一种地下运输作业工时预测方法、装置、设备及存储介质与流程

1.本发明涉及地下运输作业工时预测技术领域，尤其涉及一种地下运输作业工时预测方法、装置、设备及存储介质。


背景技术：

2.随着地下矿开采深度和规模的不断加大以及设备的机械化自动化程度不断提高，如何做好采运设备的管理，实现采运设备的高效运行，是矿山企业重点关注的问题。但由于地下矿山生产环境复杂，设备之间的协调性差，导致生产计划执行率不高，生产难以精准调控。因此，精确的预测地下矿山运输设备的作业工时，能实现地下矿采运设备的实时调度和精准控制，降低运营成本和提高采矿效率，并为地下金属矿智能调度系统的构建提供数据支撑。
3.目前对于矿山运输设备的作业时间预测问题的研究相对较少，且主要对象为露天矿卡车。由于地下开采环境复杂，且各开采工艺之间的衔接不够紧密，生产设备之间的协调性差，对于地下矿山运输设备的行程时间预测问题的研究几乎没有。国内外学者关于时间预测问题的研究主要集中于交通系统，少部分针对于露天矿运输。交通系统中车辆行程时间预测在国内外的研究中已经有牢固的基础和深厚的发展，目前关于时间预测的方法主要有：卡尔曼滤波、bp神经网络、支持向量机、线性回归模型以及梯度提升回归树方法等。
4.基于回归模型的作业工时预测方法，由于数据间的关系较复杂，难以构建一个明确的数学模型来解释各因素和作业工时之间的关系，且针对不同的运行环境，其模型也会发生变化。基于神经网络和智能算法的作业工时预测方法，主要问题是优化算法的模型参数不宜选取，且需要大量的数据用以训练，提高预测精度。


技术实现要素：

5.有鉴于此，有必要提供一种地下运输作业工时预测方法、装置、设备及存储介质，用以解决现有技术中没有针对地下运输作业工时预测方法的问题。
6.为达到上述技术目的，本发明采取了以下技术方案：
7.第一方面，本发明提供了一种地下运输作业工时预测方法，包括：
8.获取作业工时影响因素指标，并根据作业工时影响因素指标提取影响地下运输作业工时的有效因子；
9.构建初始iga
‑
enn模型；
10.将有效因子作为输入变量输入到初始iga
‑
enn模型，并将地下运输作业工时作为初始iga
‑
enn模型的输出进行迭代训练得到训练完备的目标iga
‑
enn模型；
11.将待预测有效因子的数据输入至训练完备的目标iga
‑
enn模型，对地下运输作业工时进行预测。
12.优选的，作业工时影响因素指标包括驾驶员信息、运输设备信息以及环境信息。
13.优选的，获取作业工时影响因素指标之后，通过预设方式将定性指标转化为定量
指标。
14.优选的，通过预设方法将定性指标转化为定量指标之后，提取影响地下运输作业工时的有效因子，具体为：
15.将作业工时影响因素的定量指标作为原始输入矩阵，确定样本点最近邻点的个数k以及降维后的特征维数；
16.计算样本点与其他样本点间的欧氏距离，确定每个样本点的k个最邻近点，k个邻近点构成最邻近点的集合；
17.计算每个样本点被其最邻近点的集合重构的系数矩阵；
18.计算重构系数矩阵与原始数据矩阵的内积，即为影响地下运输作业工时的有效因子。
19.优选的，提取影响地下运输作业工时的有效因子之后，还包括对有效因子归一化处理，具体为：
20.归一化公式为：
21.其中，y为有效因子的原始数据；y
min
为原始数据的最小值；y
max
为原始数据的最大值。
22.优选的，构建初始iga
‑
enn模型之后，还包括：
23.设置iga算法的初始参数；
24.将有效因子输入到enn模型，计算输出误差，并基于输出误差计算适应度函数；
25.当满足适应度函数的预设精度或者达到最大迭代次数时，得到enn模型的最优权值和阈值，即得到训练完备的目标iga
‑
enn模型。
26.优选的，计算适应度函数，具体为：
27.计算真实值与预测值之间的误差，确定当前时刻enn模型的预测值以及对应的真实值；
28.根据有效因子，利用iga算法对enn模型的权值和阈值进行寻优，计算enn模型最小的输出值与真实值的误差平方和。
29.第二方面，本发明还提供了一种地下运输作业工时预测装置，其特征在于，包括：
30.获取模块，用于获取作业工时影响因素指标，并根据作业工时影响因素指标提取影响地下运输作业工时的有效因子；
31.建模模块，用于构建初始iga
‑
enn模型；
32.优化模块，用于将有效因子作为输入变量输入到初始iga
‑
enn模型，并将地下运输作业工时作为初始iga
‑
enn模型的输出进行迭代训练得到训练完备的目标iga
‑
enn模型；
