買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西北核技術研究所申請的專利基于機器學習的平洞內雙向單車道智能會車調度方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116543556B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310491387.4，技術領域涉及：G08G1/01；該發明授權基于機器學習的平洞內雙向單車道智能會車調度方法是由付良瑞;李增彥;陳濤;鄧金球;代佳凱;朱寶良;潘榮敏設計研發完成，并于2023-05-04向國家知識產權局提交的專利申請。

本基于機器學習的平洞內雙向單車道智能會車調度方法在說明書摘要公布了：本發明公開了基于機器學習的平洞內雙向單車道智能會車調度方法，涉及礦山開挖工程管理與車輛調度領域，其方法步驟如下：步驟一：首先由會車態勢感知線程收集并預處理洞內車輛關鍵信息，并將信息緩存起來；步驟二：進一步由會車預警線程實時輪詢車輛緩存信息；步驟三：調用預置的綜合決策模型，并自動適時下發會車調度指令或提示人工干預會車調度，本發明利用不同種類學習模型（經驗函數、有監督學習、無監督學習）的融合，取長補短，經驗函數能夠表示通用規則，高效簡潔，同時該綜合決策模型隨著工程實際樣本的增加，可以通過重復訓練升級準確率，該方法能夠適應洞內復雜環境，具有應用潛力大，調度效率高、調度準確度高的顯著效果。

本發明授權基于機器學習的平洞內雙向單車道智能會車調度方法在權利要求書中公布了：1.一種基于機器學習的平洞內雙向單車道智能會車調度方法，其方法步驟如下： 步驟一：首先由會車態勢感知線程收集并預處理洞內車輛關鍵信息，并將信息緩存起來； 步驟二：進一步由會車預警線程實時輪詢車輛緩存信息； 步驟三：進一步調用預置的綜合決策模型，并自動適時下發會車調度指令或提示人工干預會車調度； 所述步驟一中會車態勢感知線程根據巷道信息采集區內車輛信息，進一步處理辨識得到會車前的車輛信息； 所述會車前的車輛信息包括：①車況，分兩類，車型和是否空車，車型由車輛自身定位標簽中錄入的登記信息決定，是否空車由駕駛員根據情況即時設置；②車隊內車輛數目，先根據同運動趨勢相鄰車的相對距離，規定時間內低于一定相對閾值的相鄰車被歸為一個車隊，單車視為數量為1的車隊；③速度，由位置差分取值得出，決定了避讓決策是否發出，靜止的車輛默認不接收避讓信息；④方向，由位置和速度趨勢聯合判斷得出，取進出巷道，或者上下坡方向；⑤車輛與避讓硐室相對距離，可能潛在影響避讓指令下發時機；⑥車輛與巷道口相對距離，一般相對于巷道入口，為車輛排序提供基準；⑦避讓硐室數量，與巷道編號綁定； 所述步驟二中會車預警線程，需要將緩存更新的巷道車輛信息，進行遍歷預處理； 所述步驟三中將需要會車調度的會車樣本輸入至綜合決策模型中，綜合決策模型包含人為預先制定的規則函數、無監督機器學習與有監督機器學習三種會車調度模型，訓練好的三種模型最終將對會車場景同時做出決策，各自的決策根據投票機制融合得出最終結果；其特征在于： 一個會車樣本由進、出巷道的車隊兩個對象構成，每個對象具有一個特征向量，向量各維度代表的特征有：單車類型、行駛方向、行駛平均速度、車隊類型、隊內車輛數目、隊內車輛類型、首車與最近錯車洞的距離、前方錯車洞數量； 從礦山綜合信息系統監控屏幕錄制的洞內一張圖視頻中提取會車場景中的樣本集，樣本標簽為視頻中實際的避讓結果，共1000個樣本，按7:3的比例分為訓練集和測試集，經過數據預處理后，進行模型訓練，模型驗證； 數據預處理，根據一張圖視頻錄像內容和時刻，從綜合信息管理系統數據庫對應提取會車區邊緣延伸100米內的車輛信息，對信息進行歸一化處理，利用正向填充策略填補缺失值，剔除異常值，并將信息轉為相關算法包的對應輸入格式； 規則函數如所示，函數結果DS取值的1、0、-1分別對應標簽1、3、2； 