一种基于STL分解的多模型凿岩工时综合预测方法及装置

技术领域

本发明涉及地下矿凿岩作业工时时序预测模型构建技术领域，尤其涉及一种基于STL分解的多模型凿岩工时综合预测方法及装置。

背景技术

随着地下矿山的开采深度和采掘规模的不断扩大及机械设备的自动化程度不断提高，如何提高凿岩设备的利用率，实现不同采场之间的高效调度，是每个矿山企业需要重点关注的问题。而作业工时预测是凿岩设备实现精准调度的重要基础支撑之一对于更好的实现设备的实时调度和精准控制以及为地下矿山智能调度系统的构建提供数据支撑具有重要意义。

目前由于矿山现有作业工时预测着重考虑矿山作业面和机械设备的影响因素，所需数据量多而杂，历史时序数据所蕴含的信息没有得到充分挖掘，造成凿岩装备作业工时预测速度慢，预测精度低，以及预测周期短等问题，直接影响到凿岩装备的实时调度与智能管控。

发明内容

根据现有技术的不足，本发明的目的是提供一种基于STL分解的多模型凿岩工时综合预测方法及装置，从时间数据特征的角度出发，以历史数据的时间序列预测未来的变化，能够为矿山短期作业生产计划编制提供更为直接的帮助。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于STL分解的多模型凿岩工时综合预测方法，包括以下步骤：

步骤1、获取历史数据，采集目标地下矿一时间段内工作面每天的凿岩作业工时，与该时间段的时间点一一对应，整理为凿岩工时时序数据；

步骤2、数据处理，将凿岩工时时序数据划分为趋势项数据、周期项数据及随机项数据；

步骤3、模型构建，分别对趋势项数据、周期项数据及随机项数据进行单独预测，其中趋势项数据采用深度置信网络结合极限学习机的方法进行预测，周期项数据采用随机森林的方法进行预测，随机项数据采用取历史数据平均的方法进行预测；

步骤4、整合预测结果，将各个预测模型得到的预测结果进行叠加，得到整体预测结果。

进一步地，在数据处理中，调用rolling平滑函数对作业工时数据集进行平滑预处理，再调用STL时序分解工具包对预处理后的数据集进行加法时序分解，并自动设置分解周期，对凿岩工时时序数据T

T

进一步地，在对趋势项数据、周期项数据及随机项数据进行单独预测过程中，分别对趋势项数据、周期项数据及随机项数据构建趋势项数据集、周期项数据集及随机项数据集，并将趋势项数据集、周期项数据集划分为训练集和测试集。

进一步地，在对趋势项数据进行预测过程中，利用DBN对趋势项数据进行特征提取，再利用ELM对最后一个隐层的模型参数进行训练得到唯一的输出矩阵，确定预测结果。

进一步地，在对周期项数据进行预测过程中，采用RF模型进行预测，拆分周期项数据的特征并构建不同的决策树，每个决策树根据数据做出不同决策，再进行决策聚合得到树的平均预测值，确定预测结果。

进一步地，在对随机项数据进行预测时，采用历史数据平均的方式进行预测，对该时间跨度的过去时间的历史数据进行平均，确定预测结果。

进一步地，在整合预测结果中，将趋势项数据、周期项数据和随机项数据分别预测的结果，按照时间轴依次叠加。

一种基于STL分解的多模型凿岩工时综合预测装置，包括：

数据获取模块，用于获取历史数据，采集目标地下矿一时间段内工作面每天的凿岩作业工时，与该时间段的时间点一一对应，整理为凿岩工时时序数据；

数据处理模块，用于数据处理，将凿岩工时时序数据划分为趋势项数据、周期项数据及随机项数据；

模型构建模块，用于分别模型构建，分别对趋势项数据、周期项数据及随机项数据进行单独预测，其中趋势项数据采用深度置信网络结合极限学习机的方法进行预测，周期项数据采用随机森林的方法进行预测，随机项数据采用取历史数据平均的方法进行预测；

预测结果整合模块，用于整合预测结果，将各个预测模型得到的预测结果进行叠加，得到整体预测结果。

一种基于STL分解的多模型凿岩工时综合预测设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述基于STL分解的多模型凿岩工时综合预测方法的步骤。

