CN108710979B - 一种基于决策树的物联网港口船舶调度方法 - Google Patents
一种基于决策树的物联网港口船舶调度方法 Download PDFInfo
- Publication number
- CN108710979B CN108710979B CN201810277279.6A CN201810277279A CN108710979B CN 108710979 B CN108710979 B CN 108710979B CN 201810277279 A CN201810277279 A CN 201810277279A CN 108710979 B CN108710979 B CN 108710979B
- Authority
- CN
- China
- Prior art keywords
- port
- decision tree
- ship
- data set
- attribute
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策树的物联网港口船舶调度方法,包括以下步骤:S1、获取船舶属性集、港口属性集,根据所述船舶属性集和所述港口属性集得到港口作业计划数据集;S2、根据所述港口作业计划数据集获取数据集样本,根据所述数据集样本生成港口调度决策树模型;S3、获取待调度的港口船舶状态信息,将所述港口船舶状态信息输入到所述港口调度决策树模型中,得到决策结果。本发明通过获取港口作业计划数据集并生成决策树模型,能够实现对港口船舶调度的有效作业计划安排,通过利用决策树对港口船舶作业计划进行规划,相比于传统人工调度,能够达到实时性优、决策公平、资源利用率高、管理成本和安全风险低等优点。
Description
技术领域
本发明属于港口船舶调度管理系统领域,具体涉及一种基于决策树的物联网港口船舶调度方法。
背景技术
当前大多数大型港口仍使用人力来做货运船舶的进出港调度、泊位安排、机械和工人分配,使用文本的方式来保存每天的作业计划,使用对讲机等询问当前泊位、机械、工人等信息。这种缺乏信息化的粗放的作业计划调度方法,存在极度依靠人工经验、泊位有效利用率低、不能有效兼顾公平、即时性差等问题,极大地影响港口的船舶进出速度和货物吞吐量,降低工作效率,增加港口的管理成本和安全风险。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于决策树的物联网港口船舶调度方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于决策树的物联网港口船舶调度方法,包括以下步骤:
S1、获取船舶属性集、港口属性集,根据所述船舶属性集和所述港口属性集得到港口作业计划数据集;
S2、根据所述港口作业计划数据集获取数据集样本,根据所述数据集样本生成港口调度决策树模型;
S3、获取待调度的港口船舶状态信息,将所述港口船舶状态信息输入到所述港口调度决策树模型中,得到决策结果。
在一个具体实施例中,所述船舶属性集包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性中的一种或多种。
在一个具体实施例中,所述港口属性集包括当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
在一个具体实施例中,所述步骤S2包括:
S21、根据所述港口作业计划数据集获取数据集样本,将所述数据集样本划分为训练集、验证集和测试集;
S22、利用所述训练集产生初始决策树模型;
S23、利用所述验证集对所述初始决策树模型进行修正,得到修正的决策树模型;
S24、利用所述测试集对所述修正的决策树模型测试后,得到所述港口调度决策树模型。
在一个具体实施例中,所述步骤S22包括:
S221、生成根节点;
S222、分别计算所述港口作业计划数据集中每个属性的信息熵增益,所述信息熵增益的计算公式为:
其中,y为样本中港口作业计划数据集的每个属性可取值的项数,Pk为某个属性的某项在该属性可取项数中的权重,Dv为某项的取值,D为港口作业计划数据集样本总数,yv为在D中Dv的个数,pv为Dv中不同的取值占总数的比重;
S223、选取信息熵增益最大值对应的属性作为所述根节点的子节点;
S224、选取所述步骤S223中得到的属性的可取值作为所述子节点的分支;
S225、循环执行所述步骤S222-S224,直到计算完每个属性的信息熵增益,生成所述港口调度决策树模型。
在一个具体实施例中,所述步骤S23包括:
S2311、分别计算训练集的代价函数与验证集的代价函数;
S2312、当判断所述训练集的代价函数值大于所述验证集的代价函数第一比率时,对所述港口作业计划数据集进行修正,并重新执行所述步骤S2,得到修正的决策树模型。
在一个具体实施例中,所述步骤S23包括:
S2321、分别计算训练集的代价函数与验证集的代价函数;
S2322、当判断所述训练集的代价函数值小于所述验证集的代价函数第二比率时,对所述初始决策树模型进行修正,并重新执行所述步骤S22,得到修正的决策树模型。
在一个具体实施例中,待调度的港口船舶状态信息包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性、当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
与现有技术相比,本发明的有益效果:
本发明提供的一种基于决策树的物联网港口船舶调度作业方法,通过获取港口作业计划数据集并生成决策树模型,能够实现对港口船舶调度的有效作业计划安排,通过利用决策树对港口船舶作业计划进行规划,相比于传统人工调度,能够达到实时性优、决策公平、资源利用率高、管理成本和安全风险低等优点。
附图说明
图1为本发明实施例提供的一种基于决策树的物联网港口船舶调度方法流程图;
图2为本发明实施例提供的一种决策树结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1为本发明实施例提供的一种基于决策树的物联网港口船舶调度方法流程图,包括以下步骤:
S1、获取船舶属性集、港口属性集,根据所述船舶属性集和所述港口属性集得到港口作业计划数据集;
S2、根据所述港口作业计划数据集获取数据集样本,根据所述数据集样本生成港口调度决策树模型;
S3、获取待调度的港口船舶状态信息,将所述港口船舶状态信息输入到所述港口调度决策树模型中,得到决策结果。
其中,所述船舶属性集包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性中的一种或多种。
其中,所述港口属性集包括当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
在一般的应用场景中,船舶属性集和港口属性集基本都覆盖在上述表征船舶状态或港口状态的属性中,针对某些特殊港口,可能还需要增加其他表征属性,本实施例在此不再赘述,此外,由于属性的种类繁多,并不是每种属性在每个港口都适用,因此在上述两个大的属性集中,一般需要初步的筛查,得到适用的有效属性,即港口作业计划数据集,其中筛选的过程可以通过领域常规筛选方式、大数据筛选方式、领域专家人工筛选方式、上述方式的综合等,比如在一个场景中,对于船舶的载重、船舶大小以及时间安排要求较高,因此就可以对应进行信息的筛选,与之相关的作为有效信息,例如有效信息可以包括全船装卸总吨、装卸、计划靠泊时间、计划离港时间、船长等属性,而无相互关联的船名、货名、舱别、船舶代理等属性作为无效信息进行筛除,以提升训练的效率,具体过程在此也不再赘述。
本实施例通过领域专家和主成分分析等方法区分其中的有效信息和无效信息,使用有效信息生成后续使用的数据集。通过利用决策树生成调度计划安排,从而科学合理地对船舶的进港和出港做工作指挥。
在一个具体实施例中,所述步骤S2包括:
S21、根据所述港口作业计划数据集获取数据集样本,将所述数据集样本划分为训练集、验证集和测试集;
S22、利用所述训练集产生初始决策树模型;
S23、利用所述验证集对所述初始决策树模型进行修正,得到修正的决策树模型;
S24、利用所述测试集对所述修正的决策树模型测试后,得到所述港口调度决策树模型。
将数据集分为训练集、验证集和测试集有助于生成效果更好的决策树模型,避免无验证集出现的过拟合问题,也有利于对属性信息做反复修改以达到最好效果。
例如根据港口作业计划数据集选取了1000个数据集样本,随机将其中的600个样本作为训练集样本,其中的200个作为验证集样本,剩余200个作为测试集样本。对600个训练集样本对决策树进行训练,得到初始决策树模型,然后再利用200个验证集样本对初始决策树模型进行验证,判断其是否符合实际规律,如果不符则对其进行修正,得到修正的决策树模型,最在利用剩余的200个测试集样本进行最终的修正和筛查,得到港口调度决策树模型,该模型即作为本发明获取最终模型投入港口船舶的实际调度中。
为了提高模型获取的准确度,可以选择某个重点港口或者具有模型意义的港口历史数据作为数据集样本,根据情况选择最近半年或一年或更长时间的历史调度数据作为数据集样本完整本实施例方案的训练。
在一个具体实施例中,参见图2,所述步骤S22包括:
S221、生成根节点G;
S222、分别计算所述港口作业计划数据集中每个属性的信息熵增益,所述信息熵增益的计算公式为:
其中,y为样本中港口作业计划数据集的每个属性可取值的项数,Pk为某个属性的某项在该属性可取项数中的权重,Dv为某项的取值,D为港口作业计划数据集样本总数,yv为在D中Dv的个数,pv为Dv中不同的取值占总数的比重;
S223、根据上述公式计算样本集中所有属性相对于根节点G的信息熵增益,选取信息熵增益最大值对应的属性作为所述根节点的子节点,如图所示子节点a;
S224、选取所述步骤S223中得到的属性的可取值作为所述子节点的分支,即,若子节点a所代表的属性共有三种取值,v1、v2、v3,则将v1、v2、v3分别作为子节点a的三个分支,对于每一种子取值,重复根据上述S222的计算公式计算最大信息熵增益,并将其作为下一个子节点a1,依次生成子节点a1,a2,a3,
S225、循环执行所述步骤S222-S224,生成子节点ay、an等,直到计算完每个属性的信息熵增益,生成所述港口调度决策树模型。最终形成如图2所示的决策树结构示意图。
为了更好的说明上述步骤的实现过程,举例如下:
比如,已有船舶工作计划表中拥有1000个样本,样本集中的属性有船名、装卸、货名等属性,以停靠泊位1来说,假如上述船舶样本中停靠泊位1的数量为200,不停靠泊位1的数量为800,则共有停靠与不停靠两种状态,即y为2,200和800分别为该项的取值;再比如说,以装卸这一属性来划分,假设要求装货的船舶有400只,要求卸货的船舶有600只,则D为1000,D1为400,D2为600,其中,D1中停靠泊位1的数量为50,D2中停靠泊位1的数量为80,装卸这一属性的信息熵增益为:
在一个具体实施例中,所述步骤S23包括:
S2311、分别计算训练集的代价函数(cost Function)与验证集的代价函数;
S2312、当判断所述训练集的代价函数值大于所述验证集的代价函数第一比率时,对所述港口作业计划数据集进行修正,并重新执行所述步骤S2,得到修正的决策树模型。
另一方面,所述步骤S23包括:
S2321、分别计算训练集的代价函数与验证集的代价函数;
S2322、当判断所述训练集的代价函数值小于所述验证集的代价函数第二比率时,对所述初始决策树模型进行修正,并重新执行所述步骤S22,得到修正的决策树模型。
其中,第一比率为训练集的代价函数值:验证集的代价函数值≥10:1,第二比率为训练集的代价函数值:验证集的代价函数值≤1:10。
在一个具体实施例中,待调度的港口船舶状态信息包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性、当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
本发明提供的一种基于决策树的物联网港口船舶调度方法,通过结合传统的人工规划调度经验、领域专家知识,优选现有港口作业计划中有效属性,生成的决策树模型能够有效避免欠拟合和过拟合问题,实现对港口船舶调度的有效作业计划安排。通过利用决策树对港口船舶作业计划进行规划,相比于传统人工调度,能够达到实时性优、决策公平、资源利用率高、管理成本和安全风险低等优点。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于决策树的物联网港口船舶调度方法,其特征在于,包括以下步骤:
S1、获取船舶属性集、港口属性集,根据所述船舶属性集和所述港口属性集得到港口作业计划数据集;
S2、根据所述港口作业计划数据集获取数据集样本,根据所述数据集样本生成港口调度决策树模型;
S3、获取待调度的港口船舶状态信息,将所述港口船舶状态信息输入到所述港口调度决策树模型中,得到决策结果;
所述步骤S2包括:
S21、根据所述港口作业计划数据集获取数据集样本,将所述数据集样本划分为训练集、验证集和测试集;
S22、利用所述训练集产生初始决策树模型;
S23、利用所述验证集对所述初始决策树模型进行修正,得到修正的决策树模型;
S24、利用所述测试集对所述修正的决策树模型测试后,得到所述港口调度决策树模型;
所述步骤S22包括:
S221、生成根节点;
S222、分别计算所述港口作业计划数据集中每个属性的信息熵增益,所述信息熵增益的计算公式为:
其中,y为样本中港口作业计划数据集的每个属性可取值的项数,Pk为某个属性的某项在该属性可取项数中的权重,Dv为某项的取值,D为港口作业计划数据集样本总数,yv为在D中Dv的个数,pv为Dv中不同的取值占总数的比重;
S223、选取信息熵增益最大值对应的属性作为所述根节点的子节点;
S224、选取所述步骤S223中得到的属性的可取值作为所述子节点的分支;
S225、循环执行所述步骤S222-S224,直到计算完每个属性的信息熵增益,生成所述港口调度决策树模型。
2.根据权利要求1所述的基于决策树的物联网港口船舶调度方法,其特征在于,所述船舶属性集包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性中的一种或多种。
3.根据权利要求1所述的基于决策树的物联网港口船舶调度方法,其特征在于,所述港口属性集包括当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
4.根据权利要求1所述的基于决策树的物联网港口船舶调度方法,其特征在于,所述步骤S23包括:
S2311、分别计算训练集的代价函数与验证集的代价函数;
S2312、当判断所述训练集的代价函数值大于所述验证集的代价函数第一比率时,对所述港口作业计划数据集进行修正,并重新执行所述步骤S2,得到修正的决策树模型。
5.根据权利要求1所述的基于决策树的物联网港口船舶调度方法,其特征在于,所述步骤S23包括:
S2321、分别计算训练集的代价函数与验证集的代价函数;
S2322、当判断所述训练集的代价函数值小于所述验证集的代价函数第二比率时,对所述初始决策树模型进行修正,并重新执行所述步骤S22,得到修正的决策树模型。
6.根据权利要求1所述的基于决策树的物联网港口船舶调度方法,其特征在于,待调度的港口船舶状态信息包括船舶名称、装卸状态、货物名称、货仓类别、荷载、靠泊时间、离港时间、船身长度、船舶代理属性、当前泊位状态、可用机械数量、空闲工人数中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810277279.6A CN108710979B (zh) | 2018-03-31 | 2018-03-31 | 一种基于决策树的物联网港口船舶调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810277279.6A CN108710979B (zh) | 2018-03-31 | 2018-03-31 | 一种基于决策树的物联网港口船舶调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710979A CN108710979A (zh) | 2018-10-26 |
CN108710979B true CN108710979B (zh) | 2022-02-18 |
Family
ID=63866426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810277279.6A Active CN108710979B (zh) | 2018-03-31 | 2018-03-31 | 一种基于决策树的物联网港口船舶调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710979B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109286682B (zh) * | 2018-11-16 | 2021-06-01 | 大连大学 | 智能集装箱港口的作业方法 |
CN109561412B (zh) * | 2018-12-21 | 2022-07-05 | 广州文冲船厂有限责任公司 | 一种无人船多点停靠通信方法及装置 |
CN112070107A (zh) * | 2020-07-15 | 2020-12-11 | 上海大学 | 一种电子口岸船舶进港控制方法 |
CN116663800B (zh) * | 2023-04-17 | 2024-02-23 | 天云融创数据科技(北京)有限公司 | 一种任务船舶确定方法及装置 |
CN117828489B (zh) * | 2024-03-05 | 2024-05-14 | 河钢国际科技(北京)有限公司 | 智能船舶远程动态控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN104217088A (zh) * | 2013-05-30 | 2014-12-17 | 中国电信股份有限公司 | 运营商移动业务资源的优化方法与系统 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN106295851A (zh) * | 2016-07-27 | 2017-01-04 | 大连海事大学 | 一种集卡信息服务与调度系统及其工作方法 |
CN107591011A (zh) * | 2017-10-31 | 2018-01-16 | 吉林大学 | 考虑供给侧约束的交叉口交通信号自适应控制方法 |
CN107808245A (zh) * | 2017-10-25 | 2018-03-16 | 冶金自动化研究设计院 | 基于改进决策树方法的管网调度系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160365162A1 (en) * | 2015-06-12 | 2016-12-15 | General Electric Company | System to control asset decommissioning and reconcile constraints |
-
2018
- 2018-03-31 CN CN201810277279.6A patent/CN108710979B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN104217088A (zh) * | 2013-05-30 | 2014-12-17 | 中国电信股份有限公司 | 运营商移动业务资源的优化方法与系统 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN106295851A (zh) * | 2016-07-27 | 2017-01-04 | 大连海事大学 | 一种集卡信息服务与调度系统及其工作方法 |
CN107808245A (zh) * | 2017-10-25 | 2018-03-16 | 冶金自动化研究设计院 | 基于改进决策树方法的管网调度系统 |
CN107591011A (zh) * | 2017-10-31 | 2018-01-16 | 吉林大学 | 考虑供给侧约束的交叉口交通信号自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108710979A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710979B (zh) | 一种基于决策树的物联网港口船舶调度方法 | |
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
CN101986313A (zh) | 基于知识的集装箱码头泊位与岸桥调度方法 | |
CN102306352A (zh) | 一种船舶调配方案自动化生成方法 | |
Jia et al. | Scheduling tugboats in a seaport | |
Eskandari et al. | Evaluation of different berthing scenarios in Shahid Rajaee container terminal using discrete-event simulation | |
CN114997644B (zh) | 海上风电场运维调度方法、系统、计算机设备和存储介质 | |
Lee et al. | Synchronization of yard truck scheduling and storage allocation in container terminals | |
CN111126750A (zh) | 一种关键单元确定方法、装置和存储介质 | |
CN107705016A (zh) | 一种cte技术成熟度评价方法和项目技术成熟度评价方法 | |
Wenhui | Heuristic algorithm for simulation and optimization system of port tugboats allocation | |
CN116011723A (zh) | 基于哈里斯鹰算法的焦化炼焦混合流水车间智能调度方法及应用 | |
Yin et al. | Improved two-stage DEA model: an application to logistics efficiency evaluation enterprise in Xiamen, China | |
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 | |
Cheng et al. | A framework for the case-based and model-based RCM analysis | |
Aksyonov et al. | Industrial Simulation of Metallurgical Logistics | |
CN112801371A (zh) | 平板车路线规划方法、装置、设备和存储介质 | |
CHENG et al. | Modeling and Simulation on Dynamic Allocation and Scheduling of Multi-resource problem | |
Kovalov et al. | Methods of evaluating digitization and digital transformation of business and economy: the experience of OECD and EU countries | |
Wang et al. | Modeling and accomplishment of loading-and-unloading equipment optimum allocation system at bulk terminal | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
Ping et al. | Optimizing the vehicles allocation of multi-modal freight transportation considering the transshipment delay risk | |
Wan et al. | Application of HFACS Model in Marine Traffic Accident Field | |
CN113222450B (zh) | 基于作业单元形变的排产方法、装置、电子设备及介质 | |
Nahavandi et al. | Determination and Prioritization of Criteria Affecting Knowledge Management Effectiveness in Research Organization with Comparative Approach (Fuzzy & Deterministic) |
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 |