基于矿山运输需求预测的矿车实时调度系统和方法与流程

1.本发明涉及数据处理技术领域，具体涉及基于矿山运输需求预测的矿车实时调度系统和方法。

背景技术：

2.随着我国对能源需求的不断提升，每年开采的煤炭资源数量越来越多，而随着井下矿石运输量的增加目前我国山井下运输呈现的小矿车、小运量、低效率、低利用率的状况己经远远不能满足矿山发展的需要，这对煤矿开采效率及输送效率提出了更高的要求。

3.井下矿用车(后文简称矿车)是提高煤矿生产效率的重要工具，但受煤矿井下错踪复杂的环境限制，运输效率有限，在日益繁重的运输任务条件下，更加容易出现追尾、撞车等安全事故，轻则影响煤矿企业的经济效益，重则会威胁到设备及人员人身安全。

4.传统的井下矿车调度方法采用的是人工调度的方式，管理人员按需进行分配，难以兼顾整个矿区的运输需求的实时变化情况，导致矿车的运输效率较低，随着5g技术、物联网技术和云计算等的普及，曾经难以实现信号通讯和数据传输的井下环境现在已经可以实现信号的全面覆盖和实时传输，为矿车调度的智能优化提供基础，如何能打造信息化、智能化的调度平台来提升矿车运输效率是亟待解决的问题。

技术实现要素：

5.因此，本发明为了解决现有技术存在的问题，提供基于矿山运输需求预测的矿车实时调度系统和方法，增加了矿区内矿车运输的效率和安全性。

6.为达到上述目的，本发明提供如下技术方案：

7.第一方面，本发明实施例提供基于矿山运输需求预测的矿车实时调度方法，包括：

8.采集矿山所在的矿区和矿车实时数据并进行数据预处理；

9.根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；

10.根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线；

11.对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。

12.进一步地，所述矿区实时数据表征矿区采矿速度的快慢，用于预测未来预设时间该矿区的矿石存储量是否达到需要运输的需求，包括：工作的采矿设备参数和数量、采矿设备的实时功率、矿区实时采矿量、装载方式、工人数量以及矿区与发车区的距离；

13.所述矿车实时数据反映矿车运行状态的参数以及调度中心传来的矿车运输计划，用于实时地调度运输矿车的任务，计算运输最优路径，包括：

14.所有矿车的实时位置、速度以及方向。

15.进一步地，基于lstm模型对矿石囤积量进行多步预测，包括：

16.将矿区实时数据分为反映采矿能力的静态数据和反映采矿效率动态数据，来构建数据集，其中静态数据包括：工作的采矿设备参数和数量、工人数量以及矿区与发车区的距离，动态数据包括：采矿设备的实时功率、矿区实时采矿量及装载方式；

17.利用主成分分析法计算数据集协方差矩阵的特征值，并将其按照大小排序，将特征值的大小作为特征的贡献率，按照贡献率要求筛选出对矿石储存量变化影响最大的前若干个特征并进行预处理后输入lstm模型中对其进行训练；

18.采用均方根误差和平均绝对百分比误差对训练结果进行评估，找出符合预设要求的超参数组合，得到训练好的lstm模型；

19.筛选出矿区实时数据的特征数据代入训练好的lstm模型中，获取矿井内矿石采集囤积量的未来预设时间的增量预测结果，加上实时的矿石采集量即为当矿车到达各矿道的矿井后矿石的预测囤积量。

20.进一步地，所述建立矿车调度模型求得最佳运输路线的过程，包括：

21.基于预设约束条件，采用蚁群算法的求解调度过程中设置两个节点的集合，包括完成集合over和候选集合ready，其中完成集合over用来存放当前蚂蚁已经走过的所有节点，即矿车已经完成的运输作业工序，候选集合ready用来存放蚂蚁下一步允许选择的所有节点，即符合矿车调度约束条件的运输作业工序；

22.能够进入候选集合的节点的判断方式为：把候选集合ready的初始状态设置为去往同一个矿道进行作业的所有矿车运输任务的第一个工序，蚂蚁每次在候选集合ready中选择一个目标节点，把该节点从候选集合ready中移到完成集合over中，同时把该节点所代表运输工序的下一个工序移到完成集合over中，当候选集合ready为空时，则完成了一次解的构建，得到最佳运输路线。

23.进一步地，采用蚁群算法进行求解调度过程的步骤，包括：

24.s31：参数初始化设置循环次数n

max

，蚂蚁数量m，信息素挥发数最小值ρ

min

，信息素初始值τ0，信息素限定范围[τ

min

,τ

max

]，同时对over和ready两个集合的初始元素进行设置，令循环次数nc＝0，将蚂蚁放置在开始节点上；

[0025]

s32：初始化候选集合ready，根据各矿区运输需求的预测结果排序，将运输需求高的前m个矿区放入候选集合ready中，完成集合over初始为空；

[0026]

s33：确定启发信息，根据候选集合中各节点代表的矿车运输工序的开始和结束的时间，用来确定各节点的启发信息；

[0027]

s34：选择下一个运输工序，蚂蚁计算出状态转移概率，在用轮盘赌的方法选取下一个目标节点；

[0028]

s35：局部信息素更新，蚂蚁每走过一条边对该边进行信息素的更新；

[0029]

s36：修改候选集合，把ready集合中蚂蚁到达的节点从集合中移出，放入到完成集合over中，如果运输需求预测产生了实时变动，导致优先级发生变化，则重新将排名靠前的矿区节点放入候选集合ready中，将排名靠后的移出候选集合ready，同时原来节点还有后续运输任务的同样加入候选集合ready；

[0030]

s37：如果蚂蚁没有遍历完所有的矿车运输工序，即候选集合不为空时，转到s33，否则执行s38；

[0031]

s38：蚂蚁完成一次路径的构建，产生一次调度结果，若蚂蚁数量小于蚂蚁总数m，

则转到s2，否则执行下一步；

[0032]

s39：整个蚁群一次迭代完成以后，进行全局信息素的更新，迭代次数达到最大循环次数，得出最优调度结果。

[0033]

进一步地，所述预设约束条件，包括：

[0034]

矿车的运行状态满足以下假设前提：所有矿车的空车和重车运行速度相同、所有矿车的最大载重量相同、矿车装矿和卸矿的时间相同、矿车在行驶过程中不会由于发生故障而停车，不会影响后续车辆行驶、每条运输路径是固定的矿车运输过程是单向行驶，不得倒车返回；

[0035]

矿车调度满足以下硬约束条件：电矿车不能超载、所有电矿车处于空车的状态从主溜井出发，装矿完成后重车最终回到主溜井、每辆矿车一次运输作业只能去往一个矿道，即使未满载也要回到主溜井，不允许去往其它矿道、同一时间在一个采场溜井只能对一辆电矿车的矿车进行装矿作业，在前一辆矿车装矿作业完成后，下一辆矿车才能开始装矿作业，任何抢占式的作业都不能发生、矿车去往各个矿道路径确定，矿车必须按照既定的路径完成运输作业，不得倒车返回。

[0036]

进一步地，对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果的过程，包括：

[0037]

将有运输任务的矿车按照实时位置排序，生成矿车运输任务队列；

[0038]

将矿井按照实时采矿量的需求度进行排序，生成矿井需求队列，并与运输矿车关联；

[0039]

设置矿井需求变更阈值，矿井需求变更量超过所述变更阈值的矿井被纳入允许更新的范围；

[0040]

根据矿井采矿的实际情况实时更新矿井需求队列，由于假设了矿车无法倒车，只对未到达该矿井的矿车路径进行变动，在满足约束的条件下根据就近原则对运输矿车队列与需求矿井队列进行重新匹配，后续车辆的任务根据矿井需求以及矿井位置一次顺延，设置预设时间内一辆矿车只能变更一次目的地更新矿车运输路径，得到新的矿车运输任务队列，得到实时调度结果。

[0041]

第二方面，本发明实施例提供基于矿山运输需求预测的矿车实时调度系统，包括：

[0042]

实时数据采集模块，用于采集矿山所在的矿区和矿车实时数据并进行数据预处理；

[0043]

矿道需求获取模块，用于根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；

[0044]

矿车运输路线获取模块，用于根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线；

[0045]

实时调度结果生成模块，对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。

[0046]

第三方面，本发明实施例提供计算机设备，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行本发明实施例第一方面的基于矿山运输需求预测的矿车实时调度方法。

[0047]

第四方面，本发明实施例提供计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行本发明实施例第一方面的基于矿山运输需求预测的矿车实时调度方法。

[0048]

本发明技术方案，具有如下优点：

[0049]

本发明提供的基于矿山运输需求预测的矿车实时调度系统和方法，采集矿山所在的矿区和矿车实时数据并进行数据预处理；根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线；对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。本发明提供的调度方法打破传统人工调度策略中固定时间发车而不考虑各个矿道对矿石运输的实施需求的弊端，通过预测模型对矿道中矿石运输的实时需求进行预测，得到各个矿道的需求迫切程度，然后利用矿车调度模型对车辆运输的路径进行寻优，获得了可兼顾整个矿区的较优矿车运输路线，对已派出的矿车运输目的地进行实时修正得到实时调度结果，提升矿井内矿车运输的效率和安全性。

附图说明

[0050]

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0051]

图1为调度平台逻辑示意图；

[0052]

图2为本发明实施例中提供的基于矿山运输需求预测的矿车实时调度方法的一个具体示例的流程图；

[0053]

图3为本发明实施例中蚁群算法的求解调度的流程示意图；

[0054]

图4为本发明实施例中对矿车路径进行修正的示意图；

[0055]

图5为本发明实施例中提供的基于矿山运输需求预测的矿车实时调度系统一示例的模块组成图；

[0056]

图6为本发明实施例提供的计算机设备一个具体示例的组成图。

具体实施方式

[0057]

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0058]

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0059]

实施例1

[0060]

本发明实施例提供的基于矿山运输需求预测的矿车实时调度方法，应用于矿车调度平台来调度矿车移动终端，其调度逻辑示意图如图1所示，该方法如图2所示包括以下步

骤:

[0061]

步骤s1:采集矿山所在的矿区和矿车实时数据并进行数据预处理。

[0062]

目前井下矿区存在信息化程度低的特点，导致目前井下矿车运输效率低下，如果能实现矿车的实时调度能极大地提升矿石运输效率，依托于5g通讯和物联网系统的实时数据采集是实现矿车实时调度的基础，其中主要包括两个部分，矿区实时数据和矿车实时数据。

[0063]

本发明实施例中的矿区实时数据利用传感器、摄像头等边缘设备记录的是各矿区内所有设备以及工人的数据，包括：正在工作的采矿设备参数和数量(包括采矿机额定攻略、切割滚筒直径和宽度、截齿类型、截齿参数和截齿布置参数及数量)、采矿设备的实时功率(切割深度和行驶速度、切割滚筒旋转速度)、矿区实时采矿量、装载方式、工人数量以及矿区与发车区的距离等，这些数据主要是表征该矿区采矿速度的快慢，用于预测未来一段时间该矿区的矿石存储量是否达到需要运输的需求，即对运输矿车的需求程度。

[0064]

本发明实施例中的矿车的实时数据主要是采集车辆车载终端实时上报的矿区内所有矿车的实时位置、速度、方向等反应矿车运行状态的参数以及根据调度中心传来的矿车运输计划、充能计划等调度任务的数据，这些数据主要是用于实时地调度运输矿车的任务，计算运输最优路径。

[0065]

以上获取的数据在返回调度中心前需要进行预处理操作，数据的预处理包块对缺失值数据进行填充，对异常离群值数据进行修正或者删除以及对时间点重复数据的去重处理等，其中连续的变量可采用前后两个有效值的平均值填充，离散无规律变化的数据可采用与上一帧有效值相同的数据填充等。完成数据的采集和预处理后，将数据返回至矿区云上数据库储存，同时同步至调度平台。

[0066]

步骤s2:根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度。

[0067]

传统矿区大部分都是基于人工排班调度，采用预先规划好的运输计划派出矿车进行运输作业，在发生了紧急情况例如运输堵塞或者车辆故障等才会加入人工干预，这种方式是低效的。矿道内矿石产量随时间的变化，本质上是一个时序问题，当前矿石存储量受到过去一段时间内矿工和矿机采矿效率的影响，本发明实施例为了预测一段时间后当矿车到达矿区时的采矿量，即多步预测结果，而不是下一刻矿区采矿量的单步预测结果，因此选用再长期预测上表现良好的lstm模型作为预测模型，具体过程为：

[0068]