33.预测模块，用于将待预测有效因子的数据输入至训练完备的目标iga
‑
enn模型，对地下运输作业工时进行预测。
34.第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
35.存储器，用于存储程序；
36.处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的地下运输作业工时预测方法中的步骤。
37.第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的
程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的地下运输作业工时预测方法中的步骤。
38.采用上述实施例的有益效果是：本发明提供的一种地下运输作业工时预测方法，通过作业工时影响因素指标提取影响地下运输作业工时的有效因子，构建并优化iga
‑
enn模型，根据影响地下运输作业工时的有效因子，通过iga
‑
enn模型预测地下运输作业工时，提供了一种地下运输作业工时的预测方法，实现了构建一个明确的数学模型来解释各因素和作业工时之间的关系，并提高了预测精度。
附图说明
39.图1为本发明提供的地下运输作业工时预测方法的一实施例的流程示意图；
40.图2为图1中步骤s101提取有效因子的一实施例的流程示意图；
41.图3为本发明提供的地下运输作业工时预测装置的一实施例的结构示意图；
42.图4为本发明实施例提供的地下运输作业公式预测方法的电子设备的结构示意图。
具体实施方式
43.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
44.在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
45.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
46.本发明提供了一种地下运输作业工时预测方法、装置、设备及存储介质，以下分别进行说明。
47.请参阅图1，图1为本发明提供的地下运输作业工时预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种地下运输作业工时预测方法，包括：
48.s101、获取作业工时影响因素指标，并根据作业工时影响因素指标提取影响地下运输作业工时的有效因子；
49.s102、构建初始iga
‑
enn模型；
50.s103、将有效因子作为输入变量输入到初始iga
‑
enn模型，并将地下运输作业工时作为初始iga
‑
enn模型的输出进行迭代训练得到训练完备的目标iga
‑
enn模型；
51.s104、将待预测有效因子的数据输入至训练完备的目标iga
‑
enn模型，对地下运输作业工时进行预测。
52.在步骤s101中，根据环境的不同，影响地下运输作业工时的影响因素指标具有多种不同的指标，地下运输作业主要有平巷运输作业和斜坡道运输作业两种，在本实施例中，以斜坡道运输作业下的情况为预测对象，采集斜坡道运输作业的下的影响因素指标，并提取出影响地下运输作业工时的有效因子，可以理解的是，平巷运输作业的情况与斜坡道运输作业的情况只是采集的影响因素指标不同。
53.在步骤s102中，构建初始iga
‑
enn模型，通过iga
‑
enn模型对地下运输作业工时的预测，iga
‑
enn模型可以实现解释各因素和作业工时之间的复杂关系，且预测精度高。
54.在步骤s103中，初始的iga
‑
enn模型不能够直接用来预测地下运输作业的工时，需要对初始iga
‑
enn模型进行一系列的训练，使其达到预测的精度要求，即得到训练完备的目标iga
‑
enn模型。
55.在步骤s104中，将步骤s101中提取出来的影响地下运输作业工时的有效因子输入至步骤s103中得到的训练完备的目标iga
‑
enn模型，iga
‑
enn模型则输出预测的地下运输作业工时。
56.在上述实施例中，首先采集地下运输作业工时实际数据，并收集每个工时数据所对应的一组影响因素指标数据，然后对这些因素指标提取出影响地下运输作业工时的有效因子，有效因子即是影响地下运输作业工时的决定性因素，构建初始的iga
‑
enn预测模型，对初始的iga
‑
enn模型进行一系列的迭代训练，终止得到满足预测精度的训练完备的iga
‑
enn预测模型，再将影响地下运输作业工时的有效因子作为输入，输入至训练完备的iga
‑
enn预测模型，模型输出地下运输作业的工时。
57.与现有技术相比，本实施例提供的一种地下运输作业工时预测方法，通过作业工时影响因素指标提取影响地下运输作业工时的有效因子，构建并优化iga
‑
enn模型，根据影响地下运输作业工时的有效因子，通过iga
‑
enn模型预测地下运输作业工时，提供了一种地下运输作业工时的预测方法，实现了构建一个明确的数学模型来解释各因素和作业工时之间的关系，并提高了预测精度。
58.在本发明的一些实施例中，作业工时影响因素指标包括驾驶员信息、运输设备信息以及环境信息。
59.在上述实施例中，影响地下运输作业工时的因素指标包括驾驶员信息、运输设备信息以及环境信息三个一级指标，每个一级指标又包含了多个二级指标，其中，驾驶员信息包括驾驶员的驾驶年龄、驾驶员对行驶路线的熟悉程度，运输设备信息包括运输设备的运输状态、运输设备的行驶速度、运输设备的使用年龄，环境信息包括运输路线的转弯次数、路面的粗糙度、斜坡道的氧气浓度、斜坡道的坡度。
60.可以理解的是，在平巷运输作业的时候，采取的三个一级指标一样，但是采取的二级指标不全相同，根据运输环境的实际情况可以适当调整采集不同的因素指标。
61.在本发明的一些实施例中，获取作业工时影响因素指标之后，通过预设方式将定性指标转化为定量指标。
62.在上述实施例中，有些影响地下运输作业工时的因素指标属于定性指标，对于定性指标无法直接用来输入至预测模型，预设方式为专家打分的方式，专家打分法是指通过匿名方式征询有关专家的意见，对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断，对大量难以采用技术方法进行定量分析的因素做出合理估算，经过多轮意见征询、反馈和调整后，对债权价值和价值可实现程度进行分析的方法。通过多位专家对定性指标进行打分，将定性指标转换为了方便预测的定量指标。
63.请参阅图2，图2为图1中步骤s101提取有效因子的一实施例的流程示意图。在本发明的一些实施例中，通过预设方法将定性指标转化为定量指标之后，提取影响地下运输作业工时的有效因子，具体为：
64.s201、将作业工时影响因素的定量指标作为原始输入矩阵，确定样本点最近邻点的个数k以及降维后的特征维数；
65.s202、计算样本点与其他样本点间的欧氏距离，确定每个样本点的k个最邻近点，k个邻近点构成最邻近点的集合；
66.s203、计算每个样本点被其最邻近点的集合重构的系数矩阵；
67.s204、计算重构系数矩阵与原始数据矩阵的内积，即为影响地下运输作业工时的有效因子。
68.在步骤s201中，将所有影响作业工时的定量指标作为输入矩阵x9×
m
，确定样本点最近邻点的个数k值大小以及降维后的特征维数n(n＜m)。
69.在步骤s202中，根据样本点与其他样本点间的欧氏距离，确定每个样本点的k个最邻近点x
ij
(j＝1，2，...，k)，邻近点构成最邻近集合x
i
。
70.在步骤s203中，计算x
i
被x
ij
重构的系数矩阵f
ij
，表达式为式中：g为局部协方差矩阵；h为协方差矩阵中数据的维度；m为各维度之间的距离，f
ij
满足约束条件∑
j
f
ij
j＝1。
71.在步骤s204中，重构系数矩阵与原始数据矩阵的内积为降维后的重构有效因子，其目标函数为e＝∑
i
||y
i
‑
∑
j
f
ij
y
j
||2，式中y
i
，y
j
为x
ij
在低维度上的投影。
72.在上述实施例中，通过局部线性嵌入法提取影响地下运输作业工时的有效因子，从若干个影响地下运输作业工时的因素指标中，找到对地下运输作业公式有决定性影响的指标，可以提高地下运输作业工时的预测精度。
73.在本发明的一些实施例中，提取影响地下运输作业工时的有效因子之后，还包括对有效因子归一化处理，具体为：
74.归一化公式为：
75.其中，y为有效因子的原始数据；y
min
为原始数据的最小值；y
max
为原始数据的最大值。
76.在上述实施例中，有效因子包含了几种不同的因素指标，不利于进行预测地下运输作业的工时，通过归一化处理，将有量纲的有效因子转化为无量纲的有效因子，实现对不同形式的因素指标进行统一的预测地下运输作业的工时。
77.在本发明的一些实施例中，构建初始iga
‑
enn模型之后，还包括：
78.设置iga算法的初始参数；
79.将有效因子输入到enn模型，计算输出误差，并基于输出误差计算适应度函数；
80.当满足适应度函数的预设精度或者达到最大迭代次数时，得到enn模型的最优权值和阈值，即得到训练完备的目标iga
‑
enn模型。
