CN117251818B - 用于无人驾驶矿车安全运营的数据管理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及用于无人驾驶矿车安全运营的数据管理方法，包括：获取无人驾驶车辆的速度差分序列，根据速度差分序列的波动情况设置平滑系数，根据平滑系数获取每个数据的预测值，根据每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差，根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，根据所述无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，得到调整预测值，根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度，根据所述异常程度进行危险预警。本发明对无人驾驶车辆的异常监测更加准确，提高了无人驾驶车辆运行的安全性。

Description

用于无人驾驶矿车安全运营的数据管理方法

技术领域

本发明涉及数据处理技术领域，具体涉及用于无人驾驶矿车安全运营的数据管理方法。

背景技术

随着网络技术与自动驾驶技术的发展，无人驾驶车辆的应用越来越广泛，例如无人驾驶矿车已广泛应用在矿山和采石场等环境。为确保无人驾驶车辆安全运营，对于无人驾驶车辆的数据管理变得至关重要，例如若无人驾驶矿车的数据管理不当，可能会导致无人驾驶矿车异常行驶，导致矿山或采石场的秩序混乱，甚至出现安全事故，或者导致无人驾驶矿车非正常停工造成矿山和采石场效率低下。

目前通常通过指数平滑法根据无人驾驶车辆的历史数据的变化趋势进行数据预测，根据预测结果识别无人驾驶车辆的异常情况。但指数平滑法对变化单一、较为平稳的数据预测更加准确，而无人驾驶车辆在运行过程中会有加速、减速以及匀速形式的情况，直接根据无人驾驶车辆的历史数据进行数据预测会在无人驾驶车辆运行状态发生变化时预测不准确，影响无人驾驶车辆的异常情况监测。

发明内容

为了解决上述问题，本发明提供用于无人驾驶矿车安全运营的数据管理方法，该方法包括以下步骤：

采集无人驾驶车辆的速度数据，根据速度数据获取速度差分序列；根据速度差分序列的波动情况设置平滑系数；

根据平滑系数通过指数平滑法获取速度差分序列中每个数据的预测值；据速度差分序列中每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差；根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数；根据所述无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，得到调整预测值；

根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度，根据所述异常程度进行危险预警。

优选的，所述根据速度差分序列的波动情况设置平滑系数，包括的具体步骤如下：

随机在速度差分序列中截取任意长度的子串，作为样本数据；通过多次随机，得到多个样本数据；获取每个样本数据的波动程度，将所有样本数据的波动程度的均值作为平滑系数。

优选的，所述获取每个样本数据的波动程度，包括的具体步骤如下：

其中，表示样本数据的波动程度，表示样本数据中包含的数据个数，表示样 本数据中第个数据，表示样本数据的平均值，、分别表示样本数据中最大值和 最小值。

优选的，所述邻域数据的获取方法如下：

预设局部数据数量；对于速度差分序列中前个数据中的每个数据，将每个数据 之前的所有数据作为每个数据的邻域数据；对于速度差分序列中第个数据之后的每个数 据，将每个数据之前的个数据作为每个数据的邻域数据。

优选的，所述根据速度差分序列中每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差，包括的具体步骤如下：

其中，表示速度差分序列中第个数据的邻域预测偏差，表示速度差分序列 中第个数据的第个邻域数据的预测值，表示速度差分序列中第个数据的第个邻域 数据的实际值，表示速度差分序列中第个数据的邻域数据的数量。

优选的，所述根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，包括的具体步骤如下：

其中，表示速度差分序列中第个数据对应的无人驾驶车辆运行状态变化指数，表示速度差分序列中第个数据的邻域预测偏差，表示速度差分序列中第个数据的邻 域数据的数量，表示速度差分序列中第个数据的第个邻域数据，表示速度差分序列 中第个数据的所有邻域数据的平均值，表示速度差分序列中第个数据的所有邻域数据 的极差。

优选的，所述根据所述无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，得到调整预测值，包括的具体步骤如下：

