CN107256438B - 预测船舶港口停留时间的方法及装置 - Google Patents
预测船舶港口停留时间的方法及装置 Download PDFInfo
- Publication number
- CN107256438B CN107256438B CN201710385195.XA CN201710385195A CN107256438B CN 107256438 B CN107256438 B CN 107256438B CN 201710385195 A CN201710385195 A CN 201710385195A CN 107256438 B CN107256438 B CN 107256438B
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- data
- current
- berth
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B21/00—Tying-up; Shifting, towing, or pushing equipment; Anchoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Abstract
本发明提供一种预测船舶港口停留时间的方法及装置,该方法包括:获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间、船舶信息;根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间。根据所述船舶停留数据获得当前预测船舶的港口停留时间,做到对每一个港口的锚地和泊位的历史数据进行挖掘,保证不同船舶在不同港口的锚地和泊位的停留时间较准确,为使用者提供及时的数据保障。
Description
技术领域
本发明涉及大数据分析技术领域,尤其涉及一种预测船舶港口停留时间的方法及装置。
背景技术
伴随着经济全球化的蓬勃发展,货物的流转变得更加的频繁,同时货物流转的高效性成为了各方关注的焦点,交运运输行业的地步变得越来越重要。海运由于其长距离运输,运转高效等特性,在运输中所占的份额越来越大。
在全球经济一体化的今天,工作的高效率化是竞争的一个重要手段。在海运中,港口的高效作业成为大家研究的一个热点,重点在于如何合理的调配机器作业,人员安排。
但是这些均是从操作方的角度出发,对于航运的大部分参与者来讲,没有办法直接得到港口作业的完成效率如何,也无法的得到船舶预计何时才能进行靠港作业,会造成对航运后续环节的安排失衡,无法高效的使整个运输流程运转流畅。
发明内容
本发明提供一种预测船舶港口停留时间的方法及装置,用于解决目前港口运输流程运转不够流畅的问题。
第一方面,本发明提供一种预测船舶港口停留时间的方法,包括:
获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间;
获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长;
根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间;
根据所述船舶停留数据获得当前预测船舶的港口停留时间。
可选地,所述预设条件包括:
获取所述船舶停留数据的条数不大于预设条数;
获取所述船舶停留数据的历史时间段不大于预设时间长度;
所述船舶停留数据均为所述历史时间段内每周同一天的数据。
可选地,所述根据所述船舶停留数据获得当前预测船舶的港口停留时间,包括:
对所述船舶停留数据进行分类,获得对应编号类型下的停留时间,所述编号类型包括泊位编号和锚地编号,所述停留时间包括泊位停留时间和锚地停留时间;
获取当前预测船舶的当前编号类型;
根据当前编号类型获得对应的多个已选停留时间;
按照预设比例对所述多个已选停留时间进行分类,获得训练数据和预测数据;
对所述训练数据中的已选停留时间设置对应的初始权重;
根据所述已选停留时间和初始权重采用预测计算模型获得所述当前预测船舶在所述当前编号类型下对应港口停留时间;
其中,所述预测计算模型包括:
Tidk(p)为所述预测数据中的已选停留时间,i为编号类型和编号,d为一周的某一天,k为船型,p为所述预测数据中已选停留时间的个数;
Tidk(h)为所述训练数据中的已选停留时间,h为所述训练数据中已选停留时间的个数;
ωidk为所述训练数据中已选停留数据对应的权重;
γ为比对系数且小于预设值;
T为训练时间值。
可选地,所述方法还包括:
1)获取船舶在当前天的前一天的平均等待进入泊位时间;
2)获取当前锚地范围所有船舶对应的剩余的锚地停留时间;
3)获取泊位内船舶的剩余停留时间,所述剩余停留时间等于预测的停留时间-实际的停留时间;
4)根据步骤3)得到所有船舶剩余停留时间均大于0,则将获取到的锚地内船舶进入锚地的时间排序,将泊位内船舶的剩余时间按照从小到大关系赋值给锚地中的船舶,若获取到的锚地内船舶数据比泊位内船舶的数量多,则将剩余的船舶需要锚地停留时间与步骤1)中所述平均等待进入泊位时间求和;
