基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明:所提出模型的预测误差均低于其他模型,相关系数可达0.9819。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。

露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。

基于模糊神经网络卡车路段行程时间实时动态预测

提出了一种基于模糊神经网络卡车路段行程时间实时预测模型,阐述了自适应神经网络模糊系统(Adaptive Network-based Fuzzy Inference System,ANFIS)网络原理和方法对行程时间预测的可行性和可靠性,采用最小二乘法和误差反传算法结合的混合学习算法,减少了搜索空间的维数,而采用的减法聚类方法减少了模糊推理规则.混合学习算法和减法聚类方法的应用提高了网络参数的辨识和收敛速度.实例仿真论证了该模型预测速度更快、准确性更高,实时性好,获得了比单纯使用神经网络或模糊理论更精确的预测结果.

基于交通组织的物流园区功能区块布局

将物流园区内部交通网络和货车行驶时间引入布局模型中,并考虑货车通过交叉口的时间,构建了基于交通组织的物流园区功能区块布局模型.设计遗传算法,在染色体转化为布局方案后,抽象出内部交通网络,在全有全无交通组织的基础上计算车辆行驶时间,所得到的结果更符合实际要求.结果表明,相比现有模型,按该布局车辆行驶时间平均可以减少9.5%.

基于速度场的露天矿卡车多路段行程时间组合预测模型

受限于露天矿道路的复杂性,现有的卡车行程时间预测方法在实际部署中存在困难,导致卡车优化调度系统只实现调度而非优化。提出了一种基于速度场的露天矿卡车多路段行程时间组合预测模型。将露天矿道路划分为多个路段,采用随机森林算法构建单元预测模型,预测卡车在每一路段的行驶时间,再对各单元预测模型预测值累加,得出卡车在复合路段上的行程时间预测值。为提高预测精度,将卡车平均速度作为行程时间影响因素,根据已采集的卡车速度信息构建速度场,求取路段上所有点卡车速度的平均值,将其近似为卡车在该路段的平均速度并输入单元预测模型。以伊敏露天矿卡车调度系统中的卡车行程信息为基础数据,训练得到组合预测模型,并对该模型进行预测精度与实时性实验,结果表明:基于速度场的露天矿卡车多路段行程时间组合预测模型对于复合路段上的卡车行程时间具有较高的预测精度,平均绝对误差百分比为4.81%,较基于随机森林算法的单一预测模型降低2%以上;组合预测模型运算时间不超过1 s,可实现卡车行程时间实时预测。

集装箱卡车运输问题的基于图的建模方法

对港口和发货人/收货人之间的集装箱卡车运输问题给出了基于图的建模方法.该图不仅可以描述进出口空箱或满箱的运输,而且可以描述空集装箱作为运输资源的属性.这种图将确定的活动描述为顶点,将不确定的活动描述为弧,称为确定活动在顶点上的图(DAOV图).基于这种方法,建立了集装箱卡车运输问题的基本情形、多堆场多港口情形以及堆场上的空箱数目给定情形的数学模型;相应问题被描述为带时间窗的多旅行商问题(m-TSPTW)、多堆场的m-TSPTW以及带资源约束的m-TSPTW.而且这种方法可以扩展到集装箱卡车运输问题的更一般情形,这体现出该建模方法的有效性.