CN114331265A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN114331265A CN114331265A CN202111610980.3A CN202111610980A CN114331265A CN 114331265 A CN114331265 A CN 114331265A CN 202111610980 A CN202111610980 A CN 202111610980A CN 114331265 A CN114331265 A CN 114331265A
- Authority
- CN
- China
- Prior art keywords
- information
- container
- target
- planning
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007306 turnover Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了用于输出信息的方法和装置，涉及人工智能领域，尤其涉及大数据领域。具体实现方案为：获取目标堆场中的至少一个集装箱的提货信息、车辆信息和堆场状态信息；将提货信息和车辆信息输入预先训练的预测模型，预测出每个集装箱的实际提货时间作为优先级；根据每个集装箱的优先级和堆场状态信息对目标堆场的翻箱操作进行规划，得到规划信息；输出规划信息。该实施方式对提箱顺序进行预测和提箱操作步骤进行指导，从而减少翻箱率。
Description
技术领域
本公开涉及人工智能领域，尤其涉及大数据领域，具体为一种用于输 出信息的方法和装置。
背景技术
随着经济的发展，运输行业也越来越追求高效与准确，集装箱更是运 输的主要容器。我国集装箱港口在快速发展的同时面临着巨大挑战。一方 面各地港口堆场装卸效率偏低，船舶在港停留时间延长。另一方面，船舶 大型化要求集装箱港口在相对小的时间窗内(几天)装卸相当规模的出口箱， 短期内对港口生产活动造成较大的压力，对出口箱的箱位分配提出了更高 的要求。因此，在码头现有资源和设备的前提下，如何快速装卸堆场的出口箱，最大程度地减少箱位分配产生的翻箱和运作成本，已经成为集装箱 码头面临解决的热点问题之一。
发明内容
本公开提供了一种用于输出信息的方法、装置、设备、存储介质以及 计算机程序产品。
根据本公开的第一方面，提供了一种用于输出信息的方法，包括：获 取目标堆场中的至少一个集装箱的提货信息、车辆信息和堆场状态信息； 将所述提货信息和车辆信息输入预先训练的预测模型，预测出每个集装箱 的实际提货时间作为优先级；根据每个集装箱的优先级和堆场状态信息对 所述目标堆场的翻箱操作进行规划，得到规划信息；输出所述规划信息。
根据本公开的第二方面，提供了一种训练预测模型的方法，包括：确 定初始预测模型的网络结构以及初始化所述初始预测模型的网络参数；获 取样本集，其中，所述样本集中的样本包括提货信息、车辆信息和实际提 货时间；将所述样本集中的样本中提货信息和车辆信息作为所述初始预测 模型的输入，并将所述实际提货时间作为所述初始预测模型的期望输出， 利用机器学习方法训练所述初始预测模型；将训练得到的所述初始预测模型确定为所述预先训练的预测模型。
根据本公开的第三方面，提供了一种用于输出信息的装置，包括：获 取单元，被配置成获取目标堆场中的至少一个集装箱的提货信息、车辆信 息和堆场状态信息；预测单元，被配置成将所述提货信息和车辆信息输入 预先训练的预测模型，预测出每个集装箱的实际提货时间作为优先级；规 划单元，被配置成根据每个集装箱的优先级和堆场状态信息对所述目标堆 场的翻箱操作进行规划，得到规划信息；输出单元，被配置成输出所述规 划信息。
根据本公开的第四方面，提供了一种训练预测模型的装置，包括：初 始化单元，被配置成确定初始预测模型的网络结构以及初始化所述初始预 测模型的网络参数；获取单元，被配置成获取样本集，其中，所述样本集 中的样本包括提货信息、车辆信息和实际提货时间；训练单元，被配置成 将所述样本集中的样本中提货信息和车辆信息作为所述初始预测模型的 输入，并将所述实际提货时间作为所述初始预测模型的期望输出，利用机 器学习装置训练所述初始预测模型；确定单元，被配置成将训练得到的所 述初始预测模型确定为所述预先训练的预测模型。
根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理 器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存 储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理 器执行，以使所述至少一个处理器能够执行第一方面任一项所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算 机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面 任一项所述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程 序，所述计算机程序在被处理器执行时实现第一方面任一项所述的方法。
本公开的实施例提供的用于输出信息的方法和装置，利用集装箱的一 些特征的历史数据训练出预测模型，然后利用预测模型对目标堆场的集装 箱的特征进行预测，得到每个集装箱的优先级。再根据优先级和当前集装 箱的叠放状态规划提箱操作步骤。从而减少翻箱率，加快提箱速度，提高 集装箱的利用率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键 或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下 的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于输出信息的方法的一个实施例的流程图；
图3a-3j是根据本公开的用于输出信息的方法的一个应用场景的示意 图；
图4是根据本公开的训练预测模型的方法的一个实施例的流程图；
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意 图；
图6是根据本公开的训练预测模型的装置的一个实施例的结构示意 图；
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构 示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实 施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本 领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和 修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的 描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开实施例的用于输出信息的方法、用于输出 信息的装置、训练预测模型的方法或训练预测模型的装置的示例性系统架 构100。
如图1所示，系统架构100可以包括终端101、102，网络103、数据 库服务器104和服务器105。网络103用以在终端101、102，数据库服务 器104与服务器105之间提供通信链路的介质。网络103可以包括各种连 接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交 互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用， 例如模型训练类应用、集装箱调度类应用、物流配送类应用、购物类应用、 支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件，也可以是软件。当终端101、102 为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、 平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式 计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子 设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)， 也可以实现成单个软件或软件模块。在此不做具体限定。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库 服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可 以包括提货信息、车辆信息和实际提货时间。这样，用户110也可以通过 终端101、102，从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器，例如对终端101、102上 显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、 102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如 生成的预测模型)发送给终端101、102。这样，用户可以应用生成的预测 模型进行集装箱的优先级检测。然后再根据优先级规划提箱操作步骤。
这里的数据库服务器104和服务器105同样可以是硬件，也可以是软 件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群， 也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件 模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。 在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统 的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105 也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云 主机。
需要说明的是，本公开实施例所提供的用于输出信息的方法或训练预 测模型的方法一般由服务器105执行。相应地，用于输出信息的装置或训 练预测模型的装置一般也设置于服务器105中。
需要指出的是，在服务器105可以实现数据库服务器104的相关功能 的情况下，系统架构100中可以不设置数据库服务器104。
应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅 是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服 务器和服务器。
继续参见图2，其示出了根据本公开的用于输出信息的方法的一个实 施例的流程200。该用于输出信息的方法可以包括以下步骤：
步骤201，获取目标堆场中的至少一个集装箱的提货信息、车辆信息 和堆场状态信息。
在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服 务器105)可以获取待提货的目标堆场的相关信息。可包括至少一个集装 箱的提货信息、车辆信息和堆场状态信息。提货信息可包括：提货单号、 预约提货时间、提货属性(大单提货or单点提货)、操作人员标识，提货箱 号等等。车辆信息可包括卡车到达时间，卡车操作人员标识，卡车分配到 堆场标识，卡车标识等。堆场状态信息可包括属性(堆场标识，堆场20英 尺和40英尺信息、堆场高度、宽度等固定属性)和堆场箱子的初始状态 (箱子的叠放位置关系)等等。
步骤202，将提货信息和车辆信息输入预先训练的预测模型，预测出 每个集装箱的实际提货时间作为优先级。
在本实施例中，预测模型是通过流程400所述的步骤训练出来的，用 于预测每个集装箱的实际提货时间。从提货信息和车辆信息中可以提取出 会影响实际提货时间的特征，利用这些特征可以预测哪些集装箱会被优先 提取。预测出的实际提货时间可以是相对时间，例如，集装箱A三小时后 提货，集装箱B四小时后提货，则集装箱A的优先级高于集装箱B。可预 先划分一些等级，优先级越高则数字越小，例如，优先级为1的集装箱比 优先级为2的集装箱先提货。同一个堆场中的集装箱可以有相同的优先级。 对于无法获取预约提货时间的集装箱，则可设置为最低优先级。
预测模型可以是决策树、随机森林、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)等神经网络结构。决策树(Decision Tree，DT) 是一种简单的机器学习方法，其本质是一堆决策结构以树形组合起来，叶 子节点代表最终的预测值或类别。决策树本质上是在做若干个决策，以判 定输入的数据对应的类别(分类)或数值(回归)。
步骤203，根据每个集装箱的优先级和堆场状态信息对目标堆场的翻 箱操作进行规划，得到规划信息。
在本实施例中，堆场状态信息会对移动集装箱的操作进行约束，比如， 最高只有4层，集装箱A在顶层，则不能将其它集装箱移动到A上。此 外，堆场状态信息还包括所有堆场中集装箱的叠放位置关系。翻箱操作规 划的目标是优先级高的集装箱要确保在优先级低的集装箱上面，以方便优 先级高的集装箱优先提货。如果集装箱的叠放顺序与优先级不匹配，则出 现错位集装箱，需要进行翻箱操作，调整集装箱的叠放顺序。
在集装箱码头作业过程中，由于船舶抵港时间具有不确定性，可能出 现集装箱提箱顺序与初始堆放位置不完全相符的情况，导致需要较早离场 集装箱被压在后续离场集装箱下层现象。所以提箱过程中不可避免需要进 行翻箱，甚至当被翻箱落箱位置选取不当，会造成后续提箱的二次翻箱； 翻箱过程存在如下定义：
(1)目标箱：某一堆存状态下，预最先发箱的集装箱为该堆存状态下 的目标箱；
(2)必翻箱：若某集装箱下方存在比其优先取箱的箱子，则该集装箱 为相应堆存状态下的必翻箱；
(3)阻塞箱：连续堆存在某集装箱上方的必翻箱，为相应堆存状态下 该集装箱的阻塞箱；
以初始堆存状态作为根节点，将目标箱作为层级划分的标识。同时， 将提箱过程中各层可能的堆存状态作为该层的叶子节点，完成提箱操作的 堆存状态作为结束节点；构造树状网络图结构，并增加虚拟结束节点。将 翻箱问题转化为寻找从根节点到虚拟结束节点的最短路径问题，并采用最 短路径问题算法进行精确求解。当前最短路径支持Dijkstra's算法(正权有 向图)、Floyd算法、0-1整数规划等方式求解。
可求解出翻箱操作的规划信息，例如，图3a-3j所示。初始状态如图 3a所示，每个方格代表一个集装箱，数字代表优先级，用左下角方格的坐 标为(0，0)，右上角方格的坐标为(3，3)，任意两个集装箱之间的顺 序错位计入错位集装箱数量。可确定出错位集装箱为：第一列中优先级为 5的集装箱应该在1之下，第三列中优先级为4的集装箱应该在1、2之下，第四列中优先级为6、3、7的集装箱应该在1之下，6应该在3之下， 则错位集装箱的数量为7。第一步骤如图3b所示，将优先级为5的集装箱 从(0，2)移动到(2，3)。第二步如图3c所示，将优先级为1的集装箱 从(0，1)移动到(1，1)。第三步如图3d所示，将优先级为6的集装箱 从(3，3)移动到(0，1)。第四步如图3e所示，将优先级为3的集装箱 从(3，2)移动到(0，2)。第五步如图3f所示，将优先级为7的集装箱 从(3，1)移动到(0，3)。第六步如图3g所示，将优先级为1的集装箱 从(3，0)移动到(1，2)。第七步如图3h所示，将优先级为7的集装箱从(0，3)移动到(3，0)。第八步如图3i所示，将优先级为5的集装箱 从(2，3)移动到(3，1)。第九步如图3j所示，将优先级为4的集装箱 从(2，2)移动到(3，2)。
步骤204，输出规划信息。
在本实施例中，可将规划信息输出给控制器，以向吊臂发送控制指令， 按照规划信息的操作步骤进行翻箱操作。
本实施例中用于输出信息的方法，通过提货信息和车辆信息预测出每 个集装箱的实际提货时间作为优先级。然后再根据优先级和堆场状态信息 进行翻箱操作规划，求解出总翻箱次数最少的操作步骤。从而提高了集装 箱的流转效率，加快了物流运输速度，降低了物流成本。
在本实施例的一些可选的实现方式中，堆场状态信息包括每个集装箱 的初始位置；以及根据每个集装箱的优先级和堆场状态信息对目标堆场的 翻箱操作进行规划，得到规划信息，包括：根据每个集装箱的初始位置生 成操作列表，其中，操作列表中每个操作表征单步的移动对象及移动位置； 对于操作列表中的每个操作，计算执行该操作后目标堆场中叠放顺序与优 先级不符的错位集装箱数量；针对初始位置，将错位集装箱数量最小的操作确定为目标操作添加到规划信息中。操作列表中列出的是当前状态下所 有的可选的操作，从中选择出操作后错位集装箱数量最小的操作作为此轮 操作。例如图3a所示，移动对象为优选级为5的集装箱的移动位置可以 是第2列和第3列的空位，而不能是第4列，因为第4列最高层已经被占 用了没有空位。即，移动对象为优选级为5的集装箱可以有两种操作。同 理，移动对象为优选级为1、4的集装箱可以有两种操作，移动对象为优 选级为6的集装箱可以有三种操作。把这些操作都添加到操作列表中。
对于每个操作，计算进行这次移箱操作后叠放顺序与优先级不符的错 位集装箱数量，选择移动后错位集装箱数量最少的操作。例如，图3a中， 将优先级为6的集装箱从(3，3)移动到(0，3)产生的错位集装箱数量 比将优先级为5的集装箱从(0，2)移动到(2，3)多，因此选择将优先 级为5的集装箱从(0，2)移动到(2，3)。可选地，如果执行一个移动 目标对象的操作之后，出现需要将目标对象移回到原来位置的情况，则删 除该操作。
可选地，可选择预定移动次数之内错位集装箱数量最少的操作。与最 短路径法相比，提高了计算速度。
在本实施例的一些可选的实现方式中，该方法还包括：若执行目标操 作之后错位集装箱数量不为0，则根据每个集装箱的当前位置重新生成操 作列表；对于操作列表中的每个操作，计算执行该操作后目标堆场中叠放 顺序与优先级不符的错位集装箱数量；针对当前位置，将错位集装箱数量 最小的操作确定为目标操作添加到规划信息中。通常只移动一步是无法实 现所有集装箱都排列正确的，需要根据当前位置重新调整，重复上述步骤，直到所有的集装箱位置正确。从而可以在货车来之前提前翻箱，避免出现 想要提货的集装箱被压在下面的情况，减少了等待时间。
在本实施例的一些可选的实现方式中，将错位集装箱数量最小的操作 确定为目标操作添加到规划信息中，包括：若错位集装箱数量最小的操作 的数量大于1，则将优先级最小的移动对象对应的操作确定为目标操作添 加到规划信息中。如果有多种操作可实现错位集装箱数量最小，则需要进 一步筛选，选择优先级最小的移动对象进行操作。可使用估值函数来表示，
length为错位集装箱数量，adjustment为优先级/(堆场中集装箱行数 *集装箱最大层数)，可见adjustment为小于1的数，其对估值函数的影响 没有length大。
估值函数＝length-adjustment
选择计算出的估值最小的操作作为目标操作。在保证错位集装箱数量 最小的前提下，减少对优先级高的集装箱的翻箱操作，可减少货车等待时 间，加快物流速度。
在本实施例的一些可选的实现方式中，将错位集装箱数量最小的操作 确定为目标操作添加到规划信息中，包括：若错位集装箱数量最小的操作 的数量大于1且优先级最小的移动对象的数量也大于1，则将移动次数最 少的移动对象对应的操作确定为目标操作添加到规划信息中。在上式的基 础上增加了参考量：移动对象从初始状态到当前状态的移动次数order。估 值函数＝length-adjustment+order。
选择计算出的估值最小的操作作为目标操作。在保证错位集装箱数量 最小且优先级高的集装箱尽量少翻箱的前提下，选择翻箱次数少的集装箱， 可以避免因为频繁翻箱导致集装箱内货物的损耗，降低物流成本。
在本实施例的一些可选的实现方式中，预测模型为极限梯度提升树 (XGBoost，全称是eXtreme Gradient Boosting)，它是经过优化的分布式 梯度提升库，旨在高效、灵活且可移植。预测模型的训练过程如流程400 所示。将每轮迭代的目标函数中加入正则项，进一步降低过拟合的风险， 并且实现了属性计算级别的并行化，提高了模型预测的准确性和速度。
进一步参考图4，其示出了训练预测模型的方法的一个实施例的流程 400。该训练预测模型的方法的流程400，包括以下步骤：
步骤401，确定初始预测模型的网络结构以及初始化初始预测模型的 网络参数。
在本实施例中，训练预测模型的执行主体可以与用于输出信息的方法 的执行主体相同或者不同。如果相同，则训练预测模型的执行主体可以在 训练得到预测模型后将训练好的预测模型的网络结构信息和网络参数的 参数值存储在本地。如果不同，则训练预测模型的执行主体可以在训练得 到预测模型后将训练好的预测模型的网络结构信息和网络参数的参数值 发送给用于输出信息的方法的执行主体。
在本实施例中，训练预测模型的执行主体可以首先确定预测模型的网 络结构。例如，需要确定初始预测模型包括哪些层，层与层之间的连接顺 序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight) 和偏置项(bias)，每层的激活函数等等。
可以理解的是，由于预测模型可以包括各种类型的神经网络，对于不 同类型的神经网络所需要确定的网络结构也不相同。
然后，可以初始化初始预测模型的网络参数。实践中，可以将初始预 测模型的各个网络参数用一些不同的小随机数进行初始化。“小随机数” 用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不 同”用来保证模型可以正常地学习。
步骤402，获取样本集。
在本实施例中，可以本地或者远程地从与上述执行主体网络连接的其 他电子设备的历史日志数据中获取样本集。其中，样本集中的每个样本包 括一个集装箱的提货信息、车辆信息和实际提货时间。提货信息可包括： 该集装箱所对应的提货单号、预约提货时间、提货属性(大单提货or单点 提货)、操作人员标识，提货箱号等等。车辆信息可包括卡车到达时间，卡 车操作人员标识，卡车分配到堆场标识，卡车标识等。实际提货时间指的 是真正进行提货操作的时间，往往比预约提货时间要迟一些，所以不能直 接使用预约提货时间进行优先级排序。
步骤403，将样本集中的样本中提货信息和车辆信息作为初始预测模 型的输入，并将实际提货时间作为初始预测模型的期望输出，利用机器学 习方法训练初始预测模型。
在本实施例中，执行主体可以将样本集中的样本中的提货信息和车辆 信息输入初始预测模型，得到该集装箱的预测提货时间，以该样本中的该 集装箱的实际提货时间作为初始预测模型的期望输出，利用机器学习方法 训练初始预测模型。具体地，可以首先利用预设的损失函数计算所得到的 预测提货时间与实际提货时间之间的差异，例如，可以采用L2范数作为 损失函数计算所得到的预测提货时间与实际提货时间之间的差异。然后，可以基于计算所得的差异，调整初始预测模型的网络参数，并在满足预设 的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可 以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预 设次数；计算所得的差异小于预设差异阈值。
这里，可以采用各种实现方式基于所生成的预测提货时间与实际提货 时间之间的差异调整初始预测模型的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机 梯度下降)算法来调整初始预测模型的网络参数。
步骤404，将训练得到的初始预测模型确定为预先训练的预测模型。
在本实施例中，执行主体可以将步骤403中训练得到的初始预测模型 确定为预先训练的预测模型。然后供流程200使用。
从图4中可以看出，与图2对应的实施例相比，本实施例中的训练预 测模型的方法的流程400体现了通过提取提货信息、车辆信息中的特征进 行实际提货时间预测的步骤。由此，本实施例描述的方案可以通过提货信 息、车辆信息分析出实际提货时间，从而得到集装箱的优先级，提高了集 装箱排序的准确性，通过提前准确翻箱既可减少卡车等待时间又能减少总 体翻箱次数，降低了物流成本。
在本实施例的一些可选的实现方式中，预测模型为极限梯度提升树， 采用贪心算法提取所述极限梯度提升树的分裂点。
给定样本集，XGBoost进行加性训练，学习K棵树，采用以下函数对 样本进行预测：
这里Г是假设空间，f(x)是回归树，
是预测结果，xi是第i个样本。 Γ＝{f(x)＝wq(x)}(q:Rm→T，w∈RT)
q(x)表示样本x分到了某个叶子节点上，w是叶子节点的分数，所以 wq(x)表示回归树对样本的预测值，Rm表示特征(例如，提货信息、车辆信 息)，T表示叶子节点。
采用贪心算法作为子节点分裂依据。从树的深度为0开始：
1、对每个叶节点枚举所有的可用特征；
2、针对每个特征，把属于该节点的训练样本根据该特征值进行升序 排列，通过线性扫描的方式来决定该特征的最佳分裂点，并记录该特征的 分裂收益；
3、选择收益最大的特征作为分裂特征，用该特征的最佳分裂点作为 分裂位置，在该节点上分裂出左右两个新的叶节点，并为每个新节点关联 对应的样本集；
4、回到第1步，递归执行直到满足特定条件为止。
在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的 那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。从而 可以提高计算速度，提高集装箱的流转速度，降低物流成本。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一 种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实 施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于输出信息的装置500包括：获取单元 501、预测单元502、规划单元503和输出单元504。其中，获取单元501， 被配置成获取目标堆场中的至少一个集装箱的提货信息、车辆信息和堆场 状态信息；预测单元502，被配置成将提货信息和车辆信息输入预先训练 的预测模型，预测出每个集装箱的实际提货时间作为优先级；规划单元503， 被配置成根据每个集装箱的优先级和堆场状态信息对目标堆场的翻箱操 作进行规划，得到规划信息；输出单元504，被配置成输出规划信息。
在本实施例中，用于输出信息的装置500的获取单元501、预测单元 502、规划单元503和输出单元504的具体处理可以参考图2对应实施例 中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中，堆场状态信息包括每个集装箱 的初始位置；以及规划单元503进一步被配置成：根据每个集装箱的初始 位置生成操作列表，其中，操作列表中每个操作表征单步的移动对象及移 动位置；对于操作列表中的每个操作，计算执行该操作后目标堆场中叠放 顺序与优先级不符的错位集装箱数量；针对初始位置，将错位集装箱数量 最小的操作确定为目标操作添加到规划信息中。
在本实施例的一些可选的实现方式中，规划单元503进一步被配置成： 若执行目标操作之后错位集装箱数量不为0，则根据每个集装箱的当前位 置重新生成操作列表；对于操作列表中的每个操作，计算执行该操作后目 标堆场中叠放顺序与优先级不符的错位集装箱数量；针对当前位置，将错 位集装箱数量最小的操作确定为目标操作添加到规划信息中。
在本实施例的一些可选的实现方式中，规划单元503进一步被配置成： 若错位集装箱数量最小的操作的数量大于1，则将优先级最小的移动对象 对应的操作确定为目标操作添加到规划信息中。
在本实施例的一些可选的实现方式中，规划单元503进一步被配置成： 若错位集装箱数量最小的操作的数量大于1且优先级最小的移动对象的数 量也大于1，则将移动次数最少的移动对象对应的操作确定为目标操作添 加到规划信息中。
在本实施例的一些可选的实现方式中，预测模型为极限梯度提升树。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一 种训练预测模型的装置的一个实施例，该装置实施例与图4所示的方法实 施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的训练预测模型的装置600包括：初始化单元 601，被配置成确定初始预测模型的网络结构以及初始化初始预测模型的 网络参数；获取单元602，被配置成获取样本集，其中，样本集中的样本 包括提货信息、车辆信息和实际提货时间；训练单元603，被配置成将样 本集中的样本中提货信息和车辆信息作为初始预测模型的输入，并将实际 提货时间作为初始预测模型的期望输出，利用机器学习装置训练初始预测 模型；确定单元604，被配置成将训练得到的初始预测模型确定为预先训 练的预测模型。
在本实施例的一些可选的实现方式中，预测模型为极限梯度提升树， 采用贪心算法提取极限梯度提升树的分裂点。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储 介质和一种计算机程序产品。
一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器 通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执 行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理 器能够执行流程200或400所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计 算机指令用于使所述计算机执行流程200或400所述的方法。
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器 执行时实现流程200或400所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意 性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、 台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算 机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸 如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算 装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示 例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存 储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存 储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、 ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口 705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例 如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存 储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调 器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计 算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理 组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图 形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机 器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的 处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信 息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质， 例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经 由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算 机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的 用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，计算 单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为 执行用于输出信息的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路 系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、 专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设 备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些 各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者 多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储 系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将 数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出 装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的 任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其 他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控 制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可 以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机 器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含 或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设 备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读 储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电 磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组 合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑 盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的 任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术， 该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线 管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠 标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算 机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的 反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉 反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如， 作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、 或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器 的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处 描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部 件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络 的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此 并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具 有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器 可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的 服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或 删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地 执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望 的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术 人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、 子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和 改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种用于输出信息的方法，包括：
获取目标堆场中的至少一个集装箱的提货信息、车辆信息和堆场状态信息；
将所述提货信息和所述车辆信息输入预先训练的预测模型，预测出每个集装箱的实际提货时间作为优先级；
根据每个集装箱的优先级和所述堆场状态信息对所述目标堆场的翻箱操作进行规划，得到规划信息；
输出所述规划信息。
2.根据权利要求1所述的方法，其中，所述堆场状态信息包括每个集装箱的初始位置；以及
所述根据每个集装箱的优先级和堆场状态信息对所述目标堆场的翻箱操作进行规划，得到规划信息，包括：
根据每个集装箱的初始位置生成操作列表，其中，所述操作列表中每个操作表征单步的移动对象及移动位置；
对于所述操作列表中的每个操作，计算执行该操作后所述目标堆场中叠放顺序与优先级不符的错位集装箱数量；
针对所述初始位置，将错位集装箱数量最小的操作确定为目标操作添加到规划信息中。
3.根据权利要求2所述的方法，其中，所述方法还包括：
若执行目标操作之后错位集装箱数量不为0，则根据每个集装箱的当前位置重新生成操作列表；
对于所述操作列表中的每个操作，计算执行该操作后所述目标堆场中叠放顺序与优先级不符的错位集装箱数量；
针对所述当前位置，将错位集装箱数量最小的操作确定为目标操作添加到规划信息中。
4.根据权利要求2所述的方法，其中，所述将错位集装箱数量最小的操作确定为目标操作添加到规划信息中，包括：
若错位集装箱数量最小的操作的数量大于1，则将优先级最小的移动对象对应的操作确定为目标操作添加到规划信息中。
5.根据权利要求4所述的方法，其中，所述将错位集装箱数量最小的操作确定为目标操作添加到规划信息中，包括：
若错位集装箱数量最小的操作的数量大于1且优先级最小的移动对象的数量也大于1，则将移动次数最少的移动对象对应的操作确定为目标操作添加到规划信息中。
6.根据权利要求1-5中任一项所述的方法，其中，所述预测模型为极限梯度提升树。
7.一种训练预测模型的方法，包括：
确定初始预测模型的网络结构以及初始化所述初始预测模型的网络参数；
获取样本集，其中，所述样本集中的样本包括提货信息、车辆信息和实际提货时间；
将所述样本集中的样本中提货信息和车辆信息作为所述初始预测模型的输入，并将所述实际提货时间作为所述初始预测模型的期望输出，利用机器学习方法训练所述初始预测模型；
将训练得到的所述初始预测模型确定为所述预先训练的预测模型。
8.根据权利要求7所述的方法，其中，所述预测模型为极限梯度提升树，采用贪心算法提取所述极限梯度提升树的分裂点。
9.一种用于输出信息的装置，包括：
获取单元，被配置成获取目标堆场中的至少一个集装箱的提货信息、车辆信息和堆场状态信息；
预测单元，被配置成将所述提货信息和所述车辆信息输入预先训练的预测模型，预测出每个集装箱的实际提货时间作为优先级；
规划单元，被配置成根据每个集装箱的优先级和所述堆场状态信息对所述目标堆场的翻箱操作进行规划，得到规划信息；
输出单元，被配置成输出所述规划信息。
10.根据权利要求9所述的装置，其中，所述堆场状态信息包括每个集装箱的初始位置；以及
所述规划单元进一步被配置成：
根据每个集装箱的初始位置生成操作列表，其中，所述操作列表中每个操作表征单步的移动对象及移动位置；
对于所述操作列表中的每个操作，计算执行该操作后所述目标堆场中叠放顺序与优先级不符的错位集装箱数量；
针对所述初始位置，将错位集装箱数量最小的操作确定为目标操作添加到规划信息中。
11.根据权利要求10所述的装置，其中，所述规划单元进一步被配置成：
若执行目标操作之后错位集装箱数量不为0，则根据每个集装箱的当前位置重新生成操作列表；
对于所述操作列表中的每个操作，计算执行该操作后所述目标堆场中叠放顺序与优先级不符的错位集装箱数量；
针对所述当前位置，将错位集装箱数量最小的操作确定为目标操作添加到规划信息中。
12.根据权利要求10所述的装置，其中，所述规划单元进一步被配置成：
若错位集装箱数量最小的操作的数量大于1，则将优先级最小的移动对象对应的操作确定为目标操作添加到规划信息中。
13.根据权利要求12所述的装置，其中，所述规划单元进一步被配置成：
若错位集装箱数量最小的操作的数量大于1且优先级最小的移动对象的数量也大于1，则将移动次数最少的移动对象对应的操作确定为目标操作添加到规划信息中。
14.根据权利要求9-13中任一项所述的装置，其中，所述预测模型为极限梯度提升树。
15.一种训练预测模型的装置，包括：
初始化单元，被配置成确定初始预测模型的网络结构以及初始化所述初始预测模型的网络参数；
获取单元，被配置成获取样本集，其中，所述样本集中的样本包括提货信息、车辆信息和实际提货时间；
训练单元，被配置成将所述样本集中的样本中提货信息和车辆信息作为所述初始预测模型的输入，并将所述实际提货时间作为所述初始预测模型的期望输出，利用机器学习装置训练所述初始预测模型；
确定单元，被配置成将训练得到的所述初始预测模型确定为所述预先训练的预测模型。
16.根据权利要求15所述的装置，其中，所述预测模型为极限梯度提升树，采用贪心算法提取所述极限梯度提升树的分裂点。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610980.3A CN114331265A (zh) | 2021-12-27 | 2021-12-27 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610980.3A CN114331265A (zh) | 2021-12-27 | 2021-12-27 | 用于输出信息的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114331265A true CN114331265A (zh) | 2022-04-12 |
Family
ID=81013130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610980.3A Pending CN114331265A (zh) | 2021-12-27 | 2021-12-27 | 用于输出信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331265A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228838A (zh) * | 2023-05-10 | 2023-06-06 | 深圳大学 | 一种基于视觉检测的物体装箱强化学习方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020103728A1 (en) * | 1998-04-01 | 2002-08-01 | Naghshineh Steve F. | Bill of lading transmission and processing system for less than a load carriers |
| 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 |
| CN108388963A (zh) * | 2018-02-13 | 2018-08-10 | 百度在线网络技术（北京）有限公司 | 行李到达时间预测方法、装置、计算机设备及可读介质 |
| CN110203708A (zh) * | 2019-06-05 | 2019-09-06 | 大连理工大学 | 一种不完全提箱信息下的集装箱堆场翻箱落位优选方法 |
| WO2019235631A1 (ja) * | 2018-06-07 | 2019-12-12 | パナソニックＩｐマネジメント株式会社 | 需要予測装置および需要予測方法 |
| CN110705422A (zh) * | 2019-09-25 | 2020-01-17 | 宁波梅山岛国际集装箱码头有限公司 | 一种集装箱车检测方法、系统、计算机可读存储介质 |
-
2021
- 2021-12-27 CN CN202111610980.3A patent/CN114331265A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020103728A1 (en) * | 1998-04-01 | 2002-08-01 | Naghshineh Steve F. | Bill of lading transmission and processing system for less than a load carriers |
| 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 |
| CN108388963A (zh) * | 2018-02-13 | 2018-08-10 | 百度在线网络技术（北京）有限公司 | 行李到达时间预测方法、装置、计算机设备及可读介质 |
| WO2019235631A1 (ja) * | 2018-06-07 | 2019-12-12 | パナソニックＩｐマネジメント株式会社 | 需要予測装置および需要予測方法 |
| CN110203708A (zh) * | 2019-06-05 | 2019-09-06 | 大连理工大学 | 一种不完全提箱信息下的集装箱堆场翻箱落位优选方法 |
| CN110705422A (zh) * | 2019-09-25 | 2020-01-17 | 宁波梅山岛国际集装箱码头有限公司 | 一种集装箱车检测方法、系统、计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘昭青: "HHLA 集装箱码头利用机器学习技术", 《航海》, 31 December 2020 (2020-12-31), pages 69 * |
| 曾庆成;李厚源;吴萍;: "基于部分集卡到达信息的码头进口箱翻箱优化", 交通运输系统工程与信息, no. 01, 15 February 2017 (2017-02-15), pages 195 - 202 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228838A (zh) * | 2023-05-10 | 2023-06-06 | 深圳大学 | 一种基于视觉检测的物体装箱强化学习方法及相关装置 |
| CN116228838B (zh) * | 2023-05-10 | 2024-03-08 | 深圳大学 | 一种基于视觉检测的物体装箱强化学习方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840648B (zh) | 用于输出储位信息的方法和装置 | |
| EP3739530A1 (en) | Method for determining transportation scheme, and method and device for training fast loading model | |
| Choe et al. | Online preference learning for adaptive dispatching of AGVs in an automated container terminal | |
| Rodriguez-Molins et al. | A genetic algorithm for robust berth allocation and quay crane assignment | |
| US20140046733A1 (en) | Facility Design and Management Systems For Achieving Business Goals | |
| Schepler et al. | The stochastic discrete berth allocation problem | |
| CN110871978B (zh) | 用于立体仓库的资源配置方法和装置 | |
| Liu et al. | Rolling horizon based robust optimization method of quayside operations in maritime container ports | |
| Ko et al. | A rollout heuristic algorithm for order sequencing in robotic compact storage and retrieval systems | |
| CN114331265A (zh) | 用于输出信息的方法和装置 | |
| Wei et al. | A self-attention-based deep reinforcement learning approach for AGV dispatching systems | |
| Jin et al. | Container stacking optimization based on Deep Reinforcement Learning | |
| CN113687651A (zh) | 一种按需派送车辆的路径规划方法及装置 | |
| CN112906081A (zh) | 一种规划仓库布局的方法和装置 | |
| CN114330887A (zh) | 任务编排方法、设备及计算机可读存储介质 | |
| He et al. | Particle Swarm Optimization Using Neighborhood‐Based Mutation Operator and Intermediate Disturbance Strategy for Outbound Container Storage Location Assignment Problem | |
| CN116957299B (zh) | 自动化仓库复合订单的优化调度方法、系统、设备及介质 | |
| Zhang et al. | Novel models and algorithms for location assignment for outbound containers in container terminals | |
| Rida | Modeling and optimization of decision-making process during loading and unloading operations at container port | |
| Pratap et al. | The robust quay crane allocation for a discrete bulk material handling port | |
| CN114394440B (zh) | 集装箱的堆叠处理方法、装置、设备、存储介质及产品 | |
| CN114580728A (zh) | 提升机调度方法、装置、存储介质及电子设备 | |
| Teck et al. | A simulation-based genetic algorithm for a semi-automated warehouse scheduling problem with processing time variability | |
| CN117494854A (zh) | 港口作业管理方法、装置和存储介质 | |
| Said et al. | An intelligent optimization approach for storage space allocation at seaports: A case study |
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 |