5)如果步骤3)得到所有船舶剩余停留时间小于或等于0,则将港口内能泊位的数量减去停留时间大于0的数量,继续执行步骤4);
6)重复执行步骤1)至步骤5)直到所有泊位、所有船舶都计算完毕
7)每隔预设时长重新执行步骤1)至步骤6)。
可选地,所述预设港口泊位范围根据采集到的预设时间段内的船舶的轨迹信息采用聚类方式进行确定。
第二方面,本发明提供一种预测船舶港口停留时间的装置,包括:
第一获取模块,用于获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间;
第二获取模块,用于获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长;
选取模块,用于根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间;
计算模块,用于根据所述船舶停留数据获得当前预测船舶的港口停留时间。
可选地,所述预设条件包括:
获取所述船舶停留数据的条数不大于预设条数;
获取所述船舶停留数据的历史时间段不大于预设时间长度;
所述船舶停留数据均为所述历史时间段内每周同一天的数据。
可选地,所述计算模块具体用于:
对所述船舶停留数据进行分类,获得对应编号类型下的停留时间,所述编号类型包括泊位编号和锚地编号,所述停留时间包括泊位停留时间和锚地停留时间;
获取当前预测船舶的当前编号类型;
根据当前编号类型获得对应的多个已选停留时间;
按照预设比例对所述多个已选停留时间进行分类,获得训练数据和预测数据;
对所述训练数据中的已选停留时间设置对应的初始权重;
根据所述已选停留时间和初始权重采用预测计算模型获得所述当前预测船舶在所述当前编号类型下对应港口停留时间;
其中,所述预测计算模型包括:
Tidk(p)为所述预测数据中的已选停留时间,i为编号类型和编号,d为一周的某一天,k为船型,p为所述预测数据中已选停留时间的个数;
Tidk(h)为所述训练数据中的已选停留时间,h为所述训练数据中已选停留时间的个数;
ωidk为所述训练数据中已选停留数据对应的权重;
γ为比对系数且小于预设值;
T为训练时间值。
可选地,还包括调整模块,用于:
1)获取船舶在当前天的前一天的平均等待进入泊位时间;
2)获取当前锚地范围所有船舶对应的剩余的锚地停留时间;
3)获取泊位内船舶的剩余停留时间,所述剩余停留时间等于预测的停留时间-实际的停留时间;
4)根据步骤3)得到所有船舶剩余停留时间均大于0,则将获取到的锚地内船舶进入锚地的时间排序,将泊位内船舶的剩余时间按照从小到大关系赋值给锚地中的船舶,若获取到的锚地内船舶数据比泊位内船舶的数量多,则将剩余的船舶需要锚地停留时间与步骤1)中所述平均等待进入泊位时间求和;
5)如果步骤3)得到所有船舶剩余停留时间小于或等于0,则将港口内能泊位的数量减去停留时间大于0的数量,继续执行步骤4);
6)重复执行步骤1)至步骤5)直到所有泊位、所有船舶都计算完毕
7)每隔预设时长重新执行步骤1)至步骤6)。
可选地,所述预设港口泊位范围根据采集到的预设时间段内的船舶的轨迹信息采用聚类方式进行确定。
由上述技术方案可知,本发明提供的一种预测船舶港口停留时间的方法及装置,通过获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间,以及获取当前预测船舶的船舶信息,根据当前时间和船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,再根据船舶停留数据获得当前预测船舶的港口停留时间,做到对每一个港口的锚地和泊位的历史数据进行挖掘,保证不同船舶在不同港口的锚地和泊位的停留时间较准确,为使用者提供及时的数据保障。
附图说明
图1为本发明实施例1提供的预测船舶港口停留时间的方法的流程示意图;
图2为本发明实施例1提供的根据船舶停留数据预测停留时间的流程示意图;
图3为本发明实施例2提供的预测船舶港口停留时间的装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明实施例1提供一种预测船舶港口停留时间的方法,包括:
S11、获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间。
在本步骤中,需要说明的是,在本发明实施例中,所述预设港口泊位范围可根据采集到的预设时间段内的船舶的轨迹信息采用聚类方式进行确定,确认港口泊、锚地的范围。船舶的轨迹信息包括船舶的速度,船舶的方向,船舶的航行时间等。
在得到港口泊位和锚地的范围后,将其视作电子围栏,根据船舶进入电子围栏的情况,可以得到船舶进入港口泊位或锚地内的当前时间。
S12、获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长。
在本步骤中,需要说明的是,在本发明实施例中,当当前预测船舶进入港口泊位或锚地后,系统会获取该当前预测船舶的船舶信息。如该船舶的船型及船长等。系统获取船舶信息的实现,可由当前预测船舶向系统发送信息即可。