81.在上述实施例中，iga算法是遗传免疫算法，建立enn模型之后，通过遗传免疫算法对模型进行优化，计算模型的输出误差，根据输出误差计算适应度，并对enn模型的权值和阈值进行优化，当满足适应度函数的预设精度或者达到最大迭代次数时，计算出enn模型的最优权值和阈值，即得到训练完备的目标iga
‑
enn模型。
82.在本发明的一些实施例中，计算适应度函数，具体为：
83.计算真实值与预测值之间的误差，确定当前时刻enn模型的预测值以及对应的真实值；
84.根据有效因子，利用iga算法对enn模型的权值和阈值进行寻优，计算enn模型最小的输出值与真实值的误差平方和。
85.在上述实施例中，计算模型的适应度函数，首先假设t时刻enn神经网络的预测值为c(t)，对应的真实值为c
′
(t)，然后计算真实值与预测值之间的误差a(t)＝c
′
(t)
‑
c(t)，对于m个训练样本，利用免疫遗传算法对enn神经网络的权值和阈值进行寻优，选取enn神经网络的输出值与真实值的误差平方和最小为目标，对应的适应度函数为：网络的输出值与真实值的误差平方和最小为目标，对应的适应度函数为：即可计算出enn模型的最优权值和阈值。
86.为了更好实施本发明实施例中的地下运输作业工时预测方法，在地下运输作业工时预测方法基础之上，对应的，请参阅图3，图3为本发明提供的地下运输作业工时预测装置的一实施例的结构示意图，本发明实施例提供了一种地下运输作业工时预测装置300，包括：
87.获取模块301，用于获取作业工时影响因素指标，并根据作业工时影响因素指标提取影响地下运输作业工时的有效因子；
88.建模模块302，用于构建初始iga
‑
enn模型；
89.优化模块303，用于将有效因子作为输入变量输入到初始iga
‑
enn模型，并将地下运输作业工时作为初始iga
‑
enn模型的输出进行迭代训练得到训练完备的目标iga
‑
enn模型；
90.预测模块304，用于将待预测有效因子的数据输入至训练完备的目标iga
‑
enn模型，对地下运输作业工时进行预测。
91.这里需要说明的是：上述实施例提供的装置300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
92.请参阅图4，图4为本发明实施例提供的地下运输作业公式预测方法的电子设备的结构示意图。基于上述地下运输作业工时预测方法，本发明还相应提供了一种地下运输作业工时预测设备，地下运输作业工时预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该地下运输作业工时预测设备包括处理器410、存储器420及显示器430。图4仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
93.存储器420在一些实施例中可以是地下运输作业工时预测设备的内部存储单元，例如地下运输作业工时预测设备的硬盘或内存。存储器420在另一些实施例中也可以是地下运输作业工时预测设备的外部存储设备，例如地下运输作业工时预测设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器420还可以既包括地下运输作业工时预测设备的内部存储单元也包括外部存储设备。存储器420用于存储安装于地下运输作业工时预测设备的应用软件及各类数据，例如安装地下运输作业工时预测设备的程序代码等。存储器420还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器420上存储有地下运
输作业工时预测程序440，该地下运输作业工时预测程序440可被处理器410所执行，从而实现本技术各实施例的地下运输作业工时预测方法。
94.处理器410在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器420中存储的程序代码或处理数据，例如执行地下运输作业工时预测方法等。
95.显示器430在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。显示器430用于显示在地下运输作业工时预测设备的信息以及用于显示可视化的用户界面。地下运输作业工时预测设备的部件410
‑
430通过系统总线相互通信。
96.在一实施例中，当处理器410执行存储器420中地下运输作业工时预测程序440时实现如上的地下运输作业工时预测方法中的步骤。
97.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。