CN111310342B - 船舶码头卡车排队长度估计方法、系统、设备及介质 - Google Patents

船舶码头卡车排队长度估计方法、系统、设备及介质 Download PDF

Info

Publication number
CN111310342B
CN111310342B CN202010106468.4A CN202010106468A CN111310342B CN 111310342 B CN111310342 B CN 111310342B CN 202010106468 A CN202010106468 A CN 202010106468A CN 111310342 B CN111310342 B CN 111310342B
Authority
CN
China
Prior art keywords
queue
queuing
length
truck
service
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
Application number
CN202010106468.4A
Other languages
English (en)
Other versions
CN111310342A (zh
Inventor
曲文蕊
李德林
杨露
李晓冉
刘永雪
刘莎莎
戚懿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202010106468.4A priority Critical patent/CN111310342B/zh
Publication of CN111310342A publication Critical patent/CN111310342A/zh
Application granted granted Critical
Publication of CN111310342B publication Critical patent/CN111310342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了船舶码头卡车排队长度估计方法、系统、设备及介质，包括：根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。

Description

船舶码头卡车排队长度估计方法、系统、设备及介质
技术领域
本公开涉及车辆排队估计技术领域，特别是涉及船舶码头卡车排队长度估计方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
随着国际贸易和货运量的增加，港口码头交通拥堵正成为一个严重的问题。最近，卡车在码头等待拉货的时间持续增加，而且几乎总有很长的队伍在码头门口等待进出码头，甚至会延伸到周围的道路上，造成周围道路的拥堵，严重影响了码头和附近其他企业的顺利运转，造成了严重的经济损失。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
不能准确估计卡车排队长度和处理过饱和时的情况(当需求超过供给时)，并且大部分方法没有考虑队列形成和消散所涉及的过程，从而没有提供一个更稳健和准确估计卡车排队长度的方法。
发明内容
为了解决现有技术的不足，本公开提供了船舶码头卡车排队长度估计方法、系统、设备及介质；通过仿真回归模型更准确、更稳健地估计了卡车的排队长度，并更好的估计了卡车在高峰时短期过饱和导致的排队长度，有助于增加评估高峰时段交通拥堵的对策。
第一方面，本公开提供了船舶码头卡车排队长度估计方法；
船舶码头卡车排队长度估计方法，包括：
根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；
判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
第二方面，本公开还提供了船舶码头卡车排队长度估计系统；
船舶码头卡车排队长度估计系统，包括：
排队长度计算模型获取模块，其被配置为：根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
回归模型获取模块，其被配置为：对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；
估计模块，其被配置为：判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本公开的有益效果是：
1、本公开在估计精度方面优于其他建模方法，实际解决了船舶码头的排队问题；
2、本公开没有忽略卡车到达率和窗口服务率的随机波动；
3、本公开由于采用了对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型步骤，因此它可以用于过饱和的排队情况；
4、本公开所提出的模型比其他模型更灵活、更适用，由于该模型基于两个输入变量，即交通密度(α＝λ/μ)和服务窗口数量(S)，因此可以改变交通密度和服务窗口的数目来适用于任何场景。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开第一个实施例的方法流程图；
图2为本公开第一个实施例模拟队列形成过程的结果；
图3(a)和图3(b)为本公开第一个实施例的模拟结果(S＝20和α＝19)；
图4为本公开第一个实施例与其他模型的精度对比。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了船舶码头卡车排队长度估计方法；
如图1所示，船舶码头卡车排队长度估计方法，包括：
S1：根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
S2：对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；
S3：判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
作为一个或多个实施例，所述S1中，待估计船舶码头的服务窗口利用率的计算步骤包括：
假设待估计船舶码头的卡车出口和入口均设有服务窗口；
获取卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量；
根据卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量，计算待估计船舶码头的服务窗口利用率。
作为一个或多个实施例，所述S1中，根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；具体公式为：
Figure BDA0002388627320000051
Figure BDA0002388627320000052
其中，λ为卡车的平均到达率，μ为每个窗口的平均服务率(每个窗口平均每个小时可服务的卡车数量)，1/μ为每个窗口一辆卡车的平均服务时间，S为服务窗口的数量，α＝λ/μ称为交通密度，P0是没有卡车在队列中排队的概率(即L＝0)，ρ＝λ/μS；
作为一个或多个实施例，所述S2中，对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；排队队列形成状态的回归模型具体公式为：
Figure BDA0002388627320000053
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a1和b1是排队队列形成状态回归模型的系数，可以根据交通密度(α＝λ/μ)和时间t时的服务窗口个数(S)，可以根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
作为一个或多个实施例，所述S2中，对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；排队队列消散状态的回归模型的具体公式为：
Figure BDA0002388627320000061
lt 消散＝a2(αt,St)exp[b2(αt,St)(t′+1)]
Figure BDA0002388627320000062
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a2和b2是排队队列消散状态回归模型的系数，可以根据交通密度(α＝λ/μ)和时间t时的服务窗口个数(S)，可以根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；流体流动方程具体为：
lt＝lt-1+λt-μt×S,
其中，t是时间间隔，lt是t时排队队列估计的长度，lt-1是t-1时排队队列估计的长度，S是服务窗口个数，λt为t时卡车的平均到达率，μt为时每个窗口的平均服务率(每个窗口平均每个小时可服务的卡车数量)；
作为一个或多个实施例，所述S3中，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计；具体步骤包括：
如果前一时刻排队队列估计长度小于当前时刻卡车排队队列稳定状态的排队长度，则利用排队队列形成状态的回归模型对排队队列长度进行估计；
如果前一时刻排队队列估计长度大于当前时刻卡车排队队列稳定状态的排队长度，则利用排队队列消散状态的回归模型对排队队列长度进行估计；
如果前一时刻排队队列估计长度等于当前时刻卡车排队队列稳定状态的排队长度，则利用卡车排队队列稳定状态的排队长度计算模型对排队队列长度进行估计。
应理解的，估计稳定的队列长度：
利用多服务器(M/M/S)排队模型来估计卡车排队长度，其中具有多个出入口的门禁服务区，每个出口和每个入口均设有服务窗口看作是一个多服务器排队系统，在这个排队系统中，假设
1)并行服务台的数量是服务窗口的数量；
2)卡车到达率(每小时到达的卡车数量)服从泊松分布；
3)每个窗口的服务时间服从指数分布。
在这些假设下，系统利用率ρ如下方程式：
Figure BDA0002388627320000071
其中，λ为卡车的平均到达率，μ为每个窗口的平均服务率(每个窗口平均每个小时可服务的卡车数量)，1/μ为每个窗口一辆卡车的平均服务时间，S为服务窗口的数量。
根据M/M/S排队模型，稳态的卡车队列(队列中卡车的平均数量)数量为：
Figure BDA0002388627320000081
其中，α＝λ/μ称为交通密度，P0是没有卡车在队列中排队的概率(即L＝0)；
Figure BDA0002388627320000082
根据方程(2)和(3)，稳定队列排队长度L是关于α，ρ和S的函数，并且
Figure BDA0002388627320000083
ρ是关于α和S的函数，因此，稳定队列排队长度L是关于α和S的函数：
Figure BDA0002388627320000084
并且
Figure BDA0002388627320000085
方程(4)表明，只要给出α和S的值，就能确定L的值。
对于队列形成状态，发现自然对数曲线很好的拟合了模拟的排队曲线(如图3(a)所示)，因此使用以下回归模型；
lt＝a1ln(t)+b1+ε,t∈[0,k]，(5)
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a1和b1是排队队列形成状态回归模型的系数，临界点是排队队列长度达到稳定状态的第一个时间点；
利用MATLAB建立排队仿真模型，根据队列形成状态模型和队列消散状态模型产生的随机数确定卡车的到达时间的指数分布和窗口服务时间的指数分布，这两个指数分布的参数根据卡车的到达率和窗口的服务率确定的。模拟的时间足够长(最多60小时)，直到排队队列到达稳定状态；
由于稳定状态的队列只由两个变量决定，即交通密度(α＝λ/μ)和服务窗口数(S)，不同的模拟情景，通过改变这两个变量来设计；
S应设置在2到21之间，这是海运码头通常开通服务窗口的数量范围，通过对海运码头管理人员的采访所得到的数据；
α的值是根据S确定的；
要达到队列平稳状态，系统利用率(ρ)应该小于1，并且ρ不应该很小，否则稳定队列的长度将很短，并可以瞬间达到。利用试错法，ρ＝0.75，因此，ρ在0.75到1之间变化，对于模拟排队场景的设计，ρ的值在0.75到0.95之间变化，增量为0.05。由于ρ＝α/S，α的值在0.75到0.95之间变化，增量为0.05；
通过改变两个变量α和S的值，得到395个不同的模拟排队场景(表1和表2)，如果α＝λ/μ不属于得到的模拟场景中的值，则用插值法估计队列排队长度。
拟合排队队列消散状态的曲线的操作具体为：
对于排队队列消散状态，发现自然指数曲线更好的拟合模拟的排队队列形成的曲线(如图3(b)所示)，因此，队列消散的回归模型是：
lt＝a2exp(b2t)+ε,t∈[0,k]，(6)
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a2和b2是排队队列消散状态回归模型的系数；
基于所建立的回归模型，可以分别估计四种不同状态下的卡车队列长度，即：
1)稳态；
2)排队队列形成状态；
3)排队队列分散状态；
4)过饱和状态；
检验系统是否过饱和：
如果系统利用率ρ在时间t时刻，即ρt>＝1，则表明系统过饱和(需求大于供应)，在这种情况下，排队队列长度无法达到稳定，将使用流体流动方程来估计排队队列长度：
lt＝lt-1+λt-μt×S,
如果系统不过饱和，可以根据交通密度(α＝λ/μ)和时间t时的服务窗口个数(S)，可以根据方程(4)来估计时间t的排队稳定队列长度，即Lt，并根据时间间隔t-1，得到lt-1处排队队列估计的长度，可以确定排队的状态：
如果lt-1<Lt，它处于排队队列形成状态，利用方程(5)估计时间间隔t处的排队队列长度(见表1)，根据lt-1的值，通过回归模型得到到达排队队列长度lt-1多需要的时间，添加一个时间间隔得到当前排队队列长度lt，可以由回归模型估计：
lt 形成＝a1(αt,St)ln(t′+1)+b1(αt,St)，(7)
其中，
Figure BDA0002388627320000101
并且，估计的排队队列长度不会超过稳定的队列长度，那么
Figure BDA0002388627320000102
如果lt-1>Lt，它处于排队队列消散状态，利用方程(6)估计时间间隔t处的排队队列长度，同样，当前队列长度可以根据lt-1的值估计，由回归模型：
lt 消散＝a2(αt,St)exp[b2(αt,St)(t′+1)]，(8)
其中，
Figure BDA0002388627320000111
和
Figure BDA0002388627320000112
如果lt-1＝Lt，它处于排队队列稳定状态，稳定队列的排队长度可用Lt来估计lt；
基于上述建模思想，总体模型可以用数学公式表达为：
Figure BDA0002388627320000113
且
Figure BDA0002388627320000114
Figure BDA0002388627320000115
来自于方程(7)；
Figure BDA0002388627320000116
来自于方程(8)；
Lt来自于方程(4)。
现有技术中使用预约系统来管理卡车的抵达，或应用先进的通信和图像处理技术来缩短在进出码头时得服务时间。为了评估这些策略的有效性，本公开提供了一种能够准确估计卡车到码头服务台排队长度的方法。
由于模拟排队场景由随机因素驱动的，对于每个设计的模拟场景，对排队队列的形成和分散过程进行100到500次模拟运行，再对排队队列的模拟长度进行平均，得到平均队列长度的发展趋势(图2)。图3(a)是排队队列形成过程的模拟结果(S＝20，和α＝19)，图3(b)是排队队列消散过程的模拟结果；
对于队列形成过程，初始队列长度设置为0,；
对于队列分散过程，队列长度设置为100；
在图3(a)和图3(b)中，临界点是排队队列长度达到稳定状态的第一个时间点，用方程(4)估计稳定排队队列长度是14.3526，利用这一点作为边界的临界点，使整个排队队列形成(消散)分为两个状态，即
1)排队队列形成(消散)状态；
2)稳态；
图3(a)和图3(b)显示排队的长度不需要很长时间达到稳定状态。如果忽略队列形成(消散)过程，队列形成(消散)状态下的队列长度将被高估(低估)。
对于每个模拟场景，使到达临界点之前的模拟队列长度来开发回归模型，不同仿真模型分别由表1和表2给出队列形成状态和队列消散状态的结果。
图4是在案例研究中不同模型估计卡车排队长度的精度比较，如图4所示，通过计算机的模拟实验，发现我们的方法显著的改进了对码头卡车排队队列的估计，排队队列消散状态估计的准确率显著提高。
表1.队列形成状态的回归模型
Figure BDA0002388627320000121
Figure BDA0002388627320000131
表2.队列消散状态的回归模型
Figure BDA0002388627320000132
Figure BDA0002388627320000141
实施例二，本实施例还提供了船舶码头卡车排队长度估计系统；
船舶码头卡车排队长度估计系统，包括：
排队长度计算模型获取模块，其被配置为：根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
回归模型获取模块，其被配置为：对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；
估计模块，其被配置为：判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.船舶码头卡车排队长度估计方法，其特征是，包括：
根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
待估计船舶码头的服务窗口利用率的计算步骤包括：
假设待估计船舶码头的卡车出口和入口均设有服务窗口；
获取卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量；
根据卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量，计算待估计船舶码头的服务窗口利用率；
根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；具体公式为：
Figure FDA0004096489210000011
Figure FDA0004096489210000012
其中，λ为卡车的平均到达率，μ为每个窗口的平均服务率，1/μ为每个窗口一辆卡车的平均服务时间，S为服务窗口的个数，α＝λ/μ称为交通密度，P0是没有卡车在队列中排队的概率，ρ＝λ/μS；
对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；
排队队列形成状态的回归模型具体公式为：
Figure FDA0004096489210000013
Figure FDA0004096489210000014
Figure FDA0004096489210000021
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a1和b1是排队队列形成状态回归模型的系数，根据交通密度α和时间t时的服务窗口个数S，根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；
排队队列消散状态的回归模型的具体公式为：
Figure FDA0004096489210000022
Figure FDA0004096489210000023
Figure FDA0004096489210000024
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a2和b2是排队队列消散状态回归模型的系数，根据交通密度α和时间t时的服务窗口个数S，根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
2.如权利要求1所述的方法，其特征是，判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；流体流动方程具体为：
lt＝lt-1+λt-μt×S,
其中，t是时间间隔，lt是t时排队队列估计的长度，lt-1是t-1时排队队列估计的长度，S是服务窗口个数，λt为t时卡车的平均到达率，μt为时每个窗口的平均服务率。
3.如权利要求1所述的方法，其特征是，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计；具体步骤包括：
如果前一时刻排队队列估计长度小于当前时刻卡车排队队列稳定状态的排队长度，则利用排队队列形成状态的回归模型对排队队列长度进行估计；
如果前一时刻排队队列估计长度大于当前时刻卡车排队队列稳定状态的排队长度，则利用排队队列消散状态的回归模型对排队队列长度进行估计；
如果前一时刻排队队列估计长度等于当前时刻卡车排队队列稳定状态的排队长度，则利用卡车排队队列稳定状态的排队长度计算模型对排队队列长度进行估计。
4.船舶码头卡车排队长度估计系统，其特征是，包括：
排队长度计算模型获取模块，其被配置为：根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；
待估计船舶码头的服务窗口利用率的计算步骤包括：
假设待估计船舶码头的卡车出口和入口均设有服务窗口；
获取卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量；
根据卡车平均到达率、每个服务窗口的平均服务率和服务窗口的总数量，计算待估计船舶码头的服务窗口利用率；
根据待估计船舶码头的服务窗口利用率和M/M/S排队模型，得到卡车排队队列稳定状态的排队长度计算模型；具体公式为：
Figure FDA0004096489210000041
Figure FDA0004096489210000042
其中，λ为卡车的平均到达率，μ为每个窗口的平均服务率，1/μ为每个窗口一辆卡车的平均服务时间，S为服务窗口的个数，α＝λ/μ称为交通密度，P0是没有卡车在队列中排队的概率，ρ＝λ/μS；
回归模型获取模块，其被配置为：对卡车排队队列形成过程进行建模，得到排队队列形成状态的回归模型；排队队列形成状态的回归模型具体公式为：
Figure FDA0004096489210000043
Figure FDA0004096489210000044
Figure FDA0004096489210000045
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a1和b1是排队队列形成状态回归模型的系数，根据交通密度α和时间t时的服务窗口个数S，根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
对卡车排队队列消散过程进行建模，得到排队队列消散状态的回归模型；排队队列消散状态的回归模型的具体公式为：
Figure FDA0004096489210000051
Figure FDA0004096489210000052
Figure FDA0004096489210000053
其中，t是时间间隔，k是临界点，lt是t处的队列长度，a2和b2是排队队列消散状态回归模型的系数，根据交通密度α和时间t时的服务窗口个数S，根据方程(4)来估计时间t的排队稳定队列长度，即Lt，St是t时的服务窗口个数，lt-1代表t-1时得排队队列估计长度；
估计模块，其被配置为：判断当前时刻服务窗口利用率是否大于设定阈值，如果是，则表示服务窗口处于过饱和状态，则使用流体流动方程估计排队队列长度；
如果否，则表示服务窗口处于非过饱和状态，对前一时刻排队队列估计长度与当前时刻卡车排队队列稳定状态的排队长度的大小进行比较，并根据比较结果选择对应的计算模型对排队队列长度进行估计。
5.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3任一项所述的方法。
CN202010106468.4A 2020-02-21 2020-02-21 船舶码头卡车排队长度估计方法、系统、设备及介质 Active CN111310342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106468.4A CN111310342B (zh) 2020-02-21 2020-02-21 船舶码头卡车排队长度估计方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106468.4A CN111310342B (zh) 2020-02-21 2020-02-21 船舶码头卡车排队长度估计方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN111310342A CN111310342A (zh) 2020-06-19
CN111310342B true CN111310342B (zh) 2023-04-14

Family

ID=71151100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106468.4A Active CN111310342B (zh) 2020-02-21 2020-02-21 船舶码头卡车排队长度估计方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN111310342B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838308B (zh) * 2021-11-24 2022-02-15 亿海蓝（北京）数据技术股份公司 港口阻塞度衡量方法和系统、船舶、港口管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015015217A1 (en) * 2013-08-02 2015-02-05 Barclays Bank Plc Location-based navigation
CN107123276A (zh) * 2016-08-25 2017-09-01 苏州华川交通科技有限公司 利用低抽样率gps数据的交叉口车辆排队长度估算方法
CN108460497A (zh) * 2018-03-28 2018-08-28 中国民航大学 一种机场候机楼排队信息提示方法
CN110335459A (zh) * 2019-04-26 2019-10-15 同济大学 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160191865A1 (en) * 2014-12-30 2016-06-30 Nice-Systems Ltd. System and method for estimating an expected waiting time for a person entering a queue

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015015217A1 (en) * 2013-08-02 2015-02-05 Barclays Bank Plc Location-based navigation
CN107123276A (zh) * 2016-08-25 2017-09-01 苏州华川交通科技有限公司 利用低抽样率gps数据的交叉口车辆排队长度估算方法
CN108460497A (zh) * 2018-03-28 2018-08-28 中国民航大学 一种机场候机楼排队信息提示方法
CN110335459A (zh) * 2019-04-26 2019-10-15 同济大学 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭振峰 ; 范厚明 ; 马梦知 ; 李艳滨 ; .基于船舶集港时间窗的集卡送箱预约优化模型.工业工程与管理.2017,(03),全文. *
钟鸣 ; 李晨辉 ; 刘少博 ; .基于M/M/C排队模型的三峡大坝船舶待闸时长预测研究.交通信息与安全.2017,(04),全文. *

Also Published As

Publication number Publication date
CN111310342A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
Whitt Engineering solution of a basic call-center model
Xie et al. Asynchronous federated optimization
Iravani et al. On priority queues with impatient customers
US20080181125A1 (en) Bandwidth measuring method and device
CN111310342B (zh) 船舶码头卡车排队长度估计方法、系统、设备及介质
CN108491255B (zh) 自助式MapReduce数据优化分配方法及系统
Kumar et al. On multiserver feedback retrial queues with balking and control retrial rate
Jennings et al. An overloaded multiclass FIFO queue with abandonments
Dudin et al. MMAP| M| N queueing system with impatient heterogeneous customers as a model of a contact center
Dimitriou A preemptive resume priority retrial queue with state dependent arrivals, unreliable server and negative customers
Wu et al. An M/G/1 retrial G-queue with non-exhaustive random vacations and an unreliable server
Raj et al. Optimization of traffic control in MMAP [2]/PH [2]/S priority queueing model with PH retrial times and preemptive repeat policy
Weerasinghe Diffusion approximations for G/M/n+ GI queues with state-dependent service rates
Taleb et al. Unreliable M/G/1 retrial queue: monotonicity and comparability
Budhiraja et al. Simple form control policies for resource sharing networks with HGI performance
Bitran et al. Two-class priority queueing system with state-dependent arrivals
Gamarnik et al. Instability in stochastic and fluid queueing networks
Blanchet et al. Rare event simulation for a slotted time M/G/s model
Jain Estimation in M/Er/1 queueing systems
Yu et al. A model reduction method for traffic described by MMPP with unknown rate limit
Guha et al. Equilibrium balking strategy in an unobservable GI/M/c queue with customers’ impatience
Adan et al. Mean values techniques
Fu et al. Asymptotic behavior of a critical fluid model for bandwidth sharing with general file size distributions
Qi et al. A New Method for Estimating Truck Queue Length at Marine Terminal Gates
Atencia et al. An arriving decision problem in a discrete-time queueing system

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