其中，表示速度差分序列中第个数据的调整预测值，表示速度差分序列中第 个数据对应的无人驾驶车辆运行状态变化指数，表示速度差分序列中第个数据的预测 值。

优选的，所述根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度，包括的具体步骤如下：

其中，表示速度差分序列中第个数据对应时刻的异常程度，表示速度差分序 列中第个数据的实际值，表示速度差分序列中第个数据的调整预测值。

优选的，所述根据所述异常程度进行危险预警，包括的具体步骤如下：

获取速度差分序列中所有数据对应的时刻的异常程度的均值，作为整体平均异常程度；获取当前时刻的数据以及其所有邻域数据对应的时刻的异常程度的均值，作为当前时刻的局部平均异常程度；根据当前时刻的局部平均异常程度与整体平均异常程度的大小关系进行危险预警。

优选的，所述根据当前时刻的局部平均异常程度与整体平均异常程度的大小关系进行危险预警，包括的具体步骤如下：

若当前时刻的局部平均异常程度大于整体平均异常程度，则发出无人驾驶车辆的异常预警，呼叫维护人员进行检查。

本发明的技术方案的有益效果是：本发明根据每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差，根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，对每个数据的预测值进行调整，使得得到的调整预测值充分考虑了无人驾驶车辆运行状态的变化情况，预测结果更加准确，依据调整预测值得到的每个时刻的异常程度更加准确，提高了无人驾驶车辆异常情况监测的准确性以及异常处置及时性，提高了无人驾驶车辆运行的安全性。进一步的，本发明获取无人驾驶车辆的速度差分序列，根据速度差分序列的波动情况设置平滑系数，考虑到速度差分序列相较于速度时序序列变化更加平缓，对于变化平缓的数据利用指数平滑得到的预测值更加准确，提高了无人驾驶车辆异常情况监测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。

图1为本发明的用于无人驾驶矿车安全运营的数据管理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的用于无人驾驶矿车安全运营的数据管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的用于无人驾驶矿车安全运营的数据管理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的用于无人驾驶矿车安全运营的数据管理方法的步骤流程图，该方法包括以下步骤：

S001．采集无人驾驶车辆的速度数据，对无人驾驶车辆的速度数据进行预处理，获得速度差分序列。

需要说明的是，通过采集无人驾驶车辆的速度数据可以分析无人驾驶车辆运行状态的变化，从而分析无人驾驶车辆是否出现故障和异常。数据采集频率设置过小会导致对无人驾驶车辆速度的读取不够及时，导致潜在危险，为了保证无人驾驶车辆的安全运营，对无人驾驶车辆速度的采集频率应较大，以满足实时性的要求，但采集频率过大会导致产生巨大的计算量，增加无用耗能。因此需要设置合适的速度采集频率，对无人驾驶车辆行驶过程中的速度进行采集。

具体的，预设一个矿车速度采集频率，经验值为，本实施例不对无人 驾驶车辆的速度采集频率进行限定，实施人员可根据实际实施情况自行设置无人驾驶车辆 的速度采集频率。在无人驾驶车辆上布设速度传感器，利用速度传感器按照无人驾驶车辆 的速度采集频率采集无人驾驶车辆行驶时的实时速度数据，得到速度时序序列。

需要说明的是，为了识别无人驾驶车辆行驶的异常，需要根据采集的速度时序序列进行速度的预测，根据预测值和实际值的差异识别异常。指数平滑算法可以用来进行数据预测，但指数平滑法对平均值和方差均变化较小的数据的预测效果较好，而无人驾驶车辆会存在速度逐渐变快和变慢的过程，导致速度时序序列中的速度数据的平均值和方差变化较大，直接根据速度时序序列进行预测会出现较大的预测错误，故需要对速度时序序列进行处理，使得利用指数平滑法可达到较好的预测效果。

具体的，从速度时序序列中的第二个数据开始，获取每个数据与前一个数据的差分值，记为速度差分数据，将全部速度差分数据构成速度差分序列。

S002．根据速度差分序列的波动情况设置平滑系数。

需要说明的是，对于速度差分序列中局部波动较大的数据，应使用较大的平滑系数，使得指数平滑在预测时能够考虑更多的数据，实现更好的预测效果。当根据速度差分序列中数据的分布获取速度差分序列的波动程度时，速度差分序列中的异常数据会对速度差分序列的波动程度造成影响，若直接根据速度差分序列的波动程度设置平滑系数，会导致对于速度差分序列中的异常数据难以识别。因此本实施对速度差分序列进行采样，筛选正常波动的数据样本，根据数据样本的波动程度设置平滑系数。

