CN116843071A - 一种用于智慧港口的运输网络运行指数预测方法及装置 - Google Patents
一种用于智慧港口的运输网络运行指数预测方法及装置 Download PDFInfo
- Publication number
- CN116843071A CN116843071A CN202310814176.XA CN202310814176A CN116843071A CN 116843071 A CN116843071 A CN 116843071A CN 202310814176 A CN202310814176 A CN 202310814176A CN 116843071 A CN116843071 A CN 116843071A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- economic
- index
- prediction
- 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 43
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Abstract
本发明公开了一种用于智慧港口的运输网络运行指数预测方法及装置,该用于智慧港口的运输网络运行指数预测方法,包括以下步骤:S1,实时采集智慧港口的数据并将数据进行存储;S2,根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;S3,建立预测模型;S4,输出预测结果;S5,自动优化模型;S6,模型自动预警。本发明通过实时采集和处理智慧港口的数据,建立专属名词库,使用RNN模型建立宏观经济形势分析模型,并使用ARIMA模型进行预测,从而实现对运输网络运行指数的实时预测和监测,提高了预测精度和效率,解决了现有技术中存在制定运输安排方案耗时长且不够全面的问题。
Description
技术领域
本发明涉及运输网络预测技术领域,尤其涉及一种用于智慧港口的运输网络运行指数预测方法及装置。
背景技术
智慧港口,是以云计算、大数据、物联网等新一代信息技术与港口运输业务深度融合为核心,具有生产智能、管理智慧、保障有力等鲜明特征的现代港口运输新业态;运输网络是重要的交通运载通道,直接影响了沿线产业结构和人们的生活水平,刺激经济的快速增长,对现代社会的发展有着非常重要的意义;随着国民经济的不确定性的发展,部分港口开启了“死亡堵”模式,世界各主要港口“船满为患”,出现船员在锚地原地等待的现象,即不能航行也无法靠港,陷入另一种“海上牢笼”,而随着港口拥堵时间急剧增加,会增加运输成本和交通安全隐患;运输网络运行指数是衡量运输网络运行状况和效率的指标,通过综合考虑货物吞吐量、船舶数量、船舶停泊时间、道路交通状况等因素,反映了运输网络的整体运行水平和运输能力。
目前,交通管理部门为了合理制定有效地控制与管理措施,需要全面掌握全球物流的交通运行态势,还需要提前了解经济发展情况和港口拥堵情况,从而通过工作人员合理安排港口,或选择绕行路径,以此避开拥堵港区。
例如公开号为:CN108305459B公开的一种基于数据驱动的路网运行指数预测方法,包括:确定预测对象所属事件类型;确定需要预测的路网范围和时间范围,并根据事件类型将时间范围按照特征日分类;采集该预测的路网范围内的历史数据,提取相同事件类型的历史交通数据,并计算每个特征日的路网运行指数;对路网运行指数进行修正,确定修正系数和预测运行指数。
例如公开号为:CN113240908B公开的一种基于蚁群交哺策略的交通网络拥堵调控方法及系统,包括:应用经典的LTM交通流模型模拟城市交通路网来搭建出适用于城市交通路网拥堵传播规律的复杂网络交通流传播仿真框架,然后在复杂网络交通流传播仿真框架上,构建基于蚁群交哺-交哺行为启发的交通拥堵智能调控模型,使极为复杂的宏观路网整体调控问题分解为成千上万的、微小的节点控制单元的简单局部调控问题,从顶层策略设计层面对城市交通路网拥堵问题进行有效缓解。
例如公开号为:CN113516429A公开的一种基于网络拥堵模型的多AGV全局规划方法,包括:首先建立区域化的地图,并根据运输需求给AGV分配任务,确定AGV路径的起始区域和目标区域;然后,在距离代价的基础上,引入包含转弯代价的时间代价与基于修正网络拥塞扩散模型的区域密度估值,以更新A*算法的估计代价值;最后基于改进A*算法进行区域间全局路径规划,获取连接当前区域和目标区域的路径区域集。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,通过工作人员根据收集的信息制定出合理的运输安排方案,存在人工收集信息获取运行指数耗时长的问题。
发明内容
本申请实施例通过提供一种用于智慧港口的运输网络运行指数预测方法及装置,解决了现有技术中,存在人工收集信息获取运行指数耗时长的问题,实现了提高预测精度和效率,增强了预测模型的可靠性和实用性。
本申请实施例提供了一种用于智慧港口的运输网络运行指数预测方法,包括以下步骤:S1,采集港口数据:实时采集智慧港口的数据并将数据进行存储;S2,分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;S3,建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;S4,输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;S5,自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;S6,模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