步骤s21:构建数据集。分析影响矿石采集效率主要数据项，将矿区实时数据分为反映采矿能力的静态数据和反映采矿效率动态数据，来构建数据集，其中静态数据包括：采矿机额定攻略、切割滚筒直径和宽度、截齿类型、截齿参数和截齿布置参数及数量、工人数量以及矿区与发车区的距离，动态数据包括：实时的矿石采集增量、切割深度和行驶速度、切割滚筒旋转速度、装载方式；

[0069]

步骤s22:特征选择与预处理。特征选择是为了从采集的数据全集中尽可能筛选出最能代表矿区采集效率的特征，本发明实施例利用主成分分析法计算数据集协方差矩阵的特征值，并将其按照大小排序，将特征值的大小作为特征的贡献率，按照贡献率要求筛选出对矿石储存量变化影响最大的前若干个特征(例如是贡献率之和≥95％)作为模型输入，预处理方面，由于各特征的含义不同量纲也不同，需要对进行标准化和归一化，同时对缺失值

需要进行填补或者删除，对离散数据进行独热编码量化处理，将预处理后的数据输入lstm模型中对其进行训练；

[0070]

步骤s23:超参数设置及指标评估。对于模型的学习率、正则化参数、初始化权重、隐藏层的神经元个数以及优化器等超参数的选择，本发明实施例采用网格搜索法，给定一个合理范围，通过类似穷举法的方式进行排列组合，选择效果最优的一组作为模型超参数。在网格搜索的过程中，采用均方根误差和平均绝对百分比误差对训练结果进行评估，反复训练直至找出符合要求的超参数组合，得到训练好的lstm模型；

[0071]

步骤s24:模型预测。筛选出矿区实时数据的特征数据代入训练好的lstm模型中，获取矿井内矿石采集囤积量的未来预设时间的增量预测结果，加上实时的矿石采集量即为当矿车到达各矿道的矿井后矿石的预测囤积量。

[0072]

需要说明的是，该预测模型进行预测数据可以为矿石或者矿石与废石之和，根据实际输入到预测模型的数据确定，在实际应用中，可以根据实际需求做合理设置。

[0073]

步骤s3:根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线。

[0074]

本发明实施例基于预设约束条件，采用蚁群算法的求解调度过程中设置两个节点的集合，包括完成集合over和候选集合ready，其中完成集合over用来存放当前蚂蚁已经走过的所有节点，即矿车已经完成的运输作业工序，候选集合ready用来存放蚂蚁下一步允许选择的所有节点，即符合矿车调度约束条件的运输作业工序；能够进入候选集合的节点的判断方式为：把候选集合ready的初始状态设置为去往同一个矿道进行作业的所有矿车运输任务的第一个工序，蚂蚁每次在候选集合ready中选择一个目标节点，把该节点从候选集合ready中移到完成集合over中，同时把该节点所代表运输工序的下一个工序移到完成集合over中，当候选集合ready为空时，则完成了一次解的构建，得到运输路线。

[0075]

其中，在建立矿车调度模型前矿车的运行状态满足以下假设前提：所有矿车的空车和重车运行速度相同、所有矿车的最大载重量相同、矿车装矿和卸矿的时间相同、矿车在行驶过程中不会由于发生故障而停车，不会影响后续车辆行驶、每条运输路径是固定的矿车运输过程是单向行驶，不得倒车返回。

[0076]

矿车调度满足以下硬约束条件：电矿车不能超载、所有电矿车处于空车的状态从主溜井出发，装矿完成后重车最终回到主溜井、每辆矿车一次运输作业只能去往一个矿道，即使未满载也要回到主溜井，不允许去往其它矿道、同一时间在一个采场溜井只能对一辆电矿车的矿车进行装矿作业，在前一辆矿车装矿作业完成后，下一辆矿车才能开始装矿作业，任何抢占式的作业都不能发生、矿车去往各个矿道路径确定，矿车必须按照既定的路径完成运输作业，不得倒车返回。

[0077]

