CN114297935A - 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 - Google Patents
基于数字孪生的机场航站楼离港优化运行仿真系统及方法 Download PDFInfo
- Publication number
- CN114297935A CN114297935A CN202111659049.4A CN202111659049A CN114297935A CN 114297935 A CN114297935 A CN 114297935A CN 202111659049 A CN202111659049 A CN 202111659049A CN 114297935 A CN114297935 A CN 114297935A
- Authority
- CN
- China
- Prior art keywords
- data
- resource scheduling
- prediction result
- departure
- airport terminal
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于数字孪生的机场航站楼离港优化运行仿真系统及方法。该系统包括:输入层,用于实时获取实时运行数据,以及存储历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据;功能层,用于调用输入层的各数据,并对历史运行数据和资源调度策略规则进行存储,以及对实时运行数据进行处理,得到处理后的数据;并根据场景数据、离港业务逻辑流程和处理后的数据,预测出第一预测结果;应用层,用于根据功能层发送的处理后的数据、离港业务逻辑流程、第一预测结果、历史运行数据及资源调度策略规则,生成最优资源调度策略。通过该系统,能改善现有技术无法自动生成针对未来时间段的业务运行状态的资源调度策略的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种基于数字孪生的机场航站楼离港优化运行仿真系统及方法。
背景技术
目前,对于机场航站楼内的资源调度,通常是根据该机场航站楼内的实际情况,从而人工的对资源进行实时调度,同时还需人工对资源调度结果进行发布。具体的,一般是通过监控视频或通过闸机的人数对航站楼内的人数进行统计,并将该统计结果作为资源调度的依据,进而人工的对资源进行调度,并发布具体的调度指令。但是,通过人工的方式对资源进行实时调度与发布指令的方式,存在着效率很低的问题。
发明内容
本申请实施例的目的在于提供一种基于数字孪生的机场航站楼离港优化运行仿真系统及方法,以改善“现有技术无法自动生成针对未来时间段的业务运行状态的资源调度策略”的问题。
本发明是这样实现的:
第一方面,本申请实施例提供一种基于数字孪生的机场航站楼离港优化运行仿真系统,所述系统包括:输入层、功能层和应用层;所述输入层,用于实时获取实时运行数据,以及存储历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据,其中,所述离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及所述各环节之间的关系;所述实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据;所述历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据;所述场景数据为所述机场航站楼的三维场景模型数据;所述功能层,用于调用所述输入层的各数据,并对所述历史运行数据和所述资源调度策略规则进行存储,以及对所述实时运行数据进行处理,得到数据结构一致且时间同步的处理后的数据;并根据所述场景数据、所述离港业务逻辑流程和所述处理后的数据,预测出表征预设时间段内所述机场航站楼内各业务运行态势的第一预测结果;所述应用层,用于根据所述功能层发送的所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据及所述资源调度策略规则,生成最优资源调度策略。
在本申请实施例中,功能层通过场景数据、离港业务逻辑流程和处理后的实时运行数据,能预测出表征预设时间段内机场航站楼内各业务运行态势的第一预测结果,应用层再根据处理后的数据、离港业务逻辑流程、第一预测结果、历史运行数据和资源调度策略,能获取到针对未来时间段的机场航站楼内的业务运行状态的最优资源调度策略,从而实现根据未来时间段(即预设时间段)的业务运行状态,生成当前状态下最优的资源配置调度策略。相较于现有技术需要根据该场景下的实际情况,从而人工的对资源进行实时调度,本申请实施例能够结合预测出的第一预测结果自动获取最优资源调度策略,从而提高了获取到的资源调度策略的可用性,以及能更智能的生成资源调度策略,进而降低了人工成本,并提高了生成资源调度策略的效率。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述应用层包括:运行状态诊断单元,用于通过预设的诊断算法对所述处理后的数据和所述离港业务逻辑流程进行处理,获取当前时间下的运行状态数据;历史运行数据学习单元,用于向所述功能层发起对所述历史运行数据的调用,并通过预设的预测算法对所述运行状态数据和接收到的所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果;动态推演结果评估单元,用于通过预设的集成学习算法对所述第一预测结果和所述第二预测结果进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行状态的最优预测结果;策略调整单元,将最优预测结果输入预设的神经网络模型,获取所述最优资源调度策略,所述神经网络模型为所述策略调整单元第一次向所述功能层调用所述资源调度策略规则时,根据调用的资源调度策略规则构建的神经网络模型。
在本申请实施例中,历史运行数据学习单元通过预设的预测算法对运行状态数据和历史运行数据进行处理,能预测出表征预设时间段内机场航站楼内各业务运行态势的第二预测结果,即该第二预测结果是根据历史运行数据预测出的。动态推演结果评估单元通过预设的集成学习算法,对第一预测结果和第二预测结果进行处理,能获取到表征预设时间段内机场航站楼内各业务流程运行状态的最优预测结果,即该最优预测结果是根据实时运行数据和历史运行数据得到的,故该最优预测结果会更贴近未来时间段的各业务运行态势。因此,将最优预测结果输入预设的神经网络模型,能获取到最优资源调度策略。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述功能层包括:预测模块,用于对所述实时运行数据进行处理,得到所述处理后的数据;根据所述场景数据、所述离港业务逻辑流程和所述处理后的数据,预测出所述第一预测结果;并将所述处理后的数据、所述离港业务逻辑流程和所述第一预测结果发送至所述应用层;存储数据调用模块,用于对所述历史运行数据和所述资源调度策略规则进行存储;并在所述应用层发起调用请求时,将所述调用请求对应的数据发送至所述应用层。
在本申请实施例中,通过预测模块对实时运行数据进行处理,并根据处理后的数据、场景数据和离港业务逻辑流程预测出第一预测结果,能更快速的获取到第一预测结果。并且,存储数据调用模块通过对输入层发送的历史运行数据和资源调度策略规则实时进行存储,从而能方便应用层调用其所需要的数据。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述预测模块包括:数据处理单元,用于对所述实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,得到所述处理后的数据;孪生仿真预测单元,用于根据所述离港业务逻辑流程和所述场景数据构建与所述机场航站楼一致的运行环境,并结合所述处理后的数据进行仿真,生成所述第一预测结果;并将所述处理后的数据、所述离港业务逻辑流程和所述第一预测结果发送至所述应用层。
在本申请实施例中,通过数据处理单元对实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,能快速且准确的获取到数据结构一致且时间同步的处理后的数据,从而方便后续其他模块对处理后的数据的运用。并且,孪生仿真预测单元根据离港业务逻辑流程和场景数据构建与进行资源调度的机场航站楼一致的运行环境,并结合处理后的数据进行仿真,能提高生成的第一预测结果的准确率。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述功能层还包括动态交互模块,所述动态交互模块用于通过预设的处理算法对所述应用层发送的所述最优资源调度策略进行分类,获取交互建议和控制命令,并将所述交互建议和所述控制命令发送至输出层。
在本申请实施例中,动态交互模块通过预设的处理算法对最优资源调度策略进行处理,能获取到直观的交互建议和控制命令,从而方便后续对最优资源调度策略的使用。
第二方面,本申请实施例提供一种基于数字孪生的机场航站楼离港优化运行仿真方法,所述方法包括:获取实时运行数据、历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据,其中,所述离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及所述各环节之间的关系,所述实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,所述历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,所述场景数据为所述机场航站楼的三维场景模型数据;对所述实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,获取数据结构一致且时间同步的处理后的数据;根据所述场景数据和所述离港业务逻辑流程,构建与所述机场航站楼一致的运行环境,并结合所述处理后的数据进行仿真,生成表征预设时间段内所述机场航站楼内各业务运行态势的第一预测结果;根据所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据和所述资源调度策略规则,生成最优资源调度策略。
在本申请方案中,通过上述方式,能根据处理后的实时运行数据、离港业务逻辑流程、第一预测结果、历史运行数据和资源调度策略规则,为需要进行资源调度的机场航站楼生成最优资源调度策略。并且,相较于现有技术需要根据该场景下的实际情况,从而人工的对资源进行实时调度,本申请实施例能够结合预测出的表征预设时间段内各业务运行态势的第一预测结果自动获取最优资源调度策略,从而提高了获取到的资源调度策略的可用性,以及能更智能的生成资源调度策略,进而降低了人工成本,并提高了生成资源调度策略的效率。
结合上述第二方面提供的技术方案,在一些可能的实现方式中,所述根据所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据和所述资源调度策略规则,获取最优资源调度策略,包括:根据预设的预测算法和诊断算法,对所述处理后的数据、所述离港业务逻辑流程和所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果;根据预设的集成学习算法,对所述第一预测结果和所述第二预测结果进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的最优预测结果;将所述最优预测结果输入预设的神经网络模型,获取最优资源调度策略,所述神经网络模型是根据所述资源调度策略规则构建的神经网络模型。
在本申请实施例中,通过上述方式,能提高获取到的第二预测结果准确率。并且,因第一预测结果是结合实时运行数据获得的,第二预测结果是结合历史运行数据获得的,故根据第一预测结果和第二预测结果获得的最优预测结果能更贴近未来时间段的各业务运行态势。因此,根据最优预测结果和预设的神经网络模型,能获取到最优的资源调度策略。
结合上述第二方面提供的技术方案,在一些可能的实现方式中,根据预设的预测算法和诊断算法,对所述处理后的数据、所述离港业务逻辑流程和所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果,包括:根据所述诊断算法,对所述处理后的数据和所述离港业务逻辑流程进行处理,获取当前时间下的运行状态数据;根据所述预测算法,对所述运行状态数据和所述历史运行数据进行处理,获取所述第二预测结果。
在本申请实施例中,通过上述方式,能更准确的获取到第二预测结果,即提高了获取到的第二预测结果准确率,进而提高了获取到最优资源调度策略的准确率。
第三方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第二方面实施例和/或结合上述第二方面实施例的一些可能的实现方式提供的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第二方面实施例和/或结合上述第二方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的第一种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图2为本申请实施例提供的第二种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图3为本申请实施例提供的第三种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图4为本申请实施例提供的第四种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图5为本申请实施例提供的第五种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图6为本申请实施例提供的六种基于数字孪生的机场航站楼离港优化运行仿真系统的模块框图。
图7为本申请实施例提供的一种基于数字孪生的机场航站楼离港优化运行仿真方法的步骤流程图。
图8为本申请实施例提供的一种电子设备的模块框图。
图标:1000-基于数字孪生的机场航站楼离港优化运行仿真系统;10-输入层;20-功能层;201-预测模块;2011-数据处理单元;2012-孪生仿真预测单元;202-存储数据调用模块;203-动态交互模块;30-应用层;3011-运行状态诊断单元;3012-历史运行数据学习单元;3013-动态推演结果评估单元;3014-策略调整单元;40-输出层;2000-电子设备;2100-处理器;2200-存储器。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
鉴于现有技术无法自动生成针对未来时间段的业务运行状态的资源调度策略,本申请发明人经过研究探索,提出以下实施例以解决上述问题。
本申请提供了一种基于数字孪生的机场航站楼离港优化运行仿真系统1000,该系统1000用于需要进行资源调度的机场航站楼中。
请参阅图1,该基于数字孪生的机场航站楼离港优化运行仿真系统1000包括:输入层10、功能层20和应用层30。
其中,输入层10,用于实时获取实时运行数据,以及存储历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据。
其中,离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及各环节之间的关系;该离港业务逻辑流程包括:旅客在航站楼内离港过程中所经历的环节种类内容、起始时间节点、各环节衔接关系、触发和推动各环节进行的必备属性。需要说明的是,离港业务流程包括:值机流程、安检流程、边检流程和登机流程,而上述离港业务逻辑流程是将上述离港业务流程中的各环节通过其逻辑关系进行连接,比如:在登机流程中包括换登机牌、安检、找登机口和登机四个环节,则上述四个环节的逻辑关系为:先换登机牌,再进行安检,经过安检后找对应的登机口,最后登机。此外,离港业务流程的逻辑关系可通过现场调研、各项操作规程说明文件梳理等方式获得。
实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据;历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据。其中,旅客数据包括:旅客移动速度和方向、旅客所处位置坐标、旅客行动轨迹和旅客所属航班号。工作人员数据包括:工作人员速度和方向、工作人员所处位置坐标、工作人员行动轨迹、工作人员执行任务种类及内容、工作人员所处工作状态。托运行李货物数据包括:托运行李货物所处位置坐标、托运行李货物所属航班号、托运行李货物所属旅客、托运行李货物所处状态。设备设施运行数据包括:设备设施所处状态、设备设施所处位置坐标、设备设施所属工作种类及内容、设备设施开机运行时间、设备设施能源运用状态。需要说明的是,上述实时运行数据可通过机场航站楼内多位置及多角度视频监控设备、离港信息数据系统、值机系统、安检系统、登机系统、行李物流运输系统、机电设备运维管理系统等系统获得。
场景数据为机场航站楼的三维场景模型数据,该三维场景模型数据包括:航站楼内建筑结构的几何形状尺寸和空间位置分布、航站楼内各设备设施的几何形状尺寸和空间位置分布、航站楼内各人员的几何外形样貌和空间位置分布、航站楼内各货物行李的几何形状尺寸和空间位置分布。并且,该场景数据可通过机场航站楼建设用的CAD底图、GIS(Geographic Information System,地理信息系统)数据、高精度三坐标激光扫描仪采集的数据、各设备设施说明文件附属的几何空间说明材料获得。
功能层20,用于调用输入层10的各数据,并对调用的历史运行数据和资源调度策略规则进行存储,以及对调用的实时运行数据进行处理,得到数据结构一致且时间同步的处理后的数据;并根据场景数据、离港业务逻辑流程和处理后的数据,预测出表征预设时间段内机场航站楼内各业务运行态势的第一预测结果。其中,第一预测结果包括航站楼值机柜台排队情况、航站楼安检窗口排队情况,行李转盘运输情况、登机口等待状况等各业务运行情况。
应用层30,用于根据功能层20发送的处理后的数据、离港业务逻辑流程、第一预测结果、历史运行数据及资源调度策略规则,生成最优资源调度策略。其中,上述最优资源调度策略为对机场航站楼内业务运行的瓶颈环节调整其资源配置的策略,该最优资源调度策略包括调整值机、安检等环节的柜台数量、工作人员数量、行李转盘传送带输送速度、行李转盘传送带输送模式(间歇或连续)以及开关窗口数量等调度策略。
在本申请实施例中,功能层20通过场景数据、离港业务逻辑流程和处理后的实时运行数据,能预测出表征预设时间段内机场航站楼内各业务运行态势的第一预测结果,应用层30再根据处理后的数据、离港业务逻辑流程、第一预测结果、历史运行数据和资源调度策略,能获取到针对未来时间段的机场航站楼内业务运行状态的最优资源调度策略,从而实现根据未来时间段(即预设时间段)的业务运行态势,生成当前状态下最优的资源配置调度策略。
请参阅图2,在本实施例中,功能层20可以包括:预测模块201、存储数据调用模块202和动态交互模块203。
其中,预测模块201,用于对实时运行数据进行处理,得到处理后的数据;根据场景数据、离港业务逻辑流程和处理后的数据,预测出第一预测结果;并将处理后的数据、离港业务逻辑流程和第一预测结果发送至应用层30。
存储数据调用模块202,用于对历史运行数据和资源调度策略规则进行存储;并在应用层30发起调用请求时,将调用请求对应的数据发送至应用层30。
动态交互模块203,用于通过预设的处理算法对应用层30发送的最优资源调度策略进行分类,获取交互建议和控制命令。
其中,上述处理算法可根据最优资源调度策略识别出在业务运行中需要调整的内容,并根据业务运行中各环节是否为全自动化,对最优资源调度策略中的各数据施加对应的分类标签,随后使用有监督学习算法的K最近邻分类算法根据分类标签实现分类,以此获取上述交互建议和控制命令。具体的,将能够实现全自动化的各环节结合具体的控制原理生成控制命令,不能实现全自动化的环节则根据其运行原理生成交互建议。举例来说,最优资源调度策略主要为一些排班调度方案,在每个方案中,预设的处理算法可以识别到每个生产系统对应所需要调整的内容,如各柜台、各安检口、行李输送机对应的调整内容,并根据该生成系统或环节是否全自动化而基于K最近邻分类算法进行分类,能够自动化实现的流程结合生产系统的具体控制原理生成控制命令;不能完全自动化的流程则根据人机工程学原理生成交互建议,比如:控制命令可包括调整行李转盘传送带输送速度、输送模式(间歇或连续),开关窗口数量等命令;交互建议可包括调整值机、安检等环节的柜台数量、工作人员数量等建议。
在本申请实施例中,通过预测模块201对实时运行数据进行处理,并根据处理后的数据、场景数据和离港业务逻辑流程预测出第一预测结果,能更快速的获取到第一预测结果。并且,存储数据调用模块202通过对输入层10发送的历史运行数据和资源调度策略规则实时进行存储,从而能方便应用层30调用其所需要的数据。此外,动态交互模块203通过预设的处理算法对最优资源调度策略进行处理,能获取到直观的交互建议和控制命令,从而方便后续工作人员对最优资源调度策略的理解和使用。
需要说明的是,在功能层20中,可以只存在预测模块201和存储数据调用模块202,还可以同时存在预测模块201、存储数据调用模块202和动态交互模块203,即还可通过动态交互模块203对应用层30生成的最优资源调度策略进行处理。
请参阅图3,在本实施例中,预测模块201可以包括:数据处理单元2011和孪生仿真预测单元2012。
其中,数据处理单元2011,用于对实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,得到处理后的数据。
孪生仿真预测单元2012,用于根据离港业务逻辑流程和场景数据构建与机场航站楼一致的运行环境,并结合处理后的数据进行仿真,生成第一预测结果;并将处理后的数据、离港业务逻辑流程和第一预测结果发送至应用层30。
需要说明的是,在本申请实施例中,数据处理单元2011可以包括:数据清洗补全子单元、时间同步与格式转换子单元和数据融合分发子单元。
其中,数据清洗子单元,用于通过盖帽法、分箱法和聚类法剔除实时运行数据中的异常数据和噪声值,以及通过插值法、均值填充法和算法曲线拟合法的方式来补全数据帧中残缺值。时间同步与格式转换子单元,用于对数据清洗补全子单元处理后的数据进行处理,将该数据的结构对齐。数据融合分发子单元,用于对格式对齐后的数据剔除重复字段,并将剔除重复字段后的数据重新打包发送至孪生仿真预测单元2012。
在本申请实施例中,通过数据清洗补全子单元、时间同步与格式转换子单元和数据融合分发子单元依次对实时运行数据进行处理,可快速且准确的获取到数据结构一致且时间同步的处理后的数据,从而提高了获取最优资源调度策略的效率。
还需要说明的是,在本申请实施例中,孪生仿真预测单元2012可以包括:场景映射加载子单元、离港业务逻辑流程映射子单元、多智能体建模子单元和系统动力学仿真推演子单元。
其中,场景映射加载子单元,用于根据机场航站楼的三维场景模型数据,加载旅客、工作人员、柜台资源、行李货物、航站楼设施设备、航站楼地理和建筑构造;且其还用于根据处理后的数据,将场景实时信息直接叠加至虚拟场景中的对应位置上。离港业务逻辑流程映射子单元,用于还原值机、安检、边检和登机的流程,并通过孪生体属性定义、节点关系图形化构建孪生体之间的关系网,为以仿真旅客、工作人员为代表的多智能体仿真运行和行为决策提供业务流程链条和实施基底。多智能体建模子单元,用于在仿真中模仿人员的决策和思维方式,并通过强化学习,使该人员在面对周围环境变化时,能做出符合真实物理场景的操作和行为。系统动力学仿真推演子单元,用于结合处理后的数据,综合推演预测进行资源调度的机场航站楼在预设时间段内的各业务运行态势,生成表征预设时间段内各业务运行态势的第一预测结果,并将该第一预测结果发送至应用层30。
在本申请实施例中,通过上述场景映射加载子单元、离港业务逻辑流程映射子单元、多智能体建模子单元和系统动力学仿真推演子单元获取第一预测结果,能使建立的场景与真实运行场景对应实时响应,从而准确的获取到第一预测结果。
请参阅图4,在本申请方案中,应用层30包括:运行状态诊断单元3011、历史运行数据学习单元3012、动态推演结果评估单元3013和策略调整单元3014。
其中,运行状态诊断单元3011,用于通过预设的诊断算法对处理后的数据和离港业务逻辑流程进行处理,获取当前时间下的运行状态数据。上述诊断算法包括决策树算法及基于决策树算法的场景适配算法,该决策树算法主要依赖数据是否超过预设阈值或平均值、方差等,以及参数是否在正常区间等方式作为判断和决策的指标。上述诊断算法的具体诊断方式为:当运行状态诊断单元3011获取到处理后的数据和离港业务流程后,该运行状态诊断单元3011先根据预设的计算策略计算出上述处理后的数据的平均值、方差等数理特征作为特征属性;接着,决策数算法将从根节点开始一一比对处理后的数据中相应的特征,并按照其具体值选择输出分支,直到叶子节点,并将叶子节点存放的类别作为决策结果,其中,决策叶子节点和根节点为根据上述离港业务逻辑流程设置的决策规则。需要说明的是,该决策树算法和基于决策树算法的场景适配算法的原理为本领域人员所熟知,此处不做过多说明。
历史运行数据学习单元3012,用于向功能层20发起对历史运行数据的调用,并通过预设的预测算法对运行状态数据和接收到的历史运行数据进行处理,获取表征预设时间段内机场航站楼内各业务运行态势的第二预测结果。该预测算法包括机器学习算法和深度学习算法,其中,该机器学习算法包括支持向量机算法、K-means算法,该深度学习算法包括采用基于时序分析的递归神经网络算法,即LSTM(Long Short-Term Memory)算法。具体的,针对历史运行数据的状态是否正常的情况赋予标签,并输入支持向量机算法和K-means算法进行训练,获得算法模型合适的优化参数,随后将该算法模型作为独立分类器用于输入运行状态数据并给出预测结果。此外,上述LSTM算法主要应用于关注时序关系的历史运行数据诊断场景,具体的,针对历史运行数据的状态是否正常的情况赋予标签,并输入LSTM算法进行训练,获得算法模型合适的优化参数,随后将该算法模型作为独立分类器用于输入运行状态数据并给出预测结果。需要说明的是,历史运行数据中包括不具有时序关系的数据和具有时序关系的数据,其中,不具有时序关系的数据将用上述向量机算法和K-means算法进行处理,具有时序关系的数据将用上述LSTM算法进行处理。还需要说明的是,上述具有时序关系的数据是指具有一定顺序的环节数据,比如在登机前,需要依次进行换登机牌、安检、找登机口和登机四个环节,相应的,不具有时序关系的数据是指任意两环节之间没有先后顺序。此外,上述向量机算法、K-means算法和LSTM算法的原理均为本领域人员所熟知,此处不做过多说明。
动态推演结果评估单元3013,用于通过预设的集成学习算法对第一预测结果和第二预测结果进行处理,获取表征预设时间段内机场航站楼内各业务流程运行状态的最优预测结果。其中,上述集成学习算法为AdaBoost算法,该AdaBoost算法采用加权投票法进行结果集成,即初始权值为预设的第一预测结果和第二预测结果的权重,后续可通过集成的预测结果与真实现场结果比较,修正第一预测结果和第二预测结果的权重,达到更贴近真实现场结果的预测目的,从而获取到上述最优预测结果。此外,上述AdaBoost算法的原理为本领域技术人员所熟知,此处不做过多说明。
策略调整单元3014,用于将最优预测结果输入预设的神经网络模型,获取最优资源调度策略,上述神经网络模型为策略调整单元3014第一次向功能层20发起对资源调度策略规则时,根据调用的资源调度策略规则构建的神经网络模型。需要说明的是,策略调整单元3014第一次向功能层20发起对资源调度策略规则是指基于数字孪生的机场航站楼离港优化运行仿真系统1000首次生成最优资源调度策略的时候。
在本申请实施例中,历史运行数据学习单元3012通过预设的预测算法对运行状态数据和历史运行数据进行处理,能预测出表征预设时间段内机场航站楼内各业务运行态势的第二预测结果,即该第二预测结果是根据历史运行数据预测出的。动态推演结果评估单元3013通过预设的集成学习算法,对第一预测结果和第二预测结果进行处理,能获取到表征预设时间段内机场航站楼内各业务流程运行状态的最优预测结果,即该最优预测结果是根据实时运行数据和历史运行数据得到的,故该最优预测结果会更贴近未来时间段的机场航站楼内的各业务运行态势。因此,将最优预测结果输入根据资源调度策略规则构建的神经网络模型,能获取到最优资源调度策略。
如图5所示,当功能层20包括预测模块201、存储数据调用模块202和动态交互模块203时,运行状态诊断单元3011用于接收预测模块201发送的处理后的数据和离港业务逻辑流程;历史运行数据学习单元3012用于向存储数据调用模块202发起对历史运行数据的调用,以获取历史运行数据;动态推演结果评估单元3013用于接收预测模块201发送的第一预测结果;策略调整单元3014用于向存储数据调用模块202发起对资源调度策略规则的调用,其还用于将最优资源调度策略发送至动态交互模块203。
此外,如图6所示,基于数字孪生的机场航站楼离港优化运行仿真系统1000还包括:输出层40。该输出层40用于接收动态交互模块203发送的交互建议和控制命令,以及将接收到的交互建议和控制命令分别反馈至机场航站楼离港真实运行场景中的交互大屏和生产业务控制系统,以调整各业务的运行状态。
还需要说明的是,当数据处理单元2011包括数据清洗补全子单元、时间同步与格式转换子单元和数据融合分发子单元,以及孪生仿真预测单元2012包括场景映射加载子单元、离港业务逻辑流程映射子单元、多智能体建模子单元和系统动力学仿真推演子单元时,场景映射加载子单元用于接收数据融合分发子单元发送的处理后的数据;系统动力学仿真推演子单元用于接收数据融合分发子单元发送的处理后的数据,并且将处理后的数据和离港业务逻辑流程发送至运行状态诊断单元3011,以及其还用于将第一预测结果发送至动态推演结果评估单元3013。
本申请实施例还提供了一种基于数字孪生的机场航站楼离港优化运行仿真方法,该方法用于对机场航站楼进行资源调度策略的生成。以下结合图7对一种基于数字孪生的机场航站楼离港优化运行仿真方法的具体流程及步骤进行描述,该方法从基于数字孪生的机场航站楼离港优化运行仿真系统的角度进行描述。
需要说明的是,本申请实施例提供的基于数字孪生的机场航站楼离港优化运行仿真方法不以图7及以下所示的顺序为限制。
步骤S101:获取实时运行数据、历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据。
其中,离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及各环节之间的关系,实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,场景数据为机场航站楼的三维场景模型数据。
步骤S012:对实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,获取数据结构一致且时间同步的处理后的数据。
步骤S103:根据场景数据和离港业务逻辑流程,构建与机场航站楼一致的运行环境,并结合处理后的数据进行仿真,生成表征预设时间段内机场航站楼内各业务运行态势的第一预测结果。
步骤S104:根据处理后的数据、离港业务逻辑流程、第一预测结果、历史运行数据和资源调度策略规则,生成最优资源调度策略。
具体的,根据预设的预测算法和诊断算法,对处理后的数据、离港业务逻辑流程和历史运行数据进行处理,获取表征预设时间段内机场航站楼内各业务运行态势的第二预测结果;根据预设的集成学习算法,对第一预测结果和第二预测结果进行处理,获取表征预设时间段内机场航站楼内各业务运行态势的最优预测结果;将最优预测结果输入预设的神经网络模型,获取最优资源调度策略,该神经网络模型是根据资源调度策略规则构建的神经网络模型。
可选的,根据预设的预测算法和诊断算法,对处理后的数据、离港业务逻辑流程和历史运行数据进行处理,获取表征预设时间段内机场航站楼内各业务运行态势的第二预测结果可具体包括:根据诊断算法,对处理后的数据和离港业务逻辑流程进行处理,获取当前时间下的运行状态数据;根据预测算法,对运行状态数据和历史运行数据进行处理,获取第二预测结果。
在获取到最优的资源调度策略后,还可根据预设的处理算法对该最优资源调度策略进行分类,获取交互建议和控制命令,并将获取到的交互建议和控制命令分别反馈至机场航站楼离港真实运行场景中的交互大屏和生产业务控制系统,以调整各业务的运行状态。
需要说明的是,上述一种基于数字孪生的机场航站楼离港优化运行仿真方法在前述基于数字孪生的机场航站楼离港优化运行仿真系统已有说明,避免赘述,不再重复阐述,相同部分互相参考。
请参阅图8,基于同一发明构思,本申请实施例提供的一种电子设备2000的示意性结构框图,该电子设备2000用于实施上述的一种基于数字孪生的机场航站楼离港优化运行仿真方法。本申请实施例中,电子设备2000可以是,但不限于个人计算机(PersonalComputer,PC)、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。在结构上,电子设备2000可以包括处理器2100和存储器2200。
处理器2100与存储器2200直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中,处理器2100可以是一种集成电路芯片,具有信号处理能力。处理器2100也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器2200可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器2200用于存储程序,处理器2100在接收到执行指令后,执行该程序。
应当理解,图8所示的结构仅为示意,本申请实施例提供的电子设备2000还可以具有比图8更少或更多的组件,或是具有与图8所示不同的配置。此外,图8所示的各组件可以通过软件、硬件或其组合实现。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于数字孪生的机场航站楼离港优化运行仿真系统,其特征在于,所述系统包括:输入层、功能层和应用层;
所述输入层,用于实时获取实时运行数据,以及存储历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据,其中,所述离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及所述各环节之间的关系;所述实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据;所述历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据;所述场景数据为所述机场航站楼的三维场景模型数据;
所述功能层,用于调用所述输入层的各数据,并对所述历史运行数据和所述资源调度策略规则进行存储,以及对所述实时运行数据进行处理,得到数据结构一致且时间同步的处理后的数据;并根据所述场景数据、所述离港业务逻辑流程和所述处理后的数据,预测出表征预设时间段内所述机场航站楼内各业务运行态势的第一预测结果;
所述应用层,用于根据所述功能层发送的所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据及所述资源调度策略规则,生成最优资源调度策略。
2.根据权利要求1所述的系统,其特征在于,所述应用层包括:
运行状态诊断单元,用于通过预设的诊断算法对所述处理后的数据和所述离港业务逻辑流程进行处理,获取当前时间下的运行状态数据;
历史运行数据学习单元,用于向所述功能层发起对所述历史运行数据的调用,并通过预设的预测算法对所述运行状态数据和接收到的所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果;
动态推演结果评估单元,用于通过预设的集成学习算法对所述第一预测结果和所述第二预测结果进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行状态的最优预测结果;
策略调整单元,将最优预测结果输入预设的神经网络模型,获取所述最优资源调度策略,所述神经网络模型为所述策略调整单元第一次向所述功能层调用所述资源调度策略规则时,根据调用的资源调度策略规则构建的神经网络模型。
3.根据权利要求1所述的系统,其特征在于,所述功能层包括:
预测模块,用于对所述实时运行数据进行处理,得到所述处理后的数据;根据所述场景数据、所述离港业务逻辑流程和所述处理后的数据,预测出所述第一预测结果;并将所述处理后的数据、所述离港业务逻辑流程和所述第一预测结果发送至所述应用层;
存储数据调用模块,用于对所述历史运行数据和所述资源调度策略规则进行存储;并在所述应用层发起调用请求时,将所述调用请求对应的数据发送至所述应用层。
4.根据权利要求3所述的系统,其特征在于,所述预测模块包括:
数据处理单元,用于对所述实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,得到所述处理后的数据;
孪生仿真预测单元,用于根据所述离港业务逻辑流程和所述场景数据构建与所述机场航站楼一致的运行环境,并结合所述处理后的数据进行仿真,生成所述第一预测结果;并将所述处理后的数据、所述离港业务逻辑流程和所述第一预测结果发送至所述应用层。
5.根据权利要求3所述的系统,其特征在于,所述功能层还包括动态交互模块,所述动态交互模块用于通过预设的处理算法对所述应用层发送的所述最优资源调度策略进行分类,获取交互建议和控制命令,并将所述交互建议和所述控制命令发送至输出层。
6.一种基于数字孪生的机场航站楼离港优化运行仿真方法,其特征在于,所述方法包括:
获取实时运行数据、历史运行数据、离港业务逻辑流程、资源调度策略规则和场景数据,其中,所述离港业务逻辑流程表征进行资源调度的机场航站楼内对应的各环节,以及所述各环节之间的关系,所述实时运行数据为实时采集的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,所述历史运行数据为预设的历史时间段内的旅客数据、工作人员数据、托运行李货物数据和设备设施运行数据,所述场景数据为所述机场航站楼的三维场景模型数据;
对所述实时运行数据依次进行清洗补全处理、时间同步与格式转换处理以及剔除重复字段处理,获取数据结构一致且时间同步的处理后的数据;
根据所述场景数据和所述离港业务逻辑流程,构建与所述机场航站楼一致的运行环境,并结合所述处理后的数据进行仿真,生成表征预设时间段内所述机场航站楼内各业务运行态势的第一预测结果;
根据所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据和所述资源调度策略规则,生成最优资源调度策略。
7.根据权利要求6所述的方法,其特征在于,所述根据所述处理后的数据、所述离港业务逻辑流程、所述第一预测结果、所述历史运行数据和所述资源调度策略规则,获取最优资源调度策略,包括:
根据预设的预测算法和诊断算法,对所述处理后的数据、所述离港业务逻辑流程和所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果;
根据预设的集成学习算法,对所述第一预测结果和所述第二预测结果进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的最优预测结果;
将所述最优预测结果输入预设的神经网络模型,获取最优资源调度策略,所述神经网络模型是根据所述资源调度策略规则构建的神经网络模型。
8.根据权利要求7所述的方法,其特征在于,根据预设的预测算法和诊断算法,对所述处理后的数据、所述离港业务逻辑流程和所述历史运行数据进行处理,获取表征所述预设时间段内所述机场航站楼内各业务运行态势的第二预测结果,包括:
根据所述诊断算法,对所述处理后的数据和所述离港业务逻辑流程进行处理,获取当前时间下的运行状态数据;
根据所述预测算法,对所述运行状态数据和所述历史运行数据进行处理,获取所述第二预测结果。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求6-8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求6-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659049.4A CN114297935A (zh) | 2021-12-30 | 2021-12-30 | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659049.4A CN114297935A (zh) | 2021-12-30 | 2021-12-30 | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297935A true CN114297935A (zh) | 2022-04-08 |
Family
ID=80974023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111659049.4A Pending CN114297935A (zh) | 2021-12-30 | 2021-12-30 | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297935A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017677A (zh) * | 2022-04-27 | 2022-09-06 | 中国人民解放军军事科学院战略评估咨询中心 | 一种面向推演仿真的行动策略预判方法及系统 |
CN115453655A (zh) * | 2022-09-07 | 2022-12-09 | 同方威视技术股份有限公司 | 民航机场安检自动仿真方法、系统、设备及存储介质 |
CN115796397A (zh) * | 2023-02-06 | 2023-03-14 | 中国民航大学 | 用于机场运行保障过程的场景生成方法、场景生成系统 |
CN116932174A (zh) * | 2023-09-19 | 2023-10-24 | 浙江大学 | Eda仿真任务动态资源调度方法、装置、终端及介质 |
CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
CN117453220A (zh) * | 2023-12-26 | 2024-01-26 | 青岛民航凯亚系统集成有限公司 | 基于Unity3D的机场旅客自助服务系统及构建方法 |
-
2021
- 2021-12-30 CN CN202111659049.4A patent/CN114297935A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017677A (zh) * | 2022-04-27 | 2022-09-06 | 中国人民解放军军事科学院战略评估咨询中心 | 一种面向推演仿真的行动策略预判方法及系统 |
CN115453655A (zh) * | 2022-09-07 | 2022-12-09 | 同方威视技术股份有限公司 | 民航机场安检自动仿真方法、系统、设备及存储介质 |
CN115796397A (zh) * | 2023-02-06 | 2023-03-14 | 中国民航大学 | 用于机场运行保障过程的场景生成方法、场景生成系统 |
CN116932174A (zh) * | 2023-09-19 | 2023-10-24 | 浙江大学 | Eda仿真任务动态资源调度方法、装置、终端及介质 |
CN116932174B (zh) * | 2023-09-19 | 2023-12-08 | 浙江大学 | Eda仿真任务动态资源调度方法、装置、终端及介质 |
CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
CN117252407B (zh) * | 2023-11-20 | 2024-03-29 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
CN117453220A (zh) * | 2023-12-26 | 2024-01-26 | 青岛民航凯亚系统集成有限公司 | 基于Unity3D的机场旅客自助服务系统及构建方法 |
CN117453220B (zh) * | 2023-12-26 | 2024-04-09 | 青岛民航凯亚系统集成有限公司 | 基于Unity3D的机场旅客自助服务系统及构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114297935A (zh) | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 | |
Onggo et al. | Symbiotic simulation system: Hybrid systems model meets big data analytics | |
Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
EP3444763A1 (en) | Cumulative model for scheduling and resource allocation for airline operations | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
Shin et al. | SVM‐based dynamic reconfiguration CPS for manufacturing system in industry 4.0 | |
CN104144204A (zh) | 针对工业模拟使用基于云的数据 | |
US11593735B2 (en) | Automated and efficient personal transportation vehicle sharing | |
KR20220072311A (ko) | 지능형 종합물류 플랫폼 설계 방법 | |
JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
Jeon et al. | Design considerations and architecture for cooperative smart factory: MAPE/BD approach | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
CN115220882A (zh) | 一种数据处理方法以及装置 | |
CN111626578A (zh) | 物流货车的调配方法、装置、设备及存储介质 | |
Ghaleb et al. | Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study | |
CN105051718A (zh) | 监视-挖掘-管理循环 | |
US20230267400A1 (en) | Artificially intelligent warehouse management system | |
Kolev et al. | ARFA: automated real-time flight data analysis using evolving clustering, classifiers and recursive density estimation | |
KR102437917B1 (ko) | 장비 운영 시스템 | |
Rodger | Forecasting of radio frequency identification entropy viscosity parking and forwarding algorithm flow risks and costs: Integrated supply chain health manufacturing system (ISCHMS) approach | |
US20220292529A1 (en) | Utilizing machine learning for optimization of planning and value realization for private networks | |
CN116862353A (zh) | 用于为现实物料供应生成统一数字化物料供应链的系统、方法及计算机存储介质 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
Zhang | Revolutionizing Digital Marketing Industrial Internet of Things-enabled Supply Chain Management in Smart Manufacturing | |
Sharma et al. | The fundamentals and strategies of maintenance, repair, and overhaul (MRO) in Industry 4.0 |
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 |