CN116502866B - 一种智能散货船舶计划和自动分类方法 - Google Patents
一种智能散货船舶计划和自动分类方法 Download PDFInfo
- Publication number
- CN116502866B CN116502866B CN202310727688.2A CN202310727688A CN116502866B CN 116502866 B CN116502866 B CN 116502866B CN 202310727688 A CN202310727688 A CN 202310727688A CN 116502866 B CN116502866 B CN 116502866B
- Authority
- CN
- China
- Prior art keywords
- ship
- cargo
- berthing
- time
- bulk cargo
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 239000002609 medium Substances 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种智能散货船舶计划和自动分类方法，包括以下步骤：输入船舶数据，统计到港船舶信息；根据船舶数据的型号大小以及当前泊位情况进行优先级排序；根据船舶到港时间、船舶优先级以及船舶属性对船舶进港进行时间排序；建立优先级船舶集合，建立船舶属性集合，根据合同货物进行装卸货排序；计算船货匹配、指泊以及离靠泊时间；根据合同规定以及合同的维度为不同的船舶规划分配堆场；利用遗传算法进行智能泊位调度计算，求解适合该船舶的泊位。本发明既符合科学性和合理性，又尽可能地接近人工计划分类的结果，最大程度减少人力成本，降低散杂货船舶计划和分类的复杂难度，提高了泊位分配的合理性，减少了工作量，有助于码头流程规范化。
Description
技术领域
本申请涉及散货船舶调度技术领域，特别地，涉及基于大数据的自适应算法的散货船舶调度方法，具体地，涉及一种智能散货船舶计划和自动分类方法。
背景技术
对于船舶装卸计划和船舶货物分类的相关研究，综合检索以往的现有技术文献，比如：CN202110285951.8基于港口泊位资源的船舶调度方法和系统，CN202011203186.2一种基于船舶动态信息的港口规划大数据处理方法及系统，CN201910471296.8港口泊位装卸效率挖掘方法、装置、设备和储存介质，CN202010595898.7一种港口泊位分配方法，大多是集中于对集装箱码头所做的调度规划和泊位分配，基于射频识别RFID和船舶自动识别系统AIS的航行定位识别信息或者泊位等待问题算法等技术措施，对船舶靠泊、泊位引航及泊位匹配进行调度规划和动态分配。
然而，在海运中，除集装箱货物以外还有大量的散杂货，散杂货大约占货物总量的3/5。因为散杂货不像集装箱那样形状尺寸规则化而且易于堆叠，散杂货的泊位分配设计难度很大，现阶段对于散杂货码头的泊位分配研究较少。
目前，散杂货的调度主要存在以下难点和痛点：
1.泊位分配的主要难点：
对于不同的作业区，可分配的机械类型、作业类型、作业时间是完全不同的，而且当前的泊位分配同样会影响所有后续船舶的作业情况。此外，由于同一种船舶对应的作业类型有限制，会造成如在没有明确的机械分配方案而是单纯以作业能力计算时，导致装卸时间的估计全部错误。因此：船舶的计划必须要考虑各类机械的实际作业能力、作业流程和运输路径，这就大大增加了泊位分配的设计难度。
2.散杂货作业的特点：
散杂货作业的最大特点之一是根据货物种类的不同，其具体的作业流程和作业机械完全不同。即使是同样的货物种类，但是通过不同作业模式，其作业时间会相差甚远；即使是同样的作业模式，但是对于不同的货物种类甚至不同的天气，依旧会产生不同的对现场作业时间的影响。因此，不能够通过简单的货物装载量和吃水深度，直接进行船舶作业时间的估计，也不能通过简单的深度学习和机器学习，直接求解其预计装船时间和预计卸船时间。
因此，关于船舶散杂货作业以及泊位分配的规划设计，是对散杂货整体工作效率提升的一个重要因素，当前亟待解决上述散杂货的调度存在的难点和痛点问题。
发明内容
因此，本发明实施例意图提供一种智能散货船舶计划和自动分类方法，将成熟的大数据技术应用在传统码头，进行智能化的船舶计划和自动分类，综合人工经验以及历史的船舶计划因素，利用大数据方法固化在系统中，使用时结合系统中的算法决策和当前情况，给出相应建议，并且使得经过该方法计算得出的散货船舶计划和自动分类结果符合科学性和合理性，又尽可能地接近人工计划分类的结果，最大程度地减少人力成本，降低散杂货船舶计划和分类的复杂难度，并形成一套容易上手的泊位分配子系统，以利于码头流程规范化。
本发明提供一种智能散货船舶计划和自动分类方法，包括以下步骤：
S1、输入船舶的基本数据和航行数据，统计到港船舶信息；
S2、根据船舶数据的型号大小以及当前泊位情况，对船舶进行泊位分配的优先级排序；
S3、根据船舶到港时间、船舶优先级以及船舶属性（等启发式规则）对船舶进港进行时间排序，保证算法的高效性和多样性；
S4、建立优先级船舶集合，建立船舶属性集合，根据合同货物进行装卸货排序；
S5、计算船货匹配、指泊以及离靠泊时间；
船货匹配、指泊以及离靠泊时间计算是泊位调度的关键核心环节。
船货匹配进一步缩小了泊位分配的匹配范围，降低了问题的复杂性维度。
S6、根据合同规定以及合同的维度，为不同的船舶规划分配堆场；
S7、利用遗传算法进行智能泊位调度计算，求解适合该船舶的泊位。
利用遗传算法具有较大的全局最优概率，并在算法不同阶段引用基于人工经验的启发式规则。
当班人员可根据实际情况进行反馈和修改。
进一步地，所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法包括：
基于大数据的自适应学习，对散杂货作业的进行分类，所述分类的方法包括：按货物类型分类、按可使用机械类型分类。
进一步地，所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法还包括：
对所述散杂货作业的作业能力进行预估，包括：
将天气信息进行离散化处理，将温度分为多个档的数据，包括：高温、次高温、中温、次低温、低温、零下、极寒，对多档数据进行处理；
将货物类型进行精确化处理，根据货物类型分为多种具体类型；
将货物装载位置转化为船型结构相对位置，所述船型结构相对位置的类型包括：船舱、甲板、舱下；
将货物量作为数值型数据处理；
将天气信息、货物类型、货物装载位置、货物量、出勤机械类型、出勤机械状态作为特征输入进行训练，使用xgboost模型进行训练，获得训练模型；
利用训练好的xgboost模型，对任意一条已安排泊位计划的船舶，计算预计的装卸时间和机械占用情况。
对于可使用机械类型中的某一机械类型对应的作业效率，由于具体机械型号不同和作业位置、作业条件不同，其获得预估作业能力也不同。
进一步地，所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法还包括：
基于预估的散杂货作业的作业能力，以及大数据的自适应学习，对船期的泊位分配方案进行预估，包括以下步骤：
S51、根据各类船舶的预计到达时间、预计停泊泊位、预计天气情况和水文情况，使用所述作业能力中散杂货装卸所具体占用的各类机械能力的预估值，提前计算每一类机械的占用时间和比例，并确定在对设定货物堆放顺序的规定下，对作业机械的需求以及逻辑先后关系；
S52、根据总出勤机械情况，预估计算查看是否存在以当前分配方案的环境下，需延迟进行作业的装卸流程，即当前时间点作业机械不足而导致无法按照货物量均摊作业能力的装卸流程；
S53、重复S51-S52步骤对各类船舶和占用的各类机械逐个进行判定，得出各类船舶和各类机械的总作业时间与出勤情况，根据各种作业机械的价格，得出整体的价格。
进一步地，所述S53步骤的对各类船舶和占用的各类机械逐个进行判定的方法包括：
通过枚举每一个到港船舶应安排的泊位情况，对船舶调度进行模拟计算，获得最小总价格方案、最小总时间方案中的任一种调度方案。
上述方案中所采用算法的最大优势在于使用了机器学习和深度学习方法，求解了该船舶根据具体装卸类型对于装卸机械的需要，在以往的所有专利和论文文献等现有技术中，均没有讨论船舶对于每一种具体的装卸机械和流程上的需求，没有针对散杂货码头环境进行具体的机械安排和装卸流程上的具体计算，这样会使得船舶实际停靠时间与预计停靠时间的差别极大。
进一步地，所述货物类型包括：
散杂货、件杂货中的一种或多种的组合；
其中，所述散杂货包括：颗粒状的货物、粉末状的货物和无包装的货物，理货重量一般为吨，例如：煤炭、散矿粉、大米、散装化肥等；
所述件杂货包括：能够以件理货的物品，以及能够用包、箱、袋等包装起来运输的货物。其中，裸装货是没有包装或者无法包装的件杂货。例如：钢材、机械设备、工程车辆、电力设备等。
进一步地，所述可使用机械类型包括：
堆料机，取料机，斗轮取料机，链斗取料机，螺旋卸车机，翻车机，带式输送机，气垫带式输送机，埋刮板输送机，斗式提升机，螺旋输送机中的一种或多种的组合。
进一步地，所述S4步骤的进行装卸货排序遵循的原则包括：
如果是同一货种的船舶，则严格按照先到先服务的原则，严格按照时间的先后顺序进行排序；
如果不是同一货种的船舶，则将该种船舶插入到对应货种船舶的最前面。
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，所述程序被处理器执行时实现如上述所述的智能散货船舶计划和自动分类方法的步骤。
本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的智能散货船舶计划和自动分类方法的步骤。
与现有技术相比，本发明的有益效果在于：
本发明将成熟的大数据技术应用在传统码头，进行智能化的船舶计划和自动分类，综合人工经验以及历史的船舶计划因素，利用大数据方法固化在系统中，给出了一套能够用于计算机辅助决策的、定义规范的散杂货码头泊位分配的流程，使用时结合系统中的算法决策和当前情况，给出相应建议，并且使得经过该方法计算得出的散货船舶计划和自动分类结果，在确定当天的预计到港船舶和所装货物之后，会自动形成船舶计划和自动分类分配结果，工作人员参考该结果进行相应调度工作；本发明基于大数据的船舶计划和自动分类的具体做法，既符合科学性和合理性，又尽可能地接近人工计划分类的结果，从而最大程度减少人力成本，降低散杂货船舶计划和分类的复杂难度，有效地提高了泊位分配的合理性，减少了工作量，能够有效减少人力的依赖，降低码头的新员工培训很长的周期，并且形成一套容易上手的泊位分配子系统，也有助于码头流程规范化，对提高码头的生产作业效率有着极为重要的意义。
附图说明
以下，结合附图来详细说明本发明的实施例，所示出的元件不受附图所显示的比例限制，附图中相同或相似的附图标记表示相同或类似的元件，其中：
附图1中示出了本发明一种智能散货船舶计划和自动分类方法的流程图；
附图2中示出了本发明实施例的计算机设备构成示意图；
附图3中示出了本发明实施例的应用流程示意图；
附图4中示出了本发明实施例的基于预估的散杂货作业的作业能力以及大数据的自适应学习，对船期的泊位分配方案进行预估的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本发明的实施例中提供一种智能散货船舶计划和自动分类方法，参见图1所示，包括：
本发明提供一种智能散货船舶计划和自动分类方法，包括以下步骤：
S1、输入船舶的基本数据和航行数据，统计到港船舶信息；
S2、根据船舶数据的型号大小以及当前泊位情况，对船舶进行泊位分配的优先级排序；
S3、根据船舶到港时间、船舶优先级以及船舶属性（等启发式规则）对船舶进港进行时间排序，保证算法的高效性和多样性；
S4、建立优先级船舶集合，建立船舶属性集合，根据合同货物进行装卸货排序；
所述进行装卸货排序遵循的原则包括：
如果是同一货种的船舶，则严格按照先到先服务的原则，严格按照时间的先后顺序进行排序；
如果不是同一货种的船舶，则将该种船舶插入到对应货种船舶的最前面。
S5、计算船货匹配、指泊以及离靠泊时间；
所述计算船货匹配、指泊以及离靠泊时间的方法包括：
基于大数据的自适应学习，对散杂货作业的进行分类，所述分类的方法包括：按货物类型分类、按可使用机械类型分类。
所述货物类型包括：
散杂货、件杂货中的一种或多种的组合；
其中，所述散杂货包括：颗粒状的货物、粉末状的货物和无包装的货物，理货重量一般为吨，例如：煤炭、散矿粉、大米、散装化肥等；
所述件杂货包括：能够以件理货的物品，以及能够用包、箱、袋等包装起来运输的货物。其中，裸装货是没有包装或者无法包装的件杂货。例如：钢材、机械设备、工程车辆、电力设备等。
所述可使用机械类型包括：
堆料机，取料机，斗轮取料机，链斗取料机，螺旋卸车机，翻车机，带式输送机，气垫带式输送机，埋刮板输送机，斗式提升机，螺旋输送机中的一种或多种的组合。
对所述散杂货作业的作业能力进行预估，包括：
将天气信息进行离散化处理，将温度分为多个档的数据，包括：高温、次高温、中温、次低温、低温、零下、极寒，对多档数据进行处理；
将货物类型进行精确化处理，根据货物类型分为多种具体类型；
将货物装载位置转化为船型结构相对位置，所述船型结构相对位置的类型包括：船舱、甲板、舱下；
将货物量作为数值型数据处理；
将天气信息、货物类型、货物装载位置、货物量、出勤机械类型、出勤机械状态作为特征输入进行训练，使用xgboost模型进行训练，获得训练模型；
利用训练好的xgboost模型，对任意一条已安排泊位计划的船舶，计算预计的装卸时间和机械占用情况。
对于可使用机械类型中的某一机械类型对应的作业效率，由于具体机械型号不同和作业位置、作业条件不同，其获得预估作业能力也不同。
基于预估的散杂货作业的作业能力，以及大数据的自适应学习，对船期的泊位分配方案进行预估，参见图4所示，包括以下步骤：
S51、根据各类船舶的预计到达时间、预计停泊泊位、预计天气情况和水文情况，使用所述作业能力中散杂货装卸所具体占用的各类机械能力的预估值，提前计算每一类机械的占用时间和比例，并确定在对设定货物堆放顺序的规定下，对作业机械的需求以及逻辑先后关系；
S52、根据总出勤机械情况，预估计算查看是否存在以当前分配方案的环境下，需延迟进行作业的装卸流程，即当前时间点作业机械不足而导致无法按照货物量均摊作业能力的装卸流程；
S53、重复S51-S52步骤对各类船舶和占用的各类机械逐个进行判定，得出各类船舶和各类机械的总作业时间与出勤情况，根据各种作业机械的价格，得出整体的价格。
进一步地，所述S53步骤的对各类船舶和占用的各类机械逐个进行判定的方法包括：
通过枚举每一个到港船舶应安排的泊位情况，对船舶调度进行模拟计算，获得最小总价格方案、最小总时间方案中的任一种调度方案。
上述方案中所采用算法的最大优势在于使用了机器学习和深度学习方法，求解了该船舶根据具体装卸类型对于装卸机械的需要，在以往的所有专利和论文文献等现有技术中，均没有讨论船舶对于每一种具体的装卸机械和流程上的需求，没有针对散杂货码头环境进行具体的机械安排和装卸流程上的具体计算，这样会使得船舶实际停靠时间与预计停靠时间的差别极大。
船货匹配、指泊以及离靠泊时间计算是泊位调度的关键核心环节。
船货匹配进一步缩小了泊位分配的匹配范围，降低了问题的复杂性维度。
S6、根据合同规定以及合同的维度，为不同的船舶规划分配堆场；
S7、利用遗传算法进行智能泊位调度计算，求解适合该船舶的泊位。
利用遗传算法具有较大的全局最优概率，并在算法的不同阶段引用基于人工经验的启发式规则。
当班人员可根据实际情况进行反馈和修改。
参见图3所示，本发明实施例在实际应用中，首先统计到港船舶信息，分别进行船舶排序和船货匹配，应用系统内的算法进行船舶计划和分类，得出泊位制定方案并且计算靠泊时间。最后计算KPI考核指标，如果满足，输出到计划室；如果不满足，则重新进行船舶计划和自动分类。
本发明实施例还提供了一种计算机设备，图2是本发明实施例提供的一种计算机设备的结构示意图；参见附图图2所示，该计算机设备包括：输入装置23、输出装置24、存储器22和处理器21；所述存储器22，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例提供的智能散货船舶计划和自动分类方法；其中输入装置23、输出装置24、存储器22和处理器21可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器22作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例所述的智能散货船舶计划和自动分类方法对应的程序指令；存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器22可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置23可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置24可包括显示屏等显示设备。
处理器21通过运行存储在存储器22中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的智能散货船舶计划和自动分类方法。
上述提供的计算机设备可用于执行上述实施例提供的智能散货船舶计划和自动分类方法，具备相应的功能和有益效果。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的智能散货船舶计划和自动分类方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器组件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的智能散货船舶计划和自动分类方法，还可以执行本发明任意实施例所提供的智能散货船舶计划和自动分类方法中的相关操作。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本领域技术人员可想到，上述实施例阐明的功能模块/单元或控制器以及相关方法步骤的实现，可以用软件、硬件和软/硬件结合的方式实现。
除非明确指出，根据本发明实施例记载的方法、程序的动作或步骤并不必须按照特定的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本文中，针对本发明的多个实施例进行了描述，但为简明起见，各实施例的描述并不是详尽的，各个实施例之间相同或相似的特征或部分可能会被省略。在本文中，“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本发明的至少一个实施例或示例中，而非所有实施例。上述术语并不必然意味着指代相同的实施例或示例。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
已参考上述实施例具体示出并描述了本发明的示例性系统及方法，其仅为实施本系统及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本系统及/或方法时对这里描述的系统及方法的实施例做各种改变而不脱离界定在所附权利要求中的本发明的精神及范围。
Claims (6)
1.一种智能散杂货船舶计划和自动分类方法，其特征在于，包括以下步骤：
S1、输入船舶的基本数据和航行数据，统计到港船舶信息；
S2、根据船舶数据的型号大小以及当前泊位情况，对船舶进行泊位分配的优先级排序；
S3、根据船舶到港时间、船舶优先级以及船舶属性对船舶进港进行时间排序；
S4、建立优先级船舶集合，建立船舶属性集合，根据合同货物进行装卸货排序；
S5、计算船货匹配、指泊以及离靠泊时间；
S6、根据合同规定以及合同的维度，为不同的船舶规划分配堆场；
S7、利用遗传算法进行智能泊位调度计算，求解适合船舶的泊位；
所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法包括：
基于大数据的自适应学习，对散杂货作业的进行分类，所述分类的方法包括：按货物类型分类、按可使用机械类型分类；
所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法还包括：
对所述散杂货作业的作业能力进行预估，包括：
将天气信息进行离散化处理，将温度分为多个档的数据，对多档数据进行处理；
将货物类型进行精确化处理，根据货物类型分为多种具体类型；
将货物装载位置转化为船型结构相对位置，所述船型结构相对位置的类型包括：船舱、甲板、舱下；
将货物量作为数值型数据处理；
将天气信息、货物类型、货物装载位置、货物量、出勤机械类型、出勤机械状态作为特征输入进行训练，使用xgboost模型进行训练，获得训练模型；
利用训练好的xgboost模型，对任意一条已安排泊位计划的船舶，计算预计的装卸时间和机械占用情况；
所述S5步骤的计算船货匹配、指泊以及离靠泊时间的方法还包括：
基于预估的散杂货作业的作业能力，以及大数据的自适应学习，对船舶的泊位分配方案进行预估，包括以下步骤：
S51、根据各类船舶的预计到达时间、预计停泊泊位、预计天气情况和水文情况，使用所述作业能力中散杂货装卸所具体占用的各类机械能力的预估值，提前计算每一类机械的占用时间和比例，并确定在对设定货物堆放顺序的规定下，对作业机械的需求以及逻辑先后关系；
S52、根据总出勤机械情况，预估计算查看是否存在以当前分配方案的环境下，需延迟进行作业的装卸流程；
S53、重复S51-S52步骤对各类船舶和占用的各类机械逐个进行判定，得出各类船舶和各类机械的总作业时间与出勤情况，根据各种作业机械的价格，得出整体的价格；
所述S53步骤的对各类船舶和占用的各类机械逐个进行判定的方法包括：
通过枚举每一个到港船舶应安排的泊位情况，对船舶调度进行模拟计算，获得最小总价格方案、最小总时间方案中的任一种调度方案。
2.根据权利要求1所述的智能散杂货船舶计划和自动分类方法，其特征在于，所述货物类型包括：
散杂货、件杂货中的一种或多种的组合；
其中，所述散杂货包括：颗粒状的货物、粉末状的货物和无包装的货物；
所述件杂货包括：能够以件理货的物品，以及能够用包、箱、袋包装起来运输的货物。
3.根据权利要求1所述的智能散杂货船舶计划和自动分类方法，其特征在于，所述可使用机械类型包括：
堆料机，取料机，斗轮取料机，链斗取料机，螺旋卸车机，翻车机，带式输送机，气垫带式输送机，埋刮板输送机，斗式提升机，螺旋输送机中的一种或多种的组合。
4.根据权利要求1所述的智能散杂货船舶计划和自动分类方法，其特征在于，所述S4步骤的进行装卸货排序遵循的原则包括：
如果是同一货种的船舶，则严格按照先到先服务的原则，严格按照时间的先后顺序进行排序；
如果不是同一货种的船舶，则将所述不是同一货种的船舶插入到对应货种船舶的最前面。
5.一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，所述程序被处理器执行时实现权利要求1-4任一项所述的智能散杂货船舶计划和自动分类方法的步骤。
6.一种计算机设备，所述计算机设备包括存储器、处理器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，所述处理器执行所述程序时实现如权利要求1-4任一项所述的智能散杂货船舶计划和自动分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727688.2A CN116502866B (zh) | 2023-06-20 | 2023-06-20 | 一种智能散货船舶计划和自动分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727688.2A CN116502866B (zh) | 2023-06-20 | 2023-06-20 | 一种智能散货船舶计划和自动分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502866A CN116502866A (zh) | 2023-07-28 |
| CN116502866B true CN116502866B (zh) | 2023-09-08 |
Family
ID=87324957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310727688.2A Active CN116502866B (zh) | 2023-06-20 | 2023-06-20 | 一种智能散货船舶计划和自动分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502866B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035371A (zh) * | 2023-10-09 | 2023-11-10 | 山东科技大学 | 基于大数据的港口调度方法及系统 |
| CN117592703A (zh) * | 2023-11-17 | 2024-02-23 | 哪吒港航智慧科技(上海)有限公司 | 一种货主码头的船舶监控与作业方法、系统及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010027490A1 (en) * | 2008-09-05 | 2010-03-11 | Exxonmobil Research And Engineering Company | Bulk material ship routing and inventory management schedule optimization |
| AU2014101137A4 (en) * | 2014-09-12 | 2014-10-23 | Technological Resources Pty. Limited | A scheduling system and method |
| WO2016037210A1 (en) * | 2014-09-12 | 2016-03-17 | Technological Resources Pty. Limited | A scheduling system and method |
| CN109409779A (zh) * | 2018-11-20 | 2019-03-01 | 大连大学 | 一种集装箱港口生产调度系统 |
| CN114254962A (zh) * | 2022-03-01 | 2022-03-29 | 天津港第二集装箱码头有限公司 | 一种顺岸式边装卸自动化码头动态同步泊位计划方法 |
| CN115293443A (zh) * | 2022-08-17 | 2022-11-04 | 上海国际港务（集团）股份有限公司 | 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质 |
| CN115545369A (zh) * | 2021-06-30 | 2022-12-30 | 上海海勃物流软件有限公司 | 自动化码头岸桥资源策划决策方法、终端以及介质 |
| CN115907415A (zh) * | 2022-12-19 | 2023-04-04 | 海南港航通用码头有限公司 | 基于散杂货码头智能调度系统 |
| CN115965146A (zh) * | 2022-12-30 | 2023-04-14 | 辽宁港口集团有限公司 | 一种多种类型泊位智能指泊方法 |
| CN115965145A (zh) * | 2022-12-30 | 2023-04-14 | 大连口岸物流网股份有限公司 | 一种基于业务规则引擎的智能指泊方法 |
-
2023
- 2023-06-20 CN CN202310727688.2A patent/CN116502866B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010027490A1 (en) * | 2008-09-05 | 2010-03-11 | Exxonmobil Research And Engineering Company | Bulk material ship routing and inventory management schedule optimization |
| AU2014101137A4 (en) * | 2014-09-12 | 2014-10-23 | Technological Resources Pty. Limited | A scheduling system and method |
| WO2016037210A1 (en) * | 2014-09-12 | 2016-03-17 | Technological Resources Pty. Limited | A scheduling system and method |
| CN109409779A (zh) * | 2018-11-20 | 2019-03-01 | 大连大学 | 一种集装箱港口生产调度系统 |
| CN115545369A (zh) * | 2021-06-30 | 2022-12-30 | 上海海勃物流软件有限公司 | 自动化码头岸桥资源策划决策方法、终端以及介质 |
| CN114254962A (zh) * | 2022-03-01 | 2022-03-29 | 天津港第二集装箱码头有限公司 | 一种顺岸式边装卸自动化码头动态同步泊位计划方法 |
| CN115293443A (zh) * | 2022-08-17 | 2022-11-04 | 上海国际港务（集团）股份有限公司 | 桥吊和集装箱船舶装卸作业时间的预测方法、系统及介质 |
| CN115907415A (zh) * | 2022-12-19 | 2023-04-04 | 海南港航通用码头有限公司 | 基于散杂货码头智能调度系统 |
| CN115965146A (zh) * | 2022-12-30 | 2023-04-14 | 辽宁港口集团有限公司 | 一种多种类型泊位智能指泊方法 |
| CN115965145A (zh) * | 2022-12-30 | 2023-04-14 | 大连口岸物流网股份有限公司 | 一种基于业务规则引擎的智能指泊方法 |
Non-Patent Citations (1)
| Title |
|---|
| 散杂货港口多资源协同调度优化研究;马世飞;周俊;;工业控制计算机(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502866A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502866B (zh) | 一种智能散货船舶计划和自动分类方法 | |
| Vis et al. | Minimum vehicle fleet size under time-window constraints at a container terminal | |
| Zhang et al. | Heuristic-based truck scheduling for inland container transportation | |
| CN109711717A (zh) | 智能化集装箱港口管理系统 | |
| CN108549978B (zh) | 一种调配安全货运车辆的方法及系统 | |
| CN111815231B (zh) | 一种物流平台智能拼车方法及系统 | |
| Naumov et al. | Model of multimodal transport node functioning | |
| CN110070237A (zh) | 基于货物配送点、货物体积和车型的货物配载计算方法 | |
| CN114386652A (zh) | 一种自动化码头agv智能调度方法及系统 | |
| CN116090799A (zh) | 一种针对复杂散粮作业的码头生产调度方法及系统 | |
| Caballini et al. | Optimal truck scheduling in a container terminal by using a Truck Appointment System | |
| Ozcan et al. | A reward-based algorithm for the stacking of outbound containers | |
| CN114331075A (zh) | 堆场拖车调度方法、装置、设备及存储介质 | |
| Pourmohammad-Zia et al. | Platooning of automated ground vehicles to connect port and hinterland: A multi-objective optimization approach | |
| CN100428247C (zh) | 一种装船时减少集装箱翻箱量的优化方法 | |
| Henesey et al. | A market-based approach to container port terminal management | |
| CN108596446B (zh) | 受集装箱吊车任务队列约束的港内集卡派发方法 | |
| Gryshchuk et al. | Development of methods for formation of infrastructure of transport units for maintenance of transit and export freight flows | |
| Wang et al. | Container assignment optimization considering overlapping amount and operation distance in rail-road transshipment terminal | |
| Ahmed et al. | Improving productivity of yard trucks in port container terminal using computer simulation | |
| Homayouni et al. | Energy-Efficient Scheduling of Intraterminal Container Transport | |
| Kovalov et al. | Improvement of the grain cargo handling technology on the basis of resource-saving | |
| Yuan et al. | Research on the simulation of industry port raw material terminal | |
| Bohács et al. | Container Terminal Modelling in Simul8 Environment | |
| CN114476704B (zh) | 一种适应art堆场边装卸的堆场箱位动态指派方法 |
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 |