基于真实数据与模拟数据的开采矿区运输车队产能预测深度学习方法
机器学习
2025-06-06 v1
摘要
在开采矿区，气候变化、机械故障和人员可用性的波动带来显著的运营不确定性，对运输车队产能的准确短期预测至关重要。本文提出一种深度学习框架，将真实的运营记录（高分辨率降雨测量、车队性能遥测数据）与合成的机械故障情景相结合，以使模型能够捕捉波动的高影响力故障事件。我们评估了两种体系结构：XGBoost 回归器实现的中位数绝对误差(MedAE)为14.3%，长短期记忆网络(LSTM)的MedAE为15.1%。通过Shapley贡献解释(SHAP)值分析，识别出累计降雨量、历史有效载荷趋势以及模拟故障频率为主要预测因子。整合模拟故障数据和班次规划特征显著减少了预测波动性。未来工作将进一步整合维护计划指标（平均故障间隔时间Mean Time Between Failures、平均维修时间Mean Time to Repair）、详细的人力资源数据（员工缺勤、班组效率指标）、炮击事件计划等其他运营约束，以提升预测的鲁棒性和适应性。这种混合建模方法为在动态不确定条件下实现主动、数据驱动的车队管理提供了全面的决策支持工具。
引用
@article{arxiv.2506.04296,
title = {Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data},
author = {N Guerin and M Nakhla and A Dehoux and J L Loyer},
journal= {arXiv preprint arXiv:2506.04296},
year = {2025}
}