CN111738323B - 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 - Google Patents
基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 Download PDFInfo
- Publication number
- CN111738323B CN111738323B CN202010539764.3A CN202010539764A CN111738323B CN 111738323 B CN111738323 B CN 111738323B CN 202010539764 A CN202010539764 A CN 202010539764A CN 111738323 B CN111738323 B CN 111738323B
- Authority
- CN
- China
- Prior art keywords
- moving
- gray
- moving object
- coal car
- markov model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000003245 coal Substances 0.000 claims abstract description 69
- 239000000571 coke Substances 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 20
- 230000019771 cognition Effects 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置，方法应用于焦炉煤车，方法包括：焦炉煤车利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据；基于人在回路的混合增强智能方法，判断运动目标为规律目标后，获取各运动目标的分类结果；接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制焦炉煤车运行。本发明基于人在回路的混合增强智能理念，结合灰色预测法和马尔科夫模型对运动目标的下一步移动位置和运动方向进行轨迹预测和修正，提高煤车的主动安全性能。
Description
技术领域
本发明涉及智能车辆领域，尤其涉及一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置。
背景技术
焦炉煤车在固定轨道上运行时，轨道上有行人正向、反向、穿越行走。通常，几百吨的焦炉煤车运行在约几百米长的轨道上，刹车距离一般可达一百到二百米，即在焦炉煤车距离其一百多米的范围内探测有移动的障碍物时，应该执行刹车操作。但在实际运行中，这样的刹车几乎导致煤车无法正常工作，尤其是在无人驾驶时。因此，为了减少工作人员在焦炉煤车运行区行走时对焦炉煤车工作的影响，保障焦炉煤车与行人的安全，需要对探测范围内移动障碍物轨迹进行预测，即预测未来某一时刻运动目标的移动位置坐标及趋势，然后进行减速或刹车等运行。
发明内容
本申请实施例通过提供一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置，解决了现有技术中由于运动目标焦炉煤车的运行区内活动，导致焦炉煤车无法正常工作的问题，实现了通过实时采集焦炉煤车运行区各运动目标的位置数据，依据人在回路的混合增强智能方法，以人为判断出预测对象为规律目标后，基于人为认知对规律目标的分类，将分类结果上传，结合灰色预测法适合预测小样本数据特点，根据先验数据，结合灰色预测法和马尔科夫模型修正，预测煤车区域行人行走轨迹下一步位置，解决焦炉煤车无人化运行的行人轨迹预测问题。
本申请实施例提供了一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法，所述方法应用于焦炉煤车，所述方法包括：
所述焦炉煤车利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据；
基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人的认知对规律目标进行分类，获取各运动目标的分类结果；
接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制所述焦炉煤车运行。
进一步地，所述UWB定位系统采用宽度为纳秒级的脉冲进行无线通信，传输各运动目标的实时位置数据。
进一步地，所述UWB定位系统进一步包括：在煤车运行区预先部署若干基站，各运动目标上预设有电子标签，所述电子标签与所述基站之间采用电磁波通信；
利用公式d＝v*t，计算得出所述电子标签与所述基站之间的距离d，获取各运动目标的实时位置数据，t为电磁波从所述电子标签到所述基站的传输时间，v为电磁波的传输速度。
进一步地，利用所述灰色预测法对人在回路的混合增强智能的规律目标的判别和分类结果，对各运动目标的下一步运动轨迹进行初步预测。
进一步地，利用所述灰色预测法对各运动目标下一步运动轨迹进行初步预测，计算灰色混合增强智能预测值的步骤为：
预设原始数列x(0)(k)，k＝1，2，...，n，原始数据进行一次累加后获得新序列z(1)(k)，k＝2，3，...，n，一次累加原始数据后的新序列为：