一种计算机存储介质，所述计算机存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述任一项基于STL分解的多模型凿岩工时综合预测方法的步骤。

与现有技术相比，本发明具有以下优点和有益效果：

本发明提供一种基于STL分解的多模型凿岩工时综合预测方法及装置，从时间数据特征的角度出发，以历史数据的时间序列预测未来的变化，能够为矿山短期作业生产计划编制提供更为直接的帮助，可以给出作业工时的预测，符合矿山实际情况，为决策者从时序数据的角度提供更加准确的工时信息，提高决策能力。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的一种基于STL分解的多模型凿岩工时综合预测方法的流程图；

图2为本发明提供的一种基于STL分解的多模型凿岩工时综合预测方法的总体实施流程示意图；

图3为本发明提供的一种基于STL分解的多模型凿岩工时综合预测方法实施例中的STL时序分解曲线图；

图4为本发明提供的一种基于STL分解的多模型凿岩工时综合预测方法实施例中的DBN-ELM模型结构图；

图5为本发明提供的一种基于STL分解的多模型凿岩工时综合预测方法实施例中的RF模型结构图；

图6本发明提供的一种基于STL分解的多模型凿岩工时综合预测方法实施例中的测试集精度对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供一种基于STL分解的多模型凿岩工时综合预测方法，如图1所示，包括以下步骤：

步骤1、获取历史数据，采集目标地下矿一时间段内工作面每天的凿岩作业工时，与该时间段的时间点一一对应，整理为凿岩工时时序数据；

步骤2、数据处理，将凿岩工时时序数据划分为趋势项数据、周期项数据及随机项数据；

步骤3、模型构建，分别对趋势项数据、周期项数据及随机项数据进行单独预测，其中趋势项数据采用深度置信网络结合极限学习机的方法进行预测，周期项数据采用随机森林的方法进行预测，随机项数据采用取历史数据平均的方法进行预测；

步骤4、整合预测结果，将各个预测模型得到的预测结果进行叠加，得到整体预测结果。

本发明提供一种基于STL分解的多模型凿岩工时综合预测方法，从时间数据特征的角度出发，以历史数据的时间序列预测未来的变化，能够为矿山短期作业生产计划编制提供更为直接的帮助。

本发明提供一种基于STL分解的多模型凿岩工时综合预测方法，考虑工时历史数据，可以给出作业工时的预测，符合矿山实际情况，为决策者从时序数据的角度提供更加准确的工时信息，提高决策能力。

在本发明的一个实施例中，步骤1中，以某地下矿为例，根据调度系统中心凿岩台车后台运行数据，取其中的钻孔凿岩作业时间作为凿岩台车的作业工时数据，采集从2021.01.01至2022.08.31共计608组数据，将每天的凿岩作业工时和日期时间点一一对应，整理得到2021.01.01至2022.08.31时间段的时序数据，记为凿岩工时时序数据T

本发明中，如图2和图3所示，在步骤2中，调用平滑函数对作业工时数据集进行平滑预处理，再调用STL时序分解工具对预处理后的数据集进行加法时序分解，并自动设置分解周期，对凿岩工时时序数据T

T

具体地，本发明调用Python中的rolling平滑函数对作业工时数据集进行平滑预处理，再调用STL时序分解工具包对预处理后的数据集进行加法时序分解。

在本发明中，利用Python软件中的pandas工具包中的rolling平滑函数对进行预处理，设置滑动窗口，以多天数据的均值作为窗口最后一天的数据，完成之后会出现时序数据前后均有多个缺失值的情况，采用多次样条曲线插值法补全缺失值，再调用statsmodels.tsa.seasonal工具包中的STL函数，选择加法模型，完成STL时间序列加法分解。

具体地，在本发明的实施例中，滑动窗口设置为5，即以每5天数据的均值作为第5天的数据，完成之后会出现时序数据前后均有4个缺失值的情况，采用三次样条曲线插值法补全缺失值，再调用statsmodels.tsa.seasonal工具包中的STL函数，选择加法模型，完成STL时间序列加法分解，如图2所示，最上面的曲线图为分解前的时序数据，下面分别为分解后得到的趋势项数据、周期项数据及随机项数据。

本发明中，在步骤3中，在对趋势项数据、周期项数据及随机项数据进行单独预测过程中，分别对趋势项数据和周期项数据构建数据集，并将数据集划分为训练集和测试集。

在本发明实施例中，构建数据集过程中，假设延时步长K，预测时间跨度Z，即利用前K个数据预测时间间隔为Z后的1个数据，设置延时步长为15，预测时间跨度为1，利用15个数据预测间隔1后的1个数据，随时间点依次向后构建数据集，其中前15列为输入，最后1列为输入。利用上述方法对趋势项数据和周期项数据分别构建趋势项凿岩工时时序数据集和周期项凿岩工时时序数据集，其中训练集为前70％，测试集为剩余30％。

本发明中，在步骤3中，在对趋势项数据进行预测过程中，利用深度置信网络(DBN)对趋势项数据进行特征提取，再利用极限学习机(ELM)对最后一个隐层的模型参数进行训练得到唯一的输出矩阵，确定预测结果。

如图4所示，对趋势项数据集T

其中，O

其中，t

并且需要满足

趋势项数据采用深度置信网络结合极限学习机的方法，经过1000次训练和3000次反向微调之后，测试集的线性回归系数(R2)能达到0.984，平均绝对误差低(MAE)至0.084。

本发明中，如图5所示，在步骤3中，在对周期项数据进行预测过程中，采用RF模型进行预测，拆分周期项数据的特征并构建不同的决策树，每个决策树根据数据做出不同决策，再进行决策聚合得到树的平均预测值，确定预测结果。

对周期项数据T

对周期项数据集本身来说，数据特点强，容易搭建决策树模型且训练速度极快，该模型选择回归，模型中决策树数量设置为100，最小子叶数设置为5，最终测试集的线性回归系数(R2)接近1，平均绝对误差(MAE)为1.3122e-06。

本发明中，在步骤3中，在对随机项数据进行预测时，采用历史数据平均的方式进行预测，对该时间跨度的过去时间的历史数据进行平均，确定预测结果。

对随机项数据T

式中，T

在步骤4中，在整合预测结果中，将趋势项数据、周期项数据和随机项数据分别预测的结果，按照时间轴依次叠加，得到整体预测结果。

具体地，T

在具体实施例中，将趋势项数据集、周期项数据集训练后得到的测试集预测数据，与随机分量在相同时间点的历史均值相叠加，得到的整体预测结果构建成一个总的测试集，如图6所示，将该测试集与同时间段的实际值相比较，采用不同的评价指标包括R

表1综合预测结果评价指标对比

表2趋势项数据预测结果评价指标对比

本发明还提供一种基于STL分解的多模型凿岩工时综合预测装置，其特征在于，包括：

数据获取模块，用于获取历史数据，采集目标地下矿一时间段内工作面每天的凿岩作业工时，与该时间段的时间点一一对应，整理为凿岩工时时序数据；

数据处理模块，用于数据处理，将凿岩工时时序数据划分为趋势项数据、周期项数据及随机项数据；

模型构建模块，用于分别模型构建，分别对趋势项数据、周期项数据及随机项数据进行单独预测，其中趋势项数据采用深度置信网络结合极限学习机的方法进行预测，周期项数据采用随机森林的方法进行预测，随机项数据采用取历史数据平均的方法进行预测；

预测结果整合模块，用于整合预测结果，将各个预测模型得到的预测结果进行叠加，得到整体预测结果。

本发明还提供一种基于STL分解的多模型凿岩工时综合预测设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述基于STL分解的多模型凿岩工时综合预测方法的步骤。

本发明实施例中的存储器用于存储各种类型的数据以支持基于多源数据的非结构化高精地图生成设备的操作。这些数据的示例包括：用于在基于STL分解的多模型凿岩工时综合预测设备上操作的任何计算机程序。

本发明实施例揭示的基于STL分解的多模型凿岩工时综合预测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，基于多源数据的非结构化高精地图生成方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的基于STL分解的多模型凿岩工时综合预测方法的步骤。

在示例性实施例中，基于STL分解的多模型凿岩工时综合预测设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，MicroController Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本发明还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述任一项所述基于STL分解的多模型凿岩工时综合预测方法的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。