CN117528551B - 一种港口运营网络的构建与数据感知方法及系统 - Google Patents

一种港口运营网络的构建与数据感知方法及系统 Download PDF

Info

Publication number
CN117528551B
CN117528551B CN202410022875.5A CN202410022875A CN117528551B CN 117528551 B CN117528551 B CN 117528551B CN 202410022875 A CN202410022875 A CN 202410022875A CN 117528551 B CN117528551 B CN 117528551B
Authority
CN
China
Prior art keywords
port
information
network
data
acquiring
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
Application number
CN202410022875.5A
Other languages
English (en)
Other versions
CN117528551A (zh
Inventor
李春旭
丁格格
刘昊雨
周昱城
吕筱玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202410022875.5A priority Critical patent/CN117528551B/zh
Publication of CN117528551A publication Critical patent/CN117528551A/zh
Application granted granted Critical
Publication of CN117528551B publication Critical patent/CN117528551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种港口运营网络的构建与数据感知方法及系统，属于港口运营技术领域，本发明通过根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，最后获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警。本发明通过根据港口的历史运营数据来对运营网络进行优化，能够使得港口运营网络的网络负载符合实际的需求，能够使得智慧港口的运营更加合理化，从而优化总体的能耗问题，降低运营成本，有利于长期的运行。

Description

一种港口运营网络的构建与数据感知方法及系统
技术领域
本发明涉及港口运营技术领域，尤其涉及一种港口运营网络的构建与数据感知方法及系统。
背景技术
智慧港口是智能港口的高级阶段，是以自动码头为核心架构并基于港口业务策动的智慧物流系统工程，能够实现港口物流高效优质、安全节能、经济环保和持续联动发展，代表并领航港口物流发展的新航向。以自动化技术在港口物流的应用推动智慧港口的建设实践，成为港口物流发展的新趋势、新共识和新业态。智慧港口是基于高水平基础建设下形成智慧协同的大脑，不仅能够实现作业全程的高度自动化、智能化，而且还能实现自主的信息检算、方案制定、作业控制、思考决策和高度协同。然而，现如今的智慧港口的运营没有考虑网络负载占用情况，从而不能实现根据网络负载占用情况进行调控相关的通讯设备进行工作，当相关的通讯设备的数量不足时，运营网络的不能采集实时的数据，当相关的通讯设备的数量过多时，虽然能够维持正常的工作进行，但是总体耗能过大，导致运营成本过高，不利于长期的运营。
发明内容
本发明克服了现有技术的不足，提供了一种港口运营网络的构建与数据感知方法及系统。
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港口运营网络的构建与数据感知方法，其包括以下步骤：
获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络；
获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络；
获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警。
进一步的，在本方法中，获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络，具体包括：
获取港口需要进行数据感知的区域位置信息以及数据感知的项目信息，并根据所述数据感知的项目信息初始化数据感知设备；
通过在所述港口需要进行数据感知的区域位置信息进行数据感知设备布设，生成数据感知设备的监控网络；
初始化通信基站的数量信息，并根据所述通信基站的数量信息构建通讯网络，通过对所述数据感知设备的监控网络以及通讯网络进行关联，生成港口运营网络。
进一步的，在本方法中，获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息，具体包括：
获取当前港口的历史运营数据信息，并引入随机森林模型，通过所述随机森林模型对所述当前港口的历史运营数据信息进行特征提取，获取相关性最高的历史运营数据信息；
基于所述相关性最高的历史运营数据信息构建特征训练矩阵，并基于LSTM构建运营数据预测模型，并将所述特征训练矩阵输入到所述运营数据预测模型中进行编码学习；
当所述运营数据预测模型的模型参数符合预设要求之后，保存模型参数，输出运营数据预测模型，并定期更新所述运营数据预测模型；
通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息，并将所述当前港口预设时间之内的运营数据信息输出。
进一步的，在本方法中，根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，具体包括：
根据所述当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
根据所述预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将所述各种天气特征之下对于网络负载信息的影响权重信息输入到所述数据库中存储；
获取港口在预设时间之内的天气特征，并将所述港口在预设时间之内的天气特征输入到所述数据库中进行匹配，获取实时影响权重信息，并根据所述实时影响权重信息对所述当前港口在预设时间之内的网络负载信息进行更新。
进一步的，在本方法中，根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据所述当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据所述总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据所述遗传算法设置遗传代数，当所述港口运营网络的网络负载信息大于所述网络负载阈值，则根据所述遗传代数对所述当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当所述港口运营网络的网络负载信息不大于所述网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息对所述港口运营网络进行网络优化，生成优化后的港口运营网络。
进一步的，在本方法中，根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警，具体包括：
设置实时感知数据类型，并引入决策树算法，根据所述实时感知数据类型设置分裂标准，并根据所述优化后的港口运营网络的实时感知数据构建根节点；
基于所述分裂标准对所述根节点进行分类，生成若干叶节点，获取异常数据类型的叶节点，并获取所述异常数据类型的叶节点中异常数据信息；
根据所述异常数据类型的叶节点中异常数据信息获取异常的数据感知设备，并获取所述异常的数据感知设备安装的位置信息；
基于所述异常的数据感知设备安装的位置信息进行预警，生成相关的预警信息。
本发明第二方面提供了一种港口运营网络的构建与数据感知系统，所述系统包括存储器以及处理器，所述存储器中包括港口运营网络的构建与数据感知方法程序，所述港口运营网络的构建与数据感知方法程序被所述处理器执行时，实现如下步骤：
获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络；
获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络；
获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警。
进一步的，在本系统中，根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，具体包括：
根据所述当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
根据所述预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将所述各种天气特征之下对于网络负载信息的影响权重信息输入到所述数据库中存储；
获取港口在预设时间之内的天气特征，并将所述港口在预设时间之内的天气特征输入到所述数据库中进行匹配，获取实时影响权重信息，并根据所述实时影响权重信息对所述当前港口在预设时间之内的网络负载信息进行更新。
进一步的，在本系统中，根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据所述当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据所述总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据所述遗传算法设置遗传代数，当所述港口运营网络的网络负载信息大于所述网络负载阈值，则根据所述遗传代数对所述当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当所述港口运营网络的网络负载信息不大于所述网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息对所述港口运营网络进行网络优化，生成优化后的港口运营网络。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括港口运营网络的构建与数据感知方法程序，所述港口运营网络的构建与数据感知方法程序被处理器执行时，实现任一项所述的口运营网络的构建与数据感知方法的步骤。
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：
本发明通过获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络，从而获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息，进而根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，最后获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警。本发明通过根据港口的历史运营数据来对运营网络进行优化，能够使得港口运营网络的网络负载符合实际的需求，能够使得智慧港口的运营更加合理化，从而优化总体的能耗问题，降低运营成本，有利于长期的运行。
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示出了一种港口运营网络的构建与数据感知方法的整体方法流程图；
图2示出了一种港口运营网络的构建与数据感知方法的第一方法流程图；
图3示出了一种港口运营网络的构建与数据感知方法的第二方法流程图；
图4示出了一种港口运营网络的构建与数据感知系统的系统框图。
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。
如图1所示，本发明第一方面提供了一种港口运营网络的构建与数据感知方法，其包括以下步骤：
S102:获取港口需要进行数据感知的区域位置信息，并根据港口需要进行数据感知的区域位置信息初始化港口运营网络；
S104:获取当前港口的历史运营数据信息，并根据当前港口的历史运营数据信息构建运营数据预测模型，通过运营数据预测模型预测当前港口预设时间之内的运营数据信息；
S106:根据当前港口预设时间之内的运营数据信息预估港口运营网络的网络负载信息，并根据港口运营网络的网络负载信息对港口运营网络进行优化，获取优化后的港口运营网络；
S108:获取优化后的港口运营网络的实时感知数据，并根据优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对异常的感知区域进行预警。
