技术特征：
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
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、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。
7.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，所述车辆载重指标包括空载、轻载、中载、重载及满载。
8.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。
9.一种基于lstm的井下无轨胶轮车车速预测系统，采用如权利要求1-8任一项所述的基于lstm的井下无轨胶轮车车速预测方法，其特征在于，包括：
采集模块，其被配置为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；
处理模块，其被配置为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；
数据划分模块，其被配置为根据车辆载重指标将所述训练数据划分为m个样本集；
模型构建模块，其被配置为构建基于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；
训练模块，其被配置为通过所述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；
预测模块，其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。
技术总结
本发明公开了一种基于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，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
受保护的技术使用者：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
技术研发日：2021.05.06
技术公布日：2021.08.31
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