z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1)，k＝2，3，...，n (1)
其中，x(0)(k)+az(1)(k)＝u为所述灰色预测法中的灰色模型；
预设C＝(a，u)T为估计参数列，利用最小二乘求解得到：
C＝(BTB)-1BTY (3)
其中， 为x(0)(k)+az(1）(k)＝u的微分方程；微分方程求解得到：
x(0)(k)＝(β-αx(0)(1))×e(-a(k-2)) (4)
计算数据估计值的累加数列，并通过累减还原x(0)(k)：
X(k+1)＝f(k+1)-f(k)，k＝1，2，...，n (6)
进一步地，所述马尔科发模型利用先验数据中各运动目标在不同状态的转移概率矩阵，预测各运动目标的未来状态，修正所述灰色混合增强智能预测值，得到各运动目标在未来某一时刻的位置数据。
进一步地，通过所述马尔科夫模型动态自适应修正各运动目标预测的下一步运动位置数据，获取各运动目标在未来某一时刻位置数据的修正值包括：
接收所述灰色混合增强智能预测值，后划分预测值的状态区间，计算马尔科夫转移概率矩阵，最后取状态区间的中值与预测值的乘积作为修正值。
进一步地，获取各运动目标在未来某一时刻位置数据的修正值进一步包括：
计算原始数列与灰色预测值之间的相对值，根据相对值的大小，划分状态区间为：Si＝[Qi1，Qi2]，i＝1，2，...，k；
其中，Qi1，Qi2分别为相对值的下、上限；
划分灰色预测值的状态为：Aij＝nij(k)/ni，由状态Si通过k步到状态Sj出现的次数为nij(k)，其中，Si出现ni次，状态转移的概率矩阵如下所示：
通过状态转移概率矩阵，得到原始数列与灰色预测值之间的相对值，将状态区间划分成[Qi1，Qi2，取区间的中值与原始数据的乘积作为最终的预测结果，得到预测值的修正值Y(t)，其公式为：Y(t)＝0.5×(Qi1+Qi2)×X(t)(9)。
本申请实施例提供了一种基于灰色马尔科夫模型的混合增强智能轨迹预测装置，采用如上述任意一项所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法，所述装置应用于焦炉煤车，所述装置包括定位模块、分类模块以及预测模块；
所述定位模块被配置为利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据；
所述分类模块被配置为基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果；
所述预测模块被配置为接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制所述焦炉煤车运行。
本实施例提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法的步骤。
本申请实施例中提供的一个基于灰色马尔科夫模型的混合增强智能轨迹预测方法，至少具有如下技术效果：
(1)本实施例中，焦炉煤车通过在其运行区域采用各运动目标的实施位置数据，后基于人在回路的混合增强智能方法，判断出运动目标为规律目标后，对规律目标进行分类，获取各运动目标的分类结果，并在此基础上结合灰色预测法和马尔科夫模型预测煤车区各运动目标的行走轨迹，辨别他们行走时轨迹的变化特征，预测结果准确，相对误差小。
(2)本实施例中，接收各运动目标的分类结果和实施位置数据后，根据先验数据，结合结合灰色预测法和马尔科夫模型预测和修正煤车区域行人行走轨迹，辨别他们行走时轨迹的变化特征，对其下一步移动位置和运动方向进行预测，解决焦炉煤车无人化运行的行人轨迹预测问题，从而提供焦炉煤车载运行区域的行车安全性。
(3)本实施例中，采用基于人在回路的混合增强智能理念对各运动目标进行准确分类，从而可以选择对应类型的轨迹预测方法，使轨迹预测的结果真实便捷高效。
(4)本实施例中，采用UWB定位系统对焦炉煤车运行区域内的各运动目标进行实时定位，避免受到焦炉煤车运行区恶劣环境等因素的影响，得到较准确的的运动位置；并且采用宽度为纳秒级的脉冲作为无线通信信号实时传输目标对象的轨迹位置数据，提高定位速度和准确度。
(5)本实施例中，采用灰色预测法，可以体现系统内部对象发展的变化。利用灰色预测法适合预测小样本数据特点，依据人在回路的混合增强智能的规律目标的判别和分类结果后，初步预测规律性运动目标下一步的运动轨迹，以获得各运动目标初步的轨迹预测。
(6)本实施例中，通过建立马尔科夫模型修正灰色混合增强智能值，修正利用灰色预测法获得的初步轨迹预测，得到各运动目标在未来某一时刻的位置，由此可以预测各运动目标的运动轨迹，预防碰撞事故发生，从而减少工作人员在焦炉煤车运行区行走时对焦炉煤车工作的影响，保障焦炉煤车与各运动目标的安全，需要对探测范围内移动障碍物轨迹进行预测，。
附图说明
图1为本申请实施例基于灰色马尔科夫模型的混合增强智能轨迹预测方法流程图；
图2为本申请实施例UWB定位原理图；
图3为本申请实施例中清扫炉盖工作人员行走的轨迹预测实例图；
图4为本申请实施例中清扫炉盖工作人员轨迹预测实例相对误差对比图；
图5为本申请实施例中测温工作人员行走的轨迹预测实例图；
图6为本申请实施例中测温工作人员轨迹预测实例相对误差对比图；
图7为本申请实施例中生产工作人员行走的轨迹预测实例图；
图8为本申请实施例中生产工作人员轨迹预测实例相对误差对比图；