將車隊數量、車況參數、行駛方向、車隊首車據最近避讓硐室距離作為規則變量，該規則函數設定目標與洞內日常避讓規定一致，傾向于滿車、大車、長車隊、上坡與出巷道車優先通過，兼顧與錯車洞的首車距離，規則函數的參數不需要通過數據訓練得到，表達式權重系數根據經驗人為指定； 其中：N-同向車的數量， M-車況參數； D-行駛方向； S-車隊首車距最近避讓硐室距離； a、b、c、d為線性權重函數； 采用歐幾里得距離度量相似性，使用誤差的平方和—sumofsquarederrorsSSE作為度量聚類質量的目標函數；給定包含n個數據對象的數據集D＝{x1,x2,L,xn},n＝1000；定義經由均值算法進行聚類分析后產生的類別集合為C＝{C1,C2,L,CK}；FCM算法的目標函數SSEC如下式所示： 其中： 式中，wxik表示對象xi屬于類別k的隸屬度，即可能性；ck是簇CK的中心點，FCM算法通過迭代更新wxik和ck達成最小化SSE的目標；下面給出了FCM算法的具體步驟；β由經驗指定，這里取2，FCM算法如模糊聚類算法總體執行步驟所示； 輸入：所有數據點A，聚類個數k； 輸出：k個聚類中心點； 1.初始化從屬度矩陣W＝[wxik]； 2.Repeat； 3.計算聚類中心點ck； 4.計算wxik更新從屬度矩陣； 5.until滿足收斂條件； FCM算法的收斂條件設置為兩次迭代過程中汁算的SSE的差值，如下式所示： Et＝||SSEt-SSEt-1||＜ε 式中，ε是一個預先設定好的容忍誤差，t是迭代次數；當兩次迭代過程中SSE值的變化小于這個預設值的時候，就可以判定算法收斂； 利用會車場景樣本集對FCM模型進行訓練，聚類簇個數K設為3，得出三個簇及聚類中心點，對應三種決策結果：入巷車隊避讓、出巷車隊避讓、提交人工干預，分別取值1,2,3作為標簽，簇標簽取分類后與實際避讓結果相符比例最高的數值；將實際采集的樣本實時輸入到訓練好的模型中，計算其與中心點距離，得出結果，對于每一個結果，對象樣本都對應一個取值范圍在[0，1]的隸屬度，這個值表示該對象應當執行該結果的合理性，將該值與預設的閾值比較，如果大于閾值，則按照簇標簽得出決策； XGBoost分類模型，訓練和驗證；基于XGBoost的分類器通過貝葉斯網絡，評估采用5折交叉驗證的方式進行參數優化，將數據集分成5個大小相等的部分折，拋開一個折，在其它合并的4個折上訓練模型，最后在拋開的折上訓練模型，將這個過程重復5次，每個折都被用作測試集，利用AUC得分作為優化后參數的評價結果，然后將每個折的評價結果結合起來，取其平均值，作為超參數調節優化的依據；最終選擇綜合效果最優的參數； 采用基于Python實現的BayesianOptimization包進行貝葉斯優化，先定義優化函數，傳入參數及邊界，然后初始化階段隨機探索，接著進行貝葉斯優化迭代，得到最大化優化函數返回值,即嘗試得到AUC最大的參數組合，得到最優參數組合后，將其作為XGBoost參數重新進行模型訓練；最終設置的Xgboost分類算法參數為：迭代次數為300，類別數目為3、分類器類型為gbtree、目標函數為multi:softmax、學習速率eta＝0.1、樹的最大深度max_depth＝6等，訓練得到的模型將用于會車調度中的決策分類:入巷車隊避讓、出巷車隊避讓、提交人工干預，分別取值1,2,3作為標簽； 模型融合，采用硬投票機制，計數規則函數、模糊聚類和XGBoost三種模型的分類輸出值，少數服從多數，至少有兩個分類器輸出同一類別，則最終會車決策結果才能輸出相應類別1、2或3，否則均通過顯示終端提示人工干預指揮調度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西北核技術研究所，其通訊地址為：710024 陜西省西安市灞橋區平峪路28號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。