CN116029331A - 煤矿工作面安全状态的大数据群智感知协同预测方法 - Google Patents

煤矿工作面安全状态的大数据群智感知协同预测方法 Download PDF

Info

Publication number
CN116029331A
CN116029331A CN202310034020.XA CN202310034020A CN116029331A CN 116029331 A CN116029331 A CN 116029331A CN 202310034020 A CN202310034020 A CN 202310034020A CN 116029331 A CN116029331 A CN 116029331A
Authority
CN
China
Prior art keywords
time
personnel
coal mine
space
mine
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.)
Pending
Application number
CN202310034020.XA
Other languages
English (en)
Inventor
张立志
李学文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Changke Electronic Technology Co ltd
Xian International University
Original Assignee
Xi'an Changke Electronic Technology Co ltd
Xian International University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Changke Electronic Technology Co ltd, Xian International University filed Critical Xi'an Changke Electronic Technology Co ltd
Priority to CN202310034020.XA priority Critical patent/CN116029331A/zh
Publication of CN116029331A publication Critical patent/CN116029331A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及煤矿安全技术领域，公开了一种煤矿工作面安全状态的大数据群智感知协同预测方法，包括：构建群体‑时空图卷积神经网络，并利用群体‑时空图卷积神经网络预测煤矿井下人员的运动轨迹；构建ADI‑AACNet算法，并利用ADI‑AACNet算法预测煤矿井下支架群组的矿压值；根据煤矿井下人员运动轨迹的预测结果和煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，根据人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，支架下的人员处于危险环境中，以及当支架的矿压值处于正常范围内时，支架下的人员处于安全状态中。本发明提供的预测方法，根据井下人员的运动轨迹以及支架设备的矿压值，协同预测井下人员在煤矿支架下的安全状态。

Description

煤矿工作面安全状态的大数据群智感知协同预测方法
技术领域
本发明涉及煤矿安全技术领域，特别涉及一种煤矿工作面安全状态的大数据群智感知协同预测方法。
背景技术
大数据、云计算和物联网是智慧煤矿的三大支撑，随着煤炭行业工业化和信息化的逐步深度融合，采用先进的信息化技术解决煤炭行业在智能化、智慧化转型中的问题成为迫切需求。煤矿工作面安全状态的大数据研究主要是针对施工的工人、机械与环境的理论要求，以及具体运转场景中的实际监测数据展开探究、建模、预测警示以及机械学习。因此，想要有效地展现信息化设备与智能化在安全施工管控工作中的效用，需要应用大数据技术合理地处理矿井施工信息的传递、保存和处理，通过有效地研究与监管各种场景问题发生的特性，从而确保矿井施工的安全性。
资源间的相互协作是煤炭开采永不过时的话题，也是衡量一家煤炭企业发展情况的重要指标。新一代智能煤炭领域的关键特征是人-机-环的协作。将人-机-环这三种不同的因素关联起来，分析其在煤矿安全生产中的相互影响，用以加强企业安全管理，提高运营效率，降低运营成本等研究具有重要的意义。在大数据技术支持下，构建基于“人-机-环”群智感知协同预测模型，有助于提高煤矿工作面安全状态的预测精度。根据人员、设备与环境共同阐述安全判断准则，围绕矿井主要危险环境展开感知、监管、探究，从人员、设备、环境等几个层面创建多维度的矿井安全评估预测。
煤矿井下生产过程复杂，环境恶劣，自然灾害多，严重影响生产和危害人身安全。在煤炭开采过程中，井下的安全环境持续发生着动态变化，单个智能体需要与其他智能体进行交互与协作。由于煤炭企业中单个智能体感知范围有限、参数优化能力差，因而煤矿井下安全生产的群智协同决策成为亟待解决的问题。
发明内容
本发明提供了一种煤矿工作面安全状态的大数据群智感知协同预测方法，利用多源数据之间的信息互补，设计多源数据的差异表示和学习模式，根据井下人员的运动轨迹以及支架设备的矿压值，协同预测井下人员在煤矿支架下的安全状态。
本发明提供了一种煤矿工作面安全状态的大数据群智感知协同预测方法，包括：
构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值；
根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
进一步地，所述构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹的步骤，包括：
进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识；
采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为；
采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹。
进一步地，所述进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识的步骤，包括：
构建一组图Gt，表示在每个时间t处场景中所述煤矿井下人员的相对位置，图定义为Gt＝(Vt,Et)，其中
Figure BDA0004047988160000021
是图Gt的顶点集，观察到的位置
Figure BDA0004047988160000022
是
Figure BDA0004047988160000023
的元素；
Figure BDA0004047988160000024
是图Gt中的边集。如果
Figure BDA0004047988160000025
和
Figure BDA0004047988160000026
连接，则
Figure BDA0004047988160000027
否则
Figure BDA0004047988160000028
为了对两个顶点间的相互影响程度进行建模，引入一个参考指标
Figure BDA0004047988160000029
该值由核函数计算得出；将核函数视为所述煤矿井下人员之间群体关系的先验知识，
Figure BDA00040479881600000210
构建加权邻接矩阵At，并引入
Figure BDA00040479881600000211
作为核函数，用于邻接矩阵At中；
Figure BDA00040479881600000212
的定义为：
Figure BDA00040479881600000213
进一步地，所述采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为的步骤，包括：
通过所述煤矿井下人员轨迹的图表示，引入定义在图上的时空卷积运算，对于在二维网格图或特征图上定义的卷积运算，卷积运算为：
Figure BDA0004047988160000031
其中，k是核的大小，p(·)是以z为中心汇总邻域信息的采样函数，σ是一个激活函数，l表示层数；空间卷积运算的定义为：
Figure BDA0004047988160000032
其中，
Figure BDA0004047988160000033
是一个标准化项，Ω是相邻集的基数，B(vi)＝{vj|d(vi,vj)≤D}是顶点vi的相邻集合，d(vi,vj)表示连接vi和vj的最短路径；
通过定义一个新的图G将空间卷积扩展到时空卷积，G包含了人员轨迹的时空信息；
G1,...,Gt的拓扑结构是相同的，而当t变化时，
Figure BDA0004047988160000034
将分配不同的元素值；将G定义为(V,E)，其中包含顶点集V＝{vi|i∈{1,...,N}}和边集
Figure BDA0004047988160000035
G中顶点vi是Gt中
Figure BDA0004047988160000036
的集合，其中
Figure BDA0004047988160000037
与G对应的加权邻接矩阵A是{A1,...,AT}的集合，时空图卷积神经网络的功能是提取出嵌入在图中的时空节点，嵌入的时空节点表示为
Figure BDA0004047988160000038
邻接矩阵A是{A1,...,At}的堆栈，使用以下形式对称地规范化：
