CN117634926B - 基于大数据分析的综合港口运营预测方法及系统 - Google Patents
基于大数据分析的综合港口运营预测方法及系统 Download PDFInfo
- Publication number
- CN117634926B CN117634926B CN202311679542.1A CN202311679542A CN117634926B CN 117634926 B CN117634926 B CN 117634926B CN 202311679542 A CN202311679542 A CN 202311679542A CN 117634926 B CN117634926 B CN 117634926B
- Authority
- CN
- China
- Prior art keywords
- information
- port
- analysis
- cargo
- 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
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 136
- 238000013439 planning Methods 0.000 claims abstract description 110
- 238000009825 accumulation Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims description 55
- 239000002245 particle Substances 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000012384 transportation and delivery Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据分析的综合港口运营预测方法及系统,包括:获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。提供准确的运营预测,优化资源分配、提高运营效率和高口竞争力,以满足不同港口的需求和变化的市场环境。
Description
技术领域
本发明涉及港口运营预测技术领域,尤其涉及一种基于大数据分析的综合港口运营预测方法及系统。
背景技术
港口运营作为全球贸易和物流的关键组成部分,对国际贸易和经济增长起着至关重要的作用。然而,传统的港口运营管理方法在应对复杂市场环境和动态需求方面存在明显不足。传统方法通常依赖于静态模型和经验法则,难以应对吞吐量、装卸需求、资源分配和市场变化等因素。这导致了资源浪费、装卸堆积、运输拥堵和效率低下等问题。大数据分析技术的兴起为港口运营提供了巨大的机会。大数据分析技术可以帮助港口管理者更好地理解和应对吞吐量、装卸需求、资源分配和市场变化等因素,以最大化收益、降低成本和提高服务质量。 通过整合各种数据源,包括吞吐量数据、货物信息、装卸设备状态、交通信息和市场趋势等,港口管理者可以实现吞吐量预测、资源分配、装卸设备调度、市场趋势分析、营收预测等多个方面的提升。从而帮助港口运营管理者更好地做出决策,提高港口的效率和竞争力。
发明内容
本发明克服了现有技术的缺陷,提供了一种基于大数据分析的综合港口运营预测方法及系统,其重要目的在于提高港口运营效率和竞争力。
为实现上述目的本发明第一方面提供了一种基于大数据分析的综合港口运营预测方法,包括:
获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。
本方案中,所述获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,具体为:
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,得到港口业务特征信息;
基于灰色预测模型结合粒子群优化算法构建吞吐量预测模型, 对所述吞吐量预测模型进行深度学习和训练;
将所述港口业务特征信息输入至所述吞吐量预测模型中进行分析,根据所述港口业务特征信息生成初始预测结果,得到初始预测信息;
根据平均相对误差的和构建目标函数,根据初始预测信息生成初始粒子群,计算初始粒子群个体的适应度值,并与预设阈值进行判断,根据判断结果进行位置和速度更新;
获取进行更新后的粒子群,提取个体最优适应度和全局最优适应度,进行寻优搜索并计算搜索后各粒子的适应度值,进行对比分析,得到寻优后适应度信息;