图9位本申请实施例中基于灰色马尔科夫模型的混合增强智能轨迹预测结构框图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例中的焦炉煤车运行工作环境特殊，通常仅有固定的工作人员在焦炉煤车的行驶区域内行走，工作人员的移动范围可以理解为工作范围，因此移动状态具有规律性。当焦炉煤车运行前方有目标移动时，移动目标一般可分为：清扫炉盖工作人员、测温工作人员以及生产工作人员，根据工作性质，当然不局限于此。
实施例一
参考图1，本实施例提供了一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法，该方法应用于焦炉煤车，方法包括以下步骤。
步骤S100：利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据。
UWB定位系统为超宽带(Ultra Wide band，UWB)定位系统，用于对焦炉煤车前方的各运动目标进行实时定位，避免获得的位置数据受到焦炉煤车运行区恶劣环境等因素的影响，得到较准确的的位置数据。
UWB定位系统距离测量利用了距离、时间、速度这三者之间的关系，标签、基站之间会相互发送电磁波进行通信，电磁波的速度是恒定不变的常量，可以定义为与光速相同，，获取电磁波从标签到基站的传输时间t，即可得出基站与标签之间的距离d，d＝v*t，其中，d：距离、t：时间、v：速度。
UWB定位原理参考附图2所示，在定位区域四个位置部署基站，基站的位置可以通过现场测量获得。为获取标签位置，仅需获知标签与基站之间的距离，再通过标签到多个基站的距离就可计算出标签的具体位置。
本步骤S100中，结合UWB定位原理。具体地，UWB定位系统采用宽度为纳秒级的脉冲进行无线通信，传输各运动目标的实时位置数据。UWB定位系统进一步包括：在煤车运行区预先部署若干基站，各运动目标上预设有电子标签，电子标签与基站之间采用电磁波通信；利用公式d＝v*t，计算得出电子标签与基站之间的距离d，获取各运动目标的实时位置数据，t为电磁波从电子标签到基站的传输时间，v为电磁波的传输速度。
步骤S200：基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果。
在步骤S200中，基于人在回路的混合增强智能方法，当人为判断出所要预测的运动目标为规律目标后，基于人的认知对规律目标进行分类，输出分类结果。本步骤中的“人为判断”并不是指通过自然人进行判断，而是以人的判断标准对预测的运动目标进行判断，判断分析出该运动目标为规律目标，规律目标即为上述所描述的有具有规律性移动状态的工作人员。判断出该运动目标为所要预测的工作人员后，基于人的认知对各工作人员进行分类。本实施例中，可以识别到运动目标可以为清扫炉盖工作人员、测温工作人员、生产工作人员其中一种。
本实施例中，对煤车运行前方的目标进行轨迹预测时，移动目标包括清扫炉盖工作人员、测温工作人员、生产工作人员在内的运动目标，在其工作范围内的行走轨迹是真实的、实时的、随机的，而不是安排目标按照以一定的速度和方向运动，
基于人在回路的混合增强智能理念，预先将人的知识信息及决策结果准确高效地加入到识别模型中对运动目标进行分类识别，进而实现基于人在回路的混合增强智能理念对其准确分类，从而进行有针对性的目标轨迹预测，选择对应类型的轨迹预测方法，轨迹预测的结果真实便捷高效。
步骤S300：接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制焦炉煤车运行。
本步骤S300中，利用灰色预测法对人在回路的混合增强智能的规律目标的判别和分类结果，对各运动目标的下一步运动轨迹进行初步预测。
灰色预测法通常可以体现为系统内部对象发展的变化，本实施例中利用结合灰色预测法适合预测小样本数据特点，依据人在回路的混合增强智能的规律目标的判别和分类结果后，初步预测规律运动目标下一步的运动轨迹。
进一步地，利用灰色预测法对各运动目标下一步运动轨迹进行初步预测，计算灰色混合增强智能预测值的步骤为：
步骤S311：预设原始数列x(0)(k)，k＝1，2，...，n，原始数据进行一次累加后获得新序列z(1)(k)，k＝2，3，...，n，一次累加原始数据后的新序列为：
z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1)，k＝2，3，...，n (1)
其中，x(0)(k)+az(1)(k)＝u为灰色预测法中的灰色模型。
步骤S312：预设C＝(a，u)T为估计参数列，利用最小二乘求解得到：
C＝(BTB)-1BTY (3)
其中， 为x(0)(k)+az(1)(k)＝u的微分方程。
步骤S313：微分方程求解得到：
x(0)(k)＝(β-αx(0)(1))×e(-a(k-2)) (4)。
步骤S314：计算数据估计值的累加数列，并通过累减还原x(0)(k)：
X(k+1)＝f(k+1)-f(k)，k＝1，2，...，n (6)
本步骤S300中，马尔科发模型利用先验数据中各运动目标在不同状态的转移概率矩阵，预测各运动目标的未来状态，修正灰色混合增强智能预测值，得到各运动目标在未来某一时刻的位置数据。
进一步地，焦炉煤车运行区的各运动目标的运动轨迹具有随机性，而马尔科夫模型利用先验数据中各运动目标不同状态的转移概率矩阵预测目标的未来状态，适用于预测随机性较大的情况；通过建立马尔科夫模型修正灰色混合增强智能预测值，得到各运动目标在未来某一时刻的位置，由此可以预测各运动目标的运动轨迹，预防碰撞事故发生。
