CN111639891A - 基于马尔可夫过程的货种航次识别方法及装置 - Google Patents
基于马尔可夫过程的货种航次识别方法及装置 Download PDFInfo
- Publication number
- CN111639891A CN111639891A CN202010409203.1A CN202010409203A CN111639891A CN 111639891 A CN111639891 A CN 111639891A CN 202010409203 A CN202010409203 A CN 202010409203A CN 111639891 A CN111639891 A CN 111639891A
- Authority
- CN
- China
- Prior art keywords
- cargo
- arrival
- state
- target
- time period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 230000008569 process Effects 0.000 title claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 abstract description 34
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000014759 maintenance of location Effects 0.000 description 7
- 238000005309 stochastic process Methods 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于马尔可夫过程的货种航次识别方法及装置。其中,方法包括:根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件;根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。本发明实施例提供的货种航次识别方法及装置,结合业务逻辑,使用一次到离事件驱动货种航次状态转移的过程符合马尔可夫过程,能更准确地判断货种航次的状态并识别货种航次,能为货种船舶集合内的货量统计提供全面性和及时性方面的保证,能解决实时增量更新和中断恢复问题,且能够简化系统实现,在不同货种之间的适应性更强,能提升鲁棒性,维护更简单。
Description
技术领域
本发明实施例涉及航运技术领域,更具体地,涉及一种基于马尔可夫过程的货种航次识别方法及装置。
背景技术
大宗商品网站统计全球或区域范围内,经海运完成的大宗货物交易数据,主要指标是统计国家或港口间的船舶航次数量,收发货量及在途货量。航次,是指船舶在营运中完成一次运输生产任务的周期。在实际工作中,一般从船舶在终点港卸货(或下客)完毕时起,经装货(或上客)后,驶至新的终点港卸货(或下客)完毕时止作为一个航次。
现有方法基于港口或船公司发布的数据进行对上述各主要指标的统计,而这些数据具有不全面和更新延迟的特点,因此,造成相关指标的数据发布延迟,难以统计货种航次级别的细粒度数据,对上层指标的数据缺少解释,难以准确识别货种航次,准确率低。
发明内容
本发明实施例提供一种基于马尔可夫过程的货种航次识别方法及装置,用以解决或者至少部分地解决现有技术存在的准确率低的缺陷。
第一方面,本发明实施例提供一种基于马尔可夫过程的货种航次识别方法,包括:
根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件;
根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态。
优选地,所述根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态之后,还包括:
根据所述目标船舶当前目标时间段的货种航次状态和所述当前目标时间段的最大时间戳,新增或修改相应的航次信息。
优选地,所述根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件的具体步骤包括:
若根据所述当前目标时间段目标船舶的轨迹,以及各港口的属性,判断获知所述当前目标时间段内,所述目标船舶发生一次到离,则获取所述目标船舶的一次到离事件;
若所述目标船舶的一次到离事件不为无影响区域的到离事件,则将所述目标船舶的一次到离事件确定为有效一次到离事件。
优选地,所述根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态的具体步骤包括:
根据所述目标船舶的有效一次到离事件、上一目标时间段的货种航次状态,以及预设的货种航次状态转移矩阵,获取所述目标船舶当前目标时间段的货种航次状态。
优选地,所述属性包括货种属性、装卸属性和内外贸属性。
优选地,所述一次到离事件包括锚地到离事件、港区到离事件、码头到离事件和泊位到离事件中的至少一种。
优选地,所述货种航次状态包括初始状态、到达装货港状态、离开装货港状态、到达卸货港状态和离开卸货港状态。
第二方面,本发明实施例提供一种基于马尔可夫过程的货种航次识别装置,包括:
事件提取模块,用于根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件;
状态转移模块,用于根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于马尔可夫过程的货种航次识别方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于马尔可夫过程的货种航次识别方法的步骤。
本发明实施例提供的货种航次识别方法及装置,结合业务逻辑,使用一次到离事件驱动货种航次状态转移的过程符合马尔可夫过程,能更准确地判断货种航次的状态并识别货种航次,能为货种船舶集合内的货量统计提供全面性和及时性方面的保证,能解决实时增量更新和中断恢复问题,且能够简化系统实现,在不同货种之间的适应性更强,能提升鲁棒性,维护更简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的基于马尔可夫过程的货种航次识别方法的流程示意图;
图2为根据本发明实施例提供的货种航次状态转移图;
图3为根据本发明实施例提供的基于马尔可夫过程的货种航次识别装置的结构示意图;
图4为根据本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了克服现有技术的上述问题,本发明实施例提供一种货种航次识别方法及装置,其发明构思是,将具有时空信息的一次到离事件作为货种航次状态转移的基本条件,基于船舶的一次到离事件驱动基于马尔可夫过程的货种航次识别模型,实现大量船舶多货种内外贸航次的历史或实时计算与系统中断恢复,并且还可以适应多货种航次规则差异化的需求。
图1为根据本发明实施例提供的基于马尔可夫过程的货种航次识别方法的流程示意图。如图1所示,该方法包括:步骤S101、根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件。
需要说明的是,可以分两个层级生产船舶与港口的关系数据,第一层级记录了船舶与港口构成要素的到离数据,这些要素包括港区,锚地,码头和泊位,可以称这些到离数据为一次到离事件;第二层级基于一次到离事件生成抽象的港口挂靠数据,包含了船舶与抽象港口的时空信息,合并了船舶挂靠港口的细节过程,可以称这种粗粒度的港口挂靠事件为二次挂靠数据。
一次到离事件由船舶的动态轨迹驱动,记录了到达和离开锚地、港区、码头和泊位的时间,是一种包含时空信息的抽象事件。
可以将不同货种划分成不同的服务,每个服务中有一个特定的船舶集合,在该船舶集合中,使用AIS(船舶自动识别系统,Automatic Identification System)信息的MMSI(水上移动通信业务标识码,Maritime Mobile Service Identify)编号标识不同船舶。使用MMSI可以在一次到离数据库中提取每一目标船舶指定时间段内的事件集。指定时间段,即为当前目标时间段。
提取出事件集后,对事件按照到达时间升序排列,加载至内存容器中。对该容器中的一次到离事件进行划分筛选,剔除无效的一次到离事件,可以获得目标船舶的有效一次到离事件。
可以从数据库或文件系统中提取组成港口的锚地,港区,码头和泊位信息,从数据库中提取船舶的一次到离信息,去除无影响区域的到离事件,按区域进入时间排序,根据时间和空间信息分离与合并部分到离事件,对单个事件进行细分,根据事件的时间和事件类型进行排序后输出。
步骤S102、根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。
具体地,可以接收分离为到达区域或离开区域的一次到离事件为输入,读取目标船舶上一目标时间段的货种航次状态,两者结合,根据预先定义的条件驱动货种航次状态转移,完成状态保持或转移。
需要说明的是,对于任一目标船舶,该目标船舶的货种航次生成过程是马尔可夫过程。
为了证明货种航次的生成过程无后效性或马尔可夫性,即是一个马尔可夫过程,首先将货种航次的生成过程看作一个随机过程。设T是一无限实数集,把依赖于参数t∈T的一族随机变量称为随机过程,记为{X(t),t∈T},这里对每一个t∈T,X(t)是一个随机变量。T叫做参数集,把t看作一次到离事件序列,称X(t)为时刻t时过程的货种航次状态,记S为货种航次状态集合,而X(t1)=x,x∈S说成是t=t1时过程处于状态x。对于一切t∈T,X(t)所有可能取的一切值的全体称为随机过程的状态空间。
然后将货种航次生成这个随机过程进一步看作独立增量过程。给定二阶距过程{X(t),t≥0},称随机变量X(t)-X(s),0≤s<t为随机过程在区间(s,t]上的增量。如果对任意选定的正整数n和任意选定的0≤t0<t1<t2<…<tn,n个增量
X(t1)-X(t0),X(t2)-X(t1),…,X(tn)-X(tn-1)
相互独立,则称{X(t),t≥0}为独立增量过程。直观地说,它具有在互不重叠的区间上,状态的增量是相互独立的这一特征。对于一条船舶的货种航次状态来说,一个航次的状态共划分为初始状态,到达装货港状态,离开装货港状态,到达卸货港状态,离开卸货港状态,所有航次均由这些状态组成,对于任意的两个一次到离事件序列,如上X(t)-X(s),0≤s<t,能确定一次到离事件序列s到t的货种航次状态增量,当一次到离事件序列没有交叉时,货种航次状态增量相互独立,即X(t1)-X(t0),X(t2)-X(t1),…,X(tn)-X(tn-1)相互独立。也即是可将货种航次生成这个随机过程看作独立增量过程,而且开始状态为初始状态,记为X(0)=0。
在证明货种航次的生成过程是马尔可夫过程之前,先说明一下马尔可夫过程的定义。
设随机过程{X(t),t∈T}的状态空间为S。如果对时间t的任意n个数值t1<t2<…<tn,n≥3,ti∈T,在条件X(ti)=xi,xi∈S,i=1,2,…,n-1下,X(tn)的条件分布函数恰等于在条件X(tn-1)=xn-1下X(tn)的条件分布函数,即
P{X(tn)≤xn|X(t1)=x1,X(t2)=x2,…,X(tn-1)=xn-1}
=P{X(tn)≤xn|X(tn-1)=xn-1},xn∈S,
或写成
则称过程{X(t),t∈T}具有马尔可夫性或无后效性,并称此过程为马尔可夫过程。
证明货种航次生成过程是马尔可夫过程时,可以将上述马尔可夫过程定义中的时间t看作一次到离事件序列t。
下面证明货种航次的生成过程是马尔可夫过程。
设{X(t),t≥0}是货种航次生成过程,且X(0)=0,表示货种航次生成过程的初始状态。由马尔可夫过程的定义可知,只要证明在已知X(tn-1)=xn-1的条件下X(tn)与X(tj),j=1,2,…,n-2相互独立即可。现由独立增量过程的定义知道,当0<tj<tn-1<tn,j=1,2,…,n-2时,增量X(tj)-X(0)与X(tn)-X(tn-1)相互独立。根据条件X(0)=0和X(tn-1)=xn-1,即有X(tj)与X(tn)-xn-1相互独立。此时X(tn)与X(tj),j=1,2,…,n-2相互独立。这表明X(t)具有无后效性,即{X(t),t≥0}是一个马尔可夫过程。
需要说明的是,对于有限区域内的货种流向、流量和预测系统,例如全球大宗商品网站、东方证券货物贸易指数和新华社LNG监控系统等,可以利用上述系统以船舶在全球范围内的区域到离事件为基础,生成流量统计所需的具体航次信息,航次信息包含了装货港和卸货港的空间信息,以及这两个港口的锚泊、靠泊、离港等时空信息。
本发明实施例结合业务逻辑,使用一次到离事件驱动货种航次状态转移的过程符合马尔可夫过程,能更准确地判断货种航次的状态并识别货种航次,能为货种船舶集合内的货量统计提供全面性和及时性方面的保证,能解决实时增量更新和中断恢复问题,且能够简化系统实现,在不同货种之间的适应性更强,能提升鲁棒性,维护更简单。
基于上述各实施例的内容,根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态之后,还包括:根据目标船舶当前目标时间段的货种航次状态和当前目标时间段的最大时间戳,新增或修改相应的航次信息。
具体地,当前目标时间段的最大时间戳,指当前目标时间段的截止时间。
可以在处理完一个周期内的一次到离事件后,将一次到离事件的最大时间戳和每条船舶的最新航次状态输出。
接收目标船舶当前目标时间段的货种航次状态和当前目标时间段的最大时间戳为输入,新增或修改相应的航次到数据库中。
数据入库前根据业务需要,补充航次在装货港和卸货港的锚泊和靠泊信息,以在数据库级别支持在锚,在泊和在港统计。保存航次状态时,应同时保存最新的一次到离时间戳,更新历史载货航次,该操作通过数据库提供的事务完成。
上述最新事件和状态数据使用在服务异常中断或手动停止后的现场恢复。因此,中断恢复所需的环境信息比较少。对于一次到离事件,仅需保存已完成最新工作周期内一次到离事件集合的最大时间戳,该时间戳是一次到离事件在数据库中的更新时间。中断恢复时,加载该时间戳之后的一次到离事件即可恢复到离事件的中断信息及中断时的下一信息。货种航次方面,可以基于两套数据,一套是历史数据,便于前端统计;另一套是实时数据,便于中断恢复。这两套数据与上面的一次到离事件时间戳通过数据库的事务操作保证事件与状态的时间一致性。
本发明实施例根据目标船舶当前目标时间段的货种航次状态和当前目标时间段的最大时间戳,新增或修改相应的航次信息,能简化系统,节约资源。
基于上述各实施例的内容,根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件的具体步骤包括:若根据当前目标时间段目标船舶的轨迹,以及各港口的属性,判断获知当前目标时间段内,目标船舶发生一次到离,则获取目标船舶的一次到离事件。
具体地,使用MMSI可以在一次到离数据库中提取目标船舶指定时间段内的事件集。提取出事件集后,对事件按照到达时间升序排列,加载至内存容器中。
事件集中的事件,为未经筛选的一次到离事件。
若目标船舶的一次到离事件不为无影响区域的到离事件,则将目标船舶的一次到离事件确定为有效一次到离事件。
具体地,对该容器中的一次到离进行两次划分,一次利用事件的离开信息筛选掉部分无效事件或停留时间过长数据;另一次按港口划分。
按港口划分完成了抽象港口级别挂靠合并,例如可以通过五个一次到离事件反映一艏船舶在天津港的挂靠信息,这五个到离事件分别为锚地到离事件、港区到离事件、码头到离事件、泊位到离事件和另外一次泊位到离事件。事件筛选合并后,细分这些事件为到达和离开事件,这两种事件均具有时间和空间信息。
可以根据上述划分结果,剔除无影响区域的到离事件,提取出有效一次到离事件。
本发明实施例通过剔除无影响区域的到离事件,获取有效一次到离事件,从而能根据有效一次到离事件,更准确地判断货种航次的状态并识别货种航次。
基于上述各实施例的内容,根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态的具体步骤包括:根据目标船舶的有效一次到离事件、上一目标时间段的货种航次状态,以及预设的货种航次状态转移矩阵,获取目标船舶当前目标时间段的货种航次状态。
具体地,可以细分一次到离事件为到达和离开的驱动方式,与马尔可夫过程的时间步类似,其附加的时空信息可以推动各个航次在各个状态间转换。在构建基于马尔可夫过程的货种航次识别系统时,可以借助货种航次状态转移矩阵描述状态转移过程。
货种航次状态转移矩阵如表1所示。
表1货种航次状态转移矩阵
有效一次到离事件,可以分为不关注事件、到达事件、离开事件、内贸转外贸和无效航次等类型。
表1中左侧第一列为当前航次状态,上侧第一行为目标状态,根据前面的航次定义,航次状态只能处于初始状态,到达装货港状态,离开装货港状态,到达卸货港状态,离开卸货港状态五种状态之一。下面对所有状态之间的转移过程作出描述。
当前状态处于初始状态时,离开事件或非关注区域的到离事件记为不关注事件,不关注事件驱动当前状态转移到初始状态。装货港区域的到达事件驱动初始状态转移到到达装货港状态。处于初始状态时,不能转移到离开装货港状态,到达卸货港状态或离开卸货港状态。
当前状态处于到达装货港状态时,相同装货港区域的到达事件不改变装货港到达时间,同时驱动当前状态转移到到达装货港状态,相同装货港的离开事件更新装货港的离开时间,同时驱动当前状态转移到离开装货港状态。到达装货港状态不能转移到初始状态,到达卸货港状态或离开卸货港状态。
当前状态处于离开装货港状态时,相同装货港的离开事件更新离开装货港时间,检查装货港停留时间,若时间不在预设时间区间内,相应航次记为无效航次,驱动当前状态转移到初始状态。相同装货港区域的离开事件更新装货港的离开时间,检查装货港停留时间,若时间在预设时间区间上,驱动当前状态转移到离开装货港状态。相同装货港区域的到达事件不改变当前航次,同时驱动当前状态转移到离开装货港状态。卸货港区域的到达事件驱动当前状态转移到到达卸货港状态,同时记录到达卸货港的时间。离开装货港状态不能转移到到达装货港状态或离开卸货港状态。
当前状态处于到达卸货港状态时,检查从离开装货港至到达卸货港的时间,若时间不在预设时间区间上,相应航次记为无效航次,驱动当前状态到初始状态。若区域所属港口为外贸卸货港内贸装货港,且该区域离开事件前后的吃水可以判断船舶满载,则触发外贸转内贸,结束外贸航次,开启内贸航次,同时将内贸航次状态更新为离开装货港状态。卸货港区域的到达事件,检查从离开装货港至到达卸货港的时间,若时间在预设时间区间上,则记录到达卸货港时间,同时驱动当前状态转移到到达卸货港状态。相同卸货港区域的离开事件更新卸货港的离开时间,同时驱动当前状态转移到离开卸货港状态。到达卸货港状态不能转移到到达装货港状态。
当前状态处于离开卸货港状态时,不同国家港口区域的到达事件将触发内贸转外贸,结束内贸航次,同时驱动当前状态转移到初始状态。相同卸货港的离开事件到来时,检查卸货港的停留时间,若时间不在预设时间区间上,记当前航次为无效航次,同时驱动当前状态转移到初始状态。装货港区域的到达事件将结束上一航次,开启新的航次,同时驱动当前状态转移到到达装货港状态。相同卸货港区域的到达事件不改变当前航次,驱动当前状态转移到离开卸货港状态。相同卸货港区域的离开事件到来时,检查卸货港的停留时间,若时间在预设时间区间上,改变当前航次的离开时间,驱动当前状态转移到离开卸货港状态。
根据货种航次状态转移矩阵所描述的状态转移过程,可以通过绘制,获得如图2所示的货种航次状态转移图。
可以理解的是,根据上述货种航次状态转移矩阵和/或货种航次状态转移图,可以确认货种航次识别模型具有马尔可夫过程的特征。服务中断后,只需加载船舶某一个时间戳之后的一次到离事件和当前航次状态就可以恢复中断时的环境,新的一次到离事件集接入事件提取模块细分后便可以确保整个系统继续中断前的状态安全平稳运行。货种航次发生变化后,根据业务需要记录事件的信息,如锚泊事件的时空信息、靠泊事件的时空信息等,以为在港、在锚和在泊提供数据支撑。
本发明实施例使用港口一次到离事件,结合多类型区域的货种属性,装卸属性和内外贸属性,构建了一次到离事件驱动航次状态转移矩阵,创建了基于马尔可夫过程的货种航次识别模型,在不同货种之间适应性强,服务的鲁棒性更强,维护更简单。
基于上述各实施例的内容,属性包括货种属性、装卸属性和内外贸属性。
具体地,可以结合数据挖掘和人工审查的方式,预先对构成港口的锚地,港区,码头和泊位赋予货种属性。比如A泊位是铁矿石泊位,B泊位是煤炭泊位,C泊位是石油和LPG泊位等。
可以结合数据挖掘和人工审查的方式,预先对构成港口的锚地,港区,码头和泊位赋予装货,卸货或两用属性。比如A泊位是装货泊位,B泊位是卸货泊位,C泊位是两用泊位等。
可以结合数据挖掘和人工方式,预先对构成港口的锚地,港区,码头和泊位赋予内外贸货种属性和装卸属性。比如A泊位是内贸煤炭装货泊位,同时,A泊位也是外贸煤炭卸货泊位等。
本发明实施例使用港口一次到离事件,结合多类型区域的货种属性,装卸属性和内外贸属性,构建了一次到离事件驱动航次状态转移矩阵,创建了基于马尔可夫过程的货种航次识别模型,在不同货种之间适应性强,服务的鲁棒性更强,维护更简单。
基于上述各实施例的内容,一次到离事件包括锚地到离事件、港区到离事件、码头到离事件和泊位到离事件中的至少一种。
具体地,到达事件,船舶与构成港口的锚地,港区,码头和泊位的位置关系,包含首次低速进入或停靠上述区域的时间及区域本身的信息。
离开事件,船舶与构成港口的锚地,港区,码头和泊位的位置关系,包含确认离开上述区域的时间及区域本身的信息。
不关注事件,一些可以通过简单条件筛选掉的无关事件,这些事件是上述一次到离事件的子集。
无效航次,通过时间或空间比较,对航次进行检验,不符合条件的判断为无效航次。
内贸转外贸或外贸转内贸,在某些航次状态下,一种分离船舶具有不同区域贸易属性的方式,当满足这种条件时,会和一次到离事件一样影响货种航次状态的转移。
本发明实施例使用港口一次到离事件,结合多类型区域的货种属性,装卸属性和内外贸属性,构建了一次到离事件驱动航次状态转移矩阵,创建了基于马尔可夫过程的货种航次识别模型,在不同货种之间适应性强,服务的鲁棒性更强,维护更简单。
基于上述各实施例的内容,货种航次状态包括初始状态、到达装货港状态、离开装货港状态、到达卸货港状态和离开卸货港状态。
具体地,初始状态,可以看作货种航次的起始点或终止点,维护状态图的闭合性。当开始时,或发生内贸转外贸时,或发现无效航次时,会转移到这个状态。
到达装货港状态,经由某个到达事件驱动,船舶到达了装货港口。
离开装货港状态,经由某个离开事件或外贸转内贸驱动,船舶离开了装货港口。
到达卸货港状态,经由某个到达事件驱动,船舶到达了卸货港口。或者由外贸转内贸驱动产生了离开装装状态,且进一步经已使用的到达事件转移到到达卸货港状态。
离开卸货港状态,经由某个离开事件,船舶离开了卸货港口。
本发明实施例使用港口一次到离事件,结合多类型区域的货种属性,装卸属性和内外贸属性,构建了一次到离事件驱动航次状态转移矩阵,创建了基于马尔可夫过程的货种航次识别模型,在不同货种之间适应性强,服务的鲁棒性更强,维护更简单。
图3为根据本发明实施例提供的基于马尔可夫过程的货种航次识别装置的结构示意图。基于上述各实施例的内容,如图3所示,该装置包括事件提取模块301和状态转移模块302,其中:
事件提取模块301,用于根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件;
状态转移模块302,用于根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。
具体地,事件提取模块301与状态转移模块302电连接。
事件提取模块301可以从数据库或文件系统中提取组成港口的锚地,港区,码头和泊位信息,从数据库中提取船舶的一次到离信息,去除无影响区域的到离事件,按区域进入时间排序,根据时间和空间信息分离与合并部分到离事件,对单个事件进行细分,根据事件的时间和事件类型进行排序后输出。
状态转移模块302可以接收分离为到达区域或离开区域的一次到离事件为输入,读取目标船舶上一目标时间段的货种航次状态,两者结合,根据预先定义的条件驱动货种航次状态转移,完成状态保持或转移。
需要说明的是,货种航次识别装置还可以包括数据存储模块,用于根据目标船舶当前目标时间段的货种航次状态和当前目标时间段的最大时间戳,新增或修改相应的航次信息,并存储各目标船舶当前目标时间段的货种航次状态和当前目标时间段的最大时间戳,以及最新的航次信息。
本发明实施例提供的货种航次识别装置,用于执行本发明上述各实施例提供的货种航次识别方法,该货种航次识别装置包括的各模块实现相应功能的具体方法和流程详见上述货种航次识别方法的实施例,此处不再赘述。
该货种航次识别装置用于前述各实施例的货种航次识别方法。因此,在前述各实施例中的货种航次识别方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例结合业务逻辑,使用一次到离事件驱动货种航次状态转移的过程符合马尔可夫过程,能更准确地判断货种航次的状态并识别货种航次,能为货种船舶集合内的货量统计提供了全面性和及时性方面的保证,能解决实时增量更新和中断恢复问题,且能够简化系统实现,在不同货种之间的适应性更强,能提升鲁棒性,维护更简单。
图4为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容,如图4所示,该电子设备可以包括:处理器(processor)401、存储器(memory)402和总线403;其中,处理器401和存储器402通过总线403完成相互间的通信;处理器401用于调用存储在存储器402中并可在处理器401上运行的计算机程序指令,以执行上述各方法实施例所提供的货种航次识别方法,例如包括:根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件;根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。
本发明另一实施例公开一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的货种航次识别方法,例如包括:根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件;根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。
此外,上述的存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的货种航次识别方法,例如包括:根据当前目标时间段目标船舶的轨迹,获取目标船舶的有效一次到离事件;根据目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取目标船舶当前目标时间段的货种航次状态。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上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各实施例技术方案的精神和范围。
Claims (10)
1.一种基于马尔可夫过程的货种航次识别方法,其特征在于,包括:
根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件;
根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态。
2.根据权利要求1所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态之后,还包括:
根据所述目标船舶当前目标时间段的货种航次状态和所述当前目标时间段的最大时间戳,新增或修改相应的航次信息。
3.根据权利要求1所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件的具体步骤包括:
若根据所述当前目标时间段目标船舶的轨迹,以及各港口的属性,判断获知所述当前目标时间段内,所述目标船舶发生一次到离,则获取所述目标船舶的一次到离事件;
若所述目标船舶的一次到离事件不为无影响区域的到离事件,则将所述目标船舶的一次到离事件确定为有效一次到离事件。
4.根据权利要求1所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态的具体步骤包括:
根据所述目标船舶的有效一次到离事件、上一目标时间段的货种航次状态,以及预设的货种航次状态转移矩阵,获取所述目标船舶当前目标时间段的货种航次状态。
5.根据权利要求3所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述属性包括货种属性、装卸属性和内外贸属性。
6.根据权利要求3所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述一次到离事件包括锚地到离事件、港区到离事件、码头到离事件和泊位到离事件中的至少一种。
7.根据权利要求1至6任一所述的基于马尔可夫过程的货种航次识别方法,其特征在于,所述货种航次状态包括初始状态、到达装货港状态、离开装货港状态、到达卸货港状态和离开卸货港状态。
8.一种基于马尔可夫过程的货种航次识别装置,其特征在于,包括:
事件提取模块,用于根据当前目标时间段目标船舶的轨迹,获取所述目标船舶的有效一次到离事件;
状态转移模块,用于根据所述目标船舶的有效一次到离事件和上一目标时间段的货种航次状态,获取所述目标船舶当前目标时间段的货种航次状态。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于马尔可夫过程的货种航次识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于马尔可夫过程的货种航次识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409203.1A CN111639891B (zh) | 2020-05-14 | 2020-05-14 | 基于马尔可夫过程的货种航次识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409203.1A CN111639891B (zh) | 2020-05-14 | 2020-05-14 | 基于马尔可夫过程的货种航次识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639891A true CN111639891A (zh) | 2020-09-08 |
CN111639891B CN111639891B (zh) | 2023-11-24 |
Family
ID=72331966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409203.1A Active CN111639891B (zh) | 2020-05-14 | 2020-05-14 | 基于马尔可夫过程的货种航次识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639891B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159429A (zh) * | 2021-04-26 | 2021-07-23 | 亿海蓝(北京)数据技术股份公司 | 泊位货种信息的获取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4047369B1 (ja) * | 2007-07-17 | 2008-02-13 | 国土交通省国土技術政策総合研究所長 | 船舶動静予測方法及びシステム |
CN107248321A (zh) * | 2017-07-21 | 2017-10-13 | 武汉理工大学 | 一种船舶到港等待时间预测方法及系统 |
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN110956852A (zh) * | 2019-11-26 | 2020-04-03 | 谢天赐 | 待闸基地船舶动态管理系统 |
-
2020
- 2020-05-14 CN CN202010409203.1A patent/CN111639891B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4047369B1 (ja) * | 2007-07-17 | 2008-02-13 | 国土交通省国土技術政策総合研究所長 | 船舶動静予測方法及びシステム |
CN107248321A (zh) * | 2017-07-21 | 2017-10-13 | 武汉理工大学 | 一种船舶到港等待时间预测方法及系统 |
CN110706518A (zh) * | 2019-08-19 | 2020-01-17 | 浙江海洋大学 | 一种船舶挂靠港预测技术 |
CN110956852A (zh) * | 2019-11-26 | 2020-04-03 | 谢天赐 | 待闸基地船舶动态管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159429A (zh) * | 2021-04-26 | 2021-07-23 | 亿海蓝(北京)数据技术股份公司 | 泊位货种信息的获取方法和装置 |
CN113159429B (zh) * | 2021-04-26 | 2023-07-14 | 亿海蓝(北京)数据技术股份公司 | 泊位货种信息的获取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111639891B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10956852B2 (en) | System and method for generating commodity flow information | |
Rana et al. | A model and solution algorithm for optimal routing of a time-chartered containership | |
CN111091226B (zh) | 一种基于实际航运业务和数据挖掘的运力预测方法 | |
CN112016730B (zh) | 港口泊位装卸效率挖掘方法、装置、设备和储存介质 | |
Pani et al. | Prediction of late/early arrivals in container terminals-a qualitative approach | |
Štepec et al. | Machine learning based system for vessel turnaround time prediction | |
CN111639891A (zh) | 基于马尔可夫过程的货种航次识别方法及装置 | |
US20230252395A1 (en) | A quay crane operation method | |
CN113822518B (zh) | 一种ais大数据驱动的集装箱港口装卸效率计算方法 | |
US20230022899A1 (en) | Methods of handling one or more vessels and/or equipment in a terminal, and related devices and systems | |
Lai | Models and algorithms for the empty container repositioning and its integration with routing problems | |
van Vianen et al. | Simulation-based operational control of a dry bulk terminal | |
Jafari | Measuring the performance of dry bulk cargo loading and unloading operation: Latakia Case Study | |
CN116596435A (zh) | 一种全球船舶货量统计分析方法及系统 | |
Rosa et al. | Planning the berth allocation problem in developing countries with multiple cargos and cargo priority by a mathematical model and a clustering search metaheuristic | |
Zhai et al. | Optimization and simulation on tanker vessels scheduling for efficient terminal operations | |
CN114742350A (zh) | 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 | |
Strelnikov et al. | Finding an optimal route of a consignment in a seaport | |
CN114462839A (zh) | 港口运行效率实时分析方法及系统 | |
Elentably et al. | Stochastic model to estimate the waiting time for container vessel turnaround times | |
Häberle et al. | Switzerland's dependency on maritime transportation | |
US12001992B2 (en) | System and method for generating commodity flow information | |
Reyes et al. | Dynamic Planning for Flexible Port Infrastructure after Panama Canal Expansion: A Real Case Study | |
Glickman | Problems and Opportunities in Marine Transportation | |
Adam | Simulation and analysis of port bottlenecks: The Case of Male |
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 |