本发明实施例采用蚁群算法的求解调度过程的步骤，如图3所示，包括：

[0078]

s31：参数初始化设置循环次数n

max

，蚂蚁数量m，信息素挥发数最小值ρ

min

，信息素初始值τ0，信息素限定范围[τ

min

,τ

max

]，同时对over和ready两个集合的初始元素进行设置，令循环次数nc＝0，将蚂蚁放置在开始节点上；

[0079]

s32：初始化候选集合ready，根据各矿区运输需求的预测结果排序，将运输需求高的前m个矿区放入候选集合ready中，完成集合over初始为空；

[0080]

s33：确定启发信息，根据候选集合中各节点代表的矿车运输工序的开始和结束的

时间，用来确定各节点的启发信息；

[0081]

s34：选择下一个运输工序，蚂蚁计算出状态转移概率，在用轮盘赌的方法选取下一个目标节点；

[0082]

s35：局部信息素更新，蚂蚁每走过一条边对该边进行信息素的更新；

[0083]

s36：修改候选集合，把ready集合中蚂蚁到达的节点从集合中移出，放入到完成集合over中，如果运输需求预测产生了实时变动，导致优先级发生变化，则重新将排名靠前的矿区节点放入候选集合ready中，将排名靠后的移出候选集合ready，同时原来节点还有后续运输任务的同样加入候选集合ready；

[0084]

s37：如果蚂蚁没有遍历完所有的矿车运输工序，即候选集合不为空时，转到s33，否则执行s38；

[0085]

s38：蚂蚁完成一次路径的构建，产生一次调度结果，若蚂蚁数量k小于蚂蚁总数m，则转到s2，否则执行下一步；

[0086]

s39：整个蚁群一次迭代完成以后，进行全局信息素的更新，迭代次数达到最大循环次数，得出最优调度结果。

[0087]

步骤s4：对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。

[0088]

步骤s3是对在发车区以及完成输送作业的矿车路径进行求解，然而在矿井内存在许多不可控的因素导致各个矿井的采矿效率增加或者减少，从而导致对于矿石运输的要求增大或者降低。由于蚁群算法并不会主动改变已发出的矿车路径进行修正，因此本发明实施例引入相应规则对矿车路径进行优化，如图4所示，具体过程如下：

[0089]

s41：将有运输任务的矿车按照实时位置排序，生成矿车运输任务队列；

[0090]

s42：将矿井按照实时采矿量的需求度进行排序，生成矿井需求队列，并与运输矿车关联；

[0091]

s43：设置矿井需求变更阈值(为了避免频繁更新运输路径)，矿井需求变更量超过所述变更阈值的矿井被纳入允许更新的范围；

[0092]

s44：根据矿井采矿的实际情况实时更新矿井需求队列，由于假设了矿车无法倒车，只对未到达该矿井的矿车路径进行变动，在满足约束的条件下根据就近原则对运输矿车队列与需求矿井队列进行重新匹配，后续车辆的任务根据矿井需求以及矿井位置一次顺延，得到新的矿车运输任务队列，得到实时调度结果。本发明实施例为了防止某辆车频繁变动目的地，设置预设时间内一辆矿车只能变更一次目的地更新矿车运输路径。

[0093]

实施例2

[0094]

本发明实施例提供基于矿山运输需求预测的矿车实时调度系统，如图5所示，包括：

[0095]

实时数据采集模块1，用于采集矿山所在的矿区和矿车实时数据并进行数据预处理；此模块执行实施例1中的步骤s1所描述的方法，在此不再赘述。

[0096]

矿道需求获取模块2，用于根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；模块执行实施例1中的步骤s2所描述的方法，在此不再赘述。

[0097]

矿车运输路线获取模块3，用于根据各矿道对矿车的需求程度及矿车实时数据，建

立矿车调度模型求得最佳运输路线；该模块执行实施例1中的步骤s3所描述的方法，在此不再赘述。

[0098]

实时调度结果生成模块4，对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。该模块执行实施例1中的步骤s4所描述的方法，在此不再赘述。

[0099]

本发明提供的调度系统，通过对矿区对矿车需求的多步预测以及矿车调度模型整体寻优获得可兼顾整个矿区的矿车运输路线，并可根据矿道内各矿场的实时情况实时修正，增加了矿井内矿车运输的效率和安全性。

[0100]

实施例3

[0101]

本发明实施例提供一种计算机设备，如图6所示，包括：至少一个处理器401，例如cpu(central processing unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(display)、键盘(keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速ram存储器(ramdom access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的基于矿山运输需求预测的矿车实时调度方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1的基于矿山运输需求预测的矿车实时调度方法。

