CN117151417B - 基于数字孪生的港口运营管理方法、系统及存储介质 - Google Patents
基于数字孪生的港口运营管理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117151417B CN117151417B CN202311230536.8A CN202311230536A CN117151417B CN 117151417 B CN117151417 B CN 117151417B CN 202311230536 A CN202311230536 A CN 202311230536A CN 117151417 B CN117151417 B CN 117151417B
- Authority
- CN
- China
- Prior art keywords
- information
- port
- transportation
- transport vehicle
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000013468 resource allocation Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000013439 planning Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013079 data visualisation Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 17
- 238000005265 energy consumption Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 238000009434 installation Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于数字孪生的港口运营管理方法、系统及存储介质，属于港口运营技术领域，本发明通过根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，最后根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。本发明通过融合数字孪生技术，能够将港口的运营数据进行可视化处理，使得运营数据能够更加直观地展现给用户；其次，本发明通过根据不同货物类型的卸货效率以及运输车的装载效率进行资源分配，能够有利于港口运营资源的合理化分配，从而降低港口的运营成本。
Description
技术领域
本发明涉及港口运营技术领域，尤其涉及基于数字孪生的港口运营管理方法、系统及存储介质。
背景技术
港口物流主要是指港口以经济腹地城市为中心，依赖地理优势，凭借港口自身所具备的资源，有效实施港口功能。港口凭借地理优势而实行的综合物流工作，可以拓展其物流功能，显现出港口物流在存储、集中货物等层面所具备的优势。港口物流可以凭借管理创新、技术优化、设备改造，更合理更有效地对港口内资源进行运用与分配，更有效地推动港口在产业供应链的服务功能，实现港口在整个供应链中的价值，是供应链中不可缺少关键一环。数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。现如今，现有技术中不能够融合数字孪生技术能够对港口的运营数据进行可视化展示，从而不能更加直观的观察港口的实时运营数据，而且对于港口的运营过程中，资源分配不合理导致了运行成本不断的上升。
发明内容
本发明克服了现有技术的不足，提供了一种基于数字孪生的港口运营管理方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于数字孪生的港口运营管理方法，包括以下步骤：
获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
通过港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。
进一步地，在本方法中，获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，具体包括：
获取当前港口的多源数据信息，多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
根据当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
获取货船的多源数据信息，货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
融合时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到初始虚拟场景信息中，生成港口数字孪生动态模型。
进一步地，在本方法中，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将基于时间序列的历史服役数据信息输入到运输车故障预测模型中进行训练；
当运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断运输车的故障时间节点是否在运输车的运输时间节点之内，当故障时间节点在运输时间节点之内时，将故障时间节点在运输时间节点之内对应的运输车剔除；
当故障时间节点不在运输时间节点之内时，将故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
进一步地，在本方法中，根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，具体包括：
通过大数据获取各货物类型的卸货效率信息，并构建数据库，引入注意力机制，通过注意力机制计算每一货物类型的注意力分数，根据注意力分数进行排序，生成注意力分数排序结果；
将注意力分数排序结果依次输入到数据库的存储空间中进行存储，根据当前港口每一货船的货物装载信息获取当前港口每个卸货位置的待卸货货船的货物装载信息，将货物装载物信息输入到数据库中；
获取当前港口每个卸货位置的待卸货货船的货物装载信息对应的卸货效率信息，通过大数据获取每一运输车类型对于各货物类型的装载效率，根据每一运输车类型对于各货物类型的装载效率以及当前港口每一货船的货物装载信息生成每一运输车类型对于当前货物类型的装载效率；
引入遗传算法，根据装载效率以及每一运输车类型对于当前货物类型的装载效率通过遗传算法进行迭代计算，获取最佳运输车的类型以及最佳运输车数量的组合数据，并基于最佳运输车的类型以及最佳运输车数量的组合数据生成运输车资源配置结果。
进一步地，在本方法中，根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，具体包括：
获取当前货船的货物预定存放位置信息以及当前货船所在的卸货位置信息，并通过港口数字孪生动态模型获取运输车的行驶路径信息，引入蚁群算法；
将当前货船的货物预定存放位置信息、当前货船所在的卸货位置信息、运输车的行驶路径信息输入到蚁群算法中进行路径规划，生成当前运输车的最佳行驶路径信息；
通过港口数字孪生动态模型获取实时运输车卸货占用的运行路径信息，并判断实时运输车卸货占用的运行路径信息是否与当前运输车的最佳行驶路径信息所重合；
当实时运输车卸货占用的运行路径信息与当前运输车的最佳行驶路径信息所重合时，将当前运输车的行驶路径信息作为运输车的运输冲突路径信息输出。
进一步地，在本方法中，根据运输车的运输冲突路径信息生成最终的运输路径信息，具体包括：
获取冲突路径中卸货运输车的卸货效率，通过港口数字孪生动态模型获取运输车的运输冲突路径信息中运输车的卸货动态数据，并根据运输车的卸货动态数据以及运输车的卸货效率计算出卸货完成的时间信息；
获取当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息；
若卸货完成的时间信息大于当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则通过蚁群算法重新规划出当前实时运输车的最佳行驶路径，并生成最终的运输路径信息；
若卸货完成的时间信息不大于当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则将冲突路径作为最终的运输路径信息进行输出。
本发明第二方面提供了一种基于数字孪生的港口运营管理系统，系统包括存储器以及处理器，存储器中包括基于数字孪生的港口运营管理方法程序，基于数字孪生的港口运营管理方法程序被处理器执行时，实现如下步骤：
获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
通过港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。
进一步的，在本系统中，获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，具体包括：
获取当前港口的多源数据信息，多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
根据当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
获取货船的多源数据信息，货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
融合时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到初始虚拟场景信息中，生成港口数字孪生动态模型。
进一步的，在本系统中，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将基于时间序列的历史服役数据信息输入到运输车故障预测模型中进行训练；
当运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断运输车的故障时间节点是否在运输车的运输时间节点之内，当故障时间节点在运输时间节点之内时，将故障时间节点在运输时间节点之内对应的运输车剔除；
当故障时间节点不在运输时间节点之内时，将故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质包括基于数字孪生的港口运营管理方法程序，基于数字孪生的港口运营管理方法程序被处理器执行时，实现任一项的基于数字孪生的港口运营管理方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，进而通过港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息，从而根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，最后根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。本发明通过融合数字孪生技术，能够将港口的运营数据进行可视化处理，使得运营数据能够更加直观地展现给用户；其次，本发明通过根据不同货物类型的卸货效率以及运输车的装载效率进行资源分配，能够有利于港口运营资源的合理化分配，从而降低港口的运营成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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他实施例的附图。
图1示出了基于数字孪生的港口运营管理方法的整体方法流程图；
图2示出了基于数字孪生的港口运营管理方法的第一方法流程图；
图3示出了基于数字孪生的港口运营管理方法的第二方法流程图；
图4示出了基于数字孪生的港口运营管理系统的系统框图。
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。
本发明第一方面提供了一种基于数字孪生的港口运营管理方法，包括以下步骤：
S102:获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
S104:通过港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
S106:根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
S108:根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。
需要说明的是，本发明通过融合数字孪生技术，能够将港口的运营数据进行可视化处理，使得运营数据能够更加直观地展现给用户；其次，本发明通过根据不同货物类型的卸货效率以及运输车的装载效率进行资源分配，能够有利于港口运营资源的合理化分配，从而降低港口的运营成本。
如图2所示，进一步地，在本方法的步骤S102中，具体包括以下步骤：
S202:获取当前港口的多源数据信息，港口的多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
S204:根据当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
S206:获取货船的多源数据信息，货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
S208:融合时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到初始虚拟场景信息中，生成港口数字孪生动态模型。
需要说明的是，通过本方法能够根据当前港口的多源数据信息以及货船的多源数据信息来构建运营过程中的港口数字孪生模型，能够将港口的运营数据进行可视化处理，使得运营数据能够更加直观地展现给用户，三维模型构建可以通过虚拟现实、三维建模软件（如SolidWorks、ug软件等）来实现。
进一步地，在本方法中，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将基于时间序列的历史服役数据信息输入到运输车故障预测模型中进行训练；
当运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断运输车的故障时间节点是否在运输车的运输时间节点之内，当故障时间节点在运输时间节点之内时，将故障时间节点在运输时间节点之内对应的运输车剔除；
当故障时间节点不在运输时间节点之内时，将故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
需要说明的是，由于港口的运营过程是，通过货船卸货之后，再经过运输车运输到指定的位置进行货物保存。而运输车在服役的过程中是可能出现故障的，通过本方法能够剔除故障时间节点在运输时间节点之内的运输车，使得资源分配更加合理。
如图3所示，进一步地，在本方法中，根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，具体包括：
S302:通过大数据获取各货物类型的卸货效率信息，并构建数据库，引入注意力机制，通过注意力机制计算每一货物类型的注意力分数，根据注意力分数进行排序，生成注意力分数排序结果；
S304:将注意力分数排序结果依次输入到数据库的存储空间中进行存储，根据当前港口每一货船的货物装载信息获取当前港口每个卸货位置的待卸货货船的货物装载信息，将货物装载物信息输入到数据库中；
S306:获取当前港口每个卸货位置的待卸货货船的货物装载信息对应的卸货效率信息，通过大数据获取每一运输车类型对于各货物类型的装载效率，根据每一运输车类型对于各货物类型的装载效率以及当前港口每一货船的货物装载信息生成每一运输车类型对于当前货物类型的装载效率；
S308:引入遗传算法，根据装载效率以及每一运输车类型对于当前货物类型的装载效率通过遗传算法进行迭代计算，获取最佳运输车的类型以及最佳运输车数量的组合数据，并基于最佳运输车的类型以及最佳运输车数量的组合数据生成运输车资源配置结果。
需要说明的是，通过注意力机制计算每一货物类型的注意力分数，从而将相近或者相似的数据储存在相邻或者相近的空间中，能够提高数据的查询效率。而不同货物的卸货效率是不一致的，如相同货物体积的货物，不同质量的货物，货物越重，卸货的效率就会越低。而不同类型的运输车，其装载货物的效率是一致的，如其他条件一致的情况之下，比较大型的货车，能够容纳的工人或者搬运机械相对较多，其装载效率较高；反之，则较小。通过本方法能够，获取最佳运输车的类型以及最佳运输车数量的组合数据，如需要A类型的运输车x辆，B类型的运输车Y辆才能使得装载效率与卸货效率达到平衡或者接近，此时运营效率是较高的。当运输车的装载效率总和与卸货效率达到相同时，此时卸货-装载的过程的运营效率是最高的，资源分配的合理程度也是最高的。卸货效率代表的是单位时间内的卸货量，装载效率代表的是单位时间之内的货物装载量。
进一步地，在本方法中，根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，具体包括：
获取当前货船的货物预定存放位置信息以及当前货船所在的卸货位置信息，并通过港口数字孪生动态模型获取运输车的行驶路径信息，引入蚁群算法；
将当前货船的货物预定存放位置信息、当前货船所在的卸货位置信息、运输车的行驶路径信息输入到蚁群算法中进行路径规划，生成当前运输车的最佳行驶路径信息；
通过港口数字孪生动态模型获取实时运输车卸货占用的运行路径信息，并判断实时运输车卸货占用的运行路径信息是否与当前运输车的最佳行驶路径信息所重合；
当实时运输车卸货占用的运行路径信息与当前运输车的最佳行驶路径信息所重合时，将当前运输车的行驶路径信息作为运输车的运输冲突路径信息输出。
需要说明的是，在港口的运营过程中，由于运输车卸货占用的运行路径，该运行路径就已经被占用，继续以这条规划路径来行驶就会出现冲突，通过本方法能够提高运输过程的合理性。
进一步地，在本方法中，根据运输车的运输冲突路径信息生成最终的运输路径信息，具体包括：
获取冲突路径中卸货运输车的卸货效率，通过港口数字孪生动态模型获取运输车的运输冲突路径信息中运输车的卸货动态数据，并根据运输车的卸货动态数据以及运输车的卸货效率计算出卸货完成的时间信息；
获取当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息；
若卸货完成的时间信息大于当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则通过蚁群算法重新规划出当前实时运输车的最佳行驶路径，并生成最终的运输路径信息；
若卸货完成的时间信息不大于当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则将冲突路径作为最终的运输路径信息进行输出。
需要说明的是，通过本方法能够提高运输时的合理性。
此外，本方法还可以包括以下步骤:
通过大数据获取各天气类型之下对于卸货效率的影响权重，并引入灰色关联分析法，通过所述灰色关联分析法计算影响权重与卸货效率之间的相关性；
根据所述影响权重与卸货效率之间的相关性构建特征矩阵，并基于深度学习网络构建卸货效率预测模型，将所述特征矩阵作为训练集输入到所述卸货效率预测模型中进行训练；
当所述卸货效率预测模型符合预设要求之后，输出卸货效率预测模型，并获取当前货船卸货过程中的天气类型，并将所述当前货船卸货过程中的天气类型输入到所述卸货效率预测模型中预测，获取当前天气类型的卸货效率；
根据所述当前天气类型的卸货效率对当前实时的卸货效率进行更新，以对运输车资源配置结果进行更新；
需要说明的是，通过本方法能够进一步提高资源分配的合理性，在本实施例中，天气因素是影响卸货效率的重大因素之一，如雨天的卸货效率明显比晴天的卸货效率低。通过本方法能够提高卸货效率的预测精度。
此外，本方法还可以包括以下步骤：
通过在所述港口设置无线传感器，并基于所述无线传感器构建紧急情况监控网络，通过所述监测网络获取紧急监测数据信息，并将所述紧急监测数据信息融入到所述港口数字孪生动态模型中；
通过所述港口数字孪生动态模型获取紧急情况下的监测数据信息，获取紧急情况下的监测数据信息发生的位置信息，并通过所述港口数字孪生动态模型获取所述紧急情况下的监测数据信息发生的位置信息在预设范围之内的设施信息；
引入多头注意力机制，根据所述多头注意力机制计算设施信息与紧急情况之间的相关性，并判断所述相关性是否大于预设相关性；
当所述相关性大于预设相关性时，将所述相关性大于预设相关性的设施信息作为推荐信息在所述港口数字孪生动态模型中进行显示，并按照预定方式进行信息传输。
需要说明的是，紧急情况包括火灾、洪灾等情况，当发生紧急情况时，多头注意力机制能够计算在预设范围之内的设施信息与紧急情况之间的相关性，如发生火灾时，提醒灭火器在何位置，电源开关在何位置，又如在发生浸水事件时，显示排水位置在何位置。通过本方法能够提高应急过程中的应急能力。
其中，基于所述无线传感器构建紧急情况监控网络，具体包括：
获取无线传感器的布局位置点，并初始化紧急情况监控网络的信息传输节点的安装位置，随机选取一个无线传感器的布局位置点，计算所述无线传感器的布局位置点与信息传输节点的安装位置之间的信息传输能耗值；
根据所述无线传感器的布局位置点与信息传输节点的安装位置之间的信息传输能耗值获取信息传输能耗与距离的相关性，并根据所述信息传输能耗与距离的相关性计算其余无线传感器的布局位置点到所述信息传输节点的安装位置之前的信息能耗值；
统计其余无线传感器的布局位置点到所述信息传输节点的安装位置之前的信息能耗值，获取总的信息传输能耗值，并设置信息传输能耗阈值，基于遗传算法设置迭代代数；
当所述总的信息传输能耗值大于信息传输能耗阈值，调整信息传输节点的安装位置，通过所述迭代代数进行迭代计算，直至所述总的信息传输能耗值不大于信息传输能耗阈值，输出信息传输节点的安装位置。
需要说明的是，通过本方法能够提高紧急情况监控网络构建的合理性。
本发明第二方面提供了一种基于数字孪生的港口运营管理系统4，系统包括存储器41以及处理器62，存储器41中包括基于数字孪生的港口运营管理方法程序，基于数字孪生的港口运营管理方法程序被处理器62执行时，实现如下步骤：
获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
通过港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
根据当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
根据运输车资源配置结果生成初始化的运输路径信息，基于初始化的运输路径信息获取运输车的运输冲突路径信息，根据运输车的运输冲突路径信息生成最终的运输路径信息。
进一步的，在本系统中，获取当前港口的多源数据信息以及货船的多源数据信息，根据当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，具体包括：
获取当前港口的多源数据信息，多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
根据当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
获取货船的多源数据信息，货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
融合时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到初始虚拟场景信息中，生成港口数字孪生动态模型。
进一步的，在本系统中，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将基于时间序列的历史服役数据信息输入到运输车故障预测模型中进行训练；
当运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断运输车的故障时间节点是否在运输车的运输时间节点之内，当故障时间节点在运输时间节点之内时，将故障时间节点在运输时间节点之内对应的运输车剔除；
当故障时间节点不在运输时间节点之内时，将故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质包括基于数字孪生的港口运营管理方法程序，基于数字孪生的港口运营管理方法程序被处理器执行时，实现任一项的基于数字孪生的港口运营管理方法的步骤。
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，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权利要求的保护范围为准。
Claims (7)
1.基于数字孪生的港口运营管理方法，其特征在于，包括以下步骤：
获取当前港口的多源数据信息以及货船的多源数据信息，根据所述当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
通过所述港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
根据所述当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
根据所述运输车资源配置结果生成初始化的运输路径信息，基于所述初始化的运输路径信息获取运输车的运输冲突路径信息，根据所述运输车的运输冲突路径信息生成最终的运输路径信息；
获取当前港口的多源数据信息以及货船的多源数据信息，根据所述当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，具体包括：
获取当前港口的多源数据信息，所述多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
根据所述当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合所述港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
获取货船的多源数据信息，所述货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据所述货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
融合所述时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据所述位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到所述初始虚拟场景信息中，生成港口数字孪生动态模型；
根据所述当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，具体包括：
通过大数据获取各货物类型的卸货效率信息，并构建数据库，引入注意力机制，通过注意力机制计算每一货物类型的注意力分数，根据所述注意力分数进行排序，生成注意力分数排序结果；
将所述注意力分数排序结果依次输入到所述数据库的存储空间中进行存储，根据所述当前港口每一货船的货物装载信息获取当前港口每个卸货位置的待卸货货船的货物装载信息，将所述货物装载物信息输入到所述数据库中；
获取当前港口每个卸货位置的待卸货货船的货物装载信息对应的卸货效率信息，通过大数据获取每一运输车类型对于各货物类型的装载效率，根据所述每一运输车类型对于各货物类型的装载效率以及当前港口每一货船的货物装载信息生成每一运输车类型对于当前货物类型的装载效率；
引入遗传算法，根据所述装载效率以及每一运输车类型对于当前货物类型的装载效率通过遗传算法进行迭代计算，获取最佳运输车的类型以及最佳运输车数量的组合数据，并基于所述最佳运输车的类型以及最佳运输车数量的组合数据生成运输车资源配置结果。
2.根据权利要求1所述的基于数字孪生的港口运营管理方法，其特征在于，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将所述基于时间序列的历史服役数据信息输入到所述运输车故障预测模型中进行训练；
当所述运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过所述运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断所述运输车的故障时间节点是否在所述运输车的运输时间节点之内，当所述故障时间节点在运输时间节点之内时，将所述故障时间节点在运输时间节点之内对应的运输车剔除；
当所述故障时间节点不在运输时间节点之内时，将所述故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
3.根据权利要求1所述的基于数字孪生的港口运营管理方法，其特征在于，根据所述运输车资源配置结果生成初始化的运输路径信息，基于所述初始化的运输路径信息获取运输车的运输冲突路径信息，具体包括：
获取当前货船的货物预定存放位置信息以及当前货船所在的卸货位置信息，并通过所述港口数字孪生动态模型获取运输车的行驶路径信息，引入蚁群算法；
将所述当前货船的货物预定存放位置信息、当前货船所在的卸货位置信息、运输车的行驶路径信息输入到所述蚁群算法中进行路径规划，生成当前运输车的最佳行驶路径信息；
通过所述港口数字孪生动态模型获取实时运输车卸货占用的运行路径信息，并判断所述实时运输车卸货占用的运行路径信息是否与所述当前运输车的最佳行驶路径信息所重合；
当所述实时运输车卸货占用的运行路径信息与所述当前运输车的最佳行驶路径信息所重合时，将当前运输车的行驶路径信息作为运输车的运输冲突路径信息输出。
4.根据权利要求1所述的基于数字孪生的港口运营管理方法，其特征在于，根据所述运输车的运输冲突路径信息生成最终的运输路径信息，具体包括：
获取冲突路径中卸货运输车的卸货效率，通过所述港口数字孪生动态模型获取所述运输车的运输冲突路径信息中运输车的卸货动态数据，并根据所述运输车的卸货动态数据以及运输车的卸货效率计算出卸货完成的时间信息；
获取当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息；
若所述卸货完成的时间信息大于所述当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则通过蚁群算法重新规划出当前实时运输车的最佳行驶路径，并生成最终的运输路径信息；
若所述卸货完成的时间信息不大于所述当前实时运输车行驶到冲突路径中卸货运输车所在位置的时间信息，则将冲突路径作为最终的运输路径信息进行输出。
5.基于数字孪生的港口运营管理系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于数字孪生的港口运营管理方法程序，所述基于数字孪生的港口运营管理方法程序被所述处理器执行时，实现如下步骤：
获取当前港口的多源数据信息以及货船的多源数据信息，根据所述当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型；
通过所述港口数字孪生动态模型获取当前港口每一货船的货物装载信息，并获取可分配的运输车资源数据信息；
根据所述当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果；
根据所述运输车资源配置结果生成初始化的运输路径信息，基于所述初始化的运输路径信息获取运输车的运输冲突路径信息，根据所述运输车的运输冲突路径信息生成最终的运输路径信息；
获取当前港口的多源数据信息以及货船的多源数据信息，根据所述当前港口的多源数据信息以及货船的多源数据信息构建港口数字孪生动态模型，具体包括：
获取当前港口的多源数据信息，所述多源数据信息包括港口的规划图纸信息、港口货物的实时货物堆放信息、港口内运输车的实时运输信息、港口的地理位置信息，并构建初始虚拟场景信息；
根据所述当前港口的多源数据信息进行三维模型构建，生成港口初始化三维模型图，并构建时间戳，结合所述港口初始化三维模型图以及时间戳生成初始动态港口数字孪生模型；
获取货船的多源数据信息，所述货船的多源数据信息包括货船的模型图纸信息、货船的实时地理位置信息、货物的装载信息，根据所述货船的模型图纸信息以及货物的装载信息进行三维模型构建，获取货船的实时三维模型信息；
融合所述时间戳以及货船的实时三维模型信息构建初始货船动态数字孪生模型，并根据货船的实时地理位置信息以及港口的地理位置信息生成位置关系，根据所述位置关系将初始动态港口数字孪生模型以及初始货船动态数字孪生模型映射到所述初始虚拟场景信息中，生成港口数字孪生动态模型；
根据所述当前港口每一货船的货物装载信息以及可分配的运输车资源数据信息生成运输车资源配置结果，具体包括：
通过大数据获取各货物类型的卸货效率信息，并构建数据库，引入注意力机制，通过注意力机制计算每一货物类型的注意力分数，根据所述注意力分数进行排序，生成注意力分数排序结果；
将所述注意力分数排序结果依次输入到所述数据库的存储空间中进行存储，根据所述当前港口每一货船的货物装载信息获取当前港口每个卸货位置的待卸货货船的货物装载信息，将所述货物装载物信息输入到所述数据库中；
获取当前港口每个卸货位置的待卸货货船的货物装载信息对应的卸货效率信息，通过大数据获取每一运输车类型对于各货物类型的装载效率，根据所述每一运输车类型对于各货物类型的装载效率以及当前港口每一货船的货物装载信息生成每一运输车类型对于当前货物类型的装载效率；
引入遗传算法，根据所述装载效率以及每一运输车类型对于当前货物类型的装载效率通过遗传算法进行迭代计算，获取最佳运输车的类型以及最佳运输车数量的组合数据，并基于所述最佳运输车的类型以及最佳运输车数量的组合数据生成运输车资源配置结果。
6.根据权利要求5所述的基于数字孪生的港口运营管理系统，其特征在于，获取可分配的运输车资源数据信息，具体包括：
获取每一运输车的基于时间序列的历史服役数据信息，并基于贝叶斯网络构建运输车故障预测模型，将所述基于时间序列的历史服役数据信息输入到所述运输车故障预测模型中进行训练；
当所述运输车故障预测模型的模型参数符合预设参数要求时，输出运输车故障预测模型，并通过所述运输车故障模型获取预测每一运输车的故障时间节点；
获取当前货物搬运时运输车的运输时间节点，并判断所述运输车的故障时间节点是否在所述运输车的运输时间节点之内，当所述故障时间节点在运输时间节点之内时，将所述故障时间节点在运输时间节点之内对应的运输车剔除；
当所述故障时间节点不在运输时间节点之内时，将所述故障时间节点不在运输时间节点之内对应的运输车作为可分配的运输车资源数据信息进行输出。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括基于数字孪生的港口运营管理方法程序，所述基于数字孪生的港口运营管理方法程序被处理器执行时，实现如权利要求1-4任一项所述的基于数字孪生的港口运营管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311230536.8A CN117151417B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311230536.8A CN117151417B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151417A CN117151417A (zh) | 2023-12-01 |
| CN117151417B true CN117151417B (zh) | 2024-03-12 |
Family
ID=88910022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311230536.8A Active CN117151417B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151417B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634926B (zh) * | 2023-12-08 | 2024-06-04 | 交通运输部水运科学研究所 | 基于大数据分析的综合港口运营预测方法及系统 |
| CN117787951A (zh) * | 2023-12-26 | 2024-03-29 | 中数科技(青岛)有限公司 | 基于深度学习的港口作业数字孪生数据处理系统和方法 |
| CN117726255A (zh) * | 2024-02-07 | 2024-03-19 | 智联万维科技有限公司 | 一种货物运输状态远程监控方法及系统 |
| CN118568324A (zh) * | 2024-08-01 | 2024-08-30 | 山东港口烟台港集团有限公司 | 基于人工智能的可视化大屏创建平台及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010017928A (ko) * | 1999-08-16 | 2001-03-05 | 이정욱 | 컨테이너 터미널의 설계시 시뮬레이션 방법 |
| KR20030069350A (ko) * | 2002-02-20 | 2003-08-27 | (주)토탈소프트뱅크 | 터미널에서의 컨테이너 양적하 계획 방법 및 그프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| CN115456474A (zh) * | 2022-10-13 | 2022-12-09 | 深圳中科天巡信息技术有限公司 | 一种基于人工智能的港口运营调度方法及系统 |
| CN115577995A (zh) * | 2022-12-09 | 2023-01-06 | 中交第四航务工程勘察设计院有限公司 | 一种基于数字孪生的智慧港口pim平台管理方法及系统 |
| KR102560208B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 최적화된 수출입화물 운송경로의 운임 예측 시스템 |
-
2023
- 2023-09-22 CN CN202311230536.8A patent/CN117151417B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010017928A (ko) * | 1999-08-16 | 2001-03-05 | 이정욱 | 컨테이너 터미널의 설계시 시뮬레이션 방법 |
| KR20030069350A (ko) * | 2002-02-20 | 2003-08-27 | (주)토탈소프트뱅크 | 터미널에서의 컨테이너 양적하 계획 방법 및 그프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| CN115456474A (zh) * | 2022-10-13 | 2022-12-09 | 深圳中科天巡信息技术有限公司 | 一种基于人工智能的港口运营调度方法及系统 |
| CN115577995A (zh) * | 2022-12-09 | 2023-01-06 | 中交第四航务工程勘察设计院有限公司 | 一种基于数字孪生的智慧港口pim平台管理方法及系统 |
| KR102560208B1 (ko) * | 2023-01-27 | 2023-07-27 | (주)와이오엘 | 최적화된 수출입화물 운송경로의 운임 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151417A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117151417B (zh) | 基于数字孪生的港口运营管理方法、系统及存储介质 | |
| CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
| CN111612252A (zh) | 大规模应急设施的自动选址方法、装置及可读存储介质 | |
| Xiang et al. | Modeling and analysis for an automated container terminal considering battery management | |
| Gupta et al. | Multiobjective capacitated green vehicle routing problem with fuzzy time-distances and demands split into bags | |
| Mohammadi et al. | A dynamic approach for the multi-compartment vehicle routing problem in waste management | |
| CN115860645B (zh) | 一种基于大数据的物流仓储管理方法及系统 | |
| CN116523272B (zh) | 基于大数据分析的充电桩智能管理方法及系统 | |
| Shang et al. | Spatial scheduling optimization algorithm for block assembly in shipbuilding | |
| CN117634926B (zh) | 基于大数据分析的综合港口运营预测方法及系统 | |
| Nanthasamroeng et al. | Transborder logistics network design for agricultural product transportation in the Greater Mekong Subregion | |
| CN115860441A (zh) | 工单信息的生成方法、装置、计算机设备 | |
| CN117207905B (zh) | 一种新能源汽车的电源运维方法、系统及存储介质 | |
| Guo et al. | Fuzzy programming of dual recycling channels of sustainable multi-objective waste electrical and electronic equipment (WEEE) based on triple bottom line (TBL) theory | |
| Wang et al. | Environmental cold chain distribution center location model in the semiconductor supply chain: A hybrid arithmetic whale optimization algorithm | |
| CN115860278B (zh) | 一种基于数据分析的电机组装生产管理方法及系统 | |
| Kim et al. | Optimal Rebalancing Strategy for Shared e‐Scooter Using Genetic Algorithm | |
| CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 | |
| CN115099463A (zh) | 一种计量物资配送风险预测方法及装置 | |
| Li et al. | Container terminal berth and yard collaborative allocation for import and export synchronous operations by computational logistics | |
| Wang et al. | A Simulation-Heuristic Approach to Optimally Design Drone Delivery Systems in Rural Areas | |
| Tadić et al. | City logistics terminal location selection using combined fuzzy AHP and fuzzy TOPSIS analysis | |
| CN117808310B (zh) | 一种再生水工程的运营优化方法及系统 | |
| CN112862202B (zh) | 一种消防站选址方法、装置、设备及存储介质 | |
| CN115099755B (zh) | 一种即时物流订单拆分方法及装置 |
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 |