进一步的,所述S1中智慧港口的数据至少包括港口货物吞吐量、进出口船舶数量、船舶停泊时间、船舶排队等待时间、港口道路交通状况、货物种类和环境状况。
进一步的,所述S2中根据采集的数据针对性地收集经济指标数据的具体流程为:将采集的数据进行数据清洗和分词处理,得出的结果作为语料;针对智慧港口领域建立专属名词库;根据名词库对语料进行分析、归纳和总结,并识别出语料中的实体,将实体进行标注;提取潜在主题或话题,根据提取结果获取相关的经济指标文本信息;对经济指标文本信息进行处理和分析,获取经济指标数据。
进一步的,所述S2中根据经济指标数据分析出宏观经济形势的具体流程为:收集经济指标数据:获取各种经济指标的历史数据;数据清洗和预处理:对获取到的历史数据进行清洗和预处理;特征工程:根据经济学理论和数据分析方法,构建宏观经济指标特征集合;建立宏观经济形势分析模型:选择RNN算法构建分析模型,将经济指标特征和历史数据输入模型,训练得到分析模型;实时分析宏观经济形势:将新的经济指标数据输入到分析模型中,实时分析宏观经济形势。
进一步的,所述特征工程的具体步骤包括:数据的平滑和差分:对经济指标的历史数据进行平滑和差分,得到平稳的时间序列数据;特征的构建:构建宏观经济指标特征;特征选择:根据特征的重要性和相关性进行特征选择,选择最优的特征集合用于建模。
进一步的,所述选择RNN算法构建分析模型的具体流程为:对历史数据进行序列化处理:X1,X2,…,Xn=x1,x2,…,xn,其中,Xi是第i个时间点的经济指标特征,xi是将其序列化后得到的向量;使用RNN模型进行训练:ht=f(Whht-1+Wxxt+bh),yt=g(Wyht+by),其中,t是当前时间点,ht是当前时间点t的隐藏状态向量,f和g是非线性激活函数,Wh,Wx,bh,Wy,by是可学习的参数,yt是当前时间点t的输出值;使用反向传播算法进行优化:其中,θ是模型参数,L是损失函数,/>是模型对第i个时间点的输出值的预测值。
进一步的,所述S3中利用智慧港口的历史数据和历史宏观经济形势建立预测模型的具体流程为:获取智慧港口的历史数据和历史宏观经济形势,并将其进行数据清洗和预处理,确定选取的ARIMA模型特征参数: 其中,Yt表示进行数据清洗和预处理后的数据,Xt表示时间t的输入特征向量,包含智慧港口的历史数据和历史宏观经济形势,μ表示均值,φi和θj表示ARIMA模型的特征参数,p和q是ARIMA模型的阶数,εt表示噪声项;根据需求和数据情况,在特征选取的基础上选择合适的ARIMA模型,并使用历史数据训练进行训练,保存其中具有较好预测性能的预测模型:其中,ARIMA模型可以表示为(1-φ1B-…-φpBp)ΔdYt=(1+θ1B+…+θqBq)εt,其中,ΔdYt是经过差分后的时间序列数据,B是时间滞后算子;对训练得到的预测模型进行诊断,评估模型健康度并进行调整,其中评估模型健康度使用的公式为:AIC=-2ln(L)+2k,该公式中,AIC是模型选择准则,L是ARIMA模型的似然函数,k是ARIMA模型的参数个数;将实时智慧港口数据和宏观经济形势输入到调整好的预测模型,对智慧港口的运输网络运行指数进行预测,并输出预测结果,其中预测模型表示为:该公式中,/>是预测得到的智慧港口运输网络运行指数。
进一步的,所述S5中自动优化更新预测模型具体指预先设置定时更新时间间隔,后续每间隔该时间间隔,自动将当前时间前的历史数据输入替换预测模型中的训练数据,将预测模型重训练。
进一步的,所述S3中的输出预测的运输网络运行指数和S5中在差异超过预定阈值时发送警报均可通过可视化方式将输出结果进行展示,将超出预定阈值的预测值进行标注和显示。
本申请实施例提供了一种用于智慧港口的运输网络运行指数预测装置,包括采集模块、分析模块、建模模块、输出模块、优化模块和预警模块:采集模块:用于采集港口数据:实时采集智慧港口的数据并将数据进行存储;分析模块:用于分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;建模模块:用于建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;输出模块:用于输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;优化模块:用于自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;预警模块:用于模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、由于通过实时采集和处理智慧港口的数据,建立专属名词库,使用RNN模型建立宏观经济形势分析模型,并使用ARIMA模型进行预测,从而对运输网络运行指数的实时预测和监测,进而实现提高了预测精度和效率,同时能够自动优化更新预测模型,增强了预测模型的可靠性和实用性,帮助港口更好地规划和调整运输网络,有效解决了现有技术中,存在制定运输安排方案耗时长且不够全面的问题。
2、由于通过实时采集智慧港口的数据并进行清洗和分词处理,识别和标注出语料中的实体和提取出主题和话题,从而获取与经济指标相关的文本信息,进而实现提高数据的质量和准确性,为后续的数据分析提供可靠的数据基础。
3、由于定期根据新的数据对预测模型进行自动优化更新,并实时监测和对比港口的运输网络运行指数的预测值和实际值,且当预测值和实际值差异超过预定阈值时,发送警报,提示可能存在异常情况,从而可以提高预测模型的鲁棒性和适应性,及时发现并处理问题,进而实现保障港口运输网络的正常运行。
附图说明
图1为本申请实施例提供的用于智慧港口的运输网络运行指数预测方法流程图;
图2为本申请实施例提供的针对性地收集经济指标数据的具体流程图;
图3为本申请实施例提供的分析宏观经济形势的具体流程图;
图4为本申请实施例提供的特征工程的具体流程图;
图5为本申请实施例提供的RNN算法构建分析模型的具体流程图;
图6为本申请实施例提供的建立预测模型的具体流程图;
图7为本申请实施例提供的用于智慧港口的运输网络运行指数预测装置结构图。
具体实施方式
本申请实施例通过提供一种用于智慧港口的运输网络运行指数预测方法及装置,解决了现有技术中,存在制定运输安排方案耗时长且不够全面的问题,通过实时采集和处理智慧港口的数据,建立专属名词库,使用RNN模型建立宏观经济形势分析模型,并使用ARIMA模型进行预测,从而实现对运输网络运行指数的实时预测和监测,提高了预测精度和效率。
本申请实施例中的技术方案为解决上述,存在制定运输安排方案耗时长且不够全面的问题,总体思路如下:
首先实时采集智慧港口的数据(例如:港口货物吞吐量、进出口船舶数量、船舶停泊时间、船舶排队等待时间、港口道路交通状况、货物种类和环境状况等)并将数据进行存储,接着将采集的数据进行数据清洗和分词处理,将处理结果作为后续处理的语料,同时针对智慧港口领域建立专属名词库,再根据专属名词库对语料进行分析归纳和总结,识别出语料中的实体,并对实体进行标注,之后提取出语料中的主题和话题,并根据提取的结果来获取相关的经济指标文本信息,接着对经济指标文本信息进行处理分析,从而达到根据采集的数据针对性地收集出其中的经济指标数据;然后将获取的经济指标数据进行清洗和预处理,通过经济学理论和数据分析方法构建出宏观经济指标的特征集合,之后使用RNN模型(循环神经网络)建立宏观经济形势分析模型,并将经济指标数据和历史数据输入到分析模型中,实时分析得到宏观经济形势,保存宏观经济形势;接着将保存的智慧港口的历史数据和历史宏观经济形势进行数据清洗和预处理,同时确定选取的ARIMA模型特征参数,接着根据港区的需求和数据情况,在特征选取的基础上选择合适的ARIMA模型,将保存的历史数据和历史宏观经济形势输入到选择的模型中,进行多次训练,选择其中训练结果最好的(即具有较好预测性能)预测模型进行保存,之后对保存的初始的预测模型进行诊断,评估其健康度,并对该预测模型进行调整,保存调整后的预测模型(更替前文训练结果最好的预测模型),作为用于预测智慧港口的运输网络运行指数的预测模型;再将智慧港口实时数据和其对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;定期根据新的数据对预测模型进行自动优化更新,实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报,达到了提高了预测精度和效率,增强了预测模型的可靠性和实用性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的用于智慧港口的运输网络运行指数预测方法流程图,该方法应用于用于智慧港口的运输网络运行指数预测装置中,该方法包括以下步骤:S1,采集港口数据:实时采集智慧港口的数据并将数据进行存储;S2,分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;S3,建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;S4,输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;S5,自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;S6,模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
在本实施例中,实时采集智慧港口的数据,包括船舶信息、货物信息、装卸时间等,并通过自然语言处理技术从中提取关键信息,如船舶停靠时间、货物类型、船舶尺寸等;同时,通过网络爬虫技术采集互联网上的经济指标数据,如商品价格指数、贸易量等,并通过自然语言处理技术提取关键信息,如经济增长率、产业结构等。
进一步的,所述S1中智慧港口的数据至少包括港口货物吞吐量、进出口船舶数量、船舶停泊时间、船舶排队等待时间、港口道路交通状况、货物种类和环境状况。
进一步的,如图2所示,为本申请实施例提供的针对性地收集经济指标数据的具体流程图,所述S2中根据采集的数据针对性地收集经济指标数据的具体流程为:将采集的数据进行数据清洗和分词处理,得出的结果作为语料;针对智慧港口领域建立专属名词库;根据名词库对语料进行分析、归纳和总结,并识别出语料中的实体,将实体进行标注;提取潜在主题或话题,根据提取结果获取相关的经济指标文本信息;对经济指标文本信息进行处理和分析,获取经济指标数据。
进一步的,如图3所示,为本申请实施例提供的分析宏观经济形势的具体流程图,所述S2中根据经济指标数据分析出宏观经济形势的具体流程为:收集经济指标数据:获取各种经济指标的历史数据;数据清洗和预处理:对获取到的历史数据进行清洗和预处理;特征工程:根据经济学理论和数据分析方法,构建宏观经济指标特征集合;建立宏观经济形势分析模型:选择RNN算法构建分析模型,将经济指标特征和历史数据输入模型,训练得到分析模型;实时分析宏观经济形势:将新的经济指标数据输入到分析模型中,实时分析宏观经济形势。
在本实施例中,首先要确定要使用的经济指标和时间范围,再对采集的历史数据进行预处理,包括数据清洗、缺失值填充、异常值处理等,以确保数据质量;接着构建宏观经济指标特征集合,例如,可以计算不同经济指标之间的相关性,构建经济指标的趋势、波动、增长率等特征;之后对构建的宏观经济指标特征集合进行特征选择,选择与预测宏观经济形势相关的特征,去除不相关或冗余的特征,根据选定的特征和模型,从而构建出宏观经济形势分析模型。
进一步的,如图4所示,为本申请实施例提供的特征工程的具体流程图,所述特征工程的具体步骤包括:数据的平滑和差分:对经济指标的历史数据进行平滑和差分,得到平稳的时间序列数据;特征的构建:构建宏观经济指标特征;特征选择:根据特征的重要性和相关性进行特征选择,选择最优的特征集合用于建模。
在本实施例中,特征选择的目标是找出最具有预测能力的特征,同时减少特征的冗余性和噪声,例如:港口货运量和货运吞吐量,作为智慧港口的基本运营指标;港口设施、设备和技术的更新和升级情况,反映港口的现代化程度;港口所在地区的人口、GDP等经济指标,反映当地经济状况;天气、气候等环境因素,对港口运营产生影响;政策、法规等政治因素,对港口运营产生影响;物流运输方式和物流成本等指标,反映物流行业的发展和变化情况。
进一步的,如图5所示,为本申请实施例提供的RNN算法构建分析模型的具体流程图,所述选择RNN算法构建分析模型的具体流程为:对历史数据进行序列化处理:X1,X2,…,Xn=x1,x2,…,xn,其中,Xi是第i个时间点的经济指标特征,xi是将其序列化后得到的向量;使用RNN模型进行训练:ht=f(Whht-1+Wxxt+bh),yt=g(Wyht+by),其中,t是当前时间点,ht是当前时间点t的隐藏状态向量,f和g是非线性激活函数,Wh,Wx,bh,Wy,by是可学习的参数,yt是当前时间点t的输出值;使用反向传播算法进行优化:其中,θ是模型参数,L是损失函数,/>是模型对第i个时间点的输出值的预测值。
进一步的,如图6所示,为本申请实施例提供的建立预测模型的具体流程图,所述S3中利用智慧港口的历史数据和历史宏观经济形势建立预测模型的具体流程为:获取智慧港口的历史数据和历史宏观经济形势,并将其进行数据清洗和预处理,确定选取的ARIMA模型特征参数: 其中,Yt表示进行数据清洗和预处理后的数据,Xt表示时间t的输入特征向量,包含智慧港口的历史数据和历史宏观经济形势,μ表示均值,φi和θj表示ARIMA模型的特征参数,p和q是ARIMA模型的阶数,εt表示噪声项;根据需求和数据情况,在特征选取的基础上选择合适的ARIMA模型,并使用历史数据训练进行训练,保存其中具有较好预测性能的预测模型:其中,ARIMA模型可以表示为(1-φ1B-…-φpBp)ΔdYt=(1+θ1B+…+θqBq)εt,其中,ΔdYt是经过差分后的时间序列数据,B是时间滞后算子;对训练得到的预测模型进行诊断,评估模型健康度并进行调整,其中评估模型健康度使用的公式为:AIC=-2ln(L)+2k,该公式中,AIC是模型选择准则,L是ARIMA模型的似然函数,k是ARIMA模型的参数个数;将实时智慧港口数据和宏观经济形势输入到调整好的预测模型,对智慧港口的运输网络运行指数进行预测,并输出预测结果,其中预测模型表示为:/>该公式中,/>是预测得到的智慧港口运输网络运行指数。
进一步的,所述S5中自动优化更新预测模型具体指预先设置定时更新时间间隔,后续每间隔该时间间隔,自动将当前时间前的历史数据输入替换预测模型中的训练数据,将预测模型重训练。
进一步的,所述S3中的输出预测的运输网络运行指数和S5中在差异超过预定阈值时发送警报均可通过可视化方式将输出结果进行展示,将超出预定阈值的预测值进行标注和显示。
在本实施例中,预测的运行指数需要通过可视化形势进行展示,此外发送警报可以通过声光信号发出警报,并在可视化界面将超出阈值的预测值进行标注。
如图7所示,为本申请实施例提供的用于智慧港口的运输网络运行指数预测装置结构图,本申请实施例提供的用于智慧港口的运输网络运行指数预测装置包括采集模块、分析模块、建模模块、输出模块、优化模块和预警模块:采集模块:用于采集港口数据:实时采集智慧港口的数据并将数据进行存储;分析模块:用于分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;建模模块:用于建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;输出模块:用于输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;优化模块:用于自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;预警模块:用于模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
在本实施例中,首先通过采集模块收集和存储智慧港区的信息数据,接着通过分析模分析信息数据从而找到相关的经济指标数据,并根据经济指标数据分析出相应的宏观经济形势,接着在建模模块建立运输网络运行预测模型,将采集模块收集的实时信息数据和相应的宏观经济形势输入到预测模型中,通过输出模块输出预测指数,此外可以在优化模块中预定定期更新时间间隔,使预测模型每个一定时间后训练集发生更新,从而更新优化预测模型,最后在预警模块中,若检测到超过阈值的预测值,则向工作人员发送警报。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:相对于公开号为:CN108305459B公开的一种基于数据驱动的路网运行指数预测方法,本申请实施例采用了更多的数据处理和分析技术,提高了预测精度和可靠性,能够考虑更多的因素和数据,并且能够实时监测和对比预测值和实际值;相对于公开号为:CN113240908B公开的一种基于蚁群交哺策略的交通网络拥堵调控方法及系统,本申请实施例可以针对不同的智慧港口进行预测和调控,并且能够实时监测和对比预测值和实际值;相对于公开号为:CN113516429A公开的一种基于网络拥堵模型的多AGV全局规划方法,本申请实施例可以对智慧港口的运输网络运行指数进行实时预测和调控,更加全面和综合。
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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于智慧港口的运输网络运行指数预测方法,其特征在于,包括以下步骤:
S1,采集港口数据:实时采集智慧港口的数据并将数据进行存储;
S2,分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;
S3,建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;
S4,输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;
S5,自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;
S6,模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
2.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于:所述S1中智慧港口的数据至少包括港口货物吞吐量、进出口船舶数量、船舶停泊时间、船舶排队等待时间、港口道路交通状况、货物种类和环境状况。
3.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于:所述S2中根据采集的数据针对性地收集经济指标数据的具体流程为:
将采集的数据进行数据清洗和分词处理,得出的结果作为语料;
针对智慧港口领域建立专属名词库;
根据名词库对语料进行分析、归纳和总结,并识别出语料中的实体,将实体进行标注;
提取潜在主题或话题,根据提取结果获取相关的经济指标文本信息;
对经济指标文本信息进行处理和分析,获取经济指标数据。
4.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于,所述S2中根据经济指标数据分析出宏观经济形势的具体流程为:
收集经济指标数据:获取各种经济指标的历史数据;
数据清洗和预处理:对获取到的历史数据进行清洗和预处理;
特征工程:根据经济学理论和数据分析方法,构建宏观经济指标特征集合;
建立宏观经济形势分析模型:选择RNN算法构建分析模型,将经济指标特征和历史数据输入模型,训练得到分析模型;
实时分析宏观经济形势:将新的经济指标数据输入到分析模型中,实时分析宏观经济形势。
5.如权利要求4所述用于智慧港口的运输网络运行指数预测方法,其特征在于,所述特征工程的具体步骤包括:
数据的平滑和差分:对经济指标的历史数据进行平滑和差分,得到平稳的时间序列数据;
特征的构建:构建宏观经济指标特征;
特征选择:根据特征的重要性和相关性进行特征选择,选择最优的特征集合用于建模。
6.如权利要求4所述用于智慧港口的运输网络运行指数预测方法,其特征在于:所述选择RNN算法构建分析模型的具体流程为:
对历史数据进行序列化处理:X1,X2,…,Xn=x1,x2,…,xn,其中,Xi是第i个时间点的经济指标特征,xi是将其序列化后得到的向量;
使用RNN模型进行训练:ht=f(Whht-1+Wxxt+bh),yt=g(Wyht+by),其中,t是当前时间点,ht是当前时间点t的隐藏状态向量,f和g是非线性激活函数,Wh,Wx,bh,Wy,by是可学习的参数,yt是当前时间点t的输出值;
使用反向传播算法进行优化:其中,θ是模型参数,L是损失函数,/>是模型对第i个时间点的输出值的预测值。
7.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于,所述S3中利用智慧港口的历史数据和历史宏观经济形势建立预测模型的具体流程为:
获取智慧港口的历史数据和历史宏观经济形势,并将其进行数据清洗和预处理,确定选取的ARIMA模型特征参数: 其中,Yt表示进行数据清洗和预处理后的数据,Xt表示时间t的输入特征向量,包含智慧港口的历史数据和历史宏观经济形势,μ表示均值,/>和θj表示ARIMA模型的特征参数,p和q是ARIMA模型的阶数,εt表示噪声项;
根据需求和数据情况,在特征选取的基础上选择合适的ARIMA模型,并使用历史数据训练进行训练,保存其中具有较好预测性能的预测模型:其中,ARIMA模型可以表示为其中,ΔdYt是经过差分后的时间序列数据,B是时间滞后算子;
对训练得到的预测模型进行诊断,评估模型健康度并进行调整,其中评估模型健康度使用的公式为:AIC=-2ln(L)+2k,该公式中,AIC是模型选择准则,L是ARIMA模型的似然函数,k是ARIMA模型的参数个数;
将实时智慧港口数据和宏观经济形势输入到调整好的预测模型,对智慧港口的运输网络运行指数进行预测,并输出预测结果,其中预测模型表示为:该公式中,/>是预测得到的智慧港口运输网络运行指数。
8.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于:所述S5中自动优化更新预测模型具体指预先设置定时更新时间间隔,后续每间隔该时间间隔,自动将当前时间前的历史数据输入替换预测模型中的训练数据,将预测模型重训练。
9.如权利要求1所述用于智慧港口的运输网络运行指数预测方法,其特征在于:所述S3中的输出预测的运输网络运行指数和S5中在差异超过预定阈值时发送警报均可通过可视化方式将输出结果进行展示,将超出预定阈值的预测值进行标注和显示。
10.一种用于智慧港口的运输网络运行指数预测装置,其特征在于,包括采集模块、分析模块、建模模块、输出模块、优化模块和预警模块:
采集模块:用于采集港口数据:实时采集智慧港口的数据并将数据进行存储;
分析模块:用于分析经济指标:根据采集的数据针对性地收集经济指标数据,并根据经济指标数据分析出宏观经济形势,保存宏观经济形势;
建模模块:用于建立预测模型:利用智慧港口的历史数据和历史宏观经济形势建立预测模型,用于预测智慧港口的运输网络运行指数;
输出模块:用于输出预测结果:将智慧港口实时数据和对应的实时宏观经济形势输入预测模型,输出预测的运输网络运行指数;
优化模块:用于自动优化模型:定期将新的港口数据和宏观经济形势加入预测模型重训练,自动优化更新预测模型;
预警模块:用于模型自动预警:实时监测和对比港口的运输网络运行指数的预测值和实际值,并在差异超过预定阈值时发送警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814176.XA CN116843071B (zh) | 2023-07-04 | 2023-07-04 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814176.XA CN116843071B (zh) | 2023-07-04 | 2023-07-04 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843071A true CN116843071A (zh) | 2023-10-03 |
CN116843071B CN116843071B (zh) | 2024-03-22 |
Family
ID=88162964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814176.XA Active CN116843071B (zh) | 2023-07-04 | 2023-07-04 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843071B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114506A (zh) * | 2023-10-17 | 2023-11-24 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
CN117528551A (zh) * | 2024-01-08 | 2024-02-06 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190057324A1 (en) * | 2017-08-18 | 2019-02-21 | International Business Machines Corporation | Predicting un-capacitated freight demand on a multi-hop shipping route |
KR20190117070A (ko) * | 2018-04-06 | 2019-10-16 | 충북대학교 산학협력단 | 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치 |
CN112668784A (zh) * | 2020-12-30 | 2021-04-16 | 潘俊宇 | 基于大数据的区域宏观经济预测模型及方法 |
US20210264225A1 (en) * | 2020-02-21 | 2021-08-26 | Brian MCCARSON | Systems and Methods For Deriving Leading Indicators of Future Manufacturing, Production, and Consumption of Goods and Services |
CN116206451A (zh) * | 2023-03-24 | 2023-06-02 | 研华科技(中国)有限公司 | 一种智慧交通车流数据分析方法 |
-
2023
- 2023-07-04 CN CN202310814176.XA patent/CN116843071B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190057324A1 (en) * | 2017-08-18 | 2019-02-21 | International Business Machines Corporation | Predicting un-capacitated freight demand on a multi-hop shipping route |
KR20190117070A (ko) * | 2018-04-06 | 2019-10-16 | 충북대학교 산학협력단 | 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치 |
US20210264225A1 (en) * | 2020-02-21 | 2021-08-26 | Brian MCCARSON | Systems and Methods For Deriving Leading Indicators of Future Manufacturing, Production, and Consumption of Goods and Services |
CN112668784A (zh) * | 2020-12-30 | 2021-04-16 | 潘俊宇 | 基于大数据的区域宏观经济预测模型及方法 |
CN116206451A (zh) * | 2023-03-24 | 2023-06-02 | 研华科技(中国)有限公司 | 一种智慧交通车流数据分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114506A (zh) * | 2023-10-17 | 2023-11-24 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
CN117114506B (zh) * | 2023-10-17 | 2024-02-20 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
CN117528551A (zh) * | 2024-01-08 | 2024-02-06 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
CN117528551B (zh) * | 2024-01-08 | 2024-03-12 | 交通运输部水运科学研究所 | 一种港口运营网络的构建与数据感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116843071B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
US8880962B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
CN114626615B (zh) | 一种生产过程监控管理方法及系统 | |
CN111091226B (zh) | 一种基于实际航运业务和数据挖掘的运力预测方法 | |
CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
CN110658905B (zh) | 设备运行状态的预警方法、预警系统及预警装置 | |
CN111695744B (zh) | 一种基于大数据的维修器材需求预测分析系统 | |
CN115018148A (zh) | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 | |
CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
Štepec et al. | Machine learning based system for vessel turnaround time prediction | |
CN115762169A (zh) | 一种环卫车无人驾驶的智能控制系统及方法 | |
CN115115303A (zh) | 一种基于智慧港口的散货管控一体化系统及方法 | |
Jiang et al. | Hybrid perimeter control with real-time partitions in heterogeneous urban networks: An integration of deep learning and MPC | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN116882755A (zh) | 一种基于车载Tbox数据预测货车运输路线偷油风险的方法 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
CN114818460A (zh) | 基于自动机器学习的实验室设备剩余使用寿命预测方法 | |
CN117751373A (zh) | 工厂运营的预测方法、装置及计算机可读存储介质 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
Boufaied et al. | Dynamic delay risk assessing using cost-based FMEA for transportation systems | |
Lees et al. | A hybrid case-based neural network approach to scientific and engineering data analysis | |
Yang et al. | BIC-based data-driven rail track deterioration adaptive piecewise modeling framework |
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 |