CN114509996A - 设备作业时长预测、指令调度方法、设备及存储介质 - Google Patents
设备作业时长预测、指令调度方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114509996A CN114509996A CN202210022260.3A CN202210022260A CN114509996A CN 114509996 A CN114509996 A CN 114509996A CN 202210022260 A CN202210022260 A CN 202210022260A CN 114509996 A CN114509996 A CN 114509996A
- Authority
- CN
- China
- Prior art keywords
- job
- duration
- instruction
- equipment
- scheduling
- 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 64
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011022 operating instruction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000004888 barrier function Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种设备作业时长预测、指令调度方法、设备及存储介质。存在预测作业设备的作业时长的需求时,可获取待执行的作业指令对应的作业影响因素,并将该作业影响因素输入作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。在这种实施方式中,用于计算作业时长预测值的作业影响因素包括作业设备执行作业指令时的外部条件和/或自身条件,从而,可充分利用作业设备执行作业指令的过程中客观存在的、可能会影响作业时长的多种因素,并可结合机器学习模型学习到的多种作业影响因素对作业时长的影响关系,可较为准确地预测出作业设备的作业时长,有利于对作业设备的作业指令实现精准调度,提升作业效率。
Description
技术领域
本申请涉及工程控制技术领域,尤其涉及一种设备作业时长预测、指令调度方法、设备及存储介质。
背景技术
在港口系统的运转过程中,港口作业设备对集装箱进行装、卸、移、进、提等操作可通过作业指令实现。在港口自动化作业的趋势下,可对港口作业设备的作业指令进行自动调度。在自动调度作业指令的过程中,港口作业设备的作业指令消耗时长是一种重要的调度依据。然而,现有技术中,通常由人工根据经验值估计港口作业设备的作业指令消耗时长。这种基于经验值进行估计得到的结果准确性较差,不利于实现作业指令的精准调度。因此,有待提出一种新的解决方案。
发明内容
本申请的多个方面提供一种设备作业时长预测、指令调度方法、设备及存储介质,用以较为准确地计算出作业设备的作业时长,从而有利于实现作业指令的精准调度。
本申请实施例提供一种设备作业时长预测方法,包括:响应针对作业设备的作业时长预测操作,获取待执行的作业指令对应的作业影响因素;所述作业影响因素包括:所述作业设备执行所述作业指令时的外部条件和/或自身条件;将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值。
进一步可选地,将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值,包括:在所述作业时长预测模型中,对所述作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算所述多种特征对应的作业时长,作为所述作业指令的作业时长预测值。
进一步可选地,所述作业设备包括:港口作业设备;所述作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型;将所述作业影响因素输入所述港口作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值,包括:确定所述作业指令的操作类型;若所述操作类型为装船操作,则将所述作业影响因素输入所述第一预测子模型,得到所述港口作业设备的装船时长预测结果;若所述操作类型为卸船操作,则将所述作业影响因素输入所述第二预测子模型,得到所述港口作业设备的卸船时长预测结果。
进一步可选地,获取作业设备执行作业指令时的作业影响因素,包括:获取所述作业设备的操作员数据、所述作业设备的作业环境数据、所述作业设备的设备数据的至少一种。
进一步可选地,所述作业设备包括:港口作业设备;获取操作所述作业设备的操作员数据,包括:根据所述港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取所述实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;所述操作方式包括:远程操作或现场操作。
进一步可选地,所述作业设备包括:港口作业设备;获取所述作业设备的设备数据,包括:获取所述港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、所述集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
进一步可选地,将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值之前,还包括:获取作业设备的历史作业数据,所述历史作业数据包括:所述作业设备执行历史作业指令时的作业影响因素和历史实际作业时长;将所述作业设备执行历史作业指令时的作业影响因素输入机器学习模型,得到所述历史作业指令的作业时长预测值;根据所述历史作业指令的作业时长预测值与所述历史实际作业时长之间的误差,确定所述机器学习模型的训练损失;以使得所述训练损失收敛至指定范围为训练目标,对所述机器学习模型进行训练,得到所述作业时长预测模型。
本申请实施例还提供一种指令调度方法,包括:获取作业设备的待调度的多个作业指令;为所述多个作业指令生成多种调度方案,任一作业指令在不同调度方案中的作业影响因素不同;所述作业影响因素包括:所述作业设备执行所述作业指令时的外部条件和/或自身条件;利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值;根据所述多个作业指令在所述多种调度方案中的作业时长,计算所述多种调度方案各自的总作业时长;根据所述多种调度方案各自的总作业时长,从所述多种调度方案中,为所述多个作业指令选择目标调度方案。
进一步可选地,利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值,包括:针对所述多个作业指令中的任一作业指令,将所述作业指令在任一调度方案中的作业影响因素输入所述作业设备的作业时长预测模型;在所述作业时长预测模型中,对所述作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算所述多种特征对应的作业时长,作为所述作业指令在所述调度方案下的作业时长预测值。
进一步可选地,所述作业设备包括:港口作业设备;所述作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型;利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值,包括:针对所述多个作业指令中的任一作业指令,确定所述作业指令的操作类型;若所述操作类型为装船操作,则利用所述第一预测子模型,根据所述作业指令在所述多种调度方案中的作业影响因素,分别计算所述作业指令在所述多种调度方案下的装船时长预测结果;若所述操作类型为卸船操作,则利用所述第二预测子模型,根据所述作业指令在所述多种调度方案中的作业影响因素,分别计算所述作业指令在所述多种调度方案下的卸船时长预测结果。