所述寻优后适应度信息包括个体最优适应度和全局最优适应度,将寻优后适应度信息分别与个体适应度和全局适应度进行判断,根据判断结果进行迭代更新;
获取最终适应度信息,根据最优适应度信息提取对应粒子,作为优化权重,对初始预测信息进行优化,得到吞吐量预测信息。
本方案中,所述获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划,具体为:
获取港口货物信息和吞吐量预测信息,所述港口货物信息包括:港口货物堆积区域信息、港口货物堆积时间信息、港口货物堆积数量信息和港口货物类型信息;
对所述港口货物信息进行属性提取,提取堆积时间和数量、货物类型和堆积区域,得到港口货物属性信息;
根据所述港口货物属性信息进行堆积情况分析,计算货物堆积区域与可存储货物区域的比值,作为货物堆积率;
基于聚类算法对货物根据堆积时间进行划分,将对应的货物类型和数量划分至对应的堆积时间类型,结合分类结果和货物堆积率进行堆积情况分析,得到堆积情况分析信息;
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,提取入港船只信息和入港船只货物信息,得到港口船只特征信息;
预设船只属性、货物类型和交付信息三种评估指标,并分别设定相应的权重,结合所述港口船只特征信息进行加权计算,根据加权计算结果进行优先级评估,得到优先级评估信息;
结合所述优先级评估信息、港口船只特征信息和堆积情况分析信息进行船舶装卸规划,得到装卸规划信息。
本方案中,所述构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定,具体为:
基于遥感技术获取目标港口区域地理信息,通过GIS系统构建目标港口数字地图,包括港口区域地形地图、港口区域道路地图和港口设施地图;
获取装卸规划信息和港口设备信息,对所述装卸规划信息进行特征提取,提取各规划时间段内货物的属性和体量,得到装卸规划特征信息;
根据所述港口设备信息的设备工作属性,计算装卸规划特征信息与设备工作属性之间的欧式距离,进行相关性分析,得到相关性分析信息;
结合相关性分析信息、装卸规划信息和目标港口数字地图制定设备调度方案;
基于分布式路径规划算法构建路线规划模型,将设备调度方案和装卸规划信息输入至路线规划模型中,结合目标港口数字地图进行运输路线规划,得到运输路线规划信息;
根据所述运输路线规划信息获取实时运输信息,通过所述实时运输信息进行路径情况分析,计算各区域内单位时间内的运输流量,并与预设阈值进行判断,得到路径情况分析信息;
根据路径情况分析信息进行拥堵分流,获取后续通过拥堵路段的路线,提取临近区域的运输流量,结合目标港口数字地图进行自适应路径更换,得到分流路线信息;
将所述分流路线信息发送至各运输设备,结合数字地图进行拥堵路段标记和分流路线指引,并进行可视化处理。
本方案中,所述获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐,具体为:
获取设备调度方案、运输路线规划信息、港口人员信息和堆积情况分析信息,进行港口运营成本计算,得到港口运营成本信息;
获取吞吐量预测信息,构建港口营收预测模型,将所述港口运营成本信息和吞吐量预测信息输入至港口营收预测模型进行预测,得到港口营收预测信息;
根据堆积情况分析信息和设备调度方案进行资源利用分析,计算堆积场地和设备使用率,得到资源利用分析信息;
获取单位时间内的港口业务信息,进行特征提取,提取港口业务属性和货物属性,得到港口业务属性特征信息;
基于统计学算法对所述港口业务属性特征信息进行主要业务评估,分析各种属性业务的出现频率,作为评估指标,得到主要业务评估信息;
获取港口属性信息,结合所述主要业务评估信息和资源利用分析信息进行运营方向分析,得到候选运营方向分析信息;
获取港口设备信息,通过所述候选运营方向分析信息基于大数据检索获取需求设备信息,将所述港口设备信息与所述需求设备信息进行对比分析,得到需求设备适配分析信息;
根据需求设备适配分析信息对各候选运营方向进行可性性评估,根据评估结果选取最终推荐运营方向,得到运营方向推荐信息。
本方案中,所述获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析,具体为:
获取港口日常运营信息,将所述港口日常运营分析信息输入至吞吐量预测模型中,将最大吞吐量作为预测指标进行预测,得到最大吞吐量预测信息;
获取港口业务范围信息和历史运营信息,分别进行特征提取,提取业务属性、历史运营方向和各运营方向的效益,得到港口运营特征信息;