通过马尔科夫模型动态自适应修正各运动目标预测的下一步运动位置数据，获取各运动目标在未来某一时刻位置数据的修正值包括：接收灰色混合增强智能预测值，后划分预测值的状态区间，计算马尔科夫转移概率矩阵，最后取状态区间的中值与预测值的乘积作为修正值。
获取各运动目标在未来某一时刻位置数据的修正值进一步包括：
步骤S321：计算原始数列与灰色预测值之间的相对值，根据相对值的大小，划分状态区间为：Si＝[Qi1，Qi2]，i＝1，2，...，k；
其中，Qi1，Qi2分别为相对值的下、上限；
步骤S322：划分灰色预测值的状态为：Aij＝nij(k)/ni，由状态Si通过k步到状态Sj出现的次数为nij(k)，其中，Si出现ni次，状态转移的概率矩阵如下所示：
步骤S323：通过状态转移概率矩阵，得到原始数列与灰色预测值之间的相对值，将状态区间划分成[Qi1，Qi2]，取区间的中值与原始数据的乘积作为最终的预测结果，得到预测值的修正值Y(t)，其公式为：Y(t)＝0.5×(Qi1+Qi2)×X(t)(9)。
参考图3-8，在一种实施例中，应用本实施例步骤S100～步骤S300中的基于灰色马尔科夫模型的混合增强智能轨迹预测方法，可以包括如下过程。
在通过UWB定位系统获取前7步各运动目标的位置数据及混合增强智能识别分类后，对煤车运行区行走的清扫炉盖工作人员、测温工作人员、生产工作人员第8步位置预测过程如下。
(1)根据已经求得的清扫炉盖工作人员行走轨迹位置的趋势曲线函数：x(k+1)＝17.3215×e0.0254k，可以求出第8步的预测值与相对值x(t)/X(t)，见表1。测温工作人员行走轨迹位置的趋势曲线函数：x(k+1)＝17.3215×e0.0254k，可以求出第8步的预测值与相对值x(t)/X(t)，见表2；生产工作人员行走轨迹位置的趋势曲线函数：x(k+1)＝17.1346×e0.0218k，可以求出第8步的预测值与相对值x(t)/X(t)，见表3。
表1第1步到第8步的灰色混合增强智能预测值及相对值表(清扫人员)
| 步数 | 预测值/(m) | 相对值 |
| 1 | 17.22 | 1.00 |
| 2 | 17.3178 | 1.0019 |
| 3 | 17.7627 | 1.0021 |
| 4 | 18.2190 | 0.9989 |
| 5 | 18.6870 | 0.9932 |
| 6 | 19.1671 | 1.0017 |
| 7 | 19.6595 | 1.0026 |
| 8 | 20.1645 |
表2第1步到第8步的灰色混合增强智能预测值及相对值表(测温人员)
| 步数 | 预测值/(m) | 相对值 |
| 1 | 17.1500 | 1.0000 |
| 2 | 17.5127 | 0.9964 |
| 3 | 17.8990 | 1.0045 |
| 4 | 18.2937 | 1.0041 |
| 5 | 18.6972 | 0.9937 |
| 6 | 19.1096 | 1.0005 |
| 7 | 19.5311 | 1.0010 |
| 8 | 19.9618 |
表3第1步到第8步的灰色混合增强智能预测值及相对值表(生产人员)
| 步数 | 预测值/(m) | 相对值 |
| 1 | 17.2200 | 1.0000 |
| 2 | 17.9073 | 0.9964 |
| 3 | 18.4531 | 1.0045 |
| 4 | 19.0156 | 1.0041 |
| 5 | 19.5952 | 0.9937 |
| 6 | 20.1924 | 1.0005 |
| 7 | 20.8079 | 1.0010 |
| 8 | 21.4421 |
依据表1、2、3中的相对值的情况，将第1步到第7步的运动状态划分为表4、5、6中的3种状态。
表4相对值的状态划分及各步所处状态(清扫人员)
根据公式8，可以建立相应的状态转移概率矩阵
表5相对值的状态划分及各步所处状态(测温人员)
根据公式8，可以建立相应的状态转移概率矩阵：
表6相对值的状态划分及各步所处状态(生产人员)
根据公式8，可以建立相应的状态转移概率矩阵
最后，进行预测值修正，通过灰色混合增强智能预测法得出的预测值往往有偏，对于处理如工作人员运动轨迹这样随机性较大的数据时，得到的结果与实际值的误差较大，因此需要对预测值加以修正。
通过马尔科夫模型对得出的灰色预测值进行修正，得到准确的工作人员运动预测轨迹。
利用3步转移概率矩阵计算预测目标(清扫炉盖工作人员、测温工作人员、生产工作人员)第8步轨迹数据所处的状态。择选距离预测步数最近的3步：第七步、第六步、第五步，按照其距离预测步数的远近，依次选择移动的步数：一、二、三，并在对应的转移矩阵中，选择与初始状态相对应的行向量，构成新的状态概率矩阵，再对该矩阵的列向量进行求和处理，确定系统未来的转移状态，其中总和最大者则是预测目标第8步的运动状态。见表7、8、9。
表7第8步预测值所处的状态表(清扫人员)
由表4可见，在合计一行中S2的概率最大，因此可以预测第8步预测目标运动轨迹处于S2状态，即在[0.9989，1.00]内，根据公式9，得到的最终预测值为Y(t)＝0.5×(0.9989+1.0016)×20.1645＝20.16(m)。灰色马尔科夫混合增强智方法预测清扫人员第1-8步轨迹的预测值及相对误差数据，见表8。
