买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北核技术研究所申请的专利基于机器学习的平洞内双向单车道智能会车调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116543556B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310491387.4，技术领域涉及：G08G1/01；该发明授权基于机器学习的平洞内双向单车道智能会车调度方法是由付良瑞;李增彦;陈涛;邓金球;代佳凯;朱宝良;潘荣敏设计研发完成，并于2023-05-04向国家知识产权局提交的专利申请。

本基于机器学习的平洞内双向单车道智能会车调度方法在说明书摘要公布了：本发明公开了基于机器学习的平洞内双向单车道智能会车调度方法，涉及矿山开挖工程管理与车辆调度领域，其方法步骤如下：步骤一：首先由会车态势感知线程收集并预处理洞内车辆关键信息，并将信息缓存起来；步骤二：进一步由会车预警线程实时轮询车辆缓存信息；步骤三：调用预置的综合决策模型，并自动适时下发会车调度指令或提示人工干预会车调度，本发明利用不同种类学习模型（经验函数、有监督学习、无监督学习）的融合，取长补短，经验函数能够表示通用规则，高效简洁，同时该综合决策模型随着工程实际样本的增加，可以通过重复训练升级准确率，该方法能够适应洞内复杂环境，具有应用潜力大，调度效率高、调度准确度高的显著效果。

本发明授权基于机器学习的平洞内双向单车道智能会车调度方法在权利要求书中公布了：1.一种基于机器学习的平洞内双向单车道智能会车调度方法，其方法步骤如下： 步骤一：首先由会车态势感知线程收集并预处理洞内车辆关键信息，并将信息缓存起来； 步骤二：进一步由会车预警线程实时轮询车辆缓存信息； 步骤三：进一步调用预置的综合决策模型，并自动适时下发会车调度指令或提示人工干预会车调度； 所述步骤一中会车态势感知线程根据巷道信息采集区内车辆信息，进一步处理辨识得到会车前的车辆信息； 所述会车前的车辆信息包括：①车况，分两类，车型和是否空车，车型由车辆自身定位标签中录入的登记信息决定，是否空车由驾驶员根据情况即时设置；②车队内车辆数目，先根据同运动趋势相邻车的相对距离，规定时间内低于一定相对阈值的相邻车被归为一个车队，单车视为数量为1的车队；③速度，由位置差分取值得出，决定了避让决策是否发出，静止的车辆默认不接收避让信息；④方向，由位置和速度趋势联合判断得出，取进出巷道，或者上下坡方向；⑤车辆与避让硐室相对距离，可能潜在影响避让指令下发时机；⑥车辆与巷道口相对距离，一般相对于巷道入口，为车辆排序提供基准；⑦避让硐室数量，与巷道编号绑定； 所述步骤二中会车预警线程，需要将缓存更新的巷道车辆信息，进行遍历预处理； 所述步骤三中将需要会车调度的会车样本输入至综合决策模型中，综合决策模型包含人为预先制定的规则函数、无监督机器学习与有监督机器学习三种会车调度模型，训练好的三种模型最终将对会车场景同时做出决策，各自的决策根据投票机制融合得出最终结果；其特征在于： 一个会车样本由进、出巷道的车队两个对象构成，每个对象具有一个特征向量，向量各维度代表的特征有：单车类型、行驶方向、行驶平均速度、车队类型、队内车辆数目、队内车辆类型、首车与最近错车洞的距离、前方错车洞数量； 从矿山综合信息系统监控屏幕录制的洞内一张图视频中提取会车场景中的样本集，样本标签为视频中实际的避让结果，共1000个样本，按7:3的比例分为训练集和测试集，经过数据预处理后，进行模型训练，模型验证； 数据预处理，根据一张图视频录像内容和时刻，从综合信息管理系统数据库对应提取会车区边缘延伸100米内的车辆信息，对信息进行归一化处理，利用正向填充策略填补缺失值，剔除异常值，并将信息转为相关算法包的对应输入格式； 规则函数如所示，函数结果DS取值的1、0、-1分别对应标签1、3、2； 