需要说明的是，本发明通过根据港口的历史运营数据来对运营网络进行优化，能够使得港口运营网络的网络负载符合实际的需求，能够使得智慧港口的运营更加合理化，从而优化总体的能耗问题，降低运营成本，有利于长期的运行。
进一步的，在本方法中，获取港口需要进行数据感知的区域位置信息，并根据港口需要进行数据感知的区域位置信息初始化港口运营网络，具体包括：
获取港口需要进行数据感知的区域位置信息以及数据感知的项目信息，并根据数据感知的项目信息初始化数据感知设备；
通过在港口需要进行数据感知的区域位置信息进行数据感知设备布设，生成数据感知设备的监控网络；
初始化通信基站的数量信息，并根据通信基站的数量信息构建通讯网络，通过对数据感知设备的监控网络以及通讯网络进行关联，生成港口运营网络。
需要说明的是，数据感知项目包括但不限于温度、湿度、盐度，数据感知设备包括但不限于温度传感器、湿度传感器、盐度传感器，其中港口运营网络不仅限于数据感知设备的监控网络以及通讯网络，还可以包括船舶之间通讯传输的视频数据、文本数据，船舶与计算机远程终端之间传输的信息等网络，通过多通讯链路形成港口运营网络。
如图2所示，进一步的，在本方法中，获取当前港口的历史运营数据信息，并根据当前港口的历史运营数据信息构建运营数据预测模型，通过运营数据预测模型预测当前港口预设时间之内的运营数据信息，具体包括：
S202:获取当前港口的历史运营数据信息，并引入随机森林模型，通过随机森林模型对当前港口的历史运营数据信息进行特征提取，获取相关性最高的历史运营数据信息；
S204:基于相关性最高的历史运营数据信息构建特征训练矩阵，并基于LSTM构建运营数据预测模型，并将特征训练矩阵输入到运营数据预测模型中进行编码学习；
S206:当运营数据预测模型的模型参数符合预设要求之后，保存模型参数，输出运营数据预测模型，并定期更新运营数据预测模型；
S208:通过运营数据预测模型预测当前港口预设时间之内的运营数据信息，并将当前港口预设时间之内的运营数据信息输出。
需要说明的是，港口的历史运营数据信息包括预设时间之内各船舶类型的港口通过数量信息、通过集中时间信息等数据，通过随机森林模型对当前港口的历史运营数据信息进行特征提取，能够获取相关性最高的历史运营数据信息，提高当前港口预设时间之内的运营数据信息的预测精度。
如图3所示，进一步的，在本方法中，根据当前港口预设时间之内的运营数据信息预估港口运营网络的网络负载信息，具体包括：
S302:根据当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
S304:根据预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
S306:通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将各种天气特征之下对于网络负载信息的影响权重信息输入到数据库中存储；
S308:获取港口在预设时间之内的天气特征，并将港口在预设时间之内的天气特征输入到数据库中进行匹配，获取实时影响权重信息，并根据实时影响权重信息对当前港口在预设时间之内的网络负载信息进行更新。
需要说明的是，由于不同数量的船舶通过港口或者进入港口时，通过数据的传输来获取多源数据，需要的网络负载是不一致的，其中网络负载包括信息传输速度、信息接受速度等数据。通过本方法能够计算出当前港口在预设时间之内的网络负载信息，而受到天气的影响，船舶的航行也会受到影响，如暴雨天，船舶到达港口的预定时间会发生变化，而使得船舶延迟到达港口，使得运营数据产生一定的变化，则根据实时影响权重信息对当前港口在预设时间之内的网络负载信息进行更新，其中，影响权重的取值范围为0-1之间，即影响权重与网络负载信息乘积即为修正后的网络负载信息，从而提高运营网络的运行合理性。
进一步的，在本方法中，根据港口运营网络的网络负载信息对港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据遗传算法设置遗传代数，当港口运营网络的网络负载信息大于网络负载阈值，则根据遗传代数对当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当港口运营网络的网络负载信息不大于网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据新的当前港口运营网络中通信基站工作的数量信息对港口运营网络进行网络优化，生成优化后的港口运营网络。
需要说明的是，通讯基站的数量会影响信息传输的快慢，一般而言，通讯基站的数量越大，总的网络负载信息就会越大，通过本方法能够根据港口的运营数据来进行智能调控，使得港口的运营更加合理。
进一步的，在本方法中，根据优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对异常的感知区域进行预警，具体包括：
设置实时感知数据类型，并引入决策树算法，根据实时感知数据类型设置分裂标准，并根据优化后的港口运营网络的实时感知数据构建根节点；
基于分裂标准对根节点进行分类，生成若干叶节点，获取异常数据类型的叶节点，并获取异常数据类型的叶节点中异常数据信息；
根据异常数据类型的叶节点中异常数据信息获取异常的数据感知设备，并获取异常的数据感知设备安装的位置信息；
基于异常的数据感知设备安装的位置信息进行预警，生成相关的预警信息。
需要说明的是，异常数据信息为数据感知设备故障、数据感知设备工作异常等情况，通过本方法能够及时对异常的设备进行预警，从而及时对运营网络进行维护。
此外，本方法还可以包括以下步骤：
获取各电磁波类型之下数据感知设备的工作特性数据信息，并将所述各电磁波类型之下数据感知设备的工作特性数据信输入到所述数据库中进行存储；
通过电磁波检测设备获取预设时间之内的电磁波类型，并将所述预设时间之内的电磁波类型输入到所述数据中进行数据匹配，获取预设时间之内各数据感知设备的工作特性数据信息；
判断所述工作特性数据信息是否为预设工作特性数据信息，当所述工作特性数据信息为预设工作特性数据信息时，则将对应的数据感知设备所获取的数据作为异常数据；
当所述工作特性数据信息不为预设工作特性数据信息时，则将对应的数据感知设备所获取的数据作为正常数据。
需要说明的是，工作特性数据信息包括异常工作状态、正常工作状态，其中异常工作状态包括控制逻辑混乱、故障状态等，由于不同的电磁波类型能够使得数据感知设备产生控制逻辑混乱、故障等情况，从而使得数据感知设备所获取的数据产生异常，通过本方法能够将该类数据筛选以及识别，提高运营网络的运行合理性。
此外，本方法还可以包括以下步骤：
根据所述预设时间之内的电磁波的类型确定数据感知异常的地理区域信息，并根据所述数据感知异常的地理区域信息构建地理异常区域地图；
获取当前船舶航行的航线路径信息，并判断所述当前船舶航行的航线路径信息是否经过所述地理异常区域地图中的数据感知异常的地理区域；
当所述当前船舶航行的航线路径信息经过所述地理异常区域地图中的数据感知异常的地理区域时，引入粒子群算法，并根据所述粒子群算法设置迭代代数；
根据所述当前船舶航行的航线路径信息获取船舶航行的起点信息以及终点信息，通过蚁群算法根据船舶航行的起点信息以及终点信息规划若干条候选航行路线；
当所述候选航行路线经过所述地理异常区域地图中的数据感知异常的地理区域时，根据所述迭代代数进行迭代计算，将所述候选航行路线经过所述地理异常区域地图中的数据感知异常的地理区域的航向剔除，直至所述候选航行路线不经过所述地理异常区域地图中的数据感知异常的地理区域时，输出最终的航行路线。
需要说明的是，通过本方法能够避免航行中的船舶出现通讯断开的情况，有利于减少航行事故的发生。
如图4所示，本发明第二方面提供了一种港口运营网络的构建与数据感知系统4，系统4包括存储器41以及处理器42，存储器中包括港口运营网络的构建与数据感知方法程序，港口运营网络的构建与数据感知方法程序被处理器执行时，实现如下步骤：
获取港口需要进行数据感知的区域位置信息，并根据港口需要进行数据感知的区域位置信息初始化港口运营网络；
获取当前港口的历史运营数据信息，并根据当前港口的历史运营数据信息构建运营数据预测模型，通过运营数据预测模型预测当前港口预设时间之内的运营数据信息；
根据当前港口预设时间之内的运营数据信息预估港口运营网络的网络负载信息，并根据港口运营网络的网络负载信息对港口运营网络进行优化，获取优化后的港口运营网络；
获取优化后的港口运营网络的实时感知数据，并根据优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对异常的感知区域进行预警。
进一步的，在本系统中，根据当前港口预设时间之内的运营数据信息预估港口运营网络的网络负载信息，具体包括：
根据当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
根据预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将各种天气特征之下对于网络负载信息的影响权重信息输入到数据库中存储；
获取港口在预设时间之内的天气特征，并将港口在预设时间之内的天气特征输入到数据库中进行匹配，获取实时影响权重信息，并根据实时影响权重信息对当前港口在预设时间之内的网络负载信息进行更新。
进一步的，在本系统中，根据港口运营网络的网络负载信息对港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据遗传算法设置遗传代数，当港口运营网络的网络负载信息大于网络负载阈值，则根据遗传代数对当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当港口运营网络的网络负载信息不大于网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据新的当前港口运营网络中通信基站工作的数量信息对港口运营网络进行网络优化，生成优化后的港口运营网络。
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中包括港口运营网络的构建与数据感知方法程序，港口运营网络的构建与数据感知方法程序被处理器执行时，实现任一项的口运营网络的构建与数据感知方法的步骤。
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 (6)

1.一种港口运营网络的构建与数据感知方法，其特征在于，包括以下步骤：
获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络；
获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络；
获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，具体包括：
根据所述当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
根据所述预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将所述各种天气特征之下对于网络负载信息的影响权重信息输入到所述数据库中存储；
获取港口在预设时间之内的天气特征，并将所述港口在预设时间之内的天气特征输入到所述数据库中进行匹配，获取实时影响权重信息，并根据所述实时影响权重信息对所述当前港口在预设时间之内的网络负载信息进行更新；
根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据所述当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据所述总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据所述遗传算法设置遗传代数，当所述港口运营网络的网络负载信息大于所述网络负载阈值，则根据所述遗传代数对所述当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当所述港口运营网络的网络负载信息不大于所述网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息对所述港口运营网络进行网络优化，生成优化后的港口运营网络。
2.根据权利要求1所述的一种港口运营网络的构建与数据感知方法，其特征在于，获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络，具体包括：
获取港口需要进行数据感知的区域位置信息以及数据感知的项目信息，并根据所述数据感知的项目信息初始化数据感知设备；
通过在所述港口需要进行数据感知的区域位置信息进行数据感知设备布设，生成数据感知设备的监控网络；
初始化通信基站的数量信息，并根据所述通信基站的数量信息构建通讯网络，通过对所述数据感知设备的监控网络以及通讯网络进行关联，生成港口运营网络。
3.根据权利要求1所述的一种港口运营网络的构建与数据感知方法，其特征在于，获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息，具体包括：
获取当前港口的历史运营数据信息，并引入随机森林模型，通过所述随机森林模型对所述当前港口的历史运营数据信息进行特征提取，获取相关性最高的历史运营数据信息；
基于所述相关性最高的历史运营数据信息构建特征训练矩阵，并基于LSTM构建运营数据预测模型，并将所述特征训练矩阵输入到所述运营数据预测模型中进行编码学习；
当所述运营数据预测模型的模型参数符合预设要求之后，保存模型参数，输出运营数据预测模型，并定期更新所述运营数据预测模型；
通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息，并将所述当前港口预设时间之内的运营数据信息输出。
4.根据权利要求1所述的一种港口运营网络的构建与数据感知方法，其特征在于，根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警，具体包括：
设置实时感知数据类型，并引入决策树算法，根据所述实时感知数据类型设置分裂标准，并根据所述优化后的港口运营网络的实时感知数据构建根节点；
基于所述分裂标准对所述根节点进行分类，生成若干叶节点，获取异常数据类型的叶节点，并获取所述异常数据类型的叶节点中异常数据信息；
根据所述异常数据类型的叶节点中异常数据信息获取异常的数据感知设备，并获取所述异常的数据感知设备安装的位置信息；
基于所述异常的数据感知设备安装的位置信息进行预警，生成相关的预警信息。
5.一种港口运营网络的构建与数据感知系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括港口运营网络的构建与数据感知方法程序，所述港口运营网络的构建与数据感知方法程序被所述处理器执行时，实现如下步骤：
获取港口需要进行数据感知的区域位置信息，并根据所述港口需要进行数据感知的区域位置信息初始化港口运营网络；
获取当前港口的历史运营数据信息，并根据所述当前港口的历史运营数据信息构建运营数据预测模型，通过所述运营数据预测模型预测当前港口预设时间之内的运营数据信息；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，并根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络；
获取优化后的港口运营网络的实时感知数据，并根据所述优化后的港口运营网络的实时感知数据进行异常识别，获取异常的感知区域，对所述异常的感知区域进行预警；
根据所述当前港口预设时间之内的运营数据信息预估所述港口运营网络的网络负载信息，具体包括：
根据所述当前港口预设时间之内的运营数据信息获取预设时间之内的船舶通行数量信息，并通过大数据获取单位数量的船舶通行时港口运营网络的历史平均网络负载信息；
根据所述预设时间之内的船舶通行数量信息以及单位数量的船舶通行时港口运营网络的历史平均网络负载信息计算出当前港口在预设时间之内的网络负载信息；
通过大数据获取各种天气特征之下对于网络负载信息的影响权重信息，并构建数据库，将所述各种天气特征之下对于网络负载信息的影响权重信息输入到所述数据库中存储；
获取港口在预设时间之内的天气特征，并将所述港口在预设时间之内的天气特征输入到所述数据库中进行匹配，获取实时影响权重信息，并根据所述实时影响权重信息对所述当前港口在预设时间之内的网络负载信息进行更新；
根据所述港口运营网络的网络负载信息对所述港口运营网络进行优化，获取优化后的港口运营网络，具体包括：
获取当前港口运营网络中通信基站工作的数量信息，并根据所述当前港口运营网络中通信基站工作的数量信息计算出总的网络负载信息，根据所述总的网络负载信息预设网络负载阈值；
引入遗传算法，并根据所述遗传算法设置遗传代数，当所述港口运营网络的网络负载信息大于所述网络负载阈值，则根据所述遗传代数对所述当前港口运营网络中通信基站工作的数量信息进行遗传迭代，生成新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息计算出网络负载阈值，当所述港口运营网络的网络负载信息不大于所述网络负载阈值，停止迭代，输出新的当前港口运营网络中通信基站工作的数量信息；
根据所述新的当前港口运营网络中通信基站工作的数量信息对所述港口运营网络进行网络优化，生成优化后的港口运营网络。
6.一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中包括港口运营网络的构建与数据感知方法程序，所述港口运营网络的构建与数据感知方法程序被处理器执行时，实现如权利要求1-4任一项所述的口运营网络的构建与数据感知方法的步骤。
CN202410022875.5A 2024-01-08 2024-01-08 一种港口运营网络的构建与数据感知方法及系统 Active CN117528551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410022875.5A CN117528551B (zh) 2024-01-08 2024-01-08 一种港口运营网络的构建与数据感知方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410022875.5A CN117528551B (zh) 2024-01-08 2024-01-08 一种港口运营网络的构建与数据感知方法及系统

Publications (2)

Publication Number Publication Date
CN117528551A CN117528551A (zh) 2024-02-06
CN117528551B true CN117528551B (zh) 2024-03-12

Family

ID=89744313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410022875.5A Active CN117528551B (zh) 2024-01-08 2024-01-08 一种港口运营网络的构建与数据感知方法及系统

Country Status (1)

Country Link
CN (1) CN117528551B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107896253A (zh) * 2017-11-24 2018-04-10 上海璞玫信息科技有限公司 一种危险品港区储运安全监管系统
WO2021246970A1 (en) * 2020-06-05 2021-12-09 Chord X Pte. Ltd. System to acquire and process signals for monitoring performance of vessel parts using rule-based anomaly detection
CN114302325A (zh) * 2021-12-22 2022-04-08 天翼电信终端有限公司 港口环境布置5g cpe的方法、装置、服务器及存储介质
CN115017809A (zh) * 2022-06-07 2022-09-06 上海海事大学 一种船舶到港量预测系统及方法
CN116843071A (zh) * 2023-07-04 2023-10-03 交通运输部水运科学研究所 一种用于智慧港口的运输网络运行指数预测方法及装置
WO2023185112A1 (zh) * 2022-04-01 2023-10-05 上海海事大学 基于 d2d 通信的扩大海上通信范围的网络架构
CN117132184A (zh) * 2023-09-07 2023-11-28 武汉理工大学 考虑低碳成本的航运网络优化系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107896253A (zh) * 2017-11-24 2018-04-10 上海璞玫信息科技有限公司 一种危险品港区储运安全监管系统
WO2021246970A1 (en) * 2020-06-05 2021-12-09 Chord X Pte. Ltd. System to acquire and process signals for monitoring performance of vessel parts using rule-based anomaly detection
CN114302325A (zh) * 2021-12-22 2022-04-08 天翼电信终端有限公司 港口环境布置5g cpe的方法、装置、服务器及存储介质
WO2023185112A1 (zh) * 2022-04-01 2023-10-05 上海海事大学 基于 d2d 通信的扩大海上通信范围的网络架构
CN115017809A (zh) * 2022-06-07 2022-09-06 上海海事大学 一种船舶到港量预测系统及方法
CN116843071A (zh) * 2023-07-04 2023-10-03 交通运输部水运科学研究所 一种用于智慧港口的运输网络运行指数预测方法及装置
CN117132184A (zh) * 2023-09-07 2023-11-28 武汉理工大学 考虑低碳成本的航运网络优化系统及方法

Also Published As

Publication number Publication date
CN117528551A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN108009506A (zh) 入侵检测方法、应用服务器及计算机可读存储介质
CN112241606A (zh) 基于cps决策模块的船舶智能设备运维的协同决策方法
CN112085285A (zh) 母线负荷预测方法、装置、计算机设备和存储介质
CN110751317A (zh) 一种电力负荷预测系统及预测方法
CN117196350B (zh) 一种矿山地质环境特征监测与恢复治理方法及系统
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
CN115842847B (zh) 一种基于物联网的水表智能控制方法、系统及介质
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN116824861A (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
CN113758652B (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN118114821A (zh) 一种基于多模态数据的运输需求预测方法及系统
CN117407817B (zh) 一种配电自动化机房的异常监测系统
CN114091361A (zh) 基于气象事件的transformer模型构建方法
CN117528551B (zh) 一种港口运营网络的构建与数据感知方法及系统
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN117391257A (zh) 一种道路拥堵情况的预测方法及装置
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
CN115456168A (zh) 强化学习模型的训练方法、能耗确定方法和装置
CN115762137A (zh) 一种交通态势预测系统
CN112862249B (zh) 一种智能配电设备精益管理方法及其系统
KR20230109491A (ko) 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템
CN117744926B (zh) 一种制冷机房装配式管道的施工管理方法及系统
CN118149831B (zh) 一种基于信息协同的北极航行导航方法、系统及存储介质

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