【技术实现步骤摘要】
一种路网
‑
轨迹联合对比学习的露天矿卡车调度方法
[0001]本专利技术涉及露天矿运输领域，尤其是涉及一种路网
‑
轨迹联合对比学习的露天矿卡车调度方法。
技术介绍
[0002]现行的交通速度预测方法主要分为两大类：一类是传统的统计学方法，如线性回归、自回归移动平均值等，但这些方法都不能很好地预测具有非线性特点的交通速度；另一类是诸如模糊推理系统、支持向量机和神经网络等机器学习法。模糊推理系统缺乏自学习能力，支持向量机也不能很好地处理大规模数据。目前神经网络在非线性、局部极小值和处理大规模数据等方面均具有较好的表现，应用广泛。然而对于给定轨迹的速度预测在智能交通系统中起着不可缺少的作用。
[0003]在露天矿中，车辆类型主要是卡车。这些卡车在露天矿执行的任务是运送渣土。当卡车的数量很多时，需要找到一种方法去调度这些卡车，防止这些卡车出现拥挤的现象，导致运输渣土的效率低下。所以露天矿卡车的行驶时间预测可以优化卡车的调度，提高卡车的运输效率。
[0004]露天矿卡车的速度预测问题存在以下挑战：
[0005](1)由于之前采用固定大小的区域分割，会导致各个区域是无差别的，可能会割裂某些特殊区域，比如采场、渣区等，导致嵌入无法准确表达空间地理信息。
[0006](2)由于露天矿的路网结构特征属于静态特征，导致提取的路网特征仅包含空间相关性，而忽略路网特征的时间相关性。
[0007](3)现有的方法都是在同一尺度内进行学习，即路网和轨迹分开进行处理，从而...
【技术保护点】
【技术特征摘要】
1.一种路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：通过动静态路网嵌入模块、区域化轨迹序列嵌入模块、路网
‑
轨迹联合对比学习模块、语义信息嵌入模块和多任务预测模块来预测露天矿卡车的行驶时间，用预测的行驶时间来实现露天矿卡车调度的优化；具体步骤如下：步骤S1：对露天矿卡车的位置数据进行采样，得到露天矿卡车原始GPS轨迹数据以及露天矿场提供的路网数据；然后利用轨迹清洗程序，对露天矿卡车原始GPS轨迹数据进行清洗，得到清洗后GPS轨迹数据；接着利用路网交叉口提取程序，提取路网数据中处于交叉口位置的GPS轨迹点p
i
并编号；最后基于路网交叉口中的GPS轨迹点p
i
进行区域划分，采用Voronoi图，即泰森多边形，将地图分割为大小不同的多边形，每个多边形表示一个区域；步骤S2：利用轨迹序列提取程序，从步骤S1得到的清洗后GPS轨迹数据中提取轨迹序列；在步骤S1得到的区域的基础上，利用区域化轨迹序列提取程序，从轨迹序列中提取区域化轨迹序列；根据路网数据中路段的连接关系以及区域化轨迹序列的上下文关系，生成静态全局路网有向图和动态局部路网有向图的邻接矩阵和每个节点的初始嵌入向量；步骤S3：对步骤S2中生成的静态全局路网有向图、动态局部路网有向图和区域化轨迹序列分别依次采用GAT模型、GraphSAGE模型和Transformer模型进行编码，分别得到静态路网结构嵌入表示、动态路网结构嵌入表示和区域化轨迹序列嵌入表示，之后将静态路网结构嵌入表示和动态路网结构嵌入表示进行加权，得到路网结构嵌入表示；步骤S4：将步骤S3得到的路网结构嵌入表示和区域化轨迹序列嵌入表示通过路网
‑
轨迹联合对比学习模块得到区域化轨迹序列的时空结构特征嵌入表示，将区域化轨迹序列中的星期信息、司机信息和时间信息经过语义信息嵌入模块，得到区域化轨迹序列的语义信息特征嵌入表示；步骤S5：将步骤S4得到的区域化轨迹序列的时空结构特征和语义信息特征嵌入表示通过BiLSTM网络单元，得到区域化轨迹序列的时空上下文特征嵌入表示，利用区域化轨迹序列的时空上下文特征嵌入表示作为输入与实际时间序列进行回归预测，设计多任务损失函数来训练模型；根据路网数据和起止点的经纬度坐标利用现有的路径规划算法得到多个预测的区域序列并生成相应的区域化轨迹序列的时空上下文特征嵌入表示，输入到训练好的模型中，得到露天矿卡车行驶时间预测结果，根据预测的时间，通过路线规划、车辆分配、任务优先级和实时更新方法进行露天矿卡车调度。2.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S1中，所述GPS轨迹点p
i
为一个三元组，表示为p
i
＝<lon
i
，lat
i
，t
i
>，其中，lon
i
、lat
i
和t
i
分别表示p
i
所在的经纬度和时间戳；所述GPS轨迹序列是由一系列GPS轨迹点按照时间戳顺序构成的一个序列，表示为T＝p1，p2，...，p
i
，...，p
n
，其中，n为GPS轨迹序列中GPS点的数量；对于任意的p
i
，p
j
∈T，若t
i
<t
j
，则i<j，其中，i，j表示GPS轨迹序列中按照时间戳排序的GPS轨迹点下标编号。3.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S1中，所述提取路网数据分为静态全局路网和动态局部路网；静态全局路网有向图其中，S为|S|个路网交叉口的顶点集，为根据交叉口连接性生成的静态全局路网有向图的邻接矩阵；动态局部路网有向图其中，
为根据区域化轨迹序列连接性生成的动态局部路网有向图的邻接矩阵。4.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S1中，所述路网交叉口为一个三元组，表示为H＝<h，lon，lat>，其中，h为路网交叉口的ID，即交叉口的编号，lon和lat代表路网交叉口H所在的经纬度；定义区域：区域A是指以路网交叉口H为中心的泰森多边形，表示为A＝(<h，lon，lat>，<v1，v2，...，v
nt
>)，其中，v1，v2，...，v
nt
分别是多边形区域的顶点。5.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S1中，所述轨迹清洗程序：对原始GPS轨迹数据进行筛选、过滤、补全操作，采用以下三种轨迹数据清洗方法：删除异常GPS轨迹点、去除重复GPS轨迹点和恢复缺失GPS轨迹点；所述路网交叉口提取程序：遍历原始的路网数据，找到路网中所有交叉口的经纬度信息，并根据遍历的顺序给所有交叉口从1开始依次往后编号。6.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S1中，所述的区域划分：将提取的路网交叉口作为输入，连接所有相邻的路网交叉口，形成以路网交叉口为顶点的若干三角形，对于任意以路网交叉口H，找出以H为公共顶点的所有三角形，以H为公共顶点的每个三角形，作每条边的垂直平分线，计算每个三角形外接圆的圆心，按照顺时针方向设为v1，v2，...，v
nt
，其中，nt为以H为公共顶点的三角形数量，依次连接v1，v2，...，v
nt
，得到以H为中心点，以v1，v2，...，v
nt
为顶点的泰森多边形，形成以路网交叉口H为中心的区域A。7.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S2中，对步骤S1得到的清洗后GPS轨迹数据依次使用轨迹序列提取程序和区域化轨迹序列提取程序得到区域化轨迹序列；根据路网数据中路段的连接关系以及区域化轨迹序列的上下文关系，生成静态全局路网有向图和动态局部路网有向图的邻接矩阵和每个节点的初始嵌入向量，具体实现过程如下：首先，所述轨迹序列提取程序：将同一司机的GPS轨迹数据按照设置时间为T的滑动时间窗口，步长为n个GPS轨迹点来进行切分，完成轨迹序列的提取；所述的区域化轨迹序列提取程序：在形成区域的基础上，通过路网交叉口和轨迹点的经纬度来计算轨迹序列T上所有的轨迹点距离路网交叉口的距离，根据泰森多边形的性质，对于每个轨迹点，离其最近的路网交叉口所在的区域就是该轨迹点所在的区域，若存在多个轨迹点在同一区域，则将这多个轨迹点合并，取离路网交叉口最近的轨迹点，按照轨迹序列的时间顺序，将轨迹点所属的区域串联，区域化轨迹序列同时保留区域和轨迹点的相关信息，得到区域化轨迹序列；所述区域化轨迹序列R＝r1，r2，...，r
i
，...，r
m
，m≤n，其中，区域化轨迹点r
i
＝(<lon
i
，lat
i
，t
i
>，<h，lon，lat>，<v1，v2，...，v
nt
>)，那么区域化轨迹序列集合R
H
＝{R1，R2，...，R
n
}；其次，静态全局路网有向图中的邻接矩阵A
S
(|S|
×
|S|)，其中A
S
[H
i
，H
j
]表示路网交叉口H
i
和H
j
是否连接：得到静态全局路网有向图其中为静态全局路网有向图中每个节点的初始化特征向量；最后，动态局部路网有向图中的邻接矩阵A
′
S
(|S|
×
|S|)，其中A
′
S
[r
i
，r
j
]表示区域轨迹
节点r
i
和r
j
是否连接：得到动态局部路网有向图其中为动态局部路网有向图中每个节点的初始化特征向量。8.根据权利要求1所述的路网
‑
轨迹联合对比学习的露天矿卡车调度方法，其特征是：步骤S3中，所述分别依次采用GAT模型、GraphSAGE模型和Transformer模型进行编码，分别得到静态路网结构嵌入表示、动态路网结构嵌入表示与区域化轨迹序列嵌入表示，之后将静态路网结构嵌入表示和动态路网结构嵌入表示进行加权，得到路网结构嵌入表示的具体过程如下：首先，采用GAT模型来编码静态全局路网有向图得到静态路网结构嵌入表示：H
S
＝GAT(F
S
，A
S
)即给定的图编码器GAT(
·
)：得到静态路网结构嵌入H
S
；GAT(
·
)的详细计算公式如下：)的详细计算公式如下：其中，v
i
为F
S
中i
th
的一个向量，H为多头自注意力的参数，||表示连接操作，σ为激活函数，N
i
是根据邻接矩阵A
S
的顶点H
i
的邻居集，W
h
是h
th
头中的权值矩阵，W为共享权值矩阵，a为权值向量；其次，采用GraphSAGE模型来编码动态局部路网有向图得到动态路网结构嵌入表示：将区域轨迹节点r
i
的邻居节点N(r
i
)聚合到邻域向量取决于前面迭代生成的表示：其中，r
i
的初始表示为输入的节点特征将r
i
的特征表示与其聚合的领域向量用非线性激活函数σ进行全连接得到下一步的表示：其中，CONCAT(
·
)是一个沿着指定维度连接输入的函数，W
k
为权值矩阵，σ(
·
)是激活函数；GraphSAGE中的聚合函数采用基于平均值的卷积聚合器：得到r
i
的嵌入表示将所有节点的嵌入表示进行连接，得到动态路网结构嵌入接着将静态路网结构嵌入H
S
和动态路网结构嵌入H
D
进行加权，得到路网结构嵌入最后，采用Transformer模...
【专利技术属性】
技术研发人员：许昱林，张磊，刘佰龙，江海峰，梁志贞，
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。