具体的，随机在速度差分序列中截取任意长度的子串，作为样本数据。

获取样本数据的波动程度：

其中，表示样本数据的波动程度，表示样本数据中包含的数据个数，表示样 本数据中第个数据，表示样本数据的平均值，，分别表示样本数据中最大值和 最小值。表示每个样本数据与平均值的差值绝对值，表示平均值和样本 数据中的最大值的差距，表示样本数据中的最小值和平均值的差距，表示获取和中的最大差距，用来对进 行归一化，表示第个数据的离散程度。样本数据中每个数据的离散程度 的均值反映了样本数据的波动程度。

至此，获取了样本数据的波动程度。

需要说明的是，对于局部波动程度越大的数据应采取越大的平滑系数，使得指数平滑在预测时能够考虑越多的数据，达到较好的预测效果。由于样本数据为随机在速度差分序列中截取的，因此样本数据为速度差分序列的局部数据，样本数据的波动程度可反映速度差分序列的局部波动程度，因此样本数据的波动程度和平滑系数成正比例关系。由于波动程度在计算过程中，对于样本数据中的每个数据的离散程度均进行了归一化，使得最终的波动程度为[0,1]之间的数值，因此可将波动程度作为指数平滑算法的平滑系数。

需要进一步说明是，由于样本数据的选择具有随机性，直接根据样本数据的波动程度获取平滑系数也具有随机性，导致选择的平滑系数不能确保达到较好的预测效果。为了降低平滑系数的随机性，可对速度差分序列多次随机采样，综合多次随机采样的结果，获取平滑系数。

具体的，多次随机在速度差分序列中截取任意长度的子串，将每次截取的子串分别作为一个样本数据。获取每个样本数据的波动程度，对所有数据样本的波动程度利用箱形图剔除异常值，将剩余的波动程度的均值作为平滑系数。需要说明的是，箱形图为公知技术，在此不再详细赘述。在本实施例中，随机次数为10，在其他实施例中对随机次数具体不做限定，实施人员可根据具体实施情况设置随机次数。

至此，获取了平滑系数。

S003．根据平滑系数获取每个数据的预测值，根据预测值和实际值获取每个数据的邻域预测偏差，根据邻域预测偏差以及邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，对每个数据的预测值进行调整，得到调整预测值。

根据平滑系数通过指数平滑法获取速度差分序列中每个数据的预测值。

预设一个局部数据数量，经验值为，本实施例不对局部数据数量进行限 定，实施人员可根据实际实施情况自行设定局部数据数量。

对于速度差分序列中前个数据中的每个数据，将每个数据之前的所有数据作为 每个数据的邻域数据。对于速度差分序列中第个数据之后的每个数据，将每个数据之前 的个数据作为每个数据的邻域数据。

根据速度差分序列中每个数据的邻域数据预测值和实际值获取每个数据的邻域预测偏差：

其中，表示速度差分序列中第个数据的邻域预测偏差，表示速度差分序列 中第个数据的第个邻域数据的预测值，表示速度差分序列中第个数据的第个邻域 数据的实际值，表示速度差分序列中第个数据的邻域数据的数量。表示第个数据的 第个邻域数据的预实比，即预测值和实际值的比值，第个数据的所有邻域数据的预实比 累乘得到第个数据的邻域预测偏差。

需要说明的是，根据速度差分序列中每个数据的邻域数据的变化趋势可反映速度差分序列中每个数据对应时刻的无人驾驶车辆的运行状态变化，若邻域数据的预实比均为同方向变化，即均大于1或均小于1，且邻域数据相似，则无人驾驶车辆为持续加速或持续减速，此时可根据无人驾驶车辆运行状态调整预测值，预测无人驾驶车辆接下来更为准确的速度差分值的可能取值。