Figure BDA0004047988160000039
其中，
Figure BDA00040479881600000310
和Λt是
Figure BDA00040479881600000311
的对角节点度矩阵，使用
Figure BDA00040479881600000312
和Λ分别表示
Figure BDA00040479881600000313
和Λt的堆栈；
Vt (l)表示时间步长t网络层l的顶点值，假设V(l)是Vt (l)的堆栈，可以实现时空图卷积神经网络如下：
Figure BDA00040479881600000314
其中，W(l)为第l层处可训练参数的矩阵。
进一步地，所述采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹的步骤，包括：
时间推理卷积神经网络由一系列残差连接的CNN组成，给定一个场景中的N个人员及其相应的轨迹
Figure BDA00040479881600000315
在时间段T0内，预测在未来的时间范围TP内即将得到的轨迹
Figure BDA00040479881600000316
对于人员n，将相应的轨迹写为
Figure BDA00040479881600000317
其中
Figure BDA00040479881600000318
是描述人员n在t时刻位置概率分布的随机变量；假设
Figure BDA00040479881600000319
服从二元高斯分布，从而使
Figure BDA00040479881600000320
将预测的轨迹表示为
Figure BDA0004047988160000041
其服从估计的二元分布
Figure BDA0004047988160000042
训练模型以最小化负对数似然函数，其定义为：
Figure BDA0004047988160000043
其中，W包含了模型的所有可训练参数，
Figure BDA0004047988160000044
为分布的平均值，
Figure BDA0004047988160000045
为方差，
Figure BDA0004047988160000046
为相关性。
进一步地，构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值的步骤，包括：
采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵；
基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值；其中，所述自回归的注意力机制卷积网络包括注意力机制的卷积网络和自回归模型，所述注意力机制的卷积网络对不同时刻历史信息的重要性进行评估，所述自回归模型克服卷积网络对波动数据的不敏感。
进一步地，所述采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵的步骤，包括：
确定数据的母序列和子序列，即比较序列；设Xi为一个数据序列，记为Xi＝(xi(1),xi(2),...,xi(n)),i＝0,1,2,...,m，其在序号k上的数据为xi(k),k＝1,2,...,n；母序列为X0＝(x0(1),x0(2),...,x0(n))，其余序列为子序列；
对母序列和子序列均进行初始点零化处理，记为
Figure BDA0004047988160000047
即
Figure BDA0004047988160000048
令：
Figure BDA0004047988160000049
母序列初始点零化处理后可表示为
Figure BDA00040479881600000410
子序列为
Figure BDA00040479881600000411
则推导可知：
Figure BDA00040479881600000412
Figure BDA00040479881600000413
计算X0与Xi关于第k个数值的关联系数，其计算公式为：
Figure BDA0004047988160000051
计算第i个子序列与母序列的关联系数均值，作为母序列与子序列间的绝对关联度；由于是通过各因素构成的时间序列态势变化反映因素间的关联程度，而t＝1时刻无变化率，故只有n-1个时间点参与运算，其公式如下：
Figure BDA0004047988160000052
通过母序列与子序列进行绝对关联度分析，构建关联系数矩阵γM为：
Figure BDA0004047988160000053
其中，γ01(x0,x1)为母序列x0与子序列x1的绝对关联度，通过分析关联系数矩阵γM，判断母序列同各相关因素所构成的子序列间的相关性强弱；
考虑空间相关性，支架g0上矿压数据与周边2q个支架上的矿压数据相关，假设q＝2，即支架g0上矿压数据与周边4个支架(gi,i＝1,...,4)上矿压数据相关，
Figure BDA0004047988160000054
为t时刻支架g0的矿压数据同周围4个支架上矿压数据的加权向量：
Figure BDA0004047988160000055
其中，w0i为支架g0与周边4个支架(gi,i＝1,...,4)的关联权重，w0i是由支架g0与支架(gi,i＝1,...,4)间的绝对关联度计算得出w0i＝γ0i，
Figure BDA0004047988160000058
表示t时刻第i个支架gi的传感器测得的矿压数据；
考虑时间相关，假设第t+1时刻的矿压数据与之前b时刻的矿压数据相关，则b为回看时间，第t+1时刻，支架g0上的矿压数据的时空输入矩阵为
Figure BDA0004047988160000056
Figure BDA0004047988160000057
进一步地，所述基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值的步骤，包括：
AACNet的卷积层由多个宽度ω和高度n的滤波器组成，第k个滤波器输入矩阵X得到：
hk＝RELU(Wk*X+bk)
其中，RELU函数为RELU(x)＝max(0,x)，Wk表示卷积核，*表示卷积操作，bk表示偏置，输出hk是一个向量，通过在输入矩阵X的左边填充零来使每个向量hk的长度为T，卷积层的输出矩阵的大小为dc×T，其中dc表示滤波器的数量；
卷积层的输出被送入到循环模块，该模块是带有门控循环单元GRU的循环层，并使用RELU函数作为隐藏的更新激活函数，t时刻循环单元的隐藏状态可以表示为：
rt＝σ(xtWxr+ht-1Whr+br)
ut＝σ(xtWxu+ht-1Whu+bu)
ct＝RELU(xtWxc+rt⊙(ht-1Whc)+bc)
ht＝(1-ut)⊙ht-1+ut⊙ct
其中，rt和ut为门控循环单元GRU中的重置门和更新门，ct表示当前时刻的候选隐藏状态，Wxr、Wxu、Wxc和Whr、Whu、Whc分别为当前时刻的输入权重和循环输入权重，σ为sigmoid函数，⊙是元素的乘积，br、bu、bc表示偏置，ht为最终要计算的t时刻循环单元的隐藏状态，该值通过更新门对上一时刻的隐藏状态ht-1和当前时刻的候选隐藏状态ct进行更新而得到；
引入注意力机制对不同时刻历史信息的重要性进行评估，注意力机制的计算公式为：
Figure BDA0004047988160000069
Figure BDA0004047988160000061
Figure BDA0004047988160000062
其中，
Figure BDA0004047988160000063
表示t时刻的输出序列需要关注t′时刻隐藏状态的程度，Wh和bh为网络参数，ht-1为上一时刻循环单元输出的隐藏状态，ht′为t′时刻的隐藏状态，通过softmax函数，计算出t′时刻的关注程度占所有时刻关注程度的比重
Figure BDA0004047988160000064
并以此得到t时刻的总权重因子rt；
最终，引入注意力机制的循环层输出结果为：
Figure BDA0004047988160000065
AACNet分解为一个线性部分和一个非线性部分，在AACNet的结构中，采用经典的自回归模型作为线性模块，自回归模块的预测结果表示为
Figure BDA0004047988160000066
自回归模型的系数为
Figure BDA0004047988160000067
和
Figure BDA0004047988160000068
其中qar为输入矩阵上输入窗口的大小，其中，所有维度都共享同一组线性参数；自回归模型的公式如下：
Figure BDA0004047988160000071
将注意力机制卷积网络和自回归模型的输出相结合，得到AACNet的最终预测结果：
Figure BDA0004047988160000072
其中，
Figure BDA0004047988160000073
表示模型在时间戳t的最终预测结果。
本发明还提供了一种煤矿工作面安全状态的大数据群智感知协同预测装置，包括：
第一构建模块，用于构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
第二构建模块，用于构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值；
获取模块，用于根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