表8灰色马尔科夫混合增强智能预测行人轨迹的预测表(清扫炉盖人员)
表9第8步预测值所处的状态表
由表5可见，在合计一行中S3概率最大，因此预测第8步预测目标轨迹处于S3状态，即在[0.9937，1.00]内，根据公式9，灰色马尔科夫混合增强智能预测值：Y(t)＝0.5×(0.9937+1)×19.9618＝19.8990(m)。灰色马尔科夫混合增强智能预测测温人员第1-8步轨迹的预测值及相对误差数据，见表10。
表10灰色马尔科夫混合增强智能预测行人轨迹的预测表(测温人员)
表11第8步预测值所处的状态表
由表6可见，合计中S2和S3概率最大，因此预测第8步目标轨迹处于S2状态，即在[0.9982，1.0023]内，根据公式9，灰色马尔科夫混合增强智能预测值：Y(t)＝0.5×(0.9982+1.0023)×21.4421＝21.4474(m)。灰色马尔科夫混合增强智能预测目标第1-8步轨迹的预测值及相对误差数据，见表12。
表12灰色马尔科夫混合增强智能预测行人轨迹的预测表(生产工作人员)
/>
本实施例针对焦炉煤车无人化运行时，容易与轨道上行人发生碰撞事故的问题，考虑到轨道重型车辆刹车距离较长，现有的道路行人轨迹预测方法无法保证可以进行正常安全生产的情况，本实施例中，基于灰色马尔科夫模型的混合增强智能行人预测轨迹方法。结合灰色预测法和人在回路的混合智能增强方法对历史数据进行经验决策分类，并将结果上传开始行人轨迹预测处理，划分灰色混合增强智能预测值的相对值状态，计算相应状态转移概率矩阵，通过马尔科夫模型进行预测值修正，弥补了普通灰色模型对处理随机数据误差大的缺陷，通过煤车运行区实例预测，本发明具有可行性和优越性。
实施例二
参考图9，本实施例提供了一种基于灰色马尔科夫模型的混合增强智能轨迹预测装置，采用实施例一种的基于灰色马尔科夫模型的混合增强智能轨迹预测方法。
装置应用于焦炉煤车。装置包括定位模块100、分类模块200以及预测模块300。
定位模块100被配置为利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据。
分类模块200被配置为基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果。
预测模块300被配置为接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制所述焦炉煤车运行。
实施例三
本实施例提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如实施例一的基于灰色马尔科夫模型的混合增强智能轨迹预测方法的步骤。该步骤包括：
步骤S100：利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据。步骤S200：基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果。步骤S300：接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制焦炉煤车运行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或存储有计算机可读指令的存储介质或者其他计算机程序、计算机产品之类，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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。
Claims (6)
1.一种基于灰色马尔科夫模型的混合增强智能轨迹预测方法，其特征在于，所述方法应用于焦炉煤车，所述方法包括：
利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据；
基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果；
接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制所述焦炉煤车运行,利用所述灰色预测法对人在回路的混合增强智能的规律目标的判别和分类结果，对各运动目标的下一步运动轨迹进行初步预测，所述马尔科发模型利用先验数据中各运动目标在不同状态的转移概率矩阵，预测各运动目标的未来状态，修正所述灰色混合增强智能预测值，得到各运动目标在未来某一时刻的位置数据；
计算所述灰色混合增强智能预测值的步骤为：
预设原始数列x(0)(k),k＝1,2,...,n，原始数据进行一次累加后获得新序列z(1)(k),k＝2,3,...,n，一次累加原始数据后的新序列为：
z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1),k＝2,3,...,n(1)
其中，x(0)(k)+az(1)(k)＝u为所述灰色预测法中的灰色模型；
预设C＝(a,u)T为估计参数列，利用最小二乘求解得到：
C＝(BTB)-1BTY(3)
其中，为x(0)(k)+az(1)(k)＝u的微分方程；微分方程求解得到：
x(0)(k)＝(β-αx(0)(1))×e(-a(k-2))(4)
计算数据估计值的累加数列，并通过累减还原x(0)(k)：
X(k+1)＝f(k+1)-f(k),k＝1,2,...,n(6)