需要进一步说明的是，数据的邻域预测偏差反应了邻域数据的速度变化，如果速 度差分序列中任意一个数据的前个数据的预实比均小于1，说明该数据的局部区域内数 据的实际值更多大于预测值，此时认为无人驾驶车辆大概率处于变加速状态，故后面数据 的可信范围也会更加偏向大于预测值。而进行预测的对象数据为速度差分数据，故可使用 速度差分数据的平均值表示速度在一段时间内的变化情况，当速度差分数据与平均值的差 异越大，说明该段时间内速度是在逐渐增加的。因此本实施例通过数据的邻域预测偏差、邻 域数据与邻域数据的平均值之间的差异衡量无人驾驶矿车的运行状态的变化。

根据每个数据的邻域预测偏差以及邻域数据获取矿车运行状态变化指数：

其中，表示速度差分序列中第个数据对应的无人驾驶车辆运行状态变化指数，表示速度差分序列中第个数据的邻域预测偏差，表示速度差分序列中第个数据的邻 域数据的数量，表示速度差分序列中第个数据的第个邻域数据，表示速度差分序列 中第个数据的所有邻域数据的平均值，表示速度差分序列中第个数据的所有邻域数据 的极差。邻域预测偏差反映了邻域数据预测值和实际值的差距，而通过指数平滑法获取的 预测值是根据历史数据获得的，速度差分序列任意数据的邻域数据预测值和实际值的差距 越大，说明该数据所在时刻无人驾驶车辆的速度差分数据是在变化的，此时应允许该数据 和后续数据实际值与预测值有相似的变化。

需要说明的是，根据无人驾驶车辆运行状态变化指数反映了速度差分序列中每个数据的局部范围内速度差分数据的变化趋势，本实施例根据每个数据对应的无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，获取更为准确的调整预测值。

具体的，根据速度差分序列中每个数据对应的无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整：

其中，表示速度差分序列中第个数据的调整预测值，表示速度差分序列中第 个数据对应的无人驾驶车辆运行状态变化指数，表示速度差分序列中第个数据的预测 值。

至此，获取了速度差分序列中每个数据的调整预测值。本实施例根据无人驾驶车辆运行状态变化指数对速度差分数据的预测值进行调整，通过预测速度差分值变化的方式，使调整预测值更准确地代表预测数据的范围。

S004．根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度。

需要说明的是，调整预测值相较于指数平滑法直接获得的预测值考虑了无人驾驶车辆运行状态的变化趋势，能够更加准确的反映出无人驾驶车辆接下来的速度变化情况。因此本实施例根据调整预测值获取每一时刻的异常程度。

具体的，根据速度差分序列中每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度：

其中，表示速度差分序列中第个数据对应时刻的异常程度，表示速度差分序 列中第个数据的实际值，表示速度差分序列中第个数据的调整预测值。将速度差分值的 实际值和调整预测值之间的差距与实际值做比，当实际值和调整预测值之间的差距占实际 值的比例越大，说明速度差分值更可能是异常数据，无人驾驶车辆在对应的时刻更可能发 生异常。

至此，获取了每一时刻的异常程度。

S005．根据异常程度进行危险预警。

获取速度差分序列中所有数据对应的时刻的异常程度的均值，作为整体平均异常程度。获取当前时刻的数据以及其所有邻域数据对应的时刻的异常程度的均值，作为当前时刻的局部平均异常程度。

若当前时刻的局部平均异常程度大于整体平均异常程度，则认为无人驾驶车辆的速度出现了异常变化，此时发出无人驾驶车辆的异常预警，呼叫维护人员进行检查。

通过以上步骤，完成了无人驾驶车辆数据的异常识别。

本发明实施例通过每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差，根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，对每个数据的预测值进行调整，使得得到的调整预测值充分考虑了无人驾驶车辆运行状态的变化情况，预测结果更加准确，依据调整预测值得到的每个时刻的异常程度更加准确，提高了无人驾驶车辆异常情况监测的准确性以及异常处置及时性，提高了无人驾驶车辆运行的安全性。进一步的，本发明获取无人驾驶车辆的速度差分序列，根据速度差分序列的波动情况设置平滑系数，考虑到速度差分序列相较于速度时序序列变化更加平缓，对于变化平缓的数据利用指数平滑得到的预测值更加准确，提高了无人驾驶车辆异常情况监测的准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.用于无人驾驶矿车安全运营的数据管理方法，其特征在于，该方法包括以下步骤：