确定模块，用于根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明的煤矿工作面安全状态的大数据群智感知协同预测方法，包括人员运动轨迹预测与支架群组的矿压值预测的两个方面，人员运动轨迹预测包括群体-时空图卷积神经网络，把人员之间的复杂相互作用关系通过图的拓扑结构进行表示。支架群组的矿压值预测包括ADI-AACNet算法，针对矿压数据在支架间存在的分布特征和转移规律，充分挖掘矿压序列在时空上的关联程度；通过大数据群智感知理论，利用人员运动轨迹和支架群组矿压值的预测结果获取人员与机器的时空位置关系，判断人员在支架下工作时是否处于危险环境，能够更有效地指挥生产、处理和解决出现的各种问题和事故。
附图说明
图1为本发明煤矿工作面安全状态的大数据群智感知协同预测方法的流程示意图。
图2为本发明中煤矿工作面安全状态的大数据群智感知协同预测方法框图。
图3为本发明中基于群体-时空图卷积神经网络的人员轨迹预测技术路线图。
图4为本发明中基于ADI-AACNet的支架群组矿压值预测技术路线图。
图5为本发明中AACNet的整体结构示意图。
图6为本发明煤矿工作面安全状态的大数据群智感知协同预测装置的结构示意图。
图7为本发明中计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
群智感知是连接人、机器和环境的桥梁，具有自组织、自学习和自适应的能力，在新一代智能煤炭领域起着重要的支撑作用。充分利用人-机-环的群智关系，在不同的环境(区域与时间段)，根据井下人员的运动轨迹以及机器的状态，判断煤矿生产的安全状态，能够更有效地指挥生产、处理和解决出现的各种问题和事故。
然而，不同于通常意义下的工业群智感知，煤矿安全生产需要利用多源数据有针对性地进行研究。井下的无线信号感知数据以及设备的传感器数据均是煤矿安全生产数据的重要组成部分。本发明利用多源数据之间的信息互补，设计多源数据的差异表示和学习模式，协同预测井下人员在煤矿支架下的安全状态，即，从人员运动轨迹预测和支架设备的矿压值预测两个方面预测井下人员在煤矿支架下的安全状态。
人员运动轨迹预测充分利用人-机-环的群智关系，预测井下人员的运动轨迹，判断人员到达不同区域位置后的安全状态。由于人员与环境之间的复杂相互作用，人员轨迹不仅受到本身因素的影响，还受到周围物体相互作用的影响。
支架设备的矿压值预测针对不同的环境(区域与时间段)，预测支架设备承受的矿压值，推断煤矿支架下工作人员的安全状态。例如，针对不同的区域与不同的时间段，预测支架设备承受的矿压值。当支架设备的矿压值过大时，支架下的人员面临危险；当支架设备的矿压值处于正常范围时，支架下的人员为安全状态。液压支架的作用是支撑和控制井下工作面的顶板，保证正常作业所需的工作空间，人员在液压支架下完成井下作业。
本发明借助大数据技术，提供了煤矿工作面安全状态的“人-机-环”群智感知协同预测方法。在大数据煤矿工作面下探究安全状态的预测与警示体系，保证矿井安全警示的精准性与时效性。本发明完成了多源安全数据的整体集成，矿井安全风险的整体评估与动态预估，对动态安全数据的事先警示与及时警示，提前制止煤矿支架下存在的人员不安全工作轨迹，使煤炭企业的安全生产系数得到提升。
针对大数据煤矿安全生产过程中存在的诸多难题，充分考虑人-机-环的群智关系，在不同的环境(区域与时间段)，根据井下人员的运动轨迹以及支架设备的矿压值，完成煤矿支架下安全状态的协同预测，本发明分别从包括个体定位感知、人员运动轨迹预测与支架设备的矿压值预测。
如图1、2所示，本发明提供了一种煤矿工作面安全状态的大数据群智感知协同预测方法，包括：
S1、构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
人员轨迹不仅受到本身因素的影响，还受到周围物体相互作用的影响。影响人员轨迹的对象包括物理障碍物(如井壁)和移动对象(包括矿车和其他人员)。人员轨迹预测的一个复杂性来自不同的社会行为，如平行行走、避免碰撞以及从不同方向合并到特定点。另一个复杂性来源于运动的随机性，即人员的目标地和预期路径未知。
以前的大多数工作都围绕着使用递归神经网络对每个人员运动进行建模，并通过聚合方法对人员之间的相互作用进行表示。由于人员之间存在复杂的相互作用，现有的方法依赖聚合思想提取人员之间的社会互动，但是针对于井下的复杂环境存在两个问题：首先，对人员之间的复杂相互作用进行建模时，特征状态的聚合不是直观的，其物理意义很难被解释。其次，由于聚合机制是类似池的启发式方法，因此无法对人员之间的复杂相互作用进行精确的表示。
图的拓扑结构是一种可以用来表示人员之间复杂相互作用的自然方式。与聚合方法相比，它以一种更直接、更精确的方式来模拟人员之间的复杂相互作用。因此，本发明提供了群体-时空图卷积神经网络的人员轨迹预测算法，把人员之间的复杂相互作用关系通过图进行表示。首先，图的顶点模拟人员之间的社会互动，边的权值反映人员之间的相互影响程度，边的权值由核函数计算，引入一个新的核函数，将其视为人员之间群体关系的先验知识。其次，对人员轨迹的图表示进行时空卷积运算以提取特征，以此分析出嵌入在图中的时空节点，反映人员之间预期的社会行为。
如图3所示为基于群体-时空图卷积神经网络的人员轨迹预测技术路线图，即，步骤S1具体包括：
S11、进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识；
构建一组图Gt，表示在每个时间t处场景中所述煤矿井下人员的相对位置，图定义为Gt＝(Vt,Et)，其中
Figure BDA0004047988160000101
是图Gt的顶点集，观察到的位置
Figure BDA0004047988160000102
是
Figure BDA0004047988160000103
的元素；
Figure BDA0004047988160000104
是图Gt中的边集。如果
Figure BDA0004047988160000105
和
Figure BDA0004047988160000106
连接，则
Figure BDA0004047988160000107
否则
Figure BDA0004047988160000108
为了对两个顶点间的相互影响程度进行建模，引入一个参考指标
Figure BDA0004047988160000109
该值由核函数计算得出；将核函数视为所述煤矿井下人员之间群体关系的先验知识，
Figure BDA00040479881600001010
构建加权邻接矩阵At，并引入
Figure BDA00040479881600001011
作为核函数，用于邻接矩阵At中；
需要找到一个合适的核函数来构造加权邻接矩阵At，设计核函数的思想是使用公式(1)中定义的L2范数测量的距离，用于模拟顶点之间彼此的影响：
Figure BDA00040479881600001012
现实中，人员之间更容易受到近距离关系的影响。然而，公式(1)与认知相反。因此，使用公式(2)中定义的L2范数的倒数，在分母中加入ε项，以保证数值的稳定性：
Figure BDA00040479881600001013
通过实验比较这些核函数的性能，函数之间的差异存在于
Figure BDA00040479881600001014
的情况下，在
Figure BDA00040479881600001015
时，
Figure BDA00040479881600001016
与
Figure BDA00040479881600001017
均为0，说明两个人员距离非常相近时，相互影响程度为0，使得人员的关系表示产生错误。因此，本发明的邻接矩阵
Figure BDA00040479881600001018
的定义使用公式(2)。
S12、采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为；
通过所述煤矿井下人员轨迹的图表示，引入定义在图上的时空卷积运算，对于在二维网格图或特征图上定义的卷积运算，卷积运算如式(3)所示，为：
Figure BDA00040479881600001019
其中，k是核的大小，p(·)是以z为中心汇总邻域信息的采样函数，σ是一个激活函数，l表示层数；空间卷积运算的定义为：
Figure BDA00040479881600001020
其中，
Figure BDA00040479881600001021
是一个标准化项，Ω是相邻集的基数，B(vi)＝{vj|d(vi,vj)≤D}是顶点vi的相邻集合，d(vi,vj)表示连接vi和vj的最短路径；
通过定义一个新的图G将空间卷积扩展到时空卷积，G包含了人员轨迹的时空信息；
G1,...,Gt的拓扑结构是相同的，而当t变化时，
Figure BDA0004047988160000111
将分配不同的元素值；因此，将G定义为(V,E)，其中包含顶点集V＝{vi|i∈{1,...,N}}和边集
Figure BDA0004047988160000112
G中顶点vi是Gt中
Figure BDA0004047988160000113
的集合，其中
Figure BDA0004047988160000114
另外，与G对应的加权邻接矩阵A是{A1,...,AT}的集合，时空图卷积神经网络的功能是提取出嵌入在图中的时空节点，嵌入的时空节点表示为
Figure BDA0004047988160000115
邻接矩阵A是{A1,...,At}的堆栈，使用以下形式对称地规范化：
Figure BDA0004047988160000116
其中，
Figure BDA0004047988160000117
和Λt是
Figure BDA0004047988160000118
的对角节点度矩阵，使用
Figure BDA0004047988160000119
和Λ分别表示
