CN115293443A - 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质 - Google Patents

桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质 Download PDF

Info

Publication number
CN115293443A
CN115293443A CN202210983801.9A CN202210983801A CN115293443A CN 115293443 A CN115293443 A CN 115293443A CN 202210983801 A CN202210983801 A CN 202210983801A CN 115293443 A CN115293443 A CN 115293443A
Authority
CN
China
Prior art keywords
data
bridge crane
time
enumeration
predicting
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
Application number
CN202210983801.9A
Other languages
English (en)
Other versions
CN115293443B (zh
Inventor
邹鹰
张传捷
谢宗哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nezha Ganghang Smart Technology Shanghai Co ltd
Shanghai International Port Group Co Ltd
Original Assignee
Nezha Ganghang Smart Technology Shanghai Co ltd
Shanghai International Port Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nezha Ganghang Smart Technology Shanghai Co ltd, Shanghai International Port Group Co Ltd filed Critical Nezha Ganghang Smart Technology Shanghai Co ltd
Priority to CN202210983801.9A priority Critical patent/CN115293443B/zh
Publication of CN115293443A publication Critical patent/CN115293443A/zh
Application granted granted Critical
Publication of CN115293443B publication Critical patent/CN115293443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Ship Loading And Unloading (AREA)

Abstract

本说明书实施例提供一种桥吊作业时间的预测方法，应用于集装箱码头，包括如下步骤：获取桥吊的历史作业船舶的第一作业数据和本次作业船舶的第二作业数据，第二作业数据至少包括枚举数据且设定有对应枚举应答集，使用枚举应答集中的自定义值代替枚举数据，得到处理后的第二作业数据；根据获取的桥吊的作业时间、第一作业数据和处理后的第二作业数据，以最小化桥吊的预测作业时间为目标，建立多元线性回归模型，并根据多元线性回归模型和处理后的当前作业数据预测桥吊的作业时间。通过使用历史的和当前的作业数据，以及采用枚举的方式描述特定的作业数据，使得数据采集更加全面，能够更加准确地预测桥吊的装卸作业完成时间。

Description

桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质
技术领域
本说明书涉及集装箱码头管理技术领域，具体涉及一种桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质。
背景技术
当集装箱船舶停靠于集装箱码头后，由多台桥吊(岸边集装箱起重机)执行装卸作业。每台桥吊装卸作业的时间长短受到多种因素的影响，例如：船舶类型、装卸类型、贝位位置和类型、集装箱尺寸、装卸箱总数、转运车辆的调度和等待等，众多因素的交互影响使得预测桥吊的作业时间是一个极具难度、但是又必须解决的问题。此外，船舶停靠时，多台桥吊同时为同一艘船舶进行装卸作业，整个装船作业时间取决于重点作业路线的作业时间，所述的重点作业路线是指在同一条船舶上作业的多台桥吊之中花费作业时间最长的桥吊装卸作业路线。
通过预测每个桥吊的装卸作业时间不仅能够得知该桥吊的预计完工时间，还可以通过比较不同桥吊之间的预计完工时间得知重点作业路线和重点作业路线的预计完工时间，从而预知停靠船舶的装卸作业的完成时间和预计离港时间，对于提高港区作业效率、合理安排港区作业都有着积极的、具体的意义。因此，亟需一种可以准确预测桥吊装卸作业时间的方法，以及一种基于各桥吊的装卸作业时间来预测集装箱船舶整体装卸作业时间的方法。
发明内容
因此，为了克服上述现有技术的缺点，本发明提供一种桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质，其中桥吊作业时间的预测方法能够提供准确地预测桥吊的装卸作业时间。
为了实现上述目的，本发明提供以下技术方案：
一种桥吊作业时间的预测方法，应用于自动化集装箱码头，包括如下步骤：
获取桥吊的第一作业数据，所述第一作业数据是历史第一船舶的作业数据；
获取桥吊的第二作业数据，所述第二作业数据是本次第二船舶的作业数据；
所述第二作业数据至少包括枚举数据，所述枚举数据设定有枚举应答集，使用所述枚举应答集中的自定义值代替所述枚举数据，得到处理后的第二作业数据；
获取桥吊的作业时间；
根据所述桥吊的作业时间、所述第一作业数据和处理后的第二作业数据，以最小化所述桥吊的预测作业时间为目标，建立多元线性回归模型；
根据所述多元线性回归模型和处理后的第二作业数据预测所述桥吊的作业时间。
通过上述方法，将以往停靠船舶的作业数据和现在停泊且正在进行装卸的船舶的作业数据同时作为线性回归模型的自变量，以往停靠船舶的作业时间和现在停泊且正在进行装卸的船舶的作业时间同时作为应变量，在进行多元线性回归模型的训练计算时，同时涉及历史数据和当前数据，使得回归模型的预测准确性更高。同时，将现在停泊的船舶的作业数据中的部分数据以枚举应答集中的自定义值代替，可以为枚举数据建立固定的表达关系，从而形成一种类别表达，使得桥吊的作业参数更加全面，进一步提高回归模型的预测准确性。
本发明还提供一种方案，所述多元线性回归模型的回归方程为：
Figure BDA0003801217400000021
其中,gi(xi)是自变量xi的函数，ki为偏回归系数，m为自变量的项数，C为第一常数。
本发明还提供一种方案，所述枚举应答集与所述枚举数据满足以下方程：
Figure BDA0003801217400000031
其中，其中bj为权重，zj为所述枚举应答集中的自定义值，q为所述枚举应答集的项数，所述bj的取值范围大于等于0且小于等于1。
本发明还提供一种方案，所述第二作业数据中还包括数值数据，所述数值数据的函数为：
gi(xi)＝ai×xi+c
其中，ai为所述调节系数，c为第二常数。
本发明还提供一种方案，所述第二作业数据包括停车时间，所述停车时间为所述桥吊未执行装箱或卸箱的时间；
当所述停车时长大于预设值时，从已完成的所述桥吊的作业时间中减去所述停车时间。
本发明还提供一种方案，所述第二作业数据还包括第三作业数据，所述第三作业数据是本次停靠的船舶的近三小时的作业数据。
本发明还提供一种集装箱船舶装卸作业时间的预测方法，包括如下步骤：
采用如前面任意一项所述的任意一种桥吊作业时间的预测方法，预测执行所述集装箱船舶装卸作业的每个桥吊的作业时间；
比较所有作业时间，输出数值最大的作业时间为集装箱船舶装卸作业时间。
本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如前面任意一项所述的桥吊作业时间的预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时，实现如前面任意一项所述的桥吊作业时间的预测方法的步骤。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：通过上述方法，将每个桥吊的以往作业数据和现在正在进行装卸的作业数据同时作为自变量参与多元线性回归模型的训练过程，使得训练模型中不仅包含已经完成的装卸船舶的作业数据，而且还包括现在进行装卸作业的船舶的作业数据，通过历史数据结合当前数据的多元线性回归拟合，同时利用了代表以往的作业效率的数据和表现当前作业效率的数据，使得回归模型更加准确、能够更好反映正在执行作业的情况，能够更加准确地预测的桥吊的装卸作业完成时间。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1是桥吊作业时间预测流程图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，本说明书的描述中，需要理解的是，本说明书的示例实施例中所描述的“上”、“下”、“内”、“外”等方位词，“第一”、“第二”、“第三”、等数量词，是以附图所示的角度来进行描述的，不应理解为对本说明书的示例实施例的限定。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
船舶集装箱运输是现代经济中一种重要的运输形式。随着国内、国际水路运输贸易量的不断增加，港口面临的装卸压力日益增加。集装箱船舶的停泊时间中大多是集装箱的装卸作业时间。当集装箱船舶停靠于集装箱码头后，由多台桥吊(岸边集装箱起重机)执行集装箱的装卸作业。每台桥吊装卸作业的时间各不相同，其作业时间的长短受到多种因素的影响，例如：船舶类型、装卸类型、贝位位置和类型、集装箱尺寸、装卸箱总数、转运车辆的调度和等待等。众多因素的交互影响使得预测桥吊的作业时间是一个极具难度的课题。但是，通过每个桥吊作业时间的预估，可以知晓哪架桥吊将花费最多的作业时间以及具体的完成时间，因此，预测桥吊的装卸作业时间具有积极的意义；比较不同桥吊之间的预计完工时间还可以得知重点作业路线和重点作业路线的预计完工时间，其中，重点作业路线是指在同一条船舶上作业的多台桥吊之中花费作业时间最长的桥吊装卸作业路线。通过重点作业路线的作业时间的长短，预知停靠船舶的装卸作业的完成时间和预计离港时间，对于提高港区作业效率、合理安排港区作业都有着积极的、具体的意义。
现有的预测模型基于桥吊的以往作业数据，即根据以往的停靠的集装箱船舶的装卸作业数据进行模型建模，虽然此类模型可以用于本次装卸船舶的桥吊作业时间的预测，但是无法反映现在的装卸效率，预测结果与实际完成时间存在较大的偏差，预测模型有待于优化。而且，现有的预测模型中多使用数值数据作为计算基础，涉及的桥吊的作业数据的种类相对较少，桥吊的作业数据类型有待扩充。
本发明提出一种桥吊作业时间的预测方法，该方法采用多元线性回归的方法建立模型，在模型的训练过程中，不仅涉及桥吊以往的作业数据，而且涉及现在正在作业的当前数据，将两类数据都作为自变量使用模型统一执行回归计算，得到覆盖桥吊历史作业情况和当前作业情况，从而建立预测准确度更高的的回归模型，同时，在进行数据处理时，根据数据类别进行分类，在当前作业数据中增加枚举数据，通过枚举数据描述类型化的参数或排名参数，从而获得更加全面的桥吊参数数据，将这些枚举数据增加至多元线性回归模型中，从而使得模型的预测准确性进一步提高。
以下结合附图，说明本申请各实施例提供的技术方案。
在一些实施方式中，提供一种桥吊作业时间的预测方法，应用于港口的集装箱码头，如图1所示，该预测方法包括如下步骤：
步骤S101，获取桥吊的第一作业数据，所述第一作业数据是历史第一船舶的作业数据。
其中，历史第一船舶指的是历史停靠于该码头并由该桥吊完成装卸作业的船舶，即过去的、已经完成集装箱装卸作业的船舶。历史第一船舶可以是一艘也开始是多艘。需要说明的是，可以创建一个历史数据库，用于存放历史第一船舶的桥吊装卸作业的数据，当需要获取第一作业数据时，从所述历史数据库获取即可。
步骤S102，获取桥吊的第二作业数据，所述第二作业数据是本次第二船舶的作业数据。
其中，本次第二船舶指的是当前正停靠于该码头并由该桥吊正在进行装卸作业的船舶，即当前的、集装箱装卸作业尚未完成的船舶。本次第二船舶是该桥吊作业对应的一艘船舶。需要说明的是，可以创建一个当前数据库，用于存放本次第二船舶的桥吊装卸作业的数据，当需要获取第二作业数据时，从所述当前数据库获取即可。
还需要说明的是，第一作业数据是过去的、该桥吊已经完成的装卸作业的数据，可以采集过去一段时间内的所有经由该桥吊作业的所有停靠船舶的作业数据，例如：过去一年、过去6个月、过去15周之内的数据；也可以采集过去一段时间内的部分停靠船舶的作业数据，例如：船型相同或相似的船舶的作业数据，总装卸箱量相近的船舶的作业数据，或在获得一段时间内的全部船舶的作业数据后，随机抽取其中80％数量的船舶的作业数据。第二作业数据是当前作业船舶自装卸作业开始以来一段时间内的作业数据，例如：可以采集自本次装卸作业开始以来直到本次采样时刻的全部时间内的作业数据；也可以只采集其中的一部分时间的作业数据，例如：本次装卸作业开始后5小时的作业数据，本次采样时刻前5小时的作业数据。
步骤S103，所述第二作业数据至少包括枚举数据，所述枚举数据设定有枚举应答集，使用所述枚举应答集中的自定义值代替所述枚举数据，得到处理后的第二作业数据。
例如，将整个港区的所有桥吊按照装卸总箱量进行排名，对排名第一的桥吊设定枚举应答值为1，对于排名第二至第四的桥吊设定枚举应答值为0.7，于排名第五至第十的桥吊设定枚举应答值为0.5，第实名以后的枚举应答值为0.1，然后根据本桥吊的排名，获取相应的应答值，然后将该应答值带回第二作业数据中，得到处理后的第二作业数据。同理，还可以对桥吊的类型、桥吊的作业类型(例如：装卸冷冻柜或非冷冻柜，装卸标准柜或高柜)设定相应的枚举应答集。
步骤S104，获取桥吊的作业时间。
其中，所述桥吊的作业时间是指停靠船舶由该桥吊完成集装箱装卸作业的时间。
步骤S105，根据所述桥吊的作业时间、所述第一作业数据和处理后的第二作业数据，以最小化所述桥吊的预测作业时间为目标，建立多元线性回归模型，从而得到用于桥吊作业时间预测的模型。
需要说明的是，建立多元线性回归模型时，可以将第一作业数据和处理后的第二作业数据作为自变量，将桥吊的作业时间作为应变量，以最小化所述桥吊的预测作业时间为目标，通过机器学习训练的方法，得到多元线性回归模型。
步骤S106，根据所述多元线性回归模型和处理后的第二作业数据预测所述桥吊的作业时间。
使用上述预测方法，将以往停靠船舶的作业数据和现在停泊且正在进行装卸的船舶的作业数据同时作为线性回归模型的自变量，将桥吊的作业时间作为应变量，建立多元线性回归模型进行训练，在模型中同时涉及了历史作业数据和当前作业数据，从而使得所建立的模型的预测准确性更高；并且，在所采集的数据中还包括了枚举数据，通过设定枚举数据，通过所对应的枚举应答集中的数值对这些桥吊作业的参数数据进行了定量的描述，从而为模型建立了更加全面的数据基础，使得训练得到模型的准确性进一步提高。
在一些实施方式中，桥吊作业时间的预测方法的多元线性回归模型使用如下的回归方程：
Figure BDA0003801217400000081
其中,gi(xi)是自变量xi的函数，ki为偏回归系数，m为自变量的项数，C为第一常数。
通过采样，得到数据xi和对应的所述桥吊的作业时间，使用线性回归预测的方法建立线性回归模型，训练线性回归模型得到模型f(x)。
当自变量xi为枚举数据时，例如：当自变量数据是桥吊类型、桥吊的作业类型、桥吊作业排名数据时，为自变量xi建立对应的枚举应答集，所述枚举应答集与所述枚举数据满足以下方程：
Figure BDA0003801217400000091
其中，其中bj为权重，zj为所述枚举应答集中的自定义值，q为所述枚举应答集的项数，所述bj的取值范围大于等于0且小于等于1。
第二作业数据中的自变量xi还包括常规的数值数据，例如：已完成的装箱数量、已完成的卸箱数量、过去一段时间的装卸箱总数。对于数值数据，还可以为设置调节系数，具体的gi(xi)的函数为：
gi(xi)＝ai×xi+c
其中，ai为所述调节系数，c为第二常数。
将上述枚举数据或数值数据gi(xi)带入上述的回归方程中，训练得到回归模型。
需要说明的是，将所述作业数据分类为枚举数据和数值数据，为所述枚举数据设定枚举应答集，建立所述枚举应答集中的第一数据与所述枚举数据的应对关系，通过回归算法为所述数值数据设定调节系数，使用所述调节系数调整所述数值数据的数量级并生成调整后的第二数据以代替原来的所述数值数据，其中，所述第二数据的数量级与所述第一数据的数量级相当。通过这样的设置，将枚举数据和数值数据同时作为自变量参与多元线性回归模型的训练过程，并且通过调节系数调节数值数据的数量级范围，使得数值数据通过调节系数转化为第二数据，使得各个第二数据与枚举应答集中的第一数据的数量级相当，从而使得多元线性回归模型各个偏回归系数取值范围的数量级相当，预测的准确率可以更好。
在一些实施方式中，第二作业数据还包括第三作业数据，所述第三作业数据是本次停靠的船舶的近三小时的作业数据，例如：表示桥吊近三小时的每箱装船或卸船时间的作业数据、表示过去三小时的箱数的作业数据、表示港区集装箱转运车辆运输时间、调度时间或等待时间的作业数据。通过设置近三小时的作业数据，可以更加准确的描述当前的作业效率和现场变化的情况，从而能够更进一步的提高预测准确性。
上述各回归模型中所使用的数据包括但不限于以下数据：
一、桥吊特征数据
(1)X1，桥吊ID，枚举数据。由于每一台桥吊的具体性能不同，对于不同桥吊ID可有不同的作业时间估计。
二、箱数特征数据
(2)X2，总箱数，数值数据。不同箱数量级集装箱，桥吊采取的具体卸船策略不同。
(3)X3，未发箱的装箱数，数值数据。船舶作业基础数据。
(4)X4，未发箱的卸箱数，数值数据。船舶作业基础数据。
(5)X5，已发箱的装箱数，数值数据。船舶作业基础数据。
(6)X6，已发箱的卸箱数，数值数据。船舶作业基础数据。
需要说明的是，X3～X6可以包括自本次装卸作业开始以来箱数的数据。
(7)X7，计划装船总箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
(8)X8，计划卸船总箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
(9)X9，已装船箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
(10)X10，计划装船小箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
(11)X11，计划装船大箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
(12)X12，已装船小箱数与装卸总箱数的比例，数值数据。船舶作业基础数据。
三、桥吊作业特征数据
(13)X13，当前桥吊的装卸类型，枚举数据。装船还是卸船类型。
(14)X14，当前桥吊的作业工艺，枚举数据。双箱、单箱、是否为双吊具。
(15)X15，当前桥吊所在的作业贝位，枚举数据。对应船上位置。
(16)X16，能否确定所在贝位是大贝位，枚举数据。如果是40尺集装箱作业，则需要确定大的贝位，即正在作业的40尺集装箱船上位置。
(17)X17，当前桥吊所在的作业层，数值数据。指船上层高，船舶作业基础数据。
四、本次装卸作业桥吊已完成作业信息数据
(18)X18，已完成的箱数，数值数据。该桥吊已作业信息。
(19)X19，在该贝位的已有作业时间，数值数据。桥吊作业基础数据。
(20)X20，本次装卸作业中每箱平均作业时间，数值数据。本次装卸作业中的桥吊作业数据统计。
(21)X21，按照当前效率的预计剩余工作时间，数值数据。总箱数除以桥吊效率，桥吊作业基础数据。
五、本次装卸船舶特征数据
(22)X22，船舶类型，枚举数据。船舶有不同类型。
(23)X23，剩余停泊时间，数值数据。作业时间估计。
(24)X24，计划停泊时间，数值数据。船舶作业基础数据。
六、本次装卸全局特征数据
(25)X25，正在作业的作业路线数量，数值数据。码头作业基础数据。
(26)X26，当前全场配载总数数量，数值数据。码头作业基础数据。
(27)X27，当前全场已经发箱的数量，数值数据。码头作业基础数据。
(28)X28，过去三小时作业箱数总数量，数值数据。码头作业基础数据。
需要说明的是，在其他一些实施方式中，X28也可以采用自本次装卸作业开始以来直到本次采样时刻的全部时间内的箱数总数量，来代替过去三小时作业箱数总数量。
(29)X29，当前停泊的船舶数量，数值数据。码头作业基础数据。
(30)X30，当前码头AGV总数，数值数据。码头作业基础数据。
七、重点作业路桥吊特征数据
(31)X31，重点作业路桥吊计划完成时间，数值数据。根据作业计划的完成时间给出。
需要说明的是，可以在本次装卸作业开始后，通过比较各个桥吊的预计的完成工作时间确定重点作业线路所在的桥吊。
(32)X32，当前桥吊计划箱数占船舶总计划箱数的排名，枚举数据。指当前船舶多个桥吊中，桥吊的作业路会根据总箱量进行预估，然后给出重要性排名，可以使用归一化方法计算。
(33)X33，当前桥吊计划箱数占码头总计划箱数的排名枚举数据。指整个码头多个桥吊中，桥吊的作业路会根据总箱量进行预估，然后给出重要性排名，可以使用归一化方法计算。
当码头使用AGV车辆进行集装箱转运时，例如自动化集装箱码头，所述作业数据还可以包括AGV车辆三小时内作业特征，如下：
八、AGV车辆三小时内作业特征数据
(34)X34，最近三小时AGV车辆的装船平均调度时间，数值数据。码头作业统计数据。
(35)X35，最近三小时AGV车辆的卸船平均调度时间，数值数据。码头作业统计数据。
(36)X36，最近三小时AGV车辆的装船平均作业时间，数值数据。码头作业统计数据。
(37)X37，最近三小时AGV车辆的卸船平均调度时间，数值数据。码头作业统计数据。
需要说明的是，在其他一些实施方式中，X34～X37中的至少一种数据也可以采用自本次装卸作业开始以来直到本次采样时刻的全部时间内的AGV车辆的作业特征数据，来代替过去三小时内的AGV车辆的作业特征数据。
还需要说明的是，X34～X37中的至少一种数据也可以采用其他时间长度内的AGV车辆的作业特征数据，例如最近两小时、最近六小时AGV车辆的作业特征数据，来代替最近两小时AGV车辆的作业特征数据。以X34为例，将最近三小时AGV车辆的装船平均调度时间代替为最近两小时AGV车辆的装船平均调度时间或最近六小时AGV车辆的装船平均调度时间，作为自变量数据输入至回归模型中进行训练。
九、桥吊当前特征数据
(38)X38，本桥吊AGV车辆实时调度数量，数值数据。AGV车辆调度的数量，即多少AGV供当前作业路径使用。
需要说明的是，作业路径是指从船上把箱吊至桥吊上，再由桥吊运输回箱区内的一条作业路径，或指从箱区运送集装箱至桥吊下，再由桥吊吊装集装箱至船上指定仓位的作业路径。
(39)X39，本桥吊AGV车辆实时作业数量，数值数据。
(40)X40，本次装卸作业的桥吊断档率次数，数值数据。码头作业统计数据。
(41)X41，本次装卸作业的桥吊等待AGV车辆的次数，数值数据。码头作业统计数据。
(42)X42，本次装卸作业的桥吊的平均等待时间，数值数据。码头作业统计数据。
(43)X43，本次装卸作业的AGV车辆的平均等待时间，数值数据。码头作业统计数据。
需要说明的是，在上述数据中，可以采用X1～X43中部分或全部的数据类型，使用以往已经完成的装卸作业所对应的上述数据作为第一作业数据，即做为历史作业数据导入回归模型中进行训练。
在其他一些实施方式中，第二作业数据包括停车时间，所述停车时间为所述桥吊未执行装箱或卸箱的时间，例如：在不同作业位置之间的移动时间，因为先后作业顺序的原因而进行等待的时间。当所述停车时长大于预设值时，从已完成的所述桥吊的作业时间中减去所述停车时间。
具体来说，通过测量从采样时间点开始往前一定时间内，例如从采样之时往前的20分钟内，桥吊上的主小车(桥吊上用于移动集装箱的小车)是否处于工作状态(移动状态)，如果主小车未发生移动，则认为该桥吊处于未工作状态，那么该段未工作的时间，应该从桥吊的作业时间中减去。
需要说明的是，上述20分钟只是一种举例，桥吊处于未工作状态可以根据码头吊装作业的经验灵活设置。
通过将桥吊的未工作时间从作业时间中减去，可以降低因桥吊的移动或等待时间而引起的误差，从降低对预测准确度的影响。
基于同样的发明思路，本说明书的实施例还提供一种集装箱船舶装卸作业时间的预测方法，包括如下步骤：
采用前面任意一项所述的桥吊作业时间的预测方法，预测执行所述集装箱船舶装卸作业的每个桥吊的作业时间；
比较所有作业时间，输出数值最大的作业时间为集装箱船舶装卸作业时间。
通过预测集装箱船舶装卸作业时间，可以得知当前作业船舶的装卸作业的预计完成时间和船舶的预计离港时间，对于提高港区作业效率、合理安排港区作业都有着积极的、具体的意义。
基于同样的发明思路，本说明书的实施例还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如前面任意一项所述的桥吊作业时间的预测方法的步骤。
上述实施例提供的计算机系统所能带来的技术效果可以参照前述桥吊作业时间的预测方法的各实施例提供的技术效果，此处不再赘述。
基于同样的发明思路，本说明书的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，所述的计算机程序被处理器执行时，实现如前面任意一项所述的桥吊作业时间的预测方法的步骤。
上述实施例提供的计算机可读存储介质所能带来的技术效果可以参照前述桥吊作业时间的预测方法的各实施例提供的技术效果，此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例侧重说明的都是与其他实施例的不同之处。尤其，对于后面说明的方法实施例而言，由于其与系统是对应的，描述比较简单，相关之处参见系统实施例的部分说明即可。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种桥吊作业时间的预测方法，应用于集装箱码头，其特征在于包括如下步骤：
获取桥吊的第一作业数据，所述第一作业数据是历史第一船舶的作业数据；
获取桥吊的第二作业数据，所述第二作业数据是本次第二船舶的作业数据；
所述第二作业数据至少包括枚举数据，所述枚举数据设定有枚举应答集，使用所述枚举应答集中的自定义值代替所述枚举数据，得到处理后的第二作业数据；
获取桥吊的作业时间；
根据所述桥吊的作业时间、所述第一作业数据和处理后的第二作业数据，以最小化所述桥吊的预测作业时间为目标，建立多元线性回归模型；
根据所述多元线性回归模型和处理后的第二作业数据预测所述桥吊的作业时间。
2.根据权利要求1所述的桥吊作业时间的预测方法，其特征在于，所述多元线性回归模型的回归方程为：
Figure FDA0003801217390000011
其中,gi(xi)是自变量xi的函数，ki为偏回归系数，m为自变量的项数，C为第一常数。
3.根据权利要求2所述的桥吊作业时间的预测方法，其特征在于，所述枚举应答集与所述枚举数据满足以下方程：
Figure FDA0003801217390000012
其中，其中bj为权重，zj为所述枚举应答集中的自定义值，q为所述枚举应答集的项数，所述bj的取值范围大于等于0且小于等于1。
4.根据权利要求3所述的桥吊作业时间的预测方法，其特征在于，所述第二作业数据中还包括数值数据，所述数值数据的函数为：
gi(xi)＝ai×xi+c
其中，ai为所述调节系数，c为第二常数。
5.根据权利要求1所述的桥吊作业时间的预测方法，其特征在于，所述第二作业数据包括停车时间，所述停车时间为所述桥吊未执行装箱或卸箱的时间；
当所述停车时长大于预设值时，从已完成的所述桥吊的作业时间中减去所述停车时间。
6.根据权利要求1所述的桥吊作业时间的预测方法，其特征在于，所述第二作业数据还包括第三作业数据，所述第三作业数据是本次停靠的船舶的近三小时的作业数据。
7.一种集装箱船舶装卸作业时间的预测方法，其特征在于包括如下步骤：
采用如权利要求1～6中的任意一种桥吊作业时间的预测方法，预测执行所述集装箱船舶装卸作业的每个桥吊的作业时间；
比较所有作业时间，输出数值最大的作业时间为集装箱船舶装卸作业时间。
8.一种计算机系统，包括存储器、处理器以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：所述的处理器执行所述的计算机程序时，实现如权利要求1～6任意一项所述的桥吊作业时间的预测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时，实现如权利要求1～6任意一项所述的桥吊作业时间的预测方法的步骤。
CN202210983801.9A 2022-08-17 2022-08-17 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质 Active CN115293443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210983801.9A CN115293443B (zh) 2022-08-17 2022-08-17 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210983801.9A CN115293443B (zh) 2022-08-17 2022-08-17 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN115293443A true CN115293443A (zh) 2022-11-04
CN115293443B CN115293443B (zh) 2024-03-22

Family

ID=83829824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210983801.9A Active CN115293443B (zh) 2022-08-17 2022-08-17 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN115293443B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502866A (zh) * 2023-06-20 2023-07-28 哪吒港航智慧科技(上海)有限公司 一种智能散货船舶计划和自动分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010017925A (ko) * 1999-08-16 2001-03-05 이정욱 컨테이너 터미널의 규모 예측 방법
KR20140031427A (ko) * 2012-08-28 2014-03-13 현대중공업 주식회사 실시간 크레인 작업 실적 처리 시스템 및 방법
US20160373323A1 (en) * 2015-06-22 2016-12-22 Rockwell Automation Technologies, Inc. Active Report of Event and Data
CN106698197A (zh) * 2016-12-01 2017-05-24 上海振华重工电气有限公司 基于大数据的集装箱起重机在线诊断和预防性维护系统
US20190311324A1 (en) * 2018-04-10 2019-10-10 Florida A&M University Automated scheduling and vessel navigation system for container shipping
CN111285259A (zh) * 2020-05-09 2020-06-16 上海胜迈机电科技有限公司 系泊装卸时监测集装箱船舶浮态及稳性的多岸桥用系统
CN114595872A (zh) * 2022-02-23 2022-06-07 复旦大学 一种自动化码头集装箱船的重点作业路预测方法
WO2022127311A1 (zh) * 2020-12-17 2022-06-23 北京航天自动控制研究所 一种自动化码头桥吊遗留锁垫检测方法及系统
WO2022156440A1 (zh) * 2021-01-25 2022-07-28 青岛港国际股份有限公司 基于时间预估模型的agv调度方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010017925A (ko) * 1999-08-16 2001-03-05 이정욱 컨테이너 터미널의 규모 예측 방법
KR20140031427A (ko) * 2012-08-28 2014-03-13 현대중공업 주식회사 실시간 크레인 작업 실적 처리 시스템 및 방법
US20160373323A1 (en) * 2015-06-22 2016-12-22 Rockwell Automation Technologies, Inc. Active Report of Event and Data
CN106698197A (zh) * 2016-12-01 2017-05-24 上海振华重工电气有限公司 基于大数据的集装箱起重机在线诊断和预防性维护系统
US20190311324A1 (en) * 2018-04-10 2019-10-10 Florida A&M University Automated scheduling and vessel navigation system for container shipping
CN111285259A (zh) * 2020-05-09 2020-06-16 上海胜迈机电科技有限公司 系泊装卸时监测集装箱船舶浮态及稳性的多岸桥用系统
WO2022127311A1 (zh) * 2020-12-17 2022-06-23 北京航天自动控制研究所 一种自动化码头桥吊遗留锁垫检测方法及系统
WO2022156440A1 (zh) * 2021-01-25 2022-07-28 青岛港国际股份有限公司 基于时间预估模型的agv调度方法
CN114595872A (zh) * 2022-02-23 2022-06-07 复旦大学 一种自动化码头集装箱船的重点作业路预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于航;乐美龙;: "装卸同步工艺下前方堆场布局分散度仿真研究", 系统仿真学报, no. 05 *
梁承姬;翟点点;王丹丹;: "港口集装箱多场桥装卸动态调度模型研究", 计算机仿真, no. 03 *
段朝辉;宋炳良;: "集装箱码头机械配置仿真优化研究", 系统仿真学报, no. 06, 8 June 2016 (2016-06-08) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502866A (zh) * 2023-06-20 2023-07-28 哪吒港航智慧科技(上海)有限公司 一种智能散货船舶计划和自动分类方法
CN116502866B (zh) * 2023-06-20 2023-09-08 哪吒港航智慧科技(上海)有限公司 一种智能散货船舶计划和自动分类方法

Also Published As

Publication number Publication date
CN115293443B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Ottjes et al. Simulation of a multiterminal system for container handling
Zhang et al. Storage space allocation in container terminals
Lin et al. Simulation-based investment planning for Humen Port
CN115293443B (zh) 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质
Wiśnicki et al. Analysis of the efficiency of port container terminals with the use of the data envelopment analysis method of relative productivity evaluation
JP6586945B2 (ja) 配船計画作成方法、配船計画作成装置
CN108438953A (zh) 一种自动化码头装卸控制方法
CN112396362A (zh) 行驶目的地的确定方法、装置及存储介质
Elsayed et al. Evaluate and analysis efficiency of safaga port using DEA-CCR, BCC and SBM models–comparison with DP world Sokhna
US20200394744A1 (en) Method and system for predicting a port-stay duration of a vessel at a port
KR20210083661A (ko) 인공지능 플래닝 기술 기반 선사 선적 네트워크의 공컨테이너 재배치 최적화 시스템 및 방법
JP6904373B2 (ja) 配船計画作成方法、その方法による操業方法、及び配船計画作成装置
CN114595872A (zh) 一种自动化码头集装箱船的重点作业路预测方法
CN113822518B (zh) 一种ais大数据驱动的集装箱港口装卸效率计算方法
Zeng et al. A method integrating simulation and reinforcement learning for operation scheduling in container terminals
KR102486545B1 (ko) 신규 선박수주에 따른 소요인력 및 기자재의 수요예측방법
JP2000172745A (ja) 物流計画作成装置
Choi et al. A study on the measurement of comprehensive flexibility in manufacturing systems
CN115049324B (zh) 码头agv车调度方法、装置、计算机设备和存储介质
Olson et al. Medium-range scheduling for a freighter fleet
CN115983603A (zh) 集装箱港内转运的智能调度算法、系统、设备及存储介质
JP7402986B2 (ja) コンテナ蔵置計画装置、コンテナ蔵置計画システム、及びコンテナ蔵置計画方法
CN115545369A (zh) 自动化码头岸桥资源策划决策方法、终端以及介质
KR101175396B1 (ko) 컨테이너 선박의 재항 시간 예측 시스템 및 그 방법
ElMaraghy et al. Deadlock-free rescheduling in flexible manufacturing systems

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