[0102]

其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条线表示，但并不表示仅有一根总线或一种类别的总线。

[0103]

其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固降硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包括上述种类的存储器的组合。

[0104]

其中，处理器401可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。

[0105]

其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。

[0106]

可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如执行实施例1中的基于矿山运输需求预测的矿车实时调度方法。

[0107]

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计

算机可执行指令，该计算机可执行指令可执行实施例1的基于矿山运输需求预测的矿车实时调度方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固降硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

[0108]

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。技术特征：

1.基于矿山运输需求预测的矿车实时调度方法，其特征在于，包括：采集矿山所在的矿区和矿车实时数据并进行数据预处理；根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线；对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。2.根据权利要求1所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，所述矿区实时数据表征矿区采矿速度的快慢，用于预测未来预设时间该矿区的矿石存储量是否达到需要运输的需求，包括：工作的采矿设备参数和数量、采矿设备的实时功率、矿区实时采矿量、装载方式、工人数量以及矿区与发车区的距离；所述矿车实时数据反映矿车运行状态的参数以及调度中心传来的矿车运输计划，用于实时地调度运输矿车的任务，计算运输最优路径，包括：所有矿车的实时位置、速度以及方向。3.根据权利要求2所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，基于lstm模型对矿石囤积量进行多步预测，包括：将矿区实时数据分为反映采矿能力的静态数据和反映采矿效率动态数据，来构建数据集，其中静态数据包括：工作的采矿设备参数和数量、工人数量以及矿区与发车区的距离，动态数据包括：采矿设备的实时功率、矿区实时采矿量及装载方式；利用主成分分析法计算数据集协方差矩阵的特征值，并将其按照大小排序，将特征值的大小作为特征的贡献率，按照贡献率要求筛选出对矿石储存量变化影响最大的前若干个特征并进行预处理后输入lstm模型中对其进行训练；采用均方根误差和平均绝对百分比误差对训练结果进行评估，找出符合预设要求的超参数组合，得到训练好的lstm模型；筛选出矿区实时数据的特征数据代入训练好的lstm模型中，获取矿井内矿石采集囤积量的未来预设时间的增量预测结果，加上实时的矿石采集量即为当矿车到达各矿道的矿井后矿石的预测囤积量。4.根据权利要求2所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，所述建立矿车调度模型求得最佳运输路线的过程，包括：基于预设约束条件，采用蚁群算法的求解调度过程中设置两个节点的集合，包括完成集合over和候选集合ready，其中完成集合over用来存放当前蚂蚁已经走过的所有节点，即矿车已经完成的运输作业工序，候选集合ready用来存放蚂蚁下一步允许选择的所有节点，即符合矿车调度约束条件的运输作业工序；能够进入候选集合的节点的判断方式为：把候选集合ready的初始状态设置为去往同一个矿道进行作业的所有矿车运输任务的第一个工序，蚂蚁每次在候选集合ready中选择一个目标节点，把该节点从候选集合ready中移到完成集合over中，同时把该节点所代表运输工序的下一个工序移到完成集合over中，当候选集合ready为空时，则完成了一次解的构建，得到最佳运输路线。

5.根据权利要求4所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，采用蚁群算法进行求解调度过程的步骤，包括：s31：参数初始化设置循环次数n

max

，蚂蚁数量m，信息素挥发数最小值ρ

min

，信息素初始值τ0，信息素限定范围[τ

min

,τ

max

]，同时对over和ready两个集合的初始元素进行设置，令循环次数n

c

＝0，将蚂蚁放置在开始节点上；s32：初始化候选集合ready，根据各矿区运输需求的预测结果排序，将运输需求高的前m个矿区放入候选集合ready中，完成集合over初始为空；s33：确定启发信息，根据候选集合中各节点代表的矿车运输工序的开始和结束的时间，用来确定各节点的启发信息；s34：选择下一个运输工序，蚂蚁计算出状态转移概率，在用轮盘赌的方法选取下一个目标节点；s35：局部信息素更新，蚂蚁每走过一条边对该边进行信息素的更新；s36：修改候选集合，把ready集合中蚂蚁到达的节点从集合中移出，放入到完成集合over中，如果运输需求预测产生了实时变动，导致优先级发生变化，则重新将排名靠前的矿区节点放入候选集合ready中，将排名靠后的移出候选集合ready，同时原来节点还有后续运输任务的同样加入候选集合ready；s37：如果蚂蚁没有遍历完所有的矿车运输工序，即候选集合不为空时，转到s33，否则执行s38；s38：蚂蚁完成一次路径的构建，产生一次调度结果，若蚂蚁数量小于蚂蚁总数m，则转到s2，否则执行下一步；s39：整个蚁群一次迭代完成以后，进行全局信息素的更新，迭代次数达到最大循环次数，得出最优调度结果。6.根据权利要求4所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，所述预设约束条件，包括：矿车的运行状态满足以下假设前提：所有矿车的空车和重车运行速度相同、所有矿车的最大载重量相同、矿车装矿和卸矿的时间相同、矿车在行驶过程中不会由于发生故障而停车，不会影响后续车辆行驶、每条运输路径是固定的矿车运输过程是单向行驶，不得倒车返回；矿车调度满足以下硬约束条件：电矿车不能超载、所有电矿车处于空车的状态从主溜井出发，装矿完成后重车最终回到主溜井、每辆矿车一次运输作业只能去往一个矿道，即使未满载也要回到主溜井，不允许去往其它矿道、同一时间在一个采场溜井只能对一辆电矿车的矿车进行装矿作业，在前一辆矿车装矿作业完成后，下一辆矿车才能开始装矿作业，任何抢占式的作业都不能发生、矿车去往各个矿道路径确定，矿车必须按照既定的路径完成运输作业，不得倒车返回。7.根据权利要求6所述的基于矿山运输需求预测的矿车实时调度方法，其特征在于，所述对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果的过程，包括：将有运输任务的矿车按照实时位置排序，生成矿车运输任务队列；将矿井按照实时采矿量的需求度进行排序，生成矿井需求队列，并与运输矿车关联；

设置矿井需求变更阈值，矿井需求变更量超过所述变更阈值的矿井被纳入允许更新的范围；根据矿井采矿的实际情况实时更新矿井需求队列，由于假设了矿车无法倒车，只对未到达该矿井的矿车路径进行变动，在满足约束的条件下根据就近原则对运输矿车队列与需求矿井队列进行重新匹配，后续车辆的任务根据矿井需求以及矿井位置一次顺延，设置预设时间内一辆矿车只能变更一次目的地更新矿车运输路径，得到新的矿车运输任务队列，得到实时调度结果。8.基于矿山运输需求预测的矿车实时调度系统，其特征在于，包括：实时数据采集模块，用于采集矿山所在的矿区和矿车实时数据并进行数据预处理；矿道需求获取模块，用于根据预处理后的矿区实时数据，提取矿石采集相关特征，对矿石囤积量进行多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；矿车运输路线获取模块，用于根据各矿道对矿车的需求程度及矿车实时数据，建立矿车调度模型求得最佳运输路线；实时调度结果生成模块，对已派出的矿车运输目的地进行实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配，得到实时调度结果。9.计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一所述的基于矿山运输需求预测的矿车实时调度方法。10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行1-7中任一所述的基于矿山运输需求预测的矿车实时调度方法。

技术总结

本发明公开了基于矿山运输需求预测的矿车实时调度系统和方法，采集矿山所在的矿区和矿车实时数据并进行预处理；根据预处理后的矿区实时数据提取矿石采集相关特征，对矿石囤积量多步预测，评估预设时间后矿区各矿道对于矿车运输的需求程度；根据各矿道对矿车的需求程度及矿车实时数据建立矿车调度模型求得最佳运输路线；对已派出的矿车运输目的地实时修正，基于矿车的实时数据以及各矿道对于矿车运输的需求排序进行重新匹配得到实时调度结果。本发明提供的调度方法通过对矿区对矿车需求的多步预测以及矿车调度模型整体寻优获得可兼顾整个矿区的矿车运输路线，并可根据矿道内各矿场的实时情况实时修正，增加了矿井内矿车运输的效率和安全性。运输的效率和安全性。运输的效率和安全性。

技术研发人员：王震坡 龙超华 刘鹏 祁春玉 阮旭松 杨永刚 刘泽锟

受保护的技术使用者：北理新源（佛山）信息科技有限公司

技术研发日：2022.12.30

技术公布日：2023/6/13