Figure BDA00040479881600001110
和Λt的堆栈；
Vt (l)表示时间步长t网络层l的顶点值，假设V(l)是Vt (l)的堆栈，可以实现时空图卷积神经网络如下：
Figure BDA00040479881600001111
其中，W(l)为第l层处可训练参数的矩阵。
S13、采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹；时间推理卷积神经网络将嵌入在图中的时空节点作为输入，并将其时间维度视为特征通道，增加了操纵时间维度的灵活性。
时间推理卷积神经网络的目标是预测人员的运动轨迹。以时空图卷积神经网络的嵌入节点作为输入，并将其时间维度视为特征通道，增加了操纵时间维度的灵活性。时间推理卷积神经网络是由一系列残差连接的CNN组成。
给定一个场景中的N个人员及其相应的轨迹
Figure BDA00040479881600001112
在时间段T0内，预测在未来的时间范围TP内即将得到的轨迹
Figure BDA00040479881600001113
对于人员n，将相应的轨迹写为
Figure BDA00040479881600001114
其中
Figure BDA00040479881600001115
是描述人员n在t时刻位置概率分布的随机变量；假设
Figure BDA00040479881600001116
服从二元高斯分布，从而使
Figure BDA00040479881600001117
将预测的轨迹表示为
Figure BDA00040479881600001118
其服从估计的二元分布
Figure BDA00040479881600001119
训练模型以最小化负对数似然函数，其定义为：
Figure BDA00040479881600001120
其中，W包含了模型的所有可训练参数，
Figure BDA00040479881600001121
为分布的平均值，
Figure BDA00040479881600001122
为方差，
Figure BDA00040479881600001123
为相关性。
S2、构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值。
随着井下的开采工作进行，人员的工作轨迹发生变化，支架设备的工作状态发生变化，对应的环境(区域与时间段)也在变化。在人-机-环三种因素都发生变化的情况下，煤矿支架下安全状态的高精度预测成为重要的技术问题。现有的方法在推进煤炭智能化方面存在局限，很难满足全局性能优化的要求。群智感知技术可以实现煤炭工业中人-机-环的感知和计算，为多智能体优化提供解决方案。考虑到三者之间的相互作用，一方面对井下人员的运动轨迹进行预测，另一方面对井下支架的矿压值进行预测，根据预测结果判断人员在支架下时是否处于危险状态。
针对支架群组的矿压值预测，现有的矿压值预测研究仅对单个支架上的矿压时间序列进行分析，没有充分考虑在支架群组内的时空分布特征，无法得到高精度的预测结果。
为了将相关支架的时空特性输入到模型中，本发明提供了ADI-AACNet矿压预测算法，该模型由两部分组成：绝对关联度(Absolute Degree of Incidence，ADI)算法和基于自回归的注意力机制卷积网络(Attention Module Convolutional Network based onAutoregression，AACNet)。首先，利用ADI算法分析了同一工作面不同支架之间的相互关系，针对矿压数据在支架间存在的分布特征和转移规律，充分挖掘矿压序列在时空上的关联程度。其次，AACNet是一个为长期和短期混合模式的多变量时间序列而设计的深度学习预测网络。卷积网络保证时间维度上提取短期模式以及变量之间的局部依赖关系，注意力机制对不同时刻历史信息的重要性进行评估，以便于更好的预测长周期序列。引入自回归模型，其对数据尺度变化的鲁棒性更强，能克服卷积网络对违反尺度波动数据不敏感的问题。
如图4所示为基于ADI-AACNet的支架群组矿压值预测技术路线图，即，步骤S2具体包括：
S21、采用绝对关联度(absolute degree of incidence，ADI)算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵；
假设在若干个支架上，传感器测得的矿压数据在临近时间及空间上均彼此相关。设时间序列长度为T，工作面按照支架排列的规律被分为R行C列，支架总数为G。在综采工作面中，仅存在一排掩护式液压支架，故R＝1。
若两组矿压时间序列在对应各时间段上曲线的斜率越接近，则二者的关联系数就越大，关联程度越高。反之，则关联系数越小，关联程度越低。ADI算法的主要步骤如下：
确定数据的母序列和子序列，即比较序列；设Xi为一个数据序列，记为Xi＝(xi(1),xi(2),...,xi(n)),i＝0,1,2,...,m，其在序号k上的数据为xi(k),k＝1,2,...,n；母序列为X0＝(x0(1),x0(2),...,x0(n))，其余序列为子序列；
对母序列和子序列均进行初始点零化处理，记为
Figure BDA0004047988160000131
即
Figure BDA0004047988160000132
令：
Figure BDA0004047988160000133
母序列初始点零化处理后可表示为
Figure BDA0004047988160000134
子序列为
Figure BDA0004047988160000135
则推导可知：
Figure BDA0004047988160000136
Figure BDA0004047988160000137
计算X0与Xi关于第k个数值的关联系数，其计算公式为：
Figure BDA0004047988160000138
计算第i个子序列与母序列的关联系数均值，作为母序列与子序列间的绝对关联度；由于是通过各因素构成的时间序列态势变化反映因素间的关联程度，而t＝1时刻无变化率，故只有n-1个时间点参与运算，其公式如下：
Figure BDA0004047988160000139
通过母序列与子序列进行绝对关联度分析，构建关联系数矩阵γM为：
Figure BDA00040479881600001310
其中，γ01(x0,x1)为母序列x0与子序列x1的绝对关联度，通过分析关联系数矩阵γM，判断母序列同各相关因素所构成的子序列间的相关性强弱；
考虑空间相关性，支架g0上矿压数据与周边2q个支架上的矿压数据相关，假设q＝2，即支架g0上矿压数据与周边4个支架(gi,i＝1,...,4)上矿压数据相关，
Figure BDA00040479881600001311
为t时刻支架g0的矿压数据同周围4个支架上矿压数据的加权向量：
Figure BDA00040479881600001312
其中，w0i为支架g0与周边4个支架(gi,i＝1,...,4)的关联权重，w0i是由支架g0与支架(gi,i＝1,...,4)间的绝对关联度计算得出w0i＝γ0i，
Figure BDA0004047988160000143
表示t时刻第i个支架gi的传感器测得的矿压数据；
考虑时间相关，假设第t+1时刻的矿压数据与之前b时刻的矿压数据相关，则b为回看时间，第t+1时刻，支架g0上的矿压数据的时空输入矩阵为
Figure BDA0004047988160000141
Figure BDA0004047988160000142
S22、预测支架群组的矿压值，基于自回归的注意力机制卷积网络(AttentionModule Convolutional Network based on Autoregression,AACNet)预测所述煤矿井下支架群组的矿压值；其中，所述自回归的注意力机制卷积网络包括注意力机制的卷积网络和自回归模型，所述注意力机制的卷积网络对不同时刻历史信息的重要性进行评估，以便于更好的预测长期相关性的时间序列。所述自回归模型作为线性模块，对数据波动变化的鲁棒性更强，能够克服卷积网络对波动数据的不敏感。
如图5所示，AACNet预测算法主要包含两个部分：注意力机制的卷积网络和自回归模型。首先，注意力机制的卷积网络的第一部分是一个没有池化的卷积网络，其目的是在时间维度上提取短期模式以及变量之间的局部依赖关系。注意力机制为了对不同时刻历史信息的重要性进行评估，以便于更好的预测长周期序列。其次，由于卷积和循环模块的非线性性质，其主要缺点是输出的规模对输入的规模不敏感，若输入信号的规模发生非周期性的变化，则大大降低了模型的预测精度。因此，本发明引入自回归模型作为线性模块，其对数据尺度变化的鲁棒性更强，能克服卷积网络对违反尺度波动数据不敏感的问题。
AACNet的卷积层由多个宽度ω和高度n的滤波器组成，第k个滤波器输入矩阵X得到：
hk＝RELU(Wk*X+bk)  (16)
其中，RELU函数为RELU(x)＝max(0,x)，Wk表示卷积核，*表示卷积操作，bk表示偏置，输出hk是一个向量，通过在输入矩阵X的左边填充零来使每个向量hk的长度为T，卷积层的输出矩阵的大小为dc×T，其中dc表示滤波器的数量；
卷积层的输出被送入到循环模块，该模块是带有门控循环单元GRU的循环层，并使用RELU函数作为隐藏的更新激活函数，t时刻循环单元的隐藏状态可以表示为：
rt＝σ(xtWxr+ht-1Whr+br)  (17)
ut＝σ(xtWxu+ht-1Whu+bu)  (18)
ct＝RELU(xtWxc+rt⊙(ht-1Whc)+bc)  (19)
ht＝(1-ut)⊙ht-1+ut⊙ct  (20)
其中，rt和ut为门控循环单元GRU中的重置门和更新门，ct表示当前时刻的候选隐藏状态，Wxr、Wxu、Wxc和Whr、Whu、Whc分别为当前时刻的输入权重和循环输入权重，σ为sigmoid函数，⊙是元素的乘积，br、bu、bc表示偏置，ht为最终要计算的t时刻循环单元的隐藏状态，该值通过更新门对上一时刻的隐藏状态ht-1和当前时刻的候选隐藏状态ct进行更新而得到；
GRU和LSTM单元的循环层经过精心设计，以记忆历史信息与相对长期的依赖关系。然而，由于梯度消失的原因，GRU和LSTM在实践中往往不能捕捉到非常长期的相关性。因此，引入注意力机制，来对不同时刻历史信息的重要性进行评估，以便于更好的预测长周期序列。注意力机制的计算可通过公式(21)至(23)进行表示：
Figure BDA0004047988160000151
Figure BDA0004047988160000152
Figure BDA0004047988160000153
其中，
Figure BDA0004047988160000154
表示t时刻的输出序列需要关注t′时刻隐藏状态的程度，Wh和bh为网络参数，ht-1为上一时刻循环单元输出的隐藏状态，ht′为t′时刻的隐藏状态，通过softmax函数，计算出t′时刻的关注程度占所有时刻关注程度的比重
Figure BDA0004047988160000155
并以此得到t时刻的总权重因子rt；
最终，引入注意力机制的循环层输出结果为：
Figure BDA0004047988160000156
由于卷积和循环模块的非线性性质，神经网络模型的一个主要缺点是输出的规模对输入的规模不敏感。在特定的真实数据集中，输入信号的规模不断发生非周期性的变化，这大大降低了神经网络模型的预测精度。
为了解决这一问题，AACNet分解为一个线性部分(主要关注局部尺度问题)和一个非线性部分(包含循环层和注意力机制)，在AACNet的结构中，采用经典的自回归模型作为线性模块，自回归模块的预测结果表示为
Figure BDA0004047988160000157
自回归模型的系数为
Figure BDA0004047988160000158
和
Figure BDA0004047988160000159
其中qar为输入矩阵上输入窗口的大小，其中，所有维度都共享同一组线性参数；自回归模型的公式如下：
Figure BDA00040479881600001510
将注意力机制卷积网络和自回归模型的输出相结合，得到AACNet的最终预测结果：
Figure BDA0004047988160000161
其中，
Figure BDA0004047988160000162
表示模型在时间戳t的最终预测结果。
S3、根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
S4、根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
本发明的煤矿工作面安全状态的大数据群智感知协同预测方法，包括人员运动轨迹预测与支架群组的矿压值预测的两个方面，人员运动轨迹预测包括群体-时空图卷积神经网络，把人员之间的复杂相互作用关系通过图的拓扑结构进行表示。支架群组的矿压值预测包括ADI-AACNet算法，针对矿压数据在支架间存在的分布特征和转移规律，充分挖掘矿压序列在时空上的关联程度；通过大数据群智感知理论，利用人员运动轨迹和支架群组矿压值的预测结果获取人员与机器的时空位置关系，判断人员在支架下工作时是否处于危险环境，能够更有效地指挥生产、处理和解决出现的各种问题和事故。
如图6所示，本发明还提供了一种煤矿工作面安全状态的大数据群智感知协同预测装置，包括：
第一构建模块1，用于构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
第二构建模块2，用于构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值；
获取模块3，用于根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
确定模块4，用于根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
在一个实施例中，第一构建模块1，包括：
表示单元，用于进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识；
提取单元，用于采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为；
预测单元，用于采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹。
在一个实施例中，表示单元，包括：
构建一组图Gt，表示在每个时间t处场景中所述煤矿井下人员的相对位置，图定义为Gt＝(Vt,Et)，其中
Figure BDA0004047988160000171
是图Gt的顶点集，观察到的位置
Figure BDA0004047988160000172
是
Figure BDA0004047988160000173
的元素；
Figure BDA0004047988160000174
是图Gt中的边集。如果
Figure BDA0004047988160000175
和
Figure BDA0004047988160000176
连接，则
Figure BDA0004047988160000177
否则
Figure BDA0004047988160000178
为了对两个顶点间的相互影响程度进行建模，引入一个参考指标
Figure BDA0004047988160000179
该值由核函数计算得出；将核函数视为所述煤矿井下人员之间群体关系的先验知识，
Figure BDA00040479881600001710
构建加权邻接矩阵At，并引入
Figure BDA00040479881600001711
作为核函数，用于邻接矩阵At中；
Figure BDA00040479881600001712
的定义为：
Figure BDA00040479881600001713
在一个是实施例中，提取单元，包括：
通过所述煤矿井下人员轨迹的图表示，引入定义在图上的时空卷积运算，对于在二维网格图或特征图上定义的卷积运算，卷积运算为：
Figure BDA00040479881600001714
其中，k是核的大小，p(·)是以z为中心汇总邻域信息的采样函数，σ是一个激活函数，l表示层数；空间卷积运算的定义为：
Figure BDA00040479881600001715
其中，
Figure BDA00040479881600001716
是一个标准化项，Ω是相邻集的基数，B(vi)＝{vj|d(vi,vj)≤D}是顶点vi的相邻集合，d(vi,vj)表示连接vi和vj的最短路径；
通过定义一个新的图G将空间卷积扩展到时空卷积，G包含了人员轨迹的时空信息；
G1,...,Gt的拓扑结构是相同的，而当t变化时，
Figure BDA00040479881600001717
将分配不同的元素值；将G定义为(V,E)，其中包含顶点集V＝{vi|i∈{1,...,N}}和边集
Figure BDA00040479881600001718
G中顶点vi是Gt中
Figure BDA00040479881600001719
的集合，其中
Figure BDA00040479881600001720
与G对应的加权邻接矩阵A是{A1,...,AT}的集合，时空图卷积神经网络的功能是提取出嵌入在图中的时空节点，嵌入的时空节点表示为
Figure BDA00040479881600001721
邻接矩阵A是{A1,...,At}的堆栈，使用以下形式对称地规范化：
Figure BDA00040479881600001722
其中，
Figure BDA0004047988160000181
和Λt是
Figure BDA0004047988160000182
的对角节点度矩阵，使用
Figure BDA0004047988160000183
和Λ分别表示
Figure BDA0004047988160000184
和Λt的堆栈；
Vt (l)表示时间步长t网络层l的顶点值，假设V(l)是Vt (l)的堆栈，可以实现时空图卷积神经网络如下：
Figure BDA0004047988160000185
其中，W(l)为第l层处可训练参数的矩阵。
在一个实施例中，预测单元，包括：
时间推理卷积神经网络由一系列残差连接的CNN组成，给定一个场景中的N个人员及其相应的轨迹
Figure BDA0004047988160000186
在时间段T0内，预测在未来的时间范围TP内即将得到的轨迹
Figure BDA0004047988160000187
对于人员n，将相应的轨迹写为
Figure BDA0004047988160000188
其中
Figure BDA0004047988160000189
是描述人员n在t时刻位置概率分布的随机变量；假设
Figure BDA00040479881600001810
服从二元高斯分布，从而使
Figure BDA00040479881600001811
将预测的轨迹表示为
Figure BDA00040479881600001812
其服从估计的二元分布
Figure BDA00040479881600001813
训练模型以最小化负对数似然函数，其定义为：
Figure BDA00040479881600001814
其中，W包含了模型的所有可训练参数，
Figure BDA00040479881600001815
为分布的平均值，
Figure BDA00040479881600001816
为方差，
Figure BDA00040479881600001817
为相关性。
在一个实施例中，第二构建模块2，包括：
构建单元，用于采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵；
矿压值预测单元，用于基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值；其中，所述自回归的注意力机制卷积网络包括注意力机制的卷积网络和自回归模型，所述注意力机制的卷积网络对不同时刻历史信息的重要性进行评估，所述自回归模型克服卷积网络对波动数据的不敏感。
在一个实施例中，构建单元，包括：
确定数据的母序列和子序列，即比较序列；设Xi为一个数据序列，记为Xi＝(xi(1),xi(2),...,xi(n)),i＝0,1,2,...,m，其在序号k上的数据为xi(k),k＝1,2,...,n；母序列为X0＝(x0(1),x0(2),...,x0(n))，其余序列为子序列；
对母序列和子序列均进行初始点零化处理，记为
Figure BDA00040479881600001818
即
Figure BDA00040479881600001819
令：
Figure BDA0004047988160000191
母序列初始点零化处理后可表示为
Figure BDA0004047988160000192
子序列为
Figure BDA0004047988160000193
则推导可知：
Figure BDA0004047988160000194
Figure BDA0004047988160000195
计算X0与Xi关于第k个数值的关联系数，其计算公式为：
Figure BDA0004047988160000196
计算第i个子序列与母序列的关联系数均值，作为母序列与子序列间的绝对关联度；由于是通过各因素构成的时间序列态势变化反映因素间的关联程度，而t＝1时刻无变化率，故只有n-1个时间点参与运算，其公式如下：
Figure BDA0004047988160000197
通过母序列与子序列进行绝对关联度分析，构建关联系数矩阵γM为：
Figure BDA0004047988160000198
其中，γ01(x0,x1)为母序列x0与子序列x1的绝对关联度，通过分析关联系数矩阵γM，判断母序列同各相关因素所构成的子序列间的相关性强弱；
考虑空间相关性，支架g0上矿压数据与周边2q个支架上的矿压数据相关，假设q＝2，即支架g0上矿压数据与周边4个支架(gi,i＝1,...,4)上矿压数据相关，
Figure BDA0004047988160000199
为t时刻支架g0的矿压数据同周围4个支架上矿压数据的加权向量：
Figure BDA00040479881600001910
其中，w0i为支架g0与周边4个支架(gi,i＝1,...,4)的关联权重，w0i是由支架g0与支架(gi,i＝1,...,4)间的绝对关联度计算得出w0i＝γ0i，
Figure BDA00040479881600001911
表示t时刻第i个支架gi的传感器测得的矿压数据；
考虑时间相关，假设第t+1时刻的矿压数据与之前b时刻的矿压数据相关，则b为回看时间，第t+1时刻，支架g0上的矿压数据的时空输入矩阵为
Figure BDA0004047988160000201
Figure BDA0004047988160000202
在一个实施例中，矿压值预测单元，包括：
AACNet的卷积层由多个宽度ω和高度n的滤波器组成，第k个滤波器输入矩阵X得到：
hk＝RELU(Wk*X+bk)
其中，RELU函数为RELU(x)＝max(0,x)，Wk表示卷积核，*表示卷积操作，bk表示偏置，输出hk是一个向量，通过在输入矩阵X的左边填充零来使每个向量hk的长度为T，卷积层的输出矩阵的大小为dc×T，其中dc表示滤波器的数量；
卷积层的输出被送入到循环模块，该模块是带有门控循环单元GRU的循环层，并使用RELU函数作为隐藏的更新激活函数，t时刻循环单元的隐藏状态可以表示为：
rt＝σ(xtWxr+ht-1Whr+br)
ut＝σ(xtWxu+ht-1Whu+bu)
ct＝RELU(xtWxc+rt⊙(ht-1Whc)+bc)
ht＝(1-ut)⊙ht-1+ut⊙ct
其中，rt和ut为门控循环单元GRU中的重置门和更新门，ct表示当前时刻的候选隐藏状态，Wxr、Wxu、Wxc和Whr、Whu、Whc分别为当前时刻的输入权重和循环输入权重，σ为sigmoid函数，⊙是元素的乘积，br、bu、bc表示偏置，ht为最终要计算的t时刻循环单元的隐藏状态，该值通过更新门对上一时刻的隐藏状态ht-1和当前时刻的候选隐藏状态ct进行更新而得到；
引入注意力机制对不同时刻历史信息的重要性进行评估，注意力机制的计算公式为：
Figure BDA0004047988160000207
Figure BDA0004047988160000203
Figure BDA0004047988160000204
其中，
Figure BDA0004047988160000205
表示t时刻的输出序列需要关注t′时刻隐藏状态的程度，Wh和bh为网络参数，ht-1为上一时刻循环单元输出的隐藏状态，ht′为t′时刻的隐藏状态，通过softmax函数，计算出t′时刻的关注程度占所有时刻关注程度的比重
Figure BDA0004047988160000206
并以此得到t时刻的总权重因子rt；
最终，引入注意力机制的循环层输出结果为：
Figure BDA0004047988160000211
AACNet分解为一个线性部分和一个非线性部分，在AACNet的结构中，采用经典的自回归模型作为线性模块，自回归模块的预测结果表示为
Figure BDA0004047988160000212
自回归模型的系数为
Figure BDA0004047988160000213
和
Figure BDA0004047988160000214
其中qar为输入矩阵上输入窗口的大小，其中，所有维度都共享同一组线性参数；自回归模型的公式如下：
Figure BDA0004047988160000215
将注意力机制卷积网络和自回归模型的输出相结合，得到AACNet的最终预测结果：
Figure BDA0004047988160000216
其中，
Figure BDA0004047988160000217
表示模型在时间戳t的最终预测结果。
上述各模块、单元均是用于对应执行上述煤矿工作面安全状态的大数据群智感知协同预测方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图7所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储煤矿工作面安全状态的大数据群智感知协同预测方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现煤矿工作面安全状态的大数据群智感知协同预测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个煤矿工作面安全状态的大数据群智感知协同预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，包括：
构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值；
根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
2.根据权利要求1所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹的步骤，包括：
进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识；
采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为；
采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹。
3.根据权利要求2所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识的步骤，包括：
构建一组图Gt，表示在每个时间t处场景中所述煤矿井下人员的相对位置，图定义为Gt＝(Vt,Et)，其中
Figure FDA0004047988150000011
是图Gt的顶点集，观察到的位置
Figure FDA0004047988150000012
是
Figure FDA0004047988150000013
的元素；
Figure FDA0004047988150000014
是图Gt中的边集。如果
Figure FDA0004047988150000015
和
Figure FDA0004047988150000016
连接，则
Figure FDA0004047988150000017
否则
Figure FDA0004047988150000018
为了对两个顶点间的相互影响程度进行建模，引入一个参考指标
Figure FDA0004047988150000019
该值由核函数计算得出；将核函数视为所述煤矿井下人员之间群体关系的先验知识，
Figure FDA00040479881500000110
构建加权邻接矩阵At，并引入
Figure FDA00040479881500000111
作为核函数，用于邻接矩阵At中；
Figure FDA0004047988150000021
的定义为：
Figure FDA0004047988150000022
4.根据权利要求3所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为的步骤，包括：
通过所述煤矿井下人员轨迹的图表示，引入定义在图上的时空卷积运算，对于在二维网格图或特征图上定义的卷积运算，卷积运算为：
Figure FDA0004047988150000023
其中，k是核的大小，p(·)是以z为中心汇总邻域信息的采样函数，σ是一个激活函数，l表示层数；空间卷积运算的定义为：
Figure FDA0004047988150000024
其中，
Figure FDA0004047988150000025
是一个标准化项，Ω是相邻集的基数，B(vi)＝{vj|d(vi,vj)≤D}是顶点vi的相邻集合，d(vi,vj)表示连接vi和vj的最短路径；
通过定义一个新的图G将空间卷积扩展到时空卷积，G包含了人员轨迹的时空信息；G1,...,Gt的拓扑结构是相同的，而当t变化时，
Figure FDA0004047988150000026
将分配不同的元素值；将G定义为(V,E)，其中包含顶点集V＝{vi|i∈{1,...,N}}和边集
Figure FDA0004047988150000027
G中顶点vi是Gt中
Figure FDA0004047988150000028
的集合，其中
Figure FDA0004047988150000029
与G对应的加权邻接矩阵A是{A1,...,AT}的集合，时空图卷积神经网络的功能是提取出嵌入在图中的时空节点，嵌入的时空节点表示为
Figure FDA00040479881500000210
邻接矩阵A是{A1,...,At}的堆栈，使用以下形式对称地规范化：
Figure FDA00040479881500000211
其中，
Figure FDA00040479881500000212
和Λt是
Figure FDA00040479881500000213
的对角节点度矩阵，使用
Figure FDA00040479881500000214
和Λ分别表示
Figure FDA00040479881500000215
和Λt的堆栈；
Vt (l)表示时间步长t网络层l的顶点值，假设V(l)是Vt (l)的堆栈，可以实现时空图卷积神经网络如下：
Figure FDA00040479881500000216
其中，W(l)为第l层处可训练参数的矩阵。
5.根据权利要求4所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹的步骤，包括：
时间推理卷积神经网络由一系列残差连接的CNN组成，给定一个场景中的N个人员及其相应的轨迹
Figure FDA0004047988150000031
在时间段T0内，预测在未来的时间范围TP内即将得到的轨迹
Figure FDA0004047988150000032
对于人员n，将相应的轨迹写为
Figure FDA0004047988150000033
其中
Figure FDA0004047988150000034
是描述人员n在t时刻位置概率分布的随机变量；假设
Figure FDA0004047988150000035
服从二元高斯分布，从而使
Figure FDA0004047988150000036
将预测的轨迹表示为
Figure FDA0004047988150000037
其服从估计的二元分布
Figure FDA0004047988150000038
训练模型以最小化负对数似然函数，其定义为：
Figure FDA0004047988150000039
其中，W包含了模型的所有可训练参数，
Figure FDA00040479881500000310
为分布的平均值，
Figure FDA00040479881500000311
为方差，
Figure FDA00040479881500000312
为相关性。
6.根据权利要求1所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值的步骤，包括：
采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵；
基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值；其中，所述自回归的注意力机制卷积网络包括注意力机制的卷积网络和自回归模型，所述注意力机制的卷积网络对不同时刻历史信息的重要性进行评估，所述自回归模型克服卷积网络对波动数据的不敏感。
7.根据权利要求6所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵的步骤，包括：
确定数据的母序列和子序列，即比较序列；设Xi为一个数据序列，记为Xi＝(xi(1),xi(2),...,xi(n)),i＝0,1,2,...,m，其在序号k上的数据为xi(k),k＝1,2,...,n；母序列为X0＝(x0(1),x0(2),...,x0(n))，其余序列为子序列；
对母序列和子序列均进行初始点零化处理，记为
Figure FDA00040479881500000313
即
Figure FDA0004047988150000041
令：
Figure FDA0004047988150000042
母序列初始点零化处理后可表示为
Figure FDA0004047988150000043
子序列为
Figure FDA0004047988150000044
则推导可知：
Figure FDA0004047988150000045
Figure FDA0004047988150000046
计算X0与Xi关于第k个数值的关联系数，其计算公式为：
Figure FDA0004047988150000047
计算第i个子序列与母序列的关联系数均值，作为母序列与子序列间的绝对关联度；由于是通过各因素构成的时间序列态势变化反映因素间的关联程度，而t＝1时刻无变化率，故只有n-1个时间点参与运算，其公式如下：
Figure FDA0004047988150000048
通过母序列与子序列进行绝对关联度分析，构建关联系数矩阵γM为：
Figure FDA0004047988150000049
其中，γ01(x0,x1)为母序列x0与子序列x1的绝对关联度，通过分析关联系数矩阵γM，判断母序列同各相关因素所构成的子序列间的相关性强弱；
考虑空间相关性，支架g0上矿压数据与周边2q个支架上的矿压数据相关，假设q＝2，即支架g0上矿压数据与周边4个支架(gi,i＝1,...,4)上矿压数据相关，
Figure FDA00040479881500000410
为t时刻支架g0的矿压数据同周围4个支架上矿压数据的加权向量：
Figure FDA00040479881500000411
其中，w0i为支架g0与周边4个支架(gi,i＝1,...,4)的关联权重，w0i是由支架g0与支架(gi,i＝1,...,4)间的绝对关联度计算得出w0i＝γ0i，
Figure FDA00040479881500000412
表示t时刻第i个支架gi的传感器测得的矿压数据；
考虑时间相关，假设第t+1时刻的矿压数据与之前b时刻的矿压数据相关，则b为回看时间，第t+1时刻，支架g0上的矿压数据的时空输入矩阵为
Figure FDA0004047988150000051
Figure FDA0004047988150000052
8.根据权利要求7所述的煤矿工作面安全状态的大数据群智感知协同预测方法，其特征在于，所述基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值的步骤，包括：
AACNet的卷积层由多个宽度ω和高度n的滤波器组成，第k个滤波器输入矩阵X得到：
hk＝RELU(Wk*X+bk)
其中，RELU函数为RELU(x)＝max(0,x)，Wk表示卷积核，*表示卷积操作，bk表示偏置，输出hk是一个向量，通过在输入矩阵X的左边填充零来使每个向量hk的长度为T，卷积层的输出矩阵的大小为dc×T，其中dc表示滤波器的数量；
卷积层的输出被送入到循环模块，该模块是带有门控循环单元GRU的循环层，并使用RELU函数作为隐藏的更新激活函数，t时刻循环单元的隐藏状态可以表示为：
rt＝σ(xtWxr+ht-1Whr+br)
ut＝σ(xtWxu+ht-1Whu+bu)
ct＝RELU(xtWxc+rt⊙(ht-1Whc)+bc)
ht＝(1-ut)⊙ht-1+ut⊙ct
其中，rt和ut为门控循环单元GRU中的重置门和更新门，ct表示当前时刻的候选隐藏状态，Wxr、Wxu、Wxc和Whr、Whu、Whc分别为当前时刻的输入权重和循环输入权重，σ为sigmoid函数，⊙是元素的乘积，br、bu、bc表示偏置，ht为最终要计算的t时刻循环单元的隐藏状态，该值通过更新门对上一时刻的隐藏状态ht-1和当前时刻的候选隐藏状态ct进行更新而得到；
引入注意力机制对不同时刻历史信息的重要性进行评估，注意力机制的计算公式为：
Figure FDA0004047988150000053
Figure FDA0004047988150000054
Figure FDA0004047988150000061
其中，
Figure FDA0004047988150000062