通过所述马尔科夫模型动态自适应修正各运动目标预测的下一步运动位置数据，获取各运动目标在未来某一时刻位置数据的修正值包括：接收所述灰色混合增强智能预测值，后划分预测值的状态区间，计算马尔科夫转移概率矩阵，最后取状态区间的中值与预测值的乘积作为修正值。
2.如权利要求1所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法，其特征在于，所述UWB定位系统采用宽度为纳秒级的脉冲进行无线通信，传输各运动目标的实时位置数据。
3.如权利要求2所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法，其特征在于，所述UWB定位系统进一步包括：在煤车运行区预先部署若干基站，各运动目标上预设有电子标签，所述电子标签与所述基站之间采用电磁波通信；
利用公式d＝v*t，计算得出所述电子标签与所述基站之间的距离d，获取各运动目标的实时位置数据，t为电磁波从所述电子标签到所述基站的传输时间，v为电磁波的传输速度。
4.如权利要求1所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法，其特征在于，获取各运动目标在未来某一时刻位置数据的修正值进一步包括：
计算原始数列与灰色预测值之间的相对值，根据相对值的大小，划分状态区间为：Si＝[Qi1,Qi2],i＝1,2,...,k；
其中，Qi1，Qi2分别为相对值的下、上限；
划分灰色预测值的状态为：Aij＝nij(k)/ni,由状态Si通过k步到状态Sj出现的次数为nij(k)，其中，Si出现ni次，状态转移的概率矩阵如下所示：
通过状态转移概率矩阵，得到原始数列与灰色预测值之间的相对值，将状态区间划分成[Qi1,Qi2]，取区间的中值与原始数据的乘积作为最终的预测结果，得到预测值的修正值Y(t)，其公式为：Y(t)＝0.5×(Qi1+Qi2)×X(t)(9)。
5.一种采用如权利要求1-4任意一项所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法的装置，其特征在于，所述装置应用于焦炉煤车，所述装置包括定位模块、分类模块以及预测模块；
所述定位模块被配置为利用UWB定位系统获取煤车运行区内各运动目标的实时位置数据；
所述分类模块被配置为基于人在回路的混合增强智能方法，判断运动目标为规律目标后，基于人为认知对规律目标的分类，获取各运动目标的分类结果；
所述预测模块被配置为接收各运动目标的分类结果和实时位置数据，依据先验数据，结合灰色预测法和马尔科发模型修正方法，预测煤车运行区内各运动目标的下一步移动位置和运动方向，分析判断各运动目标的运动趋势，以控制所述焦炉煤车运行。
6.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至4中任意一项所述的基于灰色马尔科夫模型的混合增强智能轨迹预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010539764.3A CN111738323B (zh) | 2020-06-12 | 2020-06-12 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010539764.3A CN111738323B (zh) | 2020-06-12 | 2020-06-12 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738323A CN111738323A (zh) | 2020-10-02 |
| CN111738323B true CN111738323B (zh) | 2024-04-16 |
Family
ID=72649214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010539764.3A Active CN111738323B (zh) | 2020-06-12 | 2020-06-12 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738323B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022153059A (ja) * | 2021-03-29 | 2022-10-12 | 本田技研工業株式会社 | 軌道生成装置及び軌道生成方法 |
| CN114326448A (zh) * | 2021-12-30 | 2022-04-12 | 中山东菱威力电器有限公司 | 一种智能马桶盖控制方法及智能马桶盖控制系统 |
| CN116596161B (zh) * | 2023-07-04 | 2023-10-13 | 江南大学 | 多中心小样本场景下目标预测模型构建方法和预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
| CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
| CN110691396A (zh) * | 2019-09-29 | 2020-01-14 | 南昌航空大学 | 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与系统 |