进一步可选地,所述多个作业指令中,任一作业指令在任一调度方案中的作业影响因素,包括:所述作业设备按照所述调度方案执行所述作业指令时的操作员数据、作业环境数据以及设备数据中的至少一种。
本申请实施例还提供一种服务器,包括:存储器和处理器;所述存储器用于存储一条或多条计算机指令;所述处理器用于执行所述一条或多条计算机指令以用于:执行本申请实施例提供的方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被处理器执行时能够实现本申请实施例提供的方法中的步骤。
本申请实施例提供的设备作业时长预测方法中,存在预测作业设备的作业时长的需求时,可获取待执行的作业指令对应的作业影响因素,并将该作业影响因素输入作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。在这种实施方式中,用于计算作业时长预测值的作业影响因素包括作业设备执行作业指令时的外部条件和/或自身条件,从而,可充分利用作业设备执行作业指令的过程中客观存在的、可能会影响作业时长的多种因素,并可结合机器学习模型学习到的多种作业影响因素对作业时长的影响关系,可较为准确地预测出作业设备的作业时长,有利于对作业设备的作业指令实现精准调度,提升作业效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的指令调度系统的结构示意图;
图2为本申请一示例性的实施例提供设备作业时长预测方法的流程示意图;
图3为本申请另一示例性的实施例提供指令调度方法的流程示意图;
图4为本申请一示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在港口系统的运转过程中,港口作业设备对集装箱进行装、卸、移、进、提等操作可通过作业指令实现。在港口自动化作业的趋势下,可对港口作业设备的作业指令进行自动调度。在自动调度作业指令的过程中,港口作业设备的作业指令消耗时长是一种重要的调度依据。然而,现有技术中,通常由人工根据经验值估计港口作业设备的作业指令消耗时长。这种基于经验值进行估计得到的结果准确性较差,不利于实现作业指令的精准调度。
针对上述技术问题,在本申请一些实施例中,提供了一种解决方案,以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的指令调度系统的结构示意图,如图1所示,指令调度系统100包括:港口作业设备10以及调度服务器20。
其中,港口作业设备10,指的是在港口环境中执行作业任务的设备,包括但不限于桥吊、龙门吊、集卡、无人集卡等设备。港口作业设备具有运输能力,可执行装船、卸船、翻箱、移箱、进箱、提箱等操作。港口作业设备可根据作业指令,执行作业任务。
在调度系统中,调度服务器20可为常规服务器、云服务器、云主机、云上的弹性计算实例等,本实施例不做限制。其中,调度服务器20主要用于执行作业指令的调度操作,以使得港口系统高效运转。其中,调度服务器20对作业指令进行调度时,主要用于调整不同作业指令的执行顺序、不同作业指令的作业时间以及不同作业指令的操作员等等。在本申请实施例中,调度服务器20可提供作业时长预测服务,以预测港口作业设备执行每一作业指令时的作业时长,并可基于预测出的作业时长,更加智能化地实现港口作业设备的自动化调度。以下将进行示例性说明。
在一些实施例中,当港口作业设备存在多个待执行的作业指令时,调度服务器20可为该多个作业指令生成多种调度方案。该多种调度方案,可按照预设的规则生成,或者按照指令到达调度服务器20的时间顺序生成,或者可按照同类型指令的历史执行顺序生成,本实施例不做限制。其中,该预设的规则可以为随机排序规则。例如,可对多种作业指令进行随机排序,得到多种调度方案。
其中,每种调度方案对应一组有序排列的作业指令,多种调度方案对应多组有序排列的作业指令。针对任一作业指令而言,其在不同调度方案下的作业影响因素不同,因此,港口作业设备执行该作业指令时的作业效率可能存在差异。为判断多种调度方案的优劣,调度服务器20可分别计算多种调度方案各自对应的总作业时长,并根据总作业时长,从多种调度方案中选择用于对多个作业指令进行调度的目标调度方案。
在本实施例中,调度服务器20上部署有作业时长预测模型,调度服务器20可利用该作业时长预测模型,根据该多个作业指令在该多种调度方案中的作业影响因素,分别计算该多个作业指令在该多种调度方案下的作业时长预测值。其中,该作业时长预测模型可以是预先根据港口作业设备的大量历史作业数据训练得到的,此部分将在后续实施例中进行详细介绍,此处不赘述。其中,调度服务器20在对每种调度方案的总作业时长进行计算时,可分别获取每个作业指令在每种调度方案下的作业影响因素,并利用作业时长预测模型,计算每个作业指令在每种调度方案下的作业时长。以下将以任一作业指令为例进行示例性说明。
针对任一作业指令,调度服务器20可获取该作业指令在任一调度方案下的作业影响因素。其中,作业影响因素,指的是在港口作业设备执行作业指令时能够对港口作业设备的作业时长产生影响的任意一种或者多种因素。该作业影响因素,可包括港口作业设备自身的条件,也可包括港口作业设备的外部条件,本实施例不做限制。
在一些可选的实施例中,调度服务器20在获取港口作业设备执行作业指令时的作业影响因素时,可获取港口作业设备的操作员数据、该港口作业设备的作业环境数据、该港口作业设备的设备数据的至少一种。其中,操作员数据、作业环境数据为港口作业设备的外部条件,设备数据中既可包括港口作业设备的外部条件,也可包括港口作业设备的自身条件,以下将进行具体说明。
其中,港口作业设备的操作员数据,指的是与操作港口作业设备的操作人员相关的数据,即影响港口作业设备的作业时长的人力因素,包括但不限于:港口作业设备的实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种。其中,操作方式可包括:远程操作或者现场操作。远程操作时,操作员的视线受限,其操作效率会低于现场操作的效率。另外,以港口作业设备实现为桥吊设备为例,当集装箱层高过高时,需要人工处理掉一部分,然后再进行远程控制;当远程操作速度慢时,需要现场人员接手进行操控。其中,能力等级,与港口作业设备的实际操作人员的技能等级关联,用于反映操作员的熟练度。通常,熟练度越高,对港口作业设备的操作效率也越高。其中,疲劳度数据,可通过实际操作人员的连续工作时长计算得到。操作员的连续工作时长越长,则疲劳度越高。其中,疲劳度数据还可通过作业时段体现。例如,在白天和夜间,操作员的视线清晰度以及疲劳度具有一定的差异。
在港口的管理系统中,通常包含一操作员管理系统。调度服务器20可访问该操作员管理系统,并根据该港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取该实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据。其中,操作员的身份标识,可以是操作员的ID、工号、姓名等等。该身份标识,调度服务器20在对作业指令进行调度时,为作业指令分配的。
其中,港口作业设备10的作业环境数据,可包括港口作业设备10作业环境中的自然环境数据,该自然环境数据可从港口布设的环境监测系统中获取。调度服务器20可从该港口的环境监测系统中,获取港口作业设备10执行该作业指令时的风力数据、能见度数据以及天气类型中的至少一种。
其中,风力大小对港口作业设备的操作速度影响较大。以桥吊设备为例,当风力较大时,桥吊设备的稳定性较差,运输速度较慢。当风力较小时,桥吊设备的运输速度较快。其中,能见度数据主要影响操作员的操作视野清晰度,能见度较低时,操作员的视野较为模糊,操作效率较低。当能见度高时,操作员的视野较为清晰,操作效率较高。其中,天气类型主要用于描述晴天、雨、雪、雷电等天气数据,较为恶劣的天气会降低港口作业设备的操作效率,在大雨或者较强雷电天气下,港口作业设备可能会暂时停止工作。
其中,港口作业设备10的设备数据,可包括港口作业设备10自身的数据,也可包括与港口作业设备10进行作业合作的其他设备的数据。调度服务器20可获取该港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、该集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
其中,路径数据指的是,港口作业设备10从起始点到终止点之间的路径数据。例如,以桥吊设备为例,桥吊设备在作业过程中的路径数据,可以是从货船上取下集装箱,并将集装箱运送到某一集卡上的运输路径。
其中,待运输的集装箱的箱型,包括但不限于框架箱、开顶箱、双小箱、冷冻箱、超限箱、危险品箱、油罐箱、加长箱或者单小箱。不同箱型的抓取、卸下、运输效率不同。
其中,集装箱的箱位,指的是集装箱放置的位置,例如集装箱是否有外挡、里挡、集装箱的舱内深度等。箱位不同时,集装箱的抓取、放置操作时间会有所不同。集装箱无外挡和里挡时,抓取效率较高;集装箱有外挡或里挡时,抓取效率次之;集装箱有外挡和里挡时,抓取效率较低。舱内操作时,箱位越深,则桥吊运行时间越长。集装箱为垫脚箱时,舱内深度较深,桥吊在船舶舱内对垫脚箱进行作业的效率相对其他箱位的集装箱更慢。
其中,集卡类型主要包括有人集卡和无人集卡。无人集卡和有人集卡在对接吊具位置的时间上有所不同。有人集卡可在对接吊具时,可在操作员的控制下实现主动对接,对接效率优于无人集卡。
其中,船舶结构可能会影响桥吊的效率(出于安全考虑),船舶贝位号距离生活舱较近的集装箱的操作较慢。
其中,舱盖板信息用于描述货舱盖板是否关闭的信息。在一些情况下,舱内全部完成作业时,舱盖板将进入关闭状态;在另一些情况下,舱内一部分货物完成作业后,舱盖板将进入关闭状态。
其中,解捆箱信息,用于描述集装箱是否需要的等待人工解捆后才可以进行搬运。若需要等待人工解捆,则作业时长将增加。
上述数据中的一种或者多种,均可作为影响港口作业设备执行作业指令的时长的可选因素。调度服务器20可根据作业指令对应的调度方案,获取调度指令在每种调度方案下的作业影响因素。
获取到作业指令对应的作业影响因素后,调度服务器20可将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。当该作业指令具有多种调度方案时,调度服务器20可利用作业时长预测模型,预测出作业指令在多种调度方案下的作业时长预测值。同理,当存在待调度的多个作业指令时,调度服务器20可利用作业时长预测模型,预测出多个作业指令在多种调度方案下各自的作业时长预测值。
基于多个作业指令在多种调度方案下各自的作业时长预测值,调度服务器20可计算多种调度方案各自对应的总时长。计算得到总时长后,可从多个调度方案中选择总时长最小的方案作为目标调度方案,或者从多个调度方案中选择总时长小于指定的时长阈值的方案作为目标调度方案。以下将结合一个具体的例子进行进一步示例性说明。
假设,待装货的船上具有4个相邻的用于放置集装箱的箱位,分别为箱位L1、L2、L3、L4上,其中,箱位L1、L4为边缘箱位。利用某一桥吊设备装船时,该桥吊设备存在待执行的作业指令A1、作业指令A2、作业指令A3、作业指令A4。其中,作业指令A1用于将B1位置的集装箱搬运到箱位L1、作业指令A2用于将B2位置的集装箱搬运至箱位L2、作业指令A3用于将B3位置的集装箱搬运至箱位L3、作业指令A4用于将B2位置的集装箱搬运至箱位L4。
假设,上述作业指令对应的调度方案分别为:
调度方案S1={A1(低级操作员,能见度=10)、A2(低级操作员,能见度=15)、A3(中级操作员,能见度=20)、A4(高级操作员,能见度=25)};
调度方案S2={A2(低级操作员,能见度=10)、A3(低级操作员,能见度=15)、A4(低级操作员,能见度=20)、A1(低级操作员,能见度=25)};
调度方案S3={A3(低级操作员,能见度=10)、A4(低级操作员,能见度=15)、A1(低级操作员,能见度=20)、A2(低级操作员,能见度=25)};
调度方案S4={A4(低级操作员,能见度=10)、A1(低级操作员,能见度=15)、A2(中级操作员,能见度=20)、A3(高级操作员,能见度=25)}。
上述4种调度方案中,作业指令的执行顺序不同、作业难度不同、操作员等级不同、能见度不同、搬运路径也不同。通常,两侧均未放置集装箱的箱位(即无里挡和外挡的箱位)具有较低的作业难度,单侧未放置集装箱的箱位(即只有里挡或外挡的箱位)的作业难度有所提升,两侧均放置集装箱的箱位(即同时具有里挡和外挡的箱位)具有较高的作业难度。通常,能见度越高,视野越清晰,作业难度越低。
在上述不同的调度方案中,作业指令的作业影响因素随着方案不同而发生变化。调度服务器20可获取每一调度方案下,每一作业指令的作业时长预测值,并将该调度方案下多个作业指令的作业时长预测值进行累加,得到该调度方案对应的总作业时长。以上述调度方案S1为例,针对作业指令A1,其作业影响因素可以为:作业路径由B1到箱位L1、操作员等级为低级、箱位L1两侧均未放置集装箱。以上述方案S4为例,针对作业指令A3,其作业影响因素可以为:作业路径由B3到箱位L3、操作员等级为高级、箱位L3的两侧均放置有集装箱。
调度服务器20可基于作业时长预测模型,计算出作业指令A1在调度方案S1、S2、S3以及S4中的作业时长t1(A1)、t2(A1)、t3(A1)、t4(A1);计算出作业指令A2在调度方案S1、S2、S3以及S4中的作业时长t1(A2)、t2(A2)、t3(A2)、t4(A2);计算出作业指令A3在调度方案S1、S2、S3以及S4中的作业时长t1(A3)、t2(A3)、t3(A3)、t4(A3);计算出作业指令A4在调度方案S1、S2、S3以及S4中的作业时长t1(A4)、t2(A4)、t3(A4)、t4(A4)。
利用作业时长预测模型计算得到多个作业指令分别上述多种调度方案下作业时长后,可计算多种调度方案各自对应的总作业时长。例如,调度方案S1的总作业时长T(S1)=t1(A1)+t1(A2)+t1(A3)+t1(A4)。基于多种调度方案各自的作业时长,从上述多种方案中选择作业效率较优的调度方案对该多个指令进行实际调度。
本实施例中,当港口作业设备存在待调度的多个作业指令时,调度服务器可为该多个作业指令生成多种调度方案,并利用作业时长预测模型,根据作业指令在不同调度方案下对应的作业影响因素,对港口作业设备执行作业指令时的作业时长进行预测。基于作业时长的预测结果,可计算多种调度方案的总时长,并基于该总时长对多种调度方案进行优劣比较。这种基于作业时长预测结果选择作业指令调度方案的方式,可用于对港口作业设备进行自动化调度,并有利于采用合理性更高的调度方案对作业指令进行调度,实现港口作业设备的高效作业。
值得说明的是,对于任一作业指令而言,其在任一调度方案下的作业影响因素可能会随着时间推移而产生变化。例如,夏季的天气变化较快,预测作业时长采用的天气因素的变化性较强,在不同预测时刻采用的天气因素可能会存在一定差异。基于此,当待调度的指令较多时,可动态地根据实时变化的作业影响因素选择调度方案。即,可选地,在按照目标调度方案对该多个指令进行调度的过程中,对于该多个作业指令中尚未执行的剩余作业指令,可动态地调整剩余作业指令的调度方案。例如,可生产剩余作业指令的多种调度方案,并采用本申请实施例提供调度方案评价方法,计算调度方案的总时长。根据计算得到的总时长,可为剩余指令选择更加合理的调度方案,不再赘述。