表示t时刻的输出序列需要关注t′时刻隐藏状态的程度，Wh和bh为网络参数，ht-1为上一时刻循环单元输出的隐藏状态，ht′为t′时刻的隐藏状态，通过softmax函数，计算出t′时刻的关注程度占所有时刻关注程度的比重
Figure FDA0004047988150000063
并以此得到t时刻的总权重因子rt；
最终，引入注意力机制的循环层输出结果为：
Figure FDA0004047988150000064
AACNet分解为一个线性部分和一个非线性部分，在AACNet的结构中，采用经典的自回归模型作为线性模块，自回归模块的预测结果表示为
Figure FDA0004047988150000065
自回归模型的系数为
Figure FDA0004047988150000066
和
Figure FDA0004047988150000067
其中qar为输入矩阵上输入窗口的大小，其中，所有维度都共享同一组线性参数；自回归模型的公式如下：
Figure FDA0004047988150000068
将注意力机制卷积网络和自回归模型的输出相结合，得到AACNet的最终预测结果：
Figure FDA0004047988150000069
其中，
Figure FDA00040479881500000610
表示模型在时间戳t的最终预测结果。
9.一种煤矿工作面安全状态的大数据群智感知协同预测装置，其特征在于，包括：
第一构建模块，用于构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；
第二构建模块，用于构建ADI-AACNet算法，并利用所述ADI-AACNet算法预测煤矿井下支架群组的矿压值；
获取模块，用于根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，
确定模块，用于根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202310034020.XA 2023-01-10 2023-01-10 煤矿工作面安全状态的大数据群智感知协同预测方法 Pending CN116029331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310034020.XA CN116029331A (zh) 2023-01-10 2023-01-10 煤矿工作面安全状态的大数据群智感知协同预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310034020.XA CN116029331A (zh) 2023-01-10 2023-01-10 煤矿工作面安全状态的大数据群智感知协同预测方法

Publications (1)

Publication Number Publication Date
CN116029331A true CN116029331A (zh) 2023-04-28

Family

ID=86075661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310034020.XA Pending CN116029331A (zh) 2023-01-10 2023-01-10 煤矿工作面安全状态的大数据群智感知协同预测方法

Country Status (1)

Country Link
CN (1) CN116029331A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680545A (zh) * 2023-08-02 2023-09-01 西安核音智言科技有限公司 一种基于马尔科夫随机场的煤矿出井人员预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680545A (zh) * 2023-08-02 2023-09-01 西安核音智言科技有限公司 一种基于马尔科夫随机场的煤矿出井人员预测方法
CN116680545B (zh) * 2023-08-02 2023-10-20 西安核音智言科技有限公司 一种基于马尔科夫随机场的煤矿出井人员预测方法

Similar Documents

Publication Publication Date Title
Bui et al. A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hydropower dam
Wang et al. Application of artificial neural network in tunnel engineering: A systematic review
Bui et al. Deformation forecasting of a hydropower dam by hybridizing a long short‐term memory deep learning network with the coronavirus optimization algorithm
Lee et al. Cultural heritage and the intelligent internet of things
Cheng et al. Prediction of gas concentration evolution with evolutionary attention-based temporal graph convolutional network
Ma et al. Location of natural gas leakage sources on offshore platform by a multi-robot system using particle swarm optimization algorithm
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN116029331A (zh) 煤矿工作面安全状态的大数据群智感知协同预测方法
Jacobsen et al. Deep learning in construction: review of applications and potential avenues
Kumar et al. A novel approach for blast-induced fly rock prediction based on particle swarm optimization and artificial neural network
CN115906626A (zh) 一种基于人工智能的地下水有机污染互馈反演溯源方法
Newaz et al. Long-term autonomy for AUVs operating under uncertainties in dynamic marine environments
Korobkin et al. Diagnosis in SEMS Based on Cognitive Models
Tont et al. Markov approach of adaptive task assignment for robotic system in non-stationary environments
KR102408444B1 (ko) 인공신경망을 이용한 실내공기질 가상 모니터링 방법 및 시스템
Li Stability rating of mine rock slope based on artificial intelligence
CN112862211A (zh) 通信管理系统动环缺陷派单方法及装置
Rana et al. A comparative analysis of ANN and ANFIS approaches for earthquake forecasting
Chen et al. Traffic congestion prediction based on long-short term memory neural network models
CN111859798A (zh) 基于双向长短时神经网络的流程工业故障诊断方法
Nie et al. Research on Gaussian Plume Model of Gas Diffusion in Coal Mine Roadway Based on BP Neural Network Optimized by Genetic Algorithm
Bui et al. An assessment of some algorithms for modeling and forecasting horizontal displacement of ialy dam, Vietnam
Chen Study on Early Warning of Karst Collapse Based on the BP Neural Network
Jiedeerbieke et al. Gravity Dam Deformation Prediction Model Based on I-KShape and ZOA-BiLSTM
Brunetti Cyclic overlapping block coordinate search for optimizing building design

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