S13、根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间。
在本步骤中,需要说明的是,在本发明实施例中,由于历史数据较大量,因此需要设定选取条件,如下:
1、获取所述船舶停留数据的条数不大于预设条数。如预设条数为20,则从历史数据中获取到的船舶停留数据不得少于20条。
2、获取所述船舶停留数据的历史时间段不大于预设时间长度。如预设时间长度为半年,则从当前时间所属当前日期向前,时间跨度不得大于半年。
3、所述船舶停留数据均为所述历史时间段内每周同一天的数据。即当前时间所属日期为星期四,则获取历史时间段内的每周四的船舶停留数据。
上述三个条件在本发明实施例中均同时满足才能获得所需的船舶停留时间。
S14、根据所述船舶停留数据获得当前预测船舶的港口停留时间。
在本步骤中,需要说明的是,在本发明实施例中,步骤S14具体可为:
S141、对所述船舶停留数据进行分类,获得对应编号类型下的停留时间,所述编号类型包括泊位编号和锚地编号,所述停留时间包括泊位停留时间和锚地停留时间。
在本步骤中,需要说明的是,由于船舶停留数据包括编号类型和停留时间,故每一条船舶的船舶停留数据均包括泊位停留时间和锚地停留时间。由于泊位较多,存在编号,锚地较多,存在编号。故每一条船舶停留数据中均对应泊位编号和锚地编号下的停留时间。如泊位2号,A型船舶停留2小时。锚地3号,A型船舶停留3小时。
S142、获取当前预测船舶的当前编号类型。
S143、根据当前编号类型获得对应的多个已选停留时间。
在本步骤中,需要说明的是,所述已选停留时间为符合当前编号类型的船舶停留数据中的停留时间。如当前预测船舶(A型船舶)进入锚地编号2区域,则从分类后船舶停留数据中获取A型船舶在锚地编号2的停留时间。如下表1所示:
表1
船舶类型 | 锚地编号 | 日期 | 停留时间(h) |
A | 2 | 2017.02.23 | 2 |
A | 2 | 2017.02.16 | 3 |
A | 2 | 2017.02.09 | 1 |
A | 2 | 2017.02.02 | 2 |
…… | …… | …… | …… |
从表1中的日期可以看出,该日期仅仅是限定在上述半年时间内,每周四获得船舶停留数据。由表1所示,获得当前编号类型的已选停留时间为2、3、1、2……。
S144、按照预设比例对所述多个已选停留时间进行分类,获得训练数据和预测数据。
在本步骤中,需要说明的是,若在步骤S143中获得的已选停留时间为15个,则按照预设比例2:1将15个已选停留时间进行分类,获得10个已选停留时间为训练数据,5个已选停留时间为预测数据。
S145、对所述训练数据中的已选停留时间设置对应的初始权重;
S146、根据所述已选停留时间和初始权重采用预测计算模型获得所述当前预测船舶在所述当前编号类型下对应港口停留时间。
针对步骤S145和步骤S146,需要说明的是,在本发明实施例中,继续以上述的15个已选停留时间为例,首先对训练数据中的10个已选停留时间设置对应的初始权重。
Tidk(h)为所述训练数据中的已选停留时间,h为所述训练数据中已选停留时间的个数,ωidk为所述训练数据中已选停留数据对应的初始权重。
然后采用预测计算模型计算获得当前预测船舶的停留时间。
Tidk(p)为所述预测数据中的已选停留时间,i为编号类型和编号,d为一周的某一天,k为船型,p为所述预测数据中已选停留时间的个数;
γ为比对系数且小于预设值;
T为训练时间值。
若假设预设值为5,则γ大于预设值,则说明训练数据中已选停留时间对应的初始权重不合适,则继续改变对应的权重,再进行上述公式的执行,直到执行预设次数(如10000次)或比对系数小于预设值。此时,便会获得符合要求的权重。再将该权重与训练数据中对应的已选停留时间进行上述公式的计算,可得到当前预测船舶在该编号类型下的停留时间。
若当前预测船舶进入锚地编号1区域,则获得符合锚地编号1区域的已选停留时间,根据上述步骤进行计算得到锚地上的停留时间,当前预测船舶又进入泊位编号2区域,则获得符合泊位编号2区域的已选停留时间,根据上述步骤进行计算得到泊位上的停留时间。将两个停留时间进行求和即可得到当前预测船舶的港口停留时间。
在上述步骤中得到了所有泊位、锚地中船舶的预测停留时间,但是在实际中存在很多因素导致船舶无法按照既定的时间进行作业,故在此设定了基于启发式算法的调整,包括:
1)获取船舶在当前天的前一天的平均等待进入泊位时间;
2)获取当前锚地范围所有船舶对应的剩余的锚地停留时间;
3)获取泊位内船舶的剩余停留时间,所述剩余停留时间等于预测的停留时间-实际的停留时间;
4)根据步骤3)得到所有船舶剩余停留时间均大于0,说明当前时刻泊位内没有船舶超时停留,港口内按照“预期”的工作效率在进行工作。在这种情况下,将锚地内的船舶按照其进入锚地时间进行排序,将泊位内船舶的剩余时间按照从小到大关系赋值给锚地中的船舶,如果锚地中的船舶数据比泊位内船舶的数量多,那么剩余的船舶需要锚地停留时间再加上步骤1)中昨天的平均等待进入泊位时间;
5)如果步骤3)得到所有船舶剩余停留时间存在小于等于0的情况,说明泊位内有船舶超时停留了,超时船舶什么时候可以离开泊位是无法预知的,当前泊位无法使用,将港口内可以泊位的船舶数量减去停留时间大于0的船舶数量,剩余的计算操作同步骤4);
6)重复执行步骤1)至步骤5)直到所有泊位、所有船舶都计算完毕
7)每隔预设时长重新执行步骤1)至步骤6)。
通过上述启发式的调整,每半个小时的时间间隔进行数据调整,可以及时的发现外部因素的扰动,将其添加到预测的停留时间内,保证了数据预测的准确性,即便出现了误差,也可以让用户在第一时间知晓。
本发明实施例1提供的一种预测船舶港口停留时间的方法,通过获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间,以及获取当前预测船舶的船舶信息,根据当前时间和船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,再根据船舶停留数据获得当前预测船舶的港口停留时间,做到对每一个港口的锚地和泊位的历史数据进行挖掘,保证不同船舶在不同港口的锚地和泊位的停留时间较准确,为使用者提供及时的数据保障。
图3示出了本发明实施例2提供的一种预测船舶港口停留时间的装置,包括第一获取模块21、第二获取模块22、选取模块23和计算模块24,其中:
第一获取模块21,用于获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间;
第二获取模块22,用于获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长;
选取模块23,用于根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间;
计算模块24,用于根据所述船舶停留数据获得当前预测船舶的港口停留时间。
由于本发明实施例2所述装置与上述实施例1所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例2提供的一种预测船舶港口停留时间的装置,通过获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间,以及获取当前预测船舶的船舶信息,根据当前时间和船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,再根据船舶停留数据获得当前预测船舶的港口停留时间,做到对每一个港口的锚地和泊位的历史数据进行挖掘,保证不同船舶在不同港口的锚地和泊位的停留时间较准确,为使用者提供及时的数据保障。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种预测船舶港口停留时间的方法,其特征在于,包括:
获取当前预测船舶进入港口泊位或锚地范围时的当前时间;
获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长;
根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间;
根据所述船舶停留数据获得当前预测船舶的港口停留时间;
其中,所述根据所述船舶停留数据获得当前预测船舶的港口停留时间,包括:
对所述船舶停留数据进行分类,获得对应编号类型下的停留时间,所述编号类型包括泊位编号和锚地编号,所述停留时间包括泊位停留时间和锚地停留时间;
获取当前预测船舶的当前编号类型;
根据当前编号类型获得对应的多个已选停留时间;
按照预设比例对所述多个已选停留时间进行分类,获得训练数据和预测数据;
对所述训练数据中的已选停留时间设置对应的初始权重;
根据所述已选停留时间和初始权重采用预测计算模型获得所述当前预测船舶在所述当前编号类型下对应港口停留时间;
其中,所述预测计算模型包括:
Tidk(p)为所述预测数据中的已选停留时间,i为编号类型和编号,d为一周的某一天,k为船型,p为所述预测数据中已选停留时间的个数;
Tidk(h)为所述训练数据中的已选停留时间,h为所述训练数据中已选停留时间的个数;
ωidk为所述训练数据中已选停留数据对应的权重;
γ为比对系数且小于预设值;
T为训练时间值。
2.根据权利要求1所述的方法,其特征在于,所述预设条件包括:
获取所述船舶停留数据的条数不大于预设条数;
获取所述船舶停留数据的历史时间段不大于预设时间长度;
所述船舶停留数据均为所述历史时间段内每周同一天的数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
1)获取船舶在当前天的前一天的平均等待进入泊位时间;
2)获取当前锚地范围所有船舶对应的剩余的锚地停留时间;
3)获取泊位内船舶的剩余停留时间,所述剩余停留时间等于预测的停留时间-实际的停留时间;
4)根据步骤3)得到所有船舶剩余停留时间均大于0,则将获取到的锚地内船舶进入锚地的时间排序,将泊位内船舶的剩余时间按照从小到大关系赋值给锚地中的船舶,若获取到的锚地内船舶数据比泊位内船舶的数量多,则将剩余的船舶需要锚地停留时间与步骤1)中所述平均等待进入泊位时间求和;
5)如果步骤3)得到所有船舶剩余停留时间小于或等于0,则将港口内能泊位的数量减去停留时间大于0的数量,继续执行步骤4);
6)重复执行步骤1)至步骤5)直到所有泊位、所有船舶都计算完毕
7)每隔预设时长重新执行步骤1)至步骤6)。
4.根据权利要求1所述的方法,其特征在于,所述预设港口泊位范围根据采集到的预设时间段内的船舶的轨迹信息采用聚类方式进行确定。
5.一种预测船舶港口停留时间的装置,其特征在于,包括:
第一获取模块,用于获取当前预测船舶进入预设港口泊位或锚地范围时的当前时间;
第二获取模块,用于获取所述当前预测船舶的船舶信息,所述船舶信息包括船型和船长;
选取模块,用于根据所述当前时间和所述船舶信息从预设时间段的历史数据中获得符合预设条件的船舶停留数据,所述船舶停留数据包括编号类型和停留时间;
计算模块,用于根据所述船舶停留数据获得当前预测船舶的港口停留时间;
其中,所述计算模块具体用于:
对所述船舶停留数据进行分类,获得对应编号类型下的停留时间,所述编号类型包括泊位编号和锚地编号,所述停留时间包括泊位停留时间和锚地停留时间;
获取当前预测船舶的当前编号类型;
根据当前编号类型获得对应的多个已选停留时间;
按照预设比例对所述多个已选停留时间进行分类,获得训练数据和预测数据;
对所述训练数据中的已选停留时间设置对应的初始权重;
根据所述已选停留时间和初始权重采用预测计算模型获得所述当前预测船舶在所述当前编号类型下对应港口停留时间;
其中,所述预测计算模型包括:
Tidk(p)为所述预测数据中的已选停留时间,i为编号类型和编号,d为一周的某一天,k为船型,p为所述预测数据中已选停留时间的个数;
Tidk(h)为所述训练数据中的已选停留时间,h为所述训练数据中已选停留时间的个数;
ωidk为所述训练数据中已选停留数据对应的权重;
γ为比对系数且小于预设值;
T为训练时间值。
6.根据权利要求5所述的装置,其特征在于,所述预设条件包括:
获取所述船舶停留数据的条数不大于预设条数;
获取所述船舶停留数据的历史时间段不大于预设时间长度;
所述船舶停留数据均为所述历史时间段内每周同一天的数据。
7.根据权利要求5所述的装置,其特征在于,还包括调整模块,用于:
1)获取船舶在当前天的前一天的平均等待进入泊位时间;
2)获取当前锚地范围所有船舶对应的剩余的锚地停留时间;
3)获取泊位内船舶的剩余停留时间,所述剩余停留时间等于预测的停留时间-实际的停留时间;
4)根据步骤3)得到所有船舶剩余停留时间均大于0,则将获取到的锚地内船舶进入锚地的时间排序,将泊位内船舶的剩余时间按照从小到大关系赋值给锚地中的船舶,若获取到的锚地内船舶数据比泊位内船舶的数量多,则将剩余的船舶需要锚地停留时间与步骤1)中所述平均等待进入泊位时间求和;
5)如果步骤3)得到所有船舶剩余停留时间小于或等于0,则将港口内能泊位的数量减去停留时间大于0的数量,继续执行步骤4);
6)重复执行步骤1)至步骤5)直到所有泊位、所有船舶都计算完毕
7)每隔预设时长重新执行步骤1)至步骤6)。
8.根据权利要求5所述的装置,其特征在于,所述预设港口泊位范围根据采集到的预设时间段内的船舶的轨迹信息采用聚类方式进行确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385195.XA CN107256438B (zh) | 2017-05-26 | 2017-05-26 | 预测船舶港口停留时间的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385195.XA CN107256438B (zh) | 2017-05-26 | 2017-05-26 | 预测船舶港口停留时间的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256438A CN107256438A (zh) | 2017-10-17 |
CN107256438B true CN107256438B (zh) | 2020-05-01 |
Family
ID=60027702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710385195.XA Active CN107256438B (zh) | 2017-05-26 | 2017-05-26 | 预测船舶港口停留时间的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256438B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11202007021VA (en) * | 2018-03-28 | 2020-08-28 | Agency Science Tech & Res | Method and system for predicting a port-stay duration of a vessel at a port |
CN110750571B (zh) * | 2018-07-23 | 2023-12-29 | 中电科海洋信息技术研究院有限公司 | 港口泊位数据挖掘方法、装置、设备和储存介质 |
CN109740494B (zh) * | 2018-12-27 | 2020-11-24 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN112016730B (zh) * | 2019-05-31 | 2024-01-16 | 中电科海洋信息技术研究院有限公司 | 港口泊位装卸效率挖掘方法、装置、设备和储存介质 |
CN112241819A (zh) * | 2019-07-16 | 2021-01-19 | 中电科海洋信息技术研究院有限公司 | 船舶的频繁活动模式挖掘方法、装置、设备和存储介质 |
CN112085286B (zh) * | 2020-09-15 | 2022-04-15 | 周远鹏 | 一种船舶行为预测模型建立方法及系统 |
CN113296506B (zh) * | 2021-05-20 | 2023-12-26 | 珠海市美丰船务有限公司 | 一种船舶锚泊控制系统及方法 |
CN116309708B (zh) * | 2023-02-28 | 2023-10-27 | 武汉理工大学 | 一种锚地时空利用效率评价方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458788A (zh) * | 2008-12-19 | 2009-06-17 | 天津市市政工程设计研究院 | 集装箱码头物流仿真优化系统 |
CN101782985A (zh) * | 2009-07-21 | 2010-07-21 | 上海海事大学 | 一种基于非线性规划模型与进化算法的连续泊位分派方法 |
CN102800215A (zh) * | 2012-08-01 | 2012-11-28 | 上海海事大学 | 基于ais数据的区域性闲置船舶统计系统及其实现方法 |
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
CN106156428A (zh) * | 2016-07-06 | 2016-11-23 | 大连海事大学 | 一种基于样本分析的船舶交通流模拟生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2522004B (en) * | 2013-11-11 | 2021-05-19 | Tradenet Commercial Networking Ltd | A method and system for tracking shipping cargo |
-
2017
- 2017-05-26 CN CN201710385195.XA patent/CN107256438B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458788A (zh) * | 2008-12-19 | 2009-06-17 | 天津市市政工程设计研究院 | 集装箱码头物流仿真优化系统 |
CN101782985A (zh) * | 2009-07-21 | 2010-07-21 | 上海海事大学 | 一种基于非线性规划模型与进化算法的连续泊位分派方法 |
CN102800215A (zh) * | 2012-08-01 | 2012-11-28 | 上海海事大学 | 基于ais数据的区域性闲置船舶统计系统及其实现方法 |
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
CN106156428A (zh) * | 2016-07-06 | 2016-11-23 | 大连海事大学 | 一种基于样本分析的船舶交通流模拟生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107256438A (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256438B (zh) | 预测船舶港口停留时间的方法及装置 | |
Lalla-Ruiz et al. | A set-partitioning-based model for the berth allocation problem under time-dependent limitations | |
He et al. | Modeling berth allocation and quay crane assignment considering QC driver cost and operating efficiency | |
Veelenturf et al. | A quasi-robust optimization approach for crew rescheduling | |
CN110988269B (zh) | 大气污染源排放清单的偏差修正方法、装置及存储介质 | |
Yan et al. | A planning model with a solution algorithm for ready mixed concrete production and truck dispatching under stochastic travel times | |
Correcher et al. | A biased random-key genetic algorithm for the time-invariant berth allocation and quay crane assignment problem | |
Cooper et al. | Social sustainability assessment of shale gas in the UK | |
CN109409811A (zh) | 一种物流调度方法、装置、计算机设备和存储介质 | |
Alcalde et al. | Optimal space for storage yard considering yard inventory forecasts and terminal performance | |
US20200394744A1 (en) | Method and system for predicting a port-stay duration of a vessel at a port | |
Gu et al. | Operational benefits of autonomous vessels in logistics—A case of autonomous water-taxis in Bergen | |
Tang et al. | Investigation of berth allocation problem in container ports considering the variety of disruption | |
Ucan et al. | Analysing Istanbul strait maritime pilot capacity by simulation technique | |
Esparza et al. | State-owned Spanish Port System oversizing: an analysis of maximum operational capacity | |
Boer et al. | Development of an oil spill hazard scenarios database for risk assessment | |
Layaa et al. | Measuring and analysing terminal capacity in East Africa: The case of the seaport of Dar es Salaam | |
CN116167585A (zh) | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 | |
CN116307592A (zh) | 智能排单派车的运输调度系统、方法、设备及存储介质 | |
CN109034494A (zh) | 公交调度方法 | |
Nhu et al. | Inferred equations for predicting cumulative exergy extraction throughout cradle-to-gate life cycles of Pangasius feeds and intensive Pangasius grow-out farms in Vietnam | |
Suprata et al. | Analysing the cause of idle time in loading and unloading operation at Indonesian international port container terminal: Port of Tanjung Priok case study | |
Ramos-Carrasco et al. | Artificial neural networks to estimate the forecast of tourism demand in Peru | |
Naudé | A multi-phase model to forecast congestion at Brazilian grain ports: a case study at the port of Paranagua | |
Pettersen et al. | Evaluating fleet effectiveness in tactical emergency response missions using a maximal covering formulation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |