CN115456474A - 一种基于人工智能的港口运营调度方法及系统 - Google Patents
一种基于人工智能的港口运营调度方法及系统 Download PDFInfo
- Publication number
- CN115456474A CN115456474A CN202211250350.4A CN202211250350A CN115456474A CN 115456474 A CN115456474 A CN 115456474A CN 202211250350 A CN202211250350 A CN 202211250350A CN 115456474 A CN115456474 A CN 115456474A
- Authority
- CN
- China
- Prior art keywords
- information
- ship
- area
- port
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 238000004891 communication Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 6
- 238000003032 molecular docking Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的港口运营调度方法及系统。本发明通过实时获取港口航运图像数据得到船舶货物预测信息与船舶返港预测时间信息，并精准地分析出适合当前船舶返港的优选区域，从而提高了港口船舶运输效率。另外，本发明通过获取分析运输区域中的集卡调度状态信息，得到具有高效的集卡运输路线数据，能够进一步提高港口运输作业的畅通性，从而提高港口总体的运作效率，实现港口的高度经济价值。
Description
技术领域
本发明涉及人工智能领域，更具体的，涉及一种基于人工智能的港口运营调度方法及系统。
背景技术
经济全球化发展对策实施以来，国内几大港口面临着全新的调度局势，港口泊位正朝着大型化、专业化、自动化等方向发展，彰显了我国港口配套设施的完善程度。为了适应国内外产业经济合作项目的需要，应针对传统港口调度存在的问题，提出切实可行的改进方案，推广使用更加全面的港口调度系统。
而在一些作业量较大的港口中，常常会遇到港口运输效率低，作业调度乱等问题，这严重影响了港口运输与作业的效率，所以，现在亟需一种高效的港口运营调度方法。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于人工智能的港口运营调度。
本发明第一方面提供了一种基于人工智能的港口运营调度方法，包括：
实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
本方案中，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
从船舶大数据中获取港口船舶图像数据；
将港口船舶图像数据进行图像降噪并提取船舶特征值，得到船舶图像特征；
将所述船舶图像特征与与对应的船舶编号进行关联，得到船舶对比图像数据；
构建船舶对比图像数据库，将船舶对比图像数据导入船舶对比图像数据库。
本方案中，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
获取港口航运图像数据；
根据航运图像数据进行图像降噪、平滑、色彩增强预处理，得到增强图像数据；
将增强图像数据进行船舶识别，并将船舶图像区域进行最小化选取，得到船舶区域图像数据；
将船舶区域图像数据与船舶对比图像数据进行图像特征对比，得到船舶货物区域图像数据；
将货物区域图像数据与船舶区域图像数据进行货物识别与图像比例分析，得到船舶货物预测信息。
本方案中，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，还包括：
根据港口航运图像数据进行船舶与参照物识别并进行相对位置分析，得到基于图像的船舶位置信息与参照物位置信息；
获取港口总体图像数据，根据港口总体图像数据进行二维地图构建，得到港口二维地图模型；
将船舶位置信息与参照物位置信息导入港口二维地图模型进行位置相对距离计算分析，得到船舶返港距离信息；
根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息。
本方案中，所述实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息，具体为：
获取港口卸货区域信息中的卸货区域面积信息；
根据面积信息进行区域划分，得到N个卸货子区域；
获取卸货子区域中的卸货量信息与人员调配信息，根据所述卸货量信息与人员调配信息进行作业时间预测，得到子区域作业预测时间信息。
本方案中，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
本方案中，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，具体为：
获取港口作业运输区域图像数据；
根据港口作业运输区域图像数据构建运输区域三维地图模型；
根据港口作业运输区域图像数据进行障碍物特征识别与道路特征识别，得到道路区域图像数据与障碍物区域图像数据；
将道路区域图像数据、障碍物区域图像数据与港口作业运输区域图像数据进行图像相对位置分析，得到道路位置信息与障碍物位置信息；
将道路位置信息与障碍物位置信息导入运输区域三维地图模型。
本方案中，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，还包括：
根据优选子区域信息得到优选子区域位置信息与运输起末点信息；
根据优选子区域位置信息，通过通信装置，获取预设范围内集卡位置信息与集卡数量信息；
将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析，得到集卡运输路线数据。
本发明第二方面还提供了一种基于人工智能的港口运营调度系统，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的港口运营调度方法程序，所述基于人工智能的港口运营调度方法程序被所述处理器执行时实现如下步骤：
实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
本方案中，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
本发明公开了一种基于人工智能的港口运营调度方法及系统。本发明通过实时获取港口航运图像数据得到船舶货物预测信息与船舶返港预测时间信息，并精准地分析出适合当前船舶返港的优选区域，从而提高了港口船舶运输效率。另外，本发明通过获取分析运输区域中的集卡调度状态信息，得到具有高效的集卡运输路线数据，能够进一步提高港口运输作业的畅通性，从而提高港口总体的运作效率，实现港口的高度经济价值。
附图说明
图1示出了本发明一种基于人工智能的港口运营调度方法的流程图；
图2示出了本发明获取船舶货物预测信息流程图；
图3示出了本发明获取船舶返港预测时间信息流程图；
图4示出了本发明一种基于人工智能的港口运营调度系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人工智能的港口运营调度方法的流程图。
如图1所示，本发明第一方面提供了一种基于人工智能的港口运营调度方法，包括：
S102，实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
S104，实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
S106，将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
S108，根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
S110，将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
需要说明的是，所述预设终端设备包括移动终端设备和计算机终端设备。所述港口航运图像数据为通过组合摄像装置获取，所述组合摄像装置包括红外摄像装置和高清图像摄像装置。所述实时获取港口航运图像数据中，当运输船舶进行组合摄像装置的识别范围内时，系统将自动通过所述装置获取港口航运图像数据。值得一提的是，当遇到光线较暗或者恶劣天气情况时，组合摄像装置将动态更改为以红外摄像装置为主获取图像数据，以增强组合摄像装置对特殊环境的适应能力。所述船舶货物预测信息包括货物类型信息与货物数量信息，所述货物类型信息包括船舶运载的杂货类、散装货类、原油桶罐类、集装箱类等。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
从船舶大数据中获取港口船舶图像数据；
将港口船舶图像数据进行图像降噪并提取船舶特征值，得到船舶图像特征；
将所述船舶图像特征与与对应的船舶编号进行关联，得到船舶对比图像数据。
构建船舶对比图像数据库，将船舶对比图像数据导入船舶对比图像数据库。
需要说明的是，所述船舶图像特征具体为船舶空载时的图像特征，对船舶载货时的图像数据有良好的对比参考作用。所述船舶大数据包括涉及港口运输的所有船舶参考图像数据。所述港口航运图像数据为通过组合摄像装置获取的。
图2示出了本发明获取船舶货物预测信息流程图。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
S202，获取港口航运图像数据；
S204，根据航运图像数据进行图像降噪、平滑、色彩增强预处理，得到增强图像数据；
S206，将增强图像数据进行船舶识别，并将船舶图像区域进行最小化选取，得到船舶区域图像数据；
S208，将船舶区域图像数据与船舶对比图像数据进行图像特征对比，得到船舶货物区域图像数据；
S210，将货物区域图像数据与船舶区域图像数据进行货物识别与图像比例分析，得到船舶货物预测信息。
需要说明的是，所述船舶区域图像数据一般包括多艘船舶的图像数据。所述船舶货物预测信息中包括从航运图像数据中多艘船舶的货物预测信息。所述船舶货物预测信息包括货物类型信息与货物数量信息。将船舶图像区域进行最小化选取中，具体为选取能够包含船舶图像范围的最小矩形范围。所述将船舶区域图像数据与船舶对比图像数据进行图像特征对比中，涉及图像识别与特征对比过程，所述过程具体通过人工智能图像算法实现，所述人工智能图像算法包括但不限于卷积神经网络算法（CNN），HOG特征提取算法，ORB算法，SIFT算法，SURF算法，FREAK算法等。
图3示出了本发明获取船舶返港预测时间信息流程图。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，还包括：
S302，根据港口航运图像数据进行船舶与参照物识别并进行相对位置分析，得到基于图像的船舶位置信息与参照物位置信息；
S304，获取港口总体图像数据，根据港口总体图像数据进行二维地图构建，得到港口二维地图模型；
S306，将船舶位置信息与参照物位置信息导入港口二维地图模型进行位置相对距离计算分析，得到船舶返港距离信息；
S308，根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息。
需要说明的是，所述港口总体图像数据具体为整个港口的图像数据与港口外的海洋图像数据。所述参照物具体为港口内的停靠位置参照物，一般为停靠安全线或停靠安全桩，所述港口航运图像数据包括参照物特征数据。所述根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息中，系统根据不同的船舶返港的平均速度与船舶返港距离进行计算分析得到船舶返港预测时间信息。
根据本发明实施例，所述实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息，具体为：
获取港口卸货区域信息中的卸货区域面积信息；
根据面积信息进行区域划分，得到N个卸货子区域；
获取卸货子区域中的卸货量信息与人员调配信息，根据所述卸货量信息与人员调配信息进行作业时间预测，得到子区域作业预测时间信息。
需要说明的是，所述N的大小为根据面积信息决定，面积越大，N数值越大。所述区域划分一般为平均划分。所述人员调配信息包括调度人员类型与对应人员数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。
根据本发明实施例，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
需要说明的是，所述人员调配信息包括第一子子区域内的调度人员类型与对应人员数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。所述卸货区域大小信息具体为第一子子区域的面积信息。所述最大作业量信息具体为一种反映船舶货物装卸承载作业量的指标信息。所述预设差值一般为10到20分钟。
根据本发明实施例，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，具体为：
获取港口作业运输区域图像数据；
根据港口作业运输区域图像数据构建运输区域三维地图模型；
根据港口作业运输区域图像数据进行障碍物特征识别与道路特征识别，得到道路区域图像数据与障碍物区域图像数据；
将道路区域图像数据、障碍物区域图像数据与港口作业运输区域图像数据进行图像相对位置分析，得到道路位置信息与障碍物位置信息；
将道路位置信息与障碍物位置信息导入运输区域三维地图模型。
需要说明的是，所述港口作业运输区域图像数据为通过组合摄像装置获取，具体为集卡运输区域的图像数据。
根据本发明实施例，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，还包括：
根据优选子区域信息得到优选子区域位置信息与运输起末点信息；
根据优选子区域位置信息，通过通信装置，获取预设范围内集卡位置信息与集卡数量信息；
将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析，得到集卡运输路线数据。
需要说明的是，所述运输起末点信息中，不同的优选子区域拥有不同的运输起末点信息。
另外，集卡与终端系统之间都配备通信装置，所述通信装置为基于物联网的一种装置，通过通信装置，集卡与终端系统之间能够相互通信、交换数据与传送位置信息。所述将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析中，运输区域三维地图模型将根据导入信息，通过多种路径规划算法进行分析计算，得到效率较高的运输路线数据，所述路径规划算法包括但不限于Dijkstra算法、PRM算法、RRT算法等。
根据本发明实施例，还包括：
根据港口航运图像数据进行船舶图像特征提取，得到船舶识别特征；
获取船舶对比图像数据库中的船舶对比图像数据；
将船舶对比图像数据进行图像特征提取，得到对比特征；
将船舶识别特征与对比特征进行特征对比分析，得到对应的船舶类型信息与船舶大小信息；
获取当前港口环境信息，根据环境信息进行天气情况分析，得到天气影响指数；
根据船舶类型信息与船舶大小信息进行船舶安全性分析，得到抗天气能力指数；
根据当前天气影响指数与每艘船舶的抗天气能力指数实时生成离港安全预警信息；
将离港安全预警信息发送至预设船舶终端设备。
需要说明的是，所述港口环境信息包括当前港口的气温、气压、风向、风速、天气状况等信息。所述天气影响指数为反映当前港口天气恶劣程度的重要指标。值得一提的是，对于台风、暴雨、暴雪等恶劣天气，不同的船舶对不同程度的恶劣天气的抗干扰能力有所差异，通过分析船舶类型信息与船舶大小信息，能够得到不同船舶的抗天气能力指数，进而分析出有针对性的离港安全预警信息，使停靠船舶能够作出进一步的安全行程安排，提高船舶运输安全性。
根据本发明实施例，还包括：
获取船舶货物预测信息与优选子区域信息；
根据优选子区域信息得到区域中心位置信息，根据中心位置信息实时获取当前第一调度范围内的调度人员信息；
根据船舶货物预测信息得到货物类型信息与货物数量信息；
根据货物类型信息与货物数量信息，结合当前调度人员信息进行人力资源预测与实时人力调度分析，得到人员调度方案信息；
将人员调度方案信息发送至预设终端设备。
需要说明的是，所述调度人员信息包括第一调度范围内所有的调度人员类型和数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。其中，不同船舶对应不同的人员调度方案信息。另外，不同的货物类型信息与货物数量信息对所需要的调度人员结构也有所差异，本发明通过结合当前调度人员信息进行人力调度分析，能够得到合理的人员调度方案，从而适应不同的船舶货物情况。其次，本发明通过对不同船舶生成有针对性的人员调度方案信息，有效实现了船舶停靠作业的高效畅通。
图4示出了本发明一种基于人工智能的港口运营调度系统的框图。
本发明第二方面还提供了一种基于人工智能的港口运营调度系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于人工智能的港口运营调度方法程序，所述基于人工智能的港口运营调度方法程序被所述处理器执行时实现如下步骤：