将车队数量、车况参数、行驶方向、车队首车据最近避让硐室距离作为规则变量，该规则函数设定目标与洞内日常避让规定一致，倾向于满车、大车、长车队、上坡与出巷道车优先通过，兼顾与错车洞的首车距离，规则函数的参数不需要通过数据训练得到，表达式权重系数根据经验人为指定； 其中：N-同向车的数量， M-车况参数； D-行驶方向； S-车队首车距最近避让硐室距离； a、b、c、d为线性权重函数； 采用欧几里得距离度量相似性，使用误差的平方和—sumofsquarederrorsSSE作为度量聚类质量的目标函数；给定包含n个数据对象的数据集D＝{x1,x2,L,xn},n＝1000；定义经由均值算法进行聚类分析后产生的类别集合为C＝{C1,C2,L,CK}；FCM算法的目标函数SSEC如下式所示： 其中： 式中，wxik表示对象xi属于类别k的隶属度，即可能性；ck是簇CK的中心点，FCM算法通过迭代更新wxik和ck达成最小化SSE的目标；下面给出了FCM算法的具体步骤；β由经验指定，这里取2，FCM算法如模糊聚类算法总体执行步骤所示； 输入：所有数据点A，聚类个数k； 输出：k个聚类中心点； 1.初始化从属度矩阵W＝[wxik]； 2.Repeat； 3.计算聚类中心点ck； 4.计算wxik更新从属度矩阵； 5.until满足收敛条件； FCM算法的收敛条件设置为两次迭代过程中汁算的SSE的差值，如下式所示： Et＝||SSEt-SSEt-1||＜ε 式中，ε是一个预先设定好的容忍误差，t是迭代次数；当两次迭代过程中SSE值的变化小于这个预设值的时候，就可以判定算法收敛； 利用会车场景样本集对FCM模型进行训练，聚类簇个数K设为3，得出三个簇及聚类中心点，对应三种决策结果：入巷车队避让、出巷车队避让、提交人工干预，分别取值1,2,3作为标签，簇标签取分类后与实际避让结果相符比例最高的数值；将实际采集的样本实时输入到训练好的模型中，计算其与中心点距离，得出结果，对于每一个结果，对象样本都对应一个取值范围在[0，1]的隶属度，这个值表示该对象应当执行该结果的合理性，将该值与预设的阈值比较，如果大于阈值，则按照簇标签得出决策； XGBoost分类模型，训练和验证；基于XGBoost的分类器通过贝叶斯网络，评估采用5折交叉验证的方式进行参数优化，将数据集分成5个大小相等的部分折，抛开一个折，在其它合并的4个折上训练模型，最后在抛开的折上训练模型，将这个过程重复5次，每个折都被用作测试集，利用AUC得分作为优化后参数的评价结果，然后将每个折的评价结果结合起来，取其平均值，作为超参数调节优化的依据；最终选择综合效果最优的参数； 采用基于Python实现的BayesianOptimization包进行贝叶斯优化，先定义优化函数，传入参数及边界，然后初始化阶段随机探索，接着进行贝叶斯优化迭代，得到最大化优化函数返回值,即尝试得到AUC最大的参数组合，得到最优参数组合后，将其作为XGBoost参数重新进行模型训练；最终设置的Xgboost分类算法参数为：迭代次数为300，类别数目为3、分类器类型为gbtree、目标函数为multi:softmax、学习速率eta＝0.1、树的最大深度max_depth＝6等，训练得到的模型将用于会车调度中的决策分类:入巷车队避让、出巷车队避让、提交人工干预，分别取值1,2,3作为标签； 模型融合，采用硬投票机制，计数规则函数、模糊聚类和XGBoost三种模型的分类输出值，少数服从多数，至少有两个分类器输出同一类别，则最终会车决策结果才能输出相应类别1、2或3，否则均通过显示终端提示人工干预指挥调度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北核技术研究所，其通讯地址为：710024 陕西省西安市灞桥区平峪路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。