-
2020
- 2020-06-12 CN CN202010539764.3A patent/CN111738323B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
| CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
| CN110691396A (zh) * | 2019-09-29 | 2020-01-14 | 南昌航空大学 | 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王磊 ; 武术静 ; 李长青 ; .基于修正灰色马尔科夫模型的煤自燃预测.计算机仿真.2014,(第11期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738323A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738323B (zh) | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 | |
| CN110371112B (zh) | 一种自动驾驶车辆的智能避障系统及方法 | |
| CN102881022B (zh) | 基于在线学习的遮挡目标跟踪方法 | |
| CN112597822B (zh) | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 | |
| CN110264495B (zh) | 一种目标跟踪方法及装置 | |
| US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
| CN109343051A (zh) | 一种用于高级辅助驾驶的多传感器数据融合方法 | |
| CN112298194B (zh) | 一种车辆的换道控制方法及装置 | |
| US20230228593A1 (en) | Method, device and system for perceiving multi-site roadbed network and terminal | |
| WO2018154367A1 (en) | System and method for target track management of an autonomous vehicle | |
| US20230072434A1 (en) | Vision-based safety monitoring and/or activity analysis | |
| Ghahremannezhad et al. | Real-time accident detection in traffic surveillance using deep learning | |
| CN104123532A (zh) | 对目标对象进行检测、确定目标对象数量的方法和设备 | |
| Wang et al. | Reduction of uncertainties for safety assessment of automated driving under parallel simulations | |
| Bouain et al. | Multi-sensor fusion for obstacle detection and recognition: A belief-based approach | |
| Fatseas et al. | Neural network based multiple object tracking for automotive FMCW radar | |
| EP4160269A1 (en) | Systems and methods for onboard analysis of sensor data for sensor fusion | |
| WO2023141023A1 (en) | Tool for offline perception component evaluation | |
| Zhang et al. | A real-time multiple vehicle tracking method for traffic congestion identification | |
| CN114945961B (zh) | 变道预测回归模型训练方法、变道预测方法和装置 | |
| CN117523914A (zh) | 碰撞预警方法、装置、设备、可读存储介质及程序产品 | |
| CN116068885A (zh) | 切换递归卡尔曼网络的改进 | |
| Jawed et al. | Data-driven vehicle trajectory forecasting | |
| Rouf et al. | Real-time Vehicle Detection, Tracking and Counting System Based on YOLOv7 | |
| CN117474422B (zh) | 一种智能山地果园运输系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |