【技术实现步骤摘要】
一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法
[0001]本专利技术涉及煤矿井下数据分析
，具体涉及一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法。
技术介绍
[0002]近年来，随着无线通信技术和全球定位技术的飞速发展，可以方便地获取移动对象(人、动物、交通工具等)位置信息并对移动轨迹进行存储管理。时空轨迹数据是移动对象位置和时间的记录序列，它包含了丰富的时间维度和空间维度信息。此外，轨迹数据提供了丰富的信息和价值，轨迹数据挖掘也应用到许多领域，如轨迹预测、轨迹推荐、行人
‑
轨迹匹配等。
[0003]煤矿井下智能生产调度系统是一个以挖掘为中心，并通过对井下矿工的规划与调度来实现生产计划的大型生产系统。合理地规划调度井下矿工不仅能增加煤矿整体产量，更重要的是能够更好地保障井下矿工的生产安全。而矿工轨迹挖掘是规划与调度的重要依据，其中矿工轨迹的特征嵌入学习是轨迹挖掘的一大重要模块，这使得应用于煤矿井下的矿工轨迹时空特征联合学习技术成为一个研究热点。
[0004]目前，传统的轨迹表示方法大多是基于人工设计特征,通常仅将轨迹表示作为数据预处理的一部分，随着深度学习的兴起，这种从大规模数据中学习的能力使得基于深度学习的轨迹表示方法相比于传统方法取得了巨大的效果提升,并赋予了轨迹表示更多的可能性。
[0005]但是，现有方法仍存在有三个关键局限性。
[0006]1)不同矿工通常会访问井下巷道数百个工作点中固定的几个，从而造成由于轨迹数据稀疏问题，此外，数据会涉及...
【技术保护点】
【技术特征摘要】
1.一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法，其特征在于：引入井下矿工的UWB超宽带定位数据、井下巷道地图数据和矿工周围环境监测数据；利用煤矿井下矿工轨迹数据设计矿工轨迹识别模型；所述的矿工轨迹识别模型包括：时间特征提取模块、空间特征提取模块、语义特征提取模块和联合表示学习模块；先将井下矿工轨迹数据预处理后，分别经过时间特征提取模块、空间特征提取模块和语义特征提取模块，分别得到时间维度的特征表示、空间维度的特征表示和外部因素的语义特征表示，最后时间维度、空间维度和外部因素语义的特征表示经过联合表示学习模块，得到具有时空维度和语义信息的时空语义特征表示，并计算输入的轨迹数据属于每个矿工的概率，从而提升矿工轨迹识别的精度和效率，为煤矿井下轨迹数据挖掘和智能调度平台提供技术支持；具体步骤如下：步骤1、采集煤矿井下矿工移动轨迹信息，将采集到的数据进行预处理得到各矿工的若干条子轨迹序列，所述预处理依次为分组处理、清洗处理、插值处理、子轨迹划分处理和路网匹配处理；步骤2、将步骤1预处理后的子轨迹序列分别经过时间特征提取模块、空间特征提取模块和语义特征提取模块，分别得到轨迹时间维度的特征表示、空间结构的特征表示和外部因素的语义特征表示；步骤3、将步骤2得到的轨迹时间维度的特征表示、空间结构的特征表示和外部因素的语义特征表示经过联合表示学习模块的拼接操作，得到轨迹的时空语义特征表示；再使用全连接神经网络，对时空语义特征表示进行归一化，最后使用Softmax激活函数计算轨迹序列属于每一个矿工的概率；步骤4、使用交叉熵损失函数来训练矿工轨迹识别模型，将所有矿工轨迹数据分成训练样本和测试样本，逐步训练优化参数从而实现对轨迹所属矿工的识别。2.根据权利要求1所述的一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法，其特征在于：步骤1中，所述采集煤矿井下矿工移动轨迹信息包括：矿工ID、基于UWB定位的多个时间点的位置坐标、矿工移动时周围环境监测数据；所述分组处理：将对应的轨迹点按矿工的唯一标识符(矿工ID)分组；所述清洗处理：将每个时间片内出现频繁远距离波动的轨迹点去除；所述插值处理：对于某一时间片缺失的轨迹点，如果时间片前后相邻时间均存在轨迹点，则根据相邻时间轨迹点进行插值，插值位置为前后时间片轨迹点的中心，得到该缺失的轨迹点；所述子轨迹划分处理：将各矿工的轨迹数据根据煤矿井下固定的班次间隔8小时划分为若干条子轨迹，TR＝{tr1,tr2,
…
,tr
n
}表示矿工所有轨迹数据，tr
i
为其中一条子轨迹序列；所述路网匹配处理：将每条子轨迹上的每个轨迹点与井下巷道每条路段的端点进行叉积计算，判断每个轨迹点所属的井下巷道路段，计算公式如下：(Q.x
‑
A.x)*(B.y
‑
A.y)＝(B.x
‑
A.x)*(Q.y
‑
A.y)其中Q.x、Q.y为轨迹点的坐标，A.x、A.y为路段的左端点坐标，B.x、B.y为路段的右端点坐标；若等式成立，并且坐标Q在A、B两点坐标的最小值和最大值之间，则该轨迹点属于端点
为A、B的路段，并在该轨迹点的记录中添加所属路段的属性；若等式不成立，则继续将轨迹点与下一条路段的端点进行叉积计算。3.根据权利要求2所述的一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法，其特征在于：将每个时间片内出现频繁远距离波动的轨迹点去除的具体过程如下：步骤1
‑
1，将按矿工ID分组后得到的轨迹数据根据轨迹点的采样间距，设定时间片，并将轨迹点与时间片一一对应；步骤1
‑
2，计算每个时间片中所有数据的中心位置；步骤1
‑
3，计算每个时间片中所有数据的位置信息与中心位置的距离，保留离中心位置最近的一条数据，距离计算公式如下：式中，表示点A与点B之间的距离，R代表地球半径，A
lat
，A
lng
分别表示点A的经度和纬度坐标，B
lat
，B
lng
分别表示点B的经度和纬度坐标；步骤1
‑
4，对所有在步骤1
‑
3中经过计算保留下来的数据，重新计算这些数据中心位置；每个分组代表一个矿工的轨迹数据，每个矿工在同一时间只有一条位置数据保留。4.根据权利要求3所述的一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法，其特征在于：步骤1
‑
1中，所述设定时间片为4
‑
6s。5.根据权利要求1所述的一种动态时空语义联合嵌入的煤矿井下矿工轨迹识别方法，其特征在于：步骤2中，所述时间特征提取模块，利用步骤1预处理后的子轨迹序列tr生成动态图，表示矿工轨迹序列中轨迹点之间的时序关系，并采用动态图嵌入方法，得到时间维度的特征表示；所述的动态图生成方法为：动态图G
temporal
＝{g1,g2,
…
,g
T
}包含T个时间片的静态子图，用来表示输入到矿工轨迹识别模型的T个时间片的矿工轨迹变化，g
τ
＝(V,E
τ
)为在第τ个时间片的静态子图，用来模拟在第τ个时间片的子轨迹序列tr的时序关系，以解决煤矿井下轨迹数据稀疏的问题；每个子轨迹序列tr生成一个时间片的静态子图，每个静态子图为无向加权图，其中将井下巷道所有路段作为静态子图的节点，所有静态子图都共享一个节点集V，不能添加或删除节点，静态子图中的边表示矿工从一个路段移动到另一个路段，每个静态子图有各自的边集E
τ
，随时间而变化，可以增加边也可以删除边，每个静态子图对应不同的邻接矩阵A
τ
；所述的动态图嵌入方法采用动态图自注意力模型DySAT，模型在每个静态子图上学习结构嵌入，在多个静态子图上学习时间嵌入,主要由两个部分组成：结构自注意力层和时间自注意力层，并且采用多头注意力来提高特征表示学习的能力和稳定性，得到潜在节点表示，所述的DySAT为Dynamic Self
‑
Attention，具体过程包括：所述的结构自注意力层，是一个邻居节点信息聚合层，对于任一个时间片的静态子图g
τ
，利用当前时间片各个节点的表征计算注意力再进行加权求和，输出静态子图g
τ
上任一点v的具有局部结构特性的潜在节点表示z
v
∈R
F
，F为新的潜在节点表示集合的维度,V是静态子图的节点集，具体过程如下：步骤2
‑1‑
1，静态子图上的每个节点的属性都用一个D维向量x
v
表示，其中，x
v
为节点v的属性向量，x
v
∈R
D
，D是节点的总数量；
步骤2
‑1‑
2，节点v的邻居节点集合为N
v
＝{u∈V:(u,v)∈E}，E是静态子图的边集，计算节点v对每个邻居u的注意力值公式如下：e
uv
＝σ(A
uv
·
a
T
[W
s
x
u
llW
s
x
v
])其中，e
uv
为节点v对每个邻居节点u的注意力值，x
v
为静态子图g
τ
中节点v的属性向量，x
u
为静态子图g
τ
中节点u的属性向量，W
s
是所有节点共享的权重转换矩阵，W
s
∈R
F
×
D
，D是节点的总数量，F为所有节点的嵌入向量集合的维度，W
s
x
u
表示节点u对应的低维空间的嵌入向量，W
s
x
v
表示节点v对应的低维空间的嵌入向量，a为权重向量，a∈R
2D
，a
T
为对权重向量a的转置，||为节点v对应的低维空间的嵌入向量W
s
x
v
与节点u对应的低维空间的嵌入向量W
s
x
u
之间的串联操作，σ(
·
)是非线性激活函数，选择激活函数LeakyRELU函数，A
uv
是当前静态子图中的连接节点v和节点u的权重矩阵；步骤2
‑1‑
3，计算出点v对它所有邻居节点的注意力值后，对注意力值进行归一化：其中，a
uv
为进行归一化后的注意力值，e
uv
为节点v对每个邻居u的注意力值，e
wv
为节点v对每个邻居节点w的注意力值，w∈N
v
，N
v
为节点v的邻居节点集合，exp(
·
)为以自然常数e为底数的指数函数；步骤2
‑1‑
4，将节点v的邻居节点的嵌入向量按注意力值来加权聚合，得到节点v的输出向量z
v
，这种邻居节点信息聚合方法保存了节点v的局部结构信息，计算公式如下：其中，z
v
表示节点v在结构自注意力层最终的输出向量，σ(
·
)是非线性激活函数，选择激活函数LeakyRELU函数，x
u
为节点u的属性向量，W
s
是所有节点共享的权重转换矩阵，W
s
∈R
F
×
D
，D是节点的总数量，F为所有节点的嵌入向量集合的维度，W
s
x
u
表示节点u对应的低维空间的嵌入向量，a
uv
为进行归一化后的节点v对邻居节点u的注意力值，N
v
为节点v的邻居节点集合，u为节点v的邻居节点集合N
v
中的其中一个邻居节点；所述时间自注意力层，实现进一步捕捉动态网络中的时间演化模式在不同的时间步之间学习节点的各种表示之间的相关性；经过上述的结构自注意力层后，静态子图上任一节点在每个时间步的潜在表示已经包含了该节点的局部信息；时间自注意力层的输入是特定节点v在不同时间步的表示序列，记为其中，表示节点v在时间步t的属性向量，是时间步的数量，D'为输入表示的维度；在时间自注意力层要计算任一节点v在每个时间步的新表示，该新表示要保存节点随着时间变化的动态信息，具体过程如下：步骤2
‑2‑
1，使用按比例缩放的点积注意力形式，英文为Scaled Dot
‑
Product Attention，计算输入的属性向量中每个值的Q、K矩阵，分别使用线性投影矩阵W
q
，W
k
将Q，K转换到不同维度的空间，所述的Q矩阵英文全称为Query矩阵，所述的K矩阵英文全称为Key矩阵，计算公式如下：
其中，Q为输入的属性向量经过线性变换后得到的Query矩阵，K为输入的属性向量经过线性变换后得到的Key矩阵，W
q
、W
k
为学习矩阵，W
q
∈R
D
′×
F
′
，W
k
∈R
D
′×
F
′
,D'为输入表示的维度，F'为得到的Q、K矩阵的维度，表示节点v在时间步t的属性向量，1≤t≤T',T'为时间步总数；步骤2
‑2‑
2，计算节点v在任一时间步t对所有时间步的注意力值，包括t本身，对于节点v，时间步i对j的注意力值计算公式如下：其中，为节点v的时间步i对时间步j的注意力值，Q为输入的属性向量经过线性变换后得到的Query矩阵，K为输入的属性向量经过线性变换后得到的Key矩阵，K
T
为转置的Key矩阵，为缩放因子，M
ij
为时间步i到时间步j的掩码矩阵，为实现任一时间步只注意其前面的时间步，而无法注意其后面的时间步，M
ij
的定义为：其中，M
ij
∈R
...
【专利技术属性】
技术研发人员：张磊，侯萱，刘佰龙，梁志贞，邓宇帆，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。