GPS轨迹数据中不在待识别区域及无效的点数据；步骤S12、将进行数据清洗操作后的矿区GPS轨迹数据采取现有地图匹配算法，匹配到相应的露天矿区域中，生成区域内单元区域特征数据；步骤S13、通过所述露天矿区域进行区域切分，得到若干单元区域。3.根据权利要求2所述的一种基于深度区域嵌入的露天矿区域功能分类方法，其特征是：所述步骤S13中所述露天矿区域进行区域切分，生成若干单元区域数据的具体步骤是：将露天矿区均匀划分为n个非重叠的单元区域，R＝{g1,g2,
…
,g
n
}，其中R表示露天矿区域，g
i
表示均匀划分后的第i个单元区域，通过平均分割纬度和经度空间来构建区域即w＝(lat
max
‑
lat
min
)/x，h＝(lon
max
‑
lon
min
)/y，其中x和y分别表纬度和经度上的单元区域数，lon
max
、lon
min
、lat
max
和lat
min
分别表示露天矿区的最大最小经纬度，所以n＝x*y即单元区域个数为x*y；每个单元区域由四个边界点定义，其变量和上述经纬度意义相同。4.根据权利要求3所述的一种基于深度区域嵌入的露天矿区域功能分类方法，其特征在于：所述步骤S2中，具体步骤是：将轨迹映射到单元区域后得到单元区域特征，单元区域结构建模为图G(N,ε)，其中节点集合N表示单元区域，边集合ε表示两个单元区域之间的连接关系；单元区域轨迹图G(N,ε)的邻接矩阵S，其中s
i,j
表示单元区域g
i
和g
j
是否连接；5.根据权利要求4所述的一种基于深度区域嵌入的露天矿区域功能分类方法，其特征
在于：步骤S3具体为：步骤S31、将步骤S2得到的单元区域轨迹图G(N,ε)输入到结构化深度网络嵌入模型中；结构化深度网络嵌入模型由编码器和解码器组成；编码器负责将输入数据映射到低维向量，解码器负责将低维向量映射到原始表示空间；结构化深度网络嵌入模型深层的网络结构更好地感知轨迹单元区域图G(N,ε)的结构；同时网络通过联合优化一阶相似度和二阶相似度约束来同时感知图中局部和整体的结构，并缓解轨迹单元区域图G(N,ε)结构中稀疏性的负面影响；步骤S32、一阶相似假设两个单元区域相似，如果两个单元区域在单元区域轨迹网络中连接；二阶近似假设两个单元区域相似，如果两个单元区域的邻域结构相似，即使它们在单元区域轨迹网络中没有连接；二阶邻近性丰富了单元区域轨迹网络中的区域关系，使结构化深度网络嵌入模型能够捕捉单元区域轨迹网络的全局结构；结构化深度网络嵌入模型的编码器给定单元区域的邻域结构S
i
，编码器的过程表示为：，编码器的过程表示为：，编码器的过程表示为：其中是可学习的参数矩阵，是偏置项，σ是Sigmoid激活函数；步骤S33、解码器为编码器的逆过程，因此获得单元区域g
i
的输出自编码器构造的目标是最小化输入数据和输出数据的重建损失；由于输入是每个单元区域的邻域结构，重建过程将使具有相似邻域结构的单元区域趋向于相似的低维表示；因此二阶相似度的损失函数定义为：其中表示按元素的乘法，因为露天矿的路网是稀疏的，所以在邻接矩阵S中有许多的零元素；为了使模型更倾向于重构非零元素，引用了向量具体来说，如果s
i,j
＝1,则b
i,j
＝10，否则b
i,j
＝1；通过连接一阶相似度和二阶相似度的损失函数得到了结构化深度网络嵌入模型的损失函数，定义为：其中α是超参数，是解码过程中的参数矩阵；等式中的最后一项是防止过拟合的正则化项。在最小化损失函数后，得到单元区域的低维表示向量集Y
i
∈R
C
×
d
，从而保持了单元区域轨迹图的局部和全局结构。6.根据权利要求5所述的一种基于深度区域嵌入的露天矿区域功能分类方法，其特征
在于：所述步骤S4中普通长短期记忆神经网络使用单元和隐藏状态来分别存储过去序列信息的长期和短期记忆，输入序列{x
t
|t＝1,2,
…
,n}中的每个元素x
t
将由循环长短期记忆神经网络单元处理，连同先前的单元状态c
t
‑1和隐藏状态h
t
‑1，信息将由三个特殊设计的门控制，即输入门i
t
，遗忘门f
t

【专利技术属性】
技术研发人员：赵本壮，张磊，刘佰龙，梁志贞，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：