在一些示例性的实施例中,调度服务器20将任一作业指令的作业影响因素输入作业时长预测模型时,该作业时长预测模型可对该作业影响因素进行特征提取,得到影响作业时长的多种特征。其中,特征提取操作,可基于神经网络模型的特征提取算法实现,或者可基于主成分分析法实现,本实施例不做限制。作业时长预测模型可根据预先学习的特征与作业时长之间的映射关系,计算该多种特征对应的作业时长,作为该作业指令的作业时长预测值。
在一些可选的实施例中,调度服务器20可预先根据港口作业设备的历史作业数据,采用机器学习的训练方法,对机器学习模型进行有监督训练,得到港口作业设备的作业时长预测模型,以供预测使用。以下将进行示例性说明。
可选地,调度服务器20可获取港口作业设备的历史作业数据,该历史作业数据包括:该港口作业设备执行历史作业指令时的作业影响因素和历史实际作业时长。其中,历史作业时长用于作为有监督学习的监督信号,历史作业指令时的作业影响因素用于作为训练数据。调度服务器20可将该港口作业设备执行历史作业指令时的作业影响因素输入机器学习模型,得到该历史作业指令的作业时长预测值,并根据该历史作业指令的作业时长预测值与该历史实际作业时长之间的误差,确定该机器学习模型的训练损失。
确定训练损失后,调度服务器20可将使得该训练损失收敛至指定范围作为训练目标,调整该机器学习模型的模型参数,以对该机器学习模型进行训练。在训练的过程中,调度服务器20可在监督信号的指导下,学习根据输入数据预测作业时长,并使得预测出的时长尽可能接近监督信号的能力。上述训练过程可迭代进行,直至机器学习模型的训练损失收敛至指定范围后,输出训练完成的机器学习模型,作为作业时长预测模型。
可选地,调度服务器20根据历史作业数据训练机器学习模型之前,可预先对历史作业数据进行预处理操作。该预处理操作可包括:数据清洗、异常过滤、数据编码、归一化等操作。其中,数据编码可基于独热编码(One-hot Encoding)或者二进制编码(BinaryEncoding)方法实现。可选地,该机器学习模型可以为回归模型,该回归模型可实现为:多项式回归模型、树形回归模型(例如基于随机森林的回归模型)、神经网络模型等,本实施例不做限制。
值得说明的是,在一些场景下,针对不同种类、不同型号的港口作业设备,可分别根据设备自身的历史数据,训练与其实际作业情况匹配的作业时长预测模型,以实现定制化、差异化、精确化的作业时长预测操作,不再赘述。
在一些示例性的实施例中,作业时长预测模型可包括多种不同类型的子模型,不同类型的子模型用于预测港口作业设备在不同类型的作业指令下的作业时长。
可选地,港口作业设备的作业指令的操作类型可包括:装船操作以及卸船操作。相应地,作业时长预测模型可包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型。
相应地,调度服务器20在获取待执行的作业指令时,可确定指令的操作类型。若该操作类型为装船操作,则调度服务器20可将该作业影响因素输入该第一预测子模型,得到该港口作业设备的装船时长预测结果。若该操作类型为卸船操作,则调度服务器20可将该作业影响因素输入该第二预测子模型,得到该港口作业设备的卸船时长预测结果。
在模型训练阶段,获取到港口设备的历史作业数据后,可按照作业指令的类型对历史作业数据进行分类,得到历史装船指令对应的历史实际装船时长和历史装船影响因素,以及,历史卸船指令对应的历史实际卸船时长和历史卸船影响因素。
在训练第一预测子模型时,调度服务器20可将该港口作业设备执行历史装船指令时的历史装船影响因素输入机器学习模型,得到该历史装船指令的装船时长预测值,并根据该历史装船指令的装船时长预测值与历史实际装船时长之间的误差,确定该机器学习模型的训练损失。基于该训练损失对该机器学习模型的参数进行不断调整,并可在该机器学习模型的训练损失收敛到指定范围时,输出训练完成的第一预测子模型。
在训练第二预测子模型时,调度服务器20可将该港口作业设备执行历史卸船指令时的历史卸船影响因素输入机器学习模型,得到该历史卸船指令的卸船时长预测值,并根据该历史卸船指令的卸船时长预测值与历史实际卸船时长之间的误差,确定该机器学习模型的训练损失。基于该训练损失对该机器学习模型的参数进行不断调整,并可在该机器学习模型的训练损失收敛到指定范围时,输出训练完成的第二预测子模型。
在另一些示例性的实施例中,无需按照作业指令的类型将作业时长预测模型划分为多个子模型。在模型训练阶段,可将作业指令的类型以及历史作业数据均作为训练数据,以使得作业时长模型学习对不同类型的作业指令对应的作业时长进行预测。在这种实施方式中,调度服务器20在对每个港口作业设备的作业指令的作业时长进行预测时,可将作业指令的类型以及作业指令的作业影响因素一并输入作业时长预测模型。从而作业时长预测模型可根据输入的上述数据,结合学习到不同类型的作业指令下的作业影响因素和作业时长的映射关系,预测该类型的作业指令对应的作业时长,不再赘述。
应当理解的是,除港口作业环境之外,上述指令调度系统100还可被部署在其他可能的作业环境中。当被部署在其他作业环境中时,执行作业任务的设备还可实现为不同类型的其他设备,例如,物流运输设备、清洁设备、地图扫描设备、循迹追踪设备等,本实施例不做限制。相应地,作业设备的作业影响因素,可包括作业设备执行任一作业指令时的外部条件和/或自身条件。例如,以物流运输设备为例,其执行作业指令时的作业影响因素可包括:设备自身安装的传感器的灵敏度、待运输物品的摆放位置、待运输物品的体积以及作业环境的温度(温度影响物流运输设备的电池电量)中的至少一种。又例如,以地图扫描设备为例,其执行作业指令时的作业影响因素可包括:待扫图的空间的大小、待扫图的空间中的参照物的位置、激光雷达的扫描半径以及扫图路径规划数据中的至少一种,不再赘述。
除前述实施例提供的指令调度系统之外,本申请实施例还提供一种设备作业时长预测方法,以下将结合附图进行说明。
图2为本申请一示例性实施例提供的设备作业时长预测方法的流程示意图,如图2所示,该方法包括:
步骤201、响应针对作业设备的作业时长预测操作,获取待执行的作业指令对应的作业影响因素;所述作业影响因素包括:所述作业设备执行所述作业指令时的外部条件和/或自身条件。
步骤202、将该作业影响因素输入该作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。
获取到该作业指令的时长预测结果后,可对该作业指令进行调度。例如,若该作业时长预测值指示港口作业设备执行作业指令的时长过长(例如大于某一时长阈值),则可调整作业指令的执行条件,以使得作业指令的执行时长合理化。
在一些示例性的实施例中,将该作业影响因素输入该作业设备的作业时长预测模型,得到该作业指令的作业时长预测值的一种方式,可包括:在该作业时长预测模型中,对该作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算该多种特征对应的作业时长,作为该作业指令的作业时长预测值。
在一些示例性的实施例中,该作业设备可实现为港口作业设备、清洁设备、物流运输设备或循迹追踪设备等,本实施例不做限制。可选地,若作业设备实现为港口作业设备,则该作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型。相应地,将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值的一种方式,可包括:确定该作业指令的操作类型;若该操作类型为装船操作,则将该作业影响因素输入该第一预测子模型,得到该港口作业设备的装船时长预测结果;若该操作类型为卸船操作,则将该作业影响因素输入该第二预测子模型,得到该港口作业设备的卸船时长预测结果。
在一些示例性的实施例中,获取作业设备执行作业指令时的作业影响因素的一种方式,可包括:获取该作业设备的操作员数据、该作业设备的作业环境数据、该作业设备的设备数据的至少一种。
在一些示例性的实施例中,若该作业设备实现为港口作业设备,则获取操作该港口作业设备的操作员数据的一种方式,可包括:根据该港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取该实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;该操作方式包括:远程操作或现场操作。
在一些示例性的实施例中,若该作业设备实现为港口作业设备,则获取该港口作业设备的设备数据的一种方式,可包括:获取该港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、该集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
在一些示例性的实施例中,将该作业影响因素输入该作业设备的作业时长预测模型,得到该作业指令的作业时长预测值之前,还包括:获取作业设备的历史作业数据,该历史作业数据包括:该作业设备执行历史作业指令时的作业影响因素和历史实际作业时长;将该作业设备执行历史作业指令时的作业影响因素输入机器学习模型,得到该历史作业指令的作业时长预测值;根据该历史作业指令的作业时长预测值与该历史实际作业时长之间的误差,确定该机器学习模型的训练损失;以使得该训练损失收敛至指定范围为训练目标,对该机器学习模型进行训练,得到该作业时长预测模型。
本实施例中,存在预测港口作业设备的作业时长的需求时,可获取待执行的作业指令对应的作业影响因素,并将该作业影响因素输入港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。在这种实施方式中,用于计算作业时长预测值的作业影响因素包括港口作业设备执行作业指令时的外部条件和/或自身条件,从而,可充分利用港口作业设备执行作业指令的过程中客观存在的、可能会影响作业时长的多种因素,并可结合机器学习模型学习到的多种作业影响因素对作业时长的影响关系,可较为准确地预测出港口作业设备的作业时长,有利于对港口作业设备的作业指令实现精准调度,提升港口作业效率。
图3为本申请一示例性实施例提供的指令调度方法的流程示意图,如图3所示,该方法包括:
步骤301、获取作业设备的待调度的多个作业指令。
步骤302、为该多个作业指令生成多种调度方案,任一作业指令在不同调度方案中的作业影响因素不同;该作业影响因素包括:该作业设备执行该作业指令时的外部条件和/或自身条件。
步骤303、利用该作业设备的作业时长预测模型,根据该多个作业指令在该多种调度方案中的作业影响因素,分别计算该多个作业指令在该多种调度方案下的作业时长预测值。
步骤304、根据该多个作业指令在该多种调度方案中的作业时长,计算该多种调度方案各自的总作业时长。
步骤305、根据该多种调度方案各自的总作业时长,从该多种调度方案中,为该多个作业指令选择目标调度方案。
其中,分别计算该多个作业指令在该多种调度方案下的作业时长预测值时,可利用利用作业设备的作业时长预测模型,根据每个作业指令在每种调度方案中的作业影响因素,计算每个作业指令在每种调度方案中的作业时长预测值,具体可参考前述实施例的记载,此处不赘述。
根据该多种调度方案各自的总作业时长,从该多种调度方案中,为该多个作业指令选择目标调度方案后,可根据目标调度方案对该多个作业指令进行调度。
值得说明的是,任一作业指令在任一调度方案下的作业影响因素包括:作业设备在该调度方案下执行该作业指令时的外部条件和/或自身条件。其中,该外部条件的变化性较强,例如夏季的天气变化较快。当待调度的指令较多时,可动态地根据实时变化的作业影响因素选择调度方案。即,可选地,在按照目标调度方案对该多个指令进行调度的过程中,对于该多个作业指令中尚未执行的剩余作业指令,可动态地调整剩余作业指令的调度方案。例如,可生产剩余作业指令的多种调度方案,并采用本申请实施例提供调度方案评价方法,计算调度方案的总时长。根据计算得到的总时长,可为剩余指令选择更加合理的调度方案,不再赘述。
在一些示例性的实施例中,针对该多个作业指令中的任一作业指令,利用作业设备的作业时长预测模型,根据该作业指令在多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的作业时长预测值时,可将该作业指令在任一调度方案中的作业影响因素输入该作业设备的作业时长预测模型;在该作业时长预测模型中,对该作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算该多种特征对应的作业时长,作为该作业指令在该调度方案下的作业时长预测值。
在一些示例性的实施例中,该作业设备可实现为港口作业设备;相应地,该作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型。
基于该方案,针对该多个作业指令中的任一作业指令,利用该作业设备的作业时长预测模型,根据该作业指令在多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的作业时长预测值时,可首先确定该作业指令的操作类型;若该操作类型为装船操作,则利用该第一预测子模型,根据该作业指令在该多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的装船时长预测结果;若该操作类型为卸船操作,则利用该第二预测子模型,根据该作业指令在该多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的卸船时长预测结果。
在一些示例性的实施例中,该多个作业指令中,任一作业指令在任一调度方案中的作业影响因素,可包括:该作业设备按照该调度方案执行该作业指令时的操作员数据、作业环境数据以及设备数据中的至少一种。
可选地,若作业设备实现为港口作业设备,在获取港口作业设备执行任一作业指令时的操作员数据时,可根据该港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取该实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;其中,该操作方式包括:远程操作或现场操作。
可选地,若作业设备实现为港口作业设备,在获取港口设备执行任一作业指令时的设备数据时,可获取该港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、该集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
可选地,若作业设备实现为港口作业设备,在获取港口设备执行任一作业指令时的作业环境数据时,可从港口布设的环境监测系统中获取港口作业设备执行该作业指令时的风力数据、能见度数据以及天气类型中的至少一种,不再赘述。
本实施例中,当港口作业设备存在待调度的多个作业指令时,调度服务器可为该多个作业指令生成多种调度方案,并利用作业时长预测模型,根据作业指令在不同调度方案下对应的作业影响因素,对港口作业设备执行作业指令时的作业时长进行预测。基于作业时长的预测结果,可计算多种调度方案的总时长,并基于该总时长对多种调度方案进行优劣比较。这种基于作业时长预测结果选择作业指令调度方案的方式,可用于对港口作业设备进行自动化调度,并有利于采用合理性更高的调度方案对作业指令进行调度,实现港口作业设备的高效作业。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤301至步骤304的执行主体可以为设备A;又比如,步骤301和302的执行主体可以为设备A,步骤303的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如301、302等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图4是本申请一示例性实施例提供的服务器的结构示意图,该服务器适用于前述实施例提供的指令调度系统。如图4所示,该服务器包括:存储器401、处理器402以及通信组件403。
存储器401,用于存储计算机程序,并可被配置为存储其它各种数据以支持在服务器上的操作。这些数据的示例包括用于在服务器上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
其中,存储器401可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器402,与存储器401耦合,用于执行存储器401中的计算机程序,以用于:响应针对港口作业设备的作业时长预测操作,获取待执行的作业指令对应的作业影响因素;将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。
进一步可选地,处理器402在将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值时,具体用于;在该作业时长预测模型中,对该作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算该多种特征对应的作业时长,作为该作业指令的作业时长预测值。
进一步可选地,该作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型;处理器402在将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值时,具体用于:确定该作业指令的操作类型;若该操作类型为装船操作,则将该作业影响因素输入该第一预测子模型,得到该港口作业设备的装船时长预测结果;若该操作类型为卸船操作,则将该作业影响因素输入该第二预测子模型,得到该港口作业设备的卸船时长预测结果。
进一步可选地,处理器402在获取港口作业设备执行作业指令时的作业影响因素时,具体用于:获取该港口作业设备的操作员数据、该港口作业设备的作业环境数据、该港口作业设备的设备数据的至少一种。
进一步可选地,处理器402在获取操作该港口作业设备的操作员数据时,具体用于:根据该港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取该实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;该操作方式包括:远程操作或现场操作。
进一步可选地,处理器402在获取该港口作业设备的设备数据时,具体用于:获取该港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、该集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
进一步可选地,处理器402在将该作业影响因素输入该港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值之前,还用于:获取港口作业设备的历史作业数据,该历史作业数据包括:该港口作业设备执行历史作业指令时的作业影响因素和历史实际作业时长;将该港口作业设备执行历史作业指令时的作业影响因素输入机器学习模型,得到该历史作业指令的作业时长预测值;根据该历史作业指令的作业时长预测值与该历史实际作业时长之间的误差,确定该机器学习模型的训练损失;以使得该训练损失收敛至指定范围为训练目标,对该机器学习模型进行训练,得到该作业时长预测模型。
本实施例中,存在预测港口作业设备的作业时长的需求时,可获取待执行的作业指令对应的作业影响因素,并将该作业影响因素输入港口作业设备的作业时长预测模型,得到该作业指令的作业时长预测值。在这种实施方式中,用于计算作业时长预测值的作业影响因素包括港口作业设备执行作业指令时的外部条件和/或自身条件,从而,可充分利用港口作业设备执行作业指令的过程中客观存在的、可能会影响作业时长的多种因素,并可结合机器学习模型学习到的多种作业影响因素对作业时长的影响关系,可较为准确地预测出港口作业设备的作业时长,有利于对港口作业设备的作业指令实现精准调度,提升港口作业效率。
除前述实施例之外,图4所示的服务器还用于执行指令调度方法,其中,处理器402主要用于:获取港口作业设备的待调度的多个作业指令;为该多个作业指令生成多种调度方案,任一作业指令在不同调度方案中的作业影响因素不同;该作业影响因素包括:该港口作业设备执行该作业指令时的外部条件和/或自身条件;利用该港口作业设备的作业时长预测模型,根据该多个作业指令在该多种调度方案中的作业影响因素,分别计算该多个作业指令在该多种调度方案下的作业时长预测值;根据该多个作业指令在该多种调度方案中的作业时长,计算该多种调度方案各自的总作业时长;根据该多种调度方案各自的总作业时长,从该多种调度方案中,为该多个作业指令选择目标调度方案。
进一步可选地,针对该多个作业指令中的任一作业指令,处理器402在利用作业设备的作业时长预测模型,根据该作业指令在多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的作业时长预测值时,具体用于:将该作业指令在任一调度方案中的作业影响因素输入该作业设备的作业时长预测模型;在该作业时长预测模型中,对该作业影响因素进行特征提取,得到影响作业时长的多种特征;根据预先学习的特征与作业时长之间的映射关系,计算该多种特征对应的作业时长,作为该作业指令在该调度方案下的作业时长预测值。
进一步可选地,该作业设备可实现为港口作业设备。相应地,该作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型。相应地,针对该多个作业指令中的任一作业指令,处理器402在利用该作业设备的作业时长预测模型,根据该作业指令在多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的作业时长预测值时,具体用于:确定该作业指令的操作类型;若该操作类型为装船操作,则利用该第一预测子模型,根据该作业指令在该多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的装船时长预测结果;若该操作类型为卸船操作,则利用该第二预测子模型,根据该作业指令在该多种调度方案中的作业影响因素,分别计算该作业指令在该多种调度方案下的卸船时长预测结果。
进一步可选地,该多个作业指令中,任一作业指令在任一调度方案中的作业影响因素,可包括:该作业设备按照该调度方案执行该作业指令时的操作员数据、作业环境数据以及设备数据中的至少一种。
可选地,若作业设备实现为港口作业设备,处理器402在获取港口作业设备执行任一作业指令时的操作员数据时,具体用于:根据该港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取该实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;其中,该操作方式包括:远程操作或现场操作。
可选地,若作业设备实现为港口作业设备,处理器402在获取港口设备执行任一作业指令时的设备数据时,具体用于:获取该港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、该集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
可选地,若作业设备实现为港口作业设备,处理器402在获取港口设备执行任一作业指令时的作业环境数据时,具体用于:从港口布设的环境监测系统中获取港口作业设备执行该作业指令时的风力数据、能见度数据以及天气类型中的至少一种,不再赘述。
本实施例中,当港口作业设备存在待调度的多个作业指令时,调度服务器可为该多个作业指令生成多种调度方案,并利用作业时长预测模型,根据作业指令在不同调度方案下对应的作业影响因素,对港口作业设备执行作业指令时的作业时长进行预测。基于作业时长的预测结果,可计算多种调度方案的总时长,并基于该总时长对多种调度方案进行优劣比较。这种基于作业时长预测结果选择作业指令调度方案的方式,可用于对港口作业设备进行自动化调度,并有利于采用合理性更高的调度方案对作业指令进行调度,实现港口作业设备的高效作业。
进一步,如图4所示,该服务器还包括:电源组件404等其它组件。图4中仅示意性给出部分组件,并不意味着服务器只包括图4所示组件。
其中,通信组件403被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
其中,电源组件404,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由服务器执行的各步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上该仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (13)
1.一种设备作业时长预测方法,其特征在于,包括:
响应针对作业设备的作业时长预测操作,获取待执行的作业指令对应的作业影响因素;所述作业影响因素包括:所述作业设备执行所述作业指令时的外部条件和/或自身条件;
将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值。
2.根据权利要求1所述的方法,其特征在于,将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值,包括:
在所述作业时长预测模型中,对所述作业影响因素进行特征提取,得到影响作业时长的多种特征;
根据预先学习的特征与作业时长之间的映射关系,计算所述多种特征对应的作业时长,作为所述作业指令的作业时长预测值。
3.根据权利要求1所述的方法,其特征在于,所述作业设备包括:港口作业设备;所述作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型;
将所述作业影响因素输入所述港口作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值,包括:
确定所述作业指令的操作类型;
若所述操作类型为装船操作,则将所述作业影响因素输入所述第一预测子模型,得到所述港口作业设备的装船时长预测结果;
若所述操作类型为卸船操作,则将所述作业影响因素输入所述第二预测子模型,得到所述港口作业设备的卸船时长预测结果。
4.根据权利要求1所述的方法,其特征在于,获取作业设备执行作业指令时的作业影响因素,包括:
获取所述作业设备的操作员数据、所述作业设备的作业环境数据、所述作业设备的设备数据的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述作业设备包括:港口作业设备;获取操作所述作业设备的操作员数据,包括:
根据所述港口作业设备的实际操作员的身份标识,从港口的操作员管理系统中,获取所述实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据;所述操作方式包括:远程操作或现场操作。
6.根据权利要求4所述的方法,其特征在于,所述作业设备包括:港口作业设备;获取所述作业设备的设备数据,包括:
获取所述港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、所述集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
7.根据权利要求1-6任一项所述的方法,其特征在于,将所述作业影响因素输入所述作业设备的作业时长预测模型,得到所述作业指令的作业时长预测值之前,还包括:
获取所述作业设备的历史作业数据,所述历史作业数据包括:所述作业设备执行历史作业指令时的作业影响因素和历史实际作业时长;
将所述作业设备执行历史作业指令时的作业影响因素输入机器学习模型,得到所述历史作业指令的作业时长预测值;
根据所述历史作业指令的作业时长预测值与所述历史实际作业时长之间的误差,确定所述机器学习模型的训练损失;
以使得所述训练损失收敛至指定范围为训练目标,对所述机器学习模型进行训练,得到所述作业时长预测模型。
8.一种指令调度方法,其特征在于,包括:
获取作业设备的待调度的多个作业指令;
为所述多个作业指令生成多种调度方案,任一作业指令在不同调度方案中的作业影响因素不同;所述作业影响因素包括:所述作业设备执行所述作业指令时的外部条件和/或自身条件;
利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值;
根据所述多个作业指令在所述多种调度方案中的作业时长,计算所述多种调度方案各自的总作业时长;
根据所述多种调度方案各自的总作业时长,从所述多种调度方案中,为所述多个作业指令选择目标调度方案。
9.根据权利要求8所述的方法,其特征在于,利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值,包括:
针对所述多个作业指令中的任一作业指令,将所述作业指令在任一调度方案中的作业影响因素输入所述作业设备的作业时长预测模型;
在所述作业时长预测模型中,对所述作业影响因素进行特征提取,得到影响作业时长的多种特征;
根据预先学习的特征与作业时长之间的映射关系,计算所述多种特征对应的作业时长,作为所述作业指令在所述调度方案下的作业时长预测值。
10.根据权利要求8或9所述的方法,其特征在于,所述作业设备包括:港口作业设备;所述作业时长预测模型包括:用于预测装船时长的第一预测子模型,以及用于预测卸船模型的第二预测子模型;
利用所述作业设备的作业时长预测模型,根据所述多个作业指令在所述多种调度方案中的作业影响因素,分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值,包括:
针对所述多个作业指令中的任一作业指令,确定所述作业指令的操作类型;
若所述操作类型为装船操作,则利用所述第一预测子模型,根据所述作业指令在所述多种调度方案中的作业影响因素,分别计算所述作业指令在所述多种调度方案下的装船时长预测结果;
若所述操作类型为卸船操作,则利用所述第二预测子模型,根据所述作业指令在所述多种调度方案中的作业影响因素,分别计算所述作业指令在所述多种调度方案下的卸船时长预测结果。
11.根据权利要求8或9所述的方法,其特征在于,所述多个作业指令中,任一作业指令在任一调度方案中的作业影响因素,包括:所述作业设备按照所述调度方案执行所述作业指令时的操作员数据、作业环境数据以及设备数据中的至少一种。
12.一种服务器,其特征在于,包括:存储器和处理器;
所述存储器用于存储一条或多条计算机指令;
所述处理器用于执行所述一条或多条计算机指令以用于:执行权利要求1-11任一项所述的方法中的步骤。
13.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被处理器执行时能够实现权利要求1-11任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210022260.3A CN114509996A (zh) | 2022-01-10 | 2022-01-10 | 设备作业时长预测、指令调度方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210022260.3A CN114509996A (zh) | 2022-01-10 | 2022-01-10 | 设备作业时长预测、指令调度方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114509996A true CN114509996A (zh) | 2022-05-17 |
Family
ID=81550073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210022260.3A Pending CN114509996A (zh) | 2022-01-10 | 2022-01-10 | 设备作业时长预测、指令调度方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509996A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110003837A (ko) * | 2009-07-06 | 2011-01-13 | 부산대학교 산학협력단 | 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법 |
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111369077A (zh) * | 2020-02-10 | 2020-07-03 | 大连理工大学 | 一种基于机器学习的在港船舶能耗预测方法 |
CN112085286A (zh) * | 2020-09-15 | 2020-12-15 | 周远鹏 | 一种船舶行为预测模型建立方法及船舶行为预测模型 |
CN112686439A (zh) * | 2020-12-25 | 2021-04-20 | 广州智湾科技有限公司 | 一种智能的自动化集装箱码头节能综合调度方法 |
CN112862404A (zh) * | 2021-02-24 | 2021-05-28 | 招商局国际信息技术有限公司 | 港口作业自动化管理方法、装置、设备及介质 |
-
2022
- 2022-01-10 CN CN202210022260.3A patent/CN114509996A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110003837A (ko) * | 2009-07-06 | 2011-01-13 | 부산대학교 산학협력단 | 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법 |
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111369077A (zh) * | 2020-02-10 | 2020-07-03 | 大连理工大学 | 一种基于机器学习的在港船舶能耗预测方法 |
CN112085286A (zh) * | 2020-09-15 | 2020-12-15 | 周远鹏 | 一种船舶行为预测模型建立方法及船舶行为预测模型 |
CN112686439A (zh) * | 2020-12-25 | 2021-04-20 | 广州智湾科技有限公司 | 一种智能的自动化集装箱码头节能综合调度方法 |
CN112862404A (zh) * | 2021-02-24 | 2021-05-28 | 招商局国际信息技术有限公司 | 港口作业自动化管理方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张云佐: "时空域视频运动片段分割理论及应用", 30 June 2020, 北京理工大学出版社, pages: 20 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108140157B (zh) | 用于评估和调节工业车辆性能的计算机执行的处理和系统 | |
CN110303500A (zh) | 一种仓库机器人控制系统及方法 | |
JP2019104578A (ja) | 人工知能を活用した包括的コンテナターミナルシステム及びオペレーション方法 | |
CN117541197B (zh) | 一种基于bim和aiot数据驱动的智能建造方法及系统 | |
Kemme et al. | Container-terminal logistics | |
JP6818325B2 (ja) | 人工知能を活用したコンテナターミナルシステム | |
Veselkov et al. | Development of methods to identify risks to build up the automated diagnosis systems | |
JP6818326B2 (ja) | 人工知能を活用した荷役機械の分散配置システム | |
CN114386652A (zh) | 一种自动化码头agv智能调度方法及系统 | |
Dhingra et al. | A cooperative quay crane-based stochastic model to estimate vessel handling time | |
US20230252395A1 (en) | A quay crane operation method | |
CN117952393A (zh) | 一种港口物料调度优化仿真方法、装置、电子设备及介质 | |
CN114509996A (zh) | 设备作业时长预测、指令调度方法、设备及存储介质 | |
CN113743739B (zh) | 一种基于混合整数规划、组合优化算法的agv调度方法 | |
Shin et al. | A study on the countermeasures of shipping and port logistics industry in responding to the progression of fourth industrial revolution | |
Bonini et al. | Fast deployable autonomous systems for order picking: how small and medium size enterprises can benefit from the automation of the picking process | |
Jović et al. | Economic aspects of automation innovations in electronic transportation management systems | |
Mazzarino et al. | On the digitalisation processes in the adriatic region | |
KR101175396B1 (ko) | 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법 | |
KR20230128905A (ko) | 컨테이너 항만 터미널 안벽크레인의 작업스케줄 생성방법 | |
CN114662853A (zh) | 一种运输车的分配方法、设备、产品及介质 | |
Valentina | New technologies used for automation of container handling at terminals | |
CN117035338B (zh) | 一种港口生产作业实时监控方法和系统 | |
Zhang et al. | Autonomous vessel scheduling | |
Xin et al. | Hybrid model predictive control for equipment in an automated container terminal |
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 |