采集无人驾驶车辆的速度数据，根据速度数据获取速度差分序列；根据速度差分序列的波动情况设置平滑系数；

根据平滑系数通过指数平滑法获取速度差分序列中每个数据的预测值；据速度差分序列中每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差；根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数；根据所述无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，得到调整预测值；

根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度，根据所述异常程度进行危险预警；

所述根据速度差分序列中每个数据的所有邻域数据的预测值和实际值获取每个数据的邻域预测偏差，包括的具体步骤如下：

;

其中，表示速度差分序列中第/>个数据的邻域预测偏差，/>表示速度差分序列中第/>个数据的第/>个邻域数据的预测值，/>表示速度差分序列中第/>个数据的第/>个邻域数据的实际值，/>表示速度差分序列中第/>个数据的邻域数据的数量；

所述根据每个数据的邻域预测偏差以及所有邻域数据获取每个数据对应的无人驾驶车辆运行状态变化指数，包括的具体步骤如下：

;

其中，表示速度差分序列中第/>个数据对应的无人驾驶车辆运行状态变化指数，/>表示速度差分序列中第/>个数据的邻域预测偏差，/>表示速度差分序列中第/>个数据的邻域数据的数量，/>表示速度差分序列中第/>个数据的第/>个邻域数据，/>表示速度差分序列中第个数据的所有邻域数据的平均值，/>表示速度差分序列中第/>个数据的所有邻域数据的极差；

所述根据所述无人驾驶车辆运行状态变化指数对每个数据的预测值进行调整，得到调整预测值，包括的具体步骤如下：

;

其中，表示速度差分序列中第/>个数据的调整预测值，/>表示速度差分序列中第/>个数据对应的无人驾驶车辆运行状态变化指数，/>表示速度差分序列中第/>个数据的预测值。

2.根据权利要求1所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述根据速度差分序列的波动情况设置平滑系数，包括的具体步骤如下：

随机在速度差分序列中截取任意长度的子串，作为样本数据；通过多次随机，得到多个样本数据；获取每个样本数据的波动程度，将所有样本数据的波动程度的均值作为平滑系数。

3.根据权利要求2所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述获取每个样本数据的波动程度，包括的具体步骤如下：

;

其中，表示样本数据的波动程度，/>表示样本数据中包含的数据个数，/>表示样本数据中第/>个数据，/>表示样本数据的平均值，/>、/>分别表示样本数据中最大值和最小值，/>表示最大值函数。

4.根据权利要求1所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述邻域数据的获取方法如下：

预设局部数据数量；对于速度差分序列中前/>个数据中的每个数据，将每个数据之前的所有数据作为每个数据的邻域数据；对于速度差分序列中第/>个数据之后的每个数据，将每个数据之前的/>个数据作为每个数据的邻域数据。

5.根据权利要求1所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述根据每个数据的调整预测值以及实际值获取每个数据对应时刻的异常程度，包括的具体步骤如下：

;

其中，表示速度差分序列中第/>个数据对应时刻的异常程度，/>表示速度差分序列中第/>个数据的实际值，/>表示速度差分序列中第/>个数据的调整预测值。

6.根据权利要求1所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述根据所述异常程度进行危险预警，包括的具体步骤如下：

获取速度差分序列中所有数据对应的时刻的异常程度的均值，作为整体平均异常程度；获取当前时刻的数据以及其所有邻域数据对应的时刻的异常程度的均值，作为当前时刻的局部平均异常程度；根据当前时刻的局部平均异常程度与整体平均异常程度的大小关系进行危险预警。

7.根据权利要求6所述的用于无人驾驶矿车安全运营的数据管理方法，其特征在于，所述根据当前时刻的局部平均异常程度与整体平均异常程度的大小关系进行危险预警，包括的具体步骤如下：

若当前时刻的局部平均异常程度大于整体平均异常程度，则发出无人驾驶车辆的异常预警，呼叫维护人员进行检查。