实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
需要说明的是，所述预设终端设备包括移动终端设备和计算机终端设备。所述港口航运图像数据为通过组合摄像装置获取，所述组合摄像装置包括红外摄像装置和高清图像摄像装置。所述实时获取港口航运图像数据中，当运输船舶进行组合摄像装置的识别范围内时，系统将自动通过所述装置获取港口航运图像数据。值得一提的是，当遇到光线较暗或者恶劣天气情况时，组合摄像装置将动态更改为以红外摄像装置为主获取图像数据，以增强组合摄像装置对特殊环境的适应能力。所述船舶货物预测信息包括货物类型信息与货物数量信息，所述货物类型信息包括船舶运载的杂货类、散装货类、原油桶罐类、集装箱类等。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
从船舶大数据中获取港口船舶图像数据；
将港口船舶图像数据进行图像降噪并提取船舶特征值，得到船舶图像特征；
将所述船舶图像特征与与对应的船舶编号进行关联，得到船舶对比图像数据。
构建船舶对比图像数据库，将船舶对比图像数据导入船舶对比图像数据库。
需要说明的是，所述船舶图像特征具体为船舶空载时的图像特征，对船舶载货时的图像数据有良好的对比参考作用。所述船舶大数据包括涉及港口运输的所有船舶参考图像数据。所述港口航运图像数据为通过组合摄像装置获取的。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
获取港口航运图像数据；
根据航运图像数据进行图像降噪、平滑、色彩增强预处理，得到增强图像数据；
将增强图像数据进行船舶识别，并将船舶图像区域进行最小化选取，得到船舶区域图像数据；
将船舶区域图像数据与船舶对比图像数据进行图像特征对比，得到船舶货物区域图像数据；
将货物区域图像数据与船舶区域图像数据进行货物识别与图像比例分析，得到船舶货物预测信息。
需要说明的是，所述船舶区域图像数据一般包括多艘船舶的图像数据。所述船舶货物预测信息中包括从航运图像数据中多艘船舶的货物预测信息。所述船舶货物预测信息包括货物类型信息与货物数量信息。将船舶图像区域进行最小化选取中，具体为选取能够包含船舶图像范围的最小矩形范围。所述将船舶区域图像数据与船舶对比图像数据进行图像特征对比中，涉及图像识别与特征对比过程，所述过程具体通过人工智能图像算法实现，所述人工智能图像算法包括但不限于卷积神经网络算法（CNN），HOG特征提取算法，ORB算法，SIFT算法，SURF算法，FREAK算法等。
根据本发明实施例，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，还包括：
根据港口航运图像数据进行船舶与参照物识别并进行相对位置分析，得到基于图像的船舶位置信息与参照物位置信息；
获取港口总体图像数据，根据港口总体图像数据进行二维地图构建，得到港口二维地图模型；
将船舶位置信息与参照物位置信息导入港口二维地图模型进行位置相对距离计算分析，得到船舶返港距离信息；
根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息。
需要说明的是，所述港口总体图像数据具体为整个港口的图像数据与港口外的海洋图像数据。所述参照物具体为港口内的停靠位置参照物，一般为停靠安全线或停靠安全桩，所述港口航运图像数据包括参照物特征数据。所述根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息中，系统根据不同的船舶返港的平均速度与船舶返港距离进行计算分析得到船舶返港预测时间信息。
根据本发明实施例，所述实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息，具体为：
获取港口卸货区域信息中的卸货区域面积信息；
根据面积信息进行区域划分，得到N个卸货子区域；
获取卸货子区域中的卸货量信息与人员调配信息，根据所述卸货量信息与人员调配信息进行作业时间预测，得到子区域作业预测时间信息。
需要说明的是，所述N的大小为根据面积信息决定，面积越大，N数值越大。所述区域划分一般为平均划分。所述人员调配信息包括调度人员类型与对应人员数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。
根据本发明实施例，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
需要说明的是，所述人员调配信息包括第一子子区域内的调度人员类型与对应人员数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。所述卸货区域大小信息具体为第一子子区域的面积信息。所述最大作业量信息具体为一种反映船舶货物装卸承载作业量的指标信息。所述预设差值一般为10到20分钟。
根据本发明实施例，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，具体为：
获取港口作业运输区域图像数据；
根据港口作业运输区域图像数据构建运输区域三维地图模型；
根据港口作业运输区域图像数据进行障碍物特征识别与道路特征识别，得到道路区域图像数据与障碍物区域图像数据；
将道路区域图像数据、障碍物区域图像数据与港口作业运输区域图像数据进行图像相对位置分析，得到道路位置信息与障碍物位置信息；
将道路位置信息与障碍物位置信息导入运输区域三维地图模型。
需要说明的是，所述港口作业运输区域图像数据为通过组合摄像装置获取，具体为集卡运输区域的图像数据。
根据本发明实施例，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，还包括：
根据优选子区域信息得到优选子区域位置信息与运输起末点信息；
根据优选子区域位置信息，通过通信装置，获取预设范围内集卡位置信息与集卡数量信息；
将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析，得到集卡运输路线数据。
需要说明的是，所述运输起末点信息中，不同的优选子区域拥有不同的运输起末点信息。
另外，集卡与终端系统之间都配备通信装置，所述通信装置为基于物联网的一种装置，通过通信装置，集卡与终端系统之间能够相互通信、交换数据与传送位置信息。所述将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析中，运输区域三维地图模型将根据导入信息，通过多种路径规划算法进行分析计算，得到效率较高的运输路线数据，所述路径规划算法包括但不限于Dijkstra算法、PRM算法、RRT算法等。
根据本发明实施例，还包括：
根据港口航运图像数据进行船舶图像特征提取，得到船舶识别特征；
获取船舶对比图像数据库中的船舶对比图像数据；
将船舶对比图像数据进行图像特征提取，得到对比特征；
将船舶识别特征与对比特征进行特征对比分析，得到对应的船舶类型信息与船舶大小信息；
获取当前港口环境信息，根据环境信息进行天气情况分析，得到天气影响指数；
根据船舶类型信息与船舶大小信息进行船舶安全性分析，得到抗天气能力指数；
根据当前天气影响指数与每艘船舶的抗天气能力指数实时生成离港安全预警信息；
将离港安全预警信息发送至预设船舶终端设备。
需要说明的是，所述港口环境信息包括当前港口的气温、气压、风向、风速、天气状况等信息。所述天气影响指数为反映当前港口天气恶劣程度的重要指标。值得一提的是，对于台风、暴雨、暴雪等恶劣天气，不同的船舶对不同程度的恶劣天气的抗干扰能力有所差异，通过分析船舶类型信息与船舶大小信息，能够得到不同船舶的抗天气能力指数，进而分析出有针对性的离港安全预警信息，使停靠船舶能够作出进一步的安全行程安排，提高船舶运输安全性。
根据本发明实施例，还包括：
获取船舶货物预测信息与优选子区域信息；
根据优选子区域信息得到区域中心位置信息，根据中心位置信息实时获取当前第一调度范围内的调度人员信息；
根据船舶货物预测信息得到货物类型信息与货物数量信息；
根据货物类型信息与货物数量信息，结合当前调度人员信息进行人力资源预测与实时人力调度分析，得到人员调度方案信息；
将人员调度方案信息发送至预设终端设备。
需要说明的是，所述调度人员信息包括第一调度范围内所有的调度人员类型和数量，所述调度人员包括指挥员、安全员、理货员、拖车调度人员等。其中，不同船舶对应不同的人员调度方案信息。另外，不同的货物类型信息与货物数量信息对所需要的调度人员结构也有所差异，本发明通过结合当前调度人员信息进行人力调度分析，能够得到合理的人员调度方案，从而适应不同的船舶货物情况。其次，本发明通过对不同船舶生成有针对性的人员调度方案信息，有效实现了船舶停靠作业的高效畅通。
本发明公开了一种基于人工智能的港口运营调度方法及系统。本发明通过实时获取港口航运图像数据得到船舶货物预测信息与船舶返港预测时间信息，并精准地分析出适合当前船舶返港的优选区域，从而提高了港口船舶运输效率。另外，本发明通过获取分析运输区域中的集卡调度状态信息，得到具有高效的集卡运输路线数据，能够进一步提高港口运输作业的畅通性，从而提高港口总体的运作效率，实现港口的高度经济价值。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的港口运营调度方法，其特征在于，包括：
实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
2.根据权利要求1所述的一种基于人工智能的港口运营调度方法，其特征在于，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
从船舶大数据中获取港口船舶图像数据；
将港口船舶图像数据进行图像降噪并提取船舶特征值，得到船舶图像特征；
将所述船舶图像特征与与对应的船舶编号进行关联，得到船舶对比图像数据；
构建船舶对比图像数据库，将船舶对比图像数据导入船舶对比图像数据库。
3.根据权利要求2所述的一种基于人工智能的港口运营调度方法，其特征在于，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，之前包括：
获取港口航运图像数据；
根据航运图像数据进行图像降噪、平滑、色彩增强预处理，得到增强图像数据；
将增强图像数据进行船舶识别，并将船舶图像区域进行最小化选取，得到船舶区域图像数据；
将船舶区域图像数据与船舶对比图像数据进行图像特征对比，得到船舶货物区域图像数据；
将货物区域图像数据与船舶区域图像数据进行货物识别与图像比例分析，得到船舶货物预测信息。
4.根据权利要求3所述的一种基于人工智能的港口运营调度方法，其特征在于，所述实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息，还包括：
根据港口航运图像数据进行船舶与参照物识别并进行相对位置分析，得到基于图像的船舶位置信息与参照物位置信息；
获取港口总体图像数据，根据港口总体图像数据进行二维地图构建，得到港口二维地图模型；
将船舶位置信息与参照物位置信息导入港口二维地图模型进行位置相对距离计算分析，得到船舶返港距离信息；
根据船舶返港距离信息进行时间预测，得到船舶返港预测时间信息。
5.根据权利要求1所述的一种基于人工智能的港口运营调度方法，其特征在于，所述实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息，具体为：
获取港口卸货区域信息中的卸货区域面积信息；
根据面积信息进行区域划分，得到N个卸货子区域；
获取卸货子区域中的卸货量信息与人员调配信息，根据所述卸货量信息与人员调配信息进行作业时间预测，得到子区域作业预测时间信息。
6.根据权利要求1所述的一种基于人工智能的港口运营调度方法，其特征在于，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
7.根据权利要求1所述的一种基于人工智能的港口运营调度方法，其特征在于，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，具体为：
获取港口作业运输区域图像数据；
根据港口作业运输区域图像数据构建运输区域三维地图模型；
根据港口作业运输区域图像数据进行障碍物特征识别与道路特征识别，得到道路区域图像数据与障碍物区域图像数据；
将道路区域图像数据、障碍物区域图像数据与港口作业运输区域图像数据进行图像相对位置分析，得到道路位置信息与障碍物位置信息；
将道路位置信息与障碍物位置信息导入运输区域三维地图模型。
8.根据权利要求7所述的一种基于人工智能的港口运营调度方法，其特征在于，所述根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据，还包括：
根据优选子区域信息得到优选子区域位置信息与运输起末点信息；
根据优选子区域位置信息，通过通信装置，获取预设范围内集卡位置信息与集卡数量信息；
将集卡位置信息、集卡数量信息、运输起末点信息导入运输区域三维地图模型进行路径分析，得到集卡运输路线数据。
9.一种基于人工智能的港口运营调度系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的港口运营调度方法程序，所述基于人工智能的港口运营调度方法程序被所述处理器执行时实现如下步骤：
实时获取港口航运图像数据，根据图像数据进行图像识别与分析，得到船舶货物预测信息与船舶返港预测时间信息；
实时获取港口卸货区域信息，根据港口卸货区域信息进行港口区域划分与区域作业量分析，得到子区域作业预测时间信息；
将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息；
根据优选子区域信息，获取预设范围内集卡调度状态信息，根据集卡调度状态信息进行线路规划，得到集卡运输路线数据；
将优选子区域信息与集卡运输路线数据发送至预设终端设备进行显示。
10.根据权利要求9所述的一种基于人工智能的港口运营调度系统，其特征在于，所述将子区域作业预测时间信息与船舶返港预测时间信息进行信息比较与筛选，得到优选子区域信息，具体为：
将子区域作业预测时间信息与船舶返港预测时间信息进行时间差值计算，得到时间差值；
若时间差值小于预设差值，则将对应的子区域标记为第一子区域；
将当前第一子区域内的人员调配信息与卸货区域大小信息进行综合分析，得到最大作业量信息；
根据船舶货物预测信息得到预测作业量信息，将预测作业量信息与最大作业量信息进行信息比较；
若预测作业量大于最大作业量，则将第一子区域与相邻区域进行区域合并，并将合并后的区域进行信息整理，得到优选子区域信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250350.4A CN115456474B (zh) | 2022-10-13 | 2022-10-13 | 一种基于人工智能的港口运营调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250350.4A CN115456474B (zh) | 2022-10-13 | 2022-10-13 | 一种基于人工智能的港口运营调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115456474A true CN115456474A (zh) | 2022-12-09 |
| CN115456474B CN115456474B (zh) | 2023-11-10 |
Family
ID=84308099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211250350.4A Active CN115456474B (zh) | 2022-10-13 | 2022-10-13 | 一种基于人工智能的港口运营调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456474B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050590A (zh) * | 2022-12-26 | 2023-05-02 | 中交广州航道局有限公司 | 基于激光扫描装置建立三维车船调度方法及装置 |
| CN116307125A (zh) * | 2023-02-23 | 2023-06-23 | 广东省电子口岸管理有限公司 | 基于交通数据的报关单数季节变化分析系统及方法 |
| CN117151417A (zh) * | 2023-09-22 | 2023-12-01 | 交通运输部水运科学研究所 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278704A1 (en) * | 2013-03-15 | 2014-09-18 | Luis D. ELIZONDO | System and method of shipping scheduling involving parallel port operations using prepositioned vessels |
| CN106156983A (zh) * | 2016-07-27 | 2016-11-23 | 潘燕 | 货物自动追踪系统 |
| CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
| CN107657395A (zh) * | 2017-11-02 | 2018-02-02 | 广州宝钢南方贸易有限公司 | 基于钢铁产品水运业务的物流调度装置及方法 |
| CN109191826A (zh) * | 2018-08-31 | 2019-01-11 | 北京图森未来科技有限公司 | 一种车辆调度方法、车辆调度服务器 |
| CN109726969A (zh) * | 2018-11-07 | 2019-05-07 | 上海图森未来人工智能科技有限公司 | 港口智能控制系统及相关系统和装置 |
| CN110807424A (zh) * | 2019-11-01 | 2020-02-18 | 深圳市科卫泰实业发展有限公司 | 一种基于航拍图像的港口船舶比对方法 |
| CN111090278A (zh) * | 2018-10-24 | 2020-05-01 | 大连永航科技有限公司 | 基于海洋天气预报的自动导航系统 |
| CN111785028A (zh) * | 2020-07-31 | 2020-10-16 | 上海海事大学 | 一种车-港-船协同调度方法及系统 |
| 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 |
| CN113176600A (zh) * | 2021-04-30 | 2021-07-27 | 深圳中科天巡信息技术有限公司 | 一种融合北斗、rfid、视频识别方式的港口车辆定位装置及方法 |
| CN113361804A (zh) * | 2021-06-28 | 2021-09-07 | 同济大学 | 缓冲堆场作业与码头间集卡运输协同调度系统及其方法 |
| CN114943379A (zh) * | 2022-06-01 | 2022-08-26 | 北京玖天气象科技有限公司 | 一种港口作业指数预测方法 |
-
2022
- 2022-10-13 CN CN202211250350.4A patent/CN115456474B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278704A1 (en) * | 2013-03-15 | 2014-09-18 | Luis D. ELIZONDO | System and method of shipping scheduling involving parallel port operations using prepositioned vessels |
| CN106156983A (zh) * | 2016-07-27 | 2016-11-23 | 潘燕 | 货物自动追踪系统 |
| CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
| CN107657395A (zh) * | 2017-11-02 | 2018-02-02 | 广州宝钢南方贸易有限公司 | 基于钢铁产品水运业务的物流调度装置及方法 |
| CN109191826A (zh) * | 2018-08-31 | 2019-01-11 | 北京图森未来科技有限公司 | 一种车辆调度方法、车辆调度服务器 |
| CN111090278A (zh) * | 2018-10-24 | 2020-05-01 | 大连永航科技有限公司 | 基于海洋天气预报的自动导航系统 |
| CN109726969A (zh) * | 2018-11-07 | 2019-05-07 | 上海图森未来人工智能科技有限公司 | 港口智能控制系统及相关系统和装置 |
| CN110807424A (zh) * | 2019-11-01 | 2020-02-18 | 深圳市科卫泰实业发展有限公司 | 一种基于航拍图像的港口船舶比对方法 |
| CN111785028A (zh) * | 2020-07-31 | 2020-10-16 | 上海海事大学 | 一种车-港-船协同调度方法及系统 |
| 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 |
| CN113176600A (zh) * | 2021-04-30 | 2021-07-27 | 深圳中科天巡信息技术有限公司 | 一种融合北斗、rfid、视频识别方式的港口车辆定位装置及方法 |
| CN113361804A (zh) * | 2021-06-28 | 2021-09-07 | 同济大学 | 缓冲堆场作业与码头间集卡运输协同调度系统及其方法 |
| CN114943379A (zh) * | 2022-06-01 | 2022-08-26 | 北京玖天气象科技有限公司 | 一种港口作业指数预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIYUE HOU: "End-to-end Automatic Ship Detection and Recognition in High-Resolution Gaofen-3 Spaceborne SAR Images", 《 IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, pages 102 - 104 * |
| 张加雪等: "《智慧船闸》", 南京：东南大学出版社, pages: 102 - 104 * |
| 钱继锋;朱晓宁;刘占东;: "集装箱码头装卸作业计划调度的协同与优化", no. 07 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050590A (zh) * | 2022-12-26 | 2023-05-02 | 中交广州航道局有限公司 | 基于激光扫描装置建立三维车船调度方法及装置 |
| CN116050590B (zh) * | 2022-12-26 | 2023-09-26 | 中交广州航道局有限公司 | 基于激光扫描装置建立三维车船调度方法及装置 |
| CN116307125A (zh) * | 2023-02-23 | 2023-06-23 | 广东省电子口岸管理有限公司 | 基于交通数据的报关单数季节变化分析系统及方法 |
| CN116307125B (zh) * | 2023-02-23 | 2023-10-27 | 广东省电子口岸管理有限公司 | 基于交通数据的报关单数季节变化分析系统及方法 |
| CN117151417A (zh) * | 2023-09-22 | 2023-12-01 | 交通运输部水运科学研究所 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
| CN117151417B (zh) * | 2023-09-22 | 2024-03-12 | 交通运输部水运科学研究所 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115456474B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456474B (zh) | 一种基于人工智能的港口运营调度方法及系统 | |
| US20220084186A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
| Ayush et al. | Generating interpretable poverty maps using object detection in satellite images | |
| Heilig et al. | From digitalization to data-driven decision making in container terminals | |
| CN112348428B (zh) | 集装箱的监控方法、装置、服务器及存储介质 | |
| CN111091226B (zh) | 一种基于实际航运业务和数据挖掘的运力预测方法 | |
| Yang et al. | Can we trust the AIS destination port information for bulk ships?–Implications for shipping policy and practice | |
| CN114861956B (zh) | 智慧港口综合管理系统 | |
| Ting et al. | A study on RFID adoption for vehicle tracking in container terminal | |
| CN112016730A (zh) | 港口泊位装卸效率挖掘方法、装置、设备和储存介质 | |
| CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
| CN113469158B (zh) | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 | |
| You et al. | PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data | |
| Shetty et al. | Optical container code recognition and its impact on the maritime supply chain | |
| Mishra et al. | Exploring variation of length of haul and associated freight transport emission of Indian establishments: A survival analysis approach | |
| CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
| CN114399671A (zh) | 目标识别方法及装置 | |
| Steenari et al. | Mining port operation information from AIS data | |
| CN110363369B (zh) | 船舶搁置状态判断方法、装置、设备及其存储介质 | |
| CN117649167B (zh) | 一种基于国际运输的货物订单进度跟踪管理系统 | |
| CN116384597B (zh) | 基于地理信息系统的渔港船舶进出港动态预测方法及系统 | |
| CN117634926B (zh) | 基于大数据分析的综合港口运营预测方法及系统 | |
| CN117037547B (zh) | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 | |
| Wijaya et al. | Port Performance Indicators Construction based on the AIS-generated Trajectory Segmentation and Classification | |
| de Oliveira Moita et al. | Environmental Impact of Ship Emissions Based on AIS Big Data for the Port of Rio de Janeiro |
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 |