基于LSTM的井下无轨胶轮车车速预测方法及装置与流程

本发明涉及智能交通技术领域，尤其涉及一种基于lstm的井下无轨胶轮车车速预测方法。

背景技术：

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领域。

技术实现要素：

本发明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，本发明提供一种基于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。

本发明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。

本发明的基于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。

本发明的有益效果是，本发明的基于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，lstm预测车速仅仅是根据车辆工况参数来预测车辆的短时速度，实际应用效果不佳，而本方法的车速预测模型是针对矿井下的无轨胶轮车，无轨胶轮车的行驶环境比较固定，可以根据车辆工况、巷道环境和交通行为来进行车速预测，进而给出每种车辆配置(车型、载重)在各个地点的合理速度值，约束车辆安全行驶。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的基于lstm的井下无轨胶轮车车速预测方法的流程图。

图2是本发明的基于lstm的井下无轨胶轮车车速预测装置的结构示意图。

图中：1、采集模块，2、处理模块，3、数据划分模块，4、模型构建模块，5、训练模块，6、预测模块。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1所示，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：采集同一型号无轨胶轮车从驶入井下巷道至驶出井下巷道的不同班次的行驶数据。

需要说明的是，由熟练的驾驶员驾驶无轨胶轮车，然后进行行驶数据采集，熟练的驾驶员对矿井下的巷道路况比较了解，采集到的行驶数据比较可靠。每个班次的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。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。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。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的数量、动态目标与车辆的距离、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。在同一矿井下，可以依次采集不同型号的多款无轨胶轮车的行驶数据，每一款无轨胶轮车安装有必要的传感器和设备，例如，载重传感器、档位开关、速度传感器、转速传感器、转向角度传感器、加速度传感器、压力传感器、行程传感器、胎压传感器、uwb标签卡、车路协同网关等等。例如，车辆实时位置可以通过井下uwb精确定位系统获取，车载的uwb标签卡和uwb基站进行井下通信，基站通过定位算法，可以计算车辆的位置信息，最后由uwb分站通过井下4g/5g/wifi或v2i车路直连通信接口向车辆发布。除了本车位置信息，uwb系统还可以发送其他信息，包括其他车辆或人员的位置、类别、移动速度和方向、信号灯状态等。例如，当前位置的道路曲率和当前位置的道路坡度可以通过预存在车内的巷道地图获取。例如，车辆当前行驶前方预设距离内最近一个路口的距离可以通过预存在车内的巷道地图以及车辆实时位置计算获得。例如，车辆当前行驶前方预设距离内巷道中的动态目标的数量、动态目标与车辆的距离以及动态目标的移动速度和方向可以通过井下uwb精确定位系统获取。例如，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可以通过井下uwb精确定位系统获取。在本实施例中，车辆工况数据、道路环境数据和交通行为数据对车速的预测都是非常必要的，矿井巷道的路况非常复杂，有上坡、下破、路面坑洼等情况，这些路况对车辆行驶均会产生一定的影响，本实施例采集了无轨胶轮车从驶入巷道到驶出巷道的行驶数据，包含了对车辆速度会产生影响的因素。

s102：对行驶数据进行筛选，剔除无效的行驶数据，将剩余有效的行驶数据进行归一化处理，得到训练数据。

需要说明的是，变速箱档位可以用于筛选有效数据，例如，车辆的低速状态(无轨胶轮车处于车速低于预设门限(如3km/h)的状态)，车辆的倒车状态(无轨胶轮车处于倒车档位的状态)，车辆的连续减速状态(无轨胶轮车处于速度降低的持续时长超过预设门限(如20秒)的状态)，这些数据不参与训练，或者说不是直接用来预测车辆速度的特征指标。对剩余有效的行驶数据进行归一化处理可以使得所有的数据进行统一，便于模型训练使用。

s103：根据车辆载重指标将训练数据划分为m个样本集。

需要说明的是，车辆载重指标可以分为空载、轻载、中载、重载及满载，根据行驶数据中获得车辆载重数据按照车辆载重指标对训练数据进行分类，本实施例中，车辆载重指标为五档，那么训练数据可以分为五个样本集。

s104：构建基于lstm的车速预测模型，确定车速预测模型的损失函数、梯度优化器及学习率。

需要说明的是，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可以为2层，隐藏层层数层数越多，网络结构越复杂，网络训练难度会增加，网络训练完成后进行实际运算时也需要消耗更多运算能力，本实施例将隐藏层层数设置为2层既能够实现车速预测，又可以简化网络结构，提高运算效率。预测车辆在某一时刻的车速时，需要采集在该时刻之前一段时长t内的特征指标，每间隔时长t0由当前实时的所有特征指标构成一个列向量，w为这些列向量的数量，即w＝t/t0。在本实施例中，损失函数优选为均方误差(mse)，梯度优化器优选为自适应矩估计(adam)，学习率设置为0.01，自适应矩估计(adam)算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，,优点在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。学习率可以影响深度学习训练到达最优值过程的速度快慢，当学习率过大，参数更新幅度过大，很可能会在某一步跨过最优值，当学习率过小，模型可能长时间无法收敛，影响运算速度。

s105：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。

需要说明的是，在本实施例中，m个样本集即代表空载、轻载、中载、重载及满载五种状态的训练数据，通过这五个样本集分别对车速预测模型进行训练，可以得到同一型号无轨胶轮车的五个车速预测模型，由于车辆空载、轻载、中载、重载及满载时的重量不同，对车速的影响不同，因此建立不同的车速预测模型进行车速预测。每个样本集的数据可以按照一定比例划分为训练集、验证集和测试集，再指定硬件资源、批次大小、迭代轮次等训练参数，在训练过程中，观察训练损失误差是否逐渐下降，以及使用验证集防止过拟合问题，最后，使用生成的最优权重文件，在测试集进行推理，确认模型有效性。

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。

需要说明的是，由于车辆处于停止状态时，可能发生上下货、上下人等改变车辆载重的事件，所以需要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，使得车速预测更加准确。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、动态目标与车辆的距离、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，将实时采集到的特征指标数据构成多个列向量再将多个列向量组成矩阵输入到选取的车速预测模型内，车速预测模型可以输出相应的车速预测数据。进一步，在得到车速预测模型后可以再推测车辆当前的超速门限值，如果车辆有可能要超速，则及时提醒驾驶员，预防事故发生。

如图2所示，本发明还提供了一种基于lstm的井下无轨胶轮车车速预测系统，采用上述的基于lstm的井下无轨胶轮车车速预测方法，包括：采集模块1、处理模块2、数据划分模块3、模型构建模块4、训练模块5及预测模块6。采集模块1被配置为采集同一型号无轨胶轮车从驶入井下巷道至驶出井下巷道的不同班次的行驶数据；处理模块2被配置为对行驶数据进行筛选，剔除无效的行驶数据，将剩余有效的行驶数据进行归一化处理，得到训练数据；数据划分模块3被配置为根据车辆载重指标将训练数据划分为m个样本集；模型构建模块4被配置为构建基于lstm的车速预测模型，确定车速预测模型的损失函数、梯度优化器及学习率；训练模块5被配置为通过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；预测模块6被配置为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。

本发明实施例基于lstm的井下无轨胶轮车车速预测装置的具体实施方式可参照上述基于lstm的井下无轨胶轮车车速预测方法的实施例，在此不再赘述。

综上所述，本发明的基于lstm的井下无轨胶轮车车速预测方法和装置，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。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。