获取历史客户信息和竞争港口信息,基于多头注意力机制结合历史客户信息和竞争港口信息,预设位置、时间和成本三个注意力头,分别计算各影响因素的注意力分数,作为影响因素评估指标进行评估,得到影响因素评估信息;
基于态势分析法根据影响因素评估信息、历史客户信息、竞争港口信息和港口运营特征信息对目标港口进行SWOT分析,得到态势分析信息;
构建定价博弈模型,获取竞争需求信息,根据所述竞争需求信息构建博弈目标函数,将运营方向推荐信息、影响因素评估信息、态势分析信息和最大吞吐量预测信息输入至定价博弈模型中,进行定价策略分析;
预设反应函数,对分析得到的定价策略进行市场反应模拟,分析不同策略的市场反应并与预设阈值进行判断,根据判断结果选取最终定价策略,得到最终定价策略信息。
本发明第二方面提供了一种基于大数据分析的综合港口运营预测系统,该系统包括:存储器、处理器,所述存储器中包含基于大数据分析的综合港口运营预测方法程序,所述基于大数据分析的综合港口运营预测方法程序被所述处理器执行时实现如下步骤:
获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。
本发明公开了一种基于大数据分析的综合港口运营预测方法及系统,包括:获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。提供准确的运营预测,优化资源分配、提高运营效率和高口竞争力,以满足不同港口的需求和变化的市场环境
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性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,还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种基于大数据分析的综合港口运营预测方法流程图;
图2为本发明一实施例提供的定价策略流程图;
图3为本发明一实施例提供的一种基于大数据分析的综合港口运营预测系统框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种基于大数据分析的综合港口运营预测方法流程图;
如图1所示,本发明提供了一种基于大数据分析的综合港口运营预测方法流程图,包括:
S102,获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,得到港口业务特征信息;
基于灰色预测模型结合粒子群优化算法构建吞吐量预测模型, 对所述吞吐量预测模型进行深度学习和训练;
将所述港口业务特征信息输入至所述吞吐量预测模型中进行分析,根据所述港口业务特征信息生成初始预测结果,得到初始预测信息;
根据平均相对误差的和构建目标函数,根据初始预测信息生成初始粒子群,计算初始粒子群个体的适应度值,并与预设阈值进行判断,根据判断结果进行位置和速度更新;
获取进行更新后的粒子群,提取个体最优适应度和全局最优适应度,进行寻优搜索并计算搜索后各粒子的适应度值,进行对比分析,得到寻优后适应度信息;
所述寻优后适应度信息包括个体最优适应度和全局最优适应度,将寻优后适应度信息分别与个体适应度和全局适应度进行判断,根据判断结果进行迭代更新;
获取最终适应度信息,根据最优适应度信息提取对应粒子,作为优化权重,对初始预测信息进行优化,得到吞吐量预测信息。
需要说明的是,通过对目标港口业务信息进行特征提取,获取目标港口的业务特征,包括港口货物、港口订单和业务船只到达港口时间等业务特征,通过将港口特征信息输入至吞吐量预测模型中进行初步预测生成,将初步预测结果根据粒子群算法进行优化,通过计算局部最优解和全局最优解并进行迭代优化,最终获得最优适应度,提取对应最优适应度的粒子,作为优化权重,对初始预测信息进行优化,得到吞吐量预测信息,提高吞吐量预测的准确性,更为清晰的表现出目标港口的单日或者多日的吞吐量及各时间段的吞吐量,便于进行运营安排和管理。
S104,获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
获取港口货物信息和吞吐量预测信息,所述港口货物信息包括:港口货物堆积区域信息、港口货物堆积时间信息、港口货物堆积数量信息和港口货物类型信息;
对所述港口货物信息进行属性提取,提取堆积时间和数量、货物类型和堆积区域,得到港口货物属性信息;
根据所述港口货物属性信息进行堆积情况分析,计算货物堆积区域与可存储货物区域的比值,作为货物堆积率;
基于聚类算法对货物根据堆积时间进行划分,将对应的货物类型和数量划分至对应的堆积时间类型,结合分类结果和货物堆积率进行堆积情况分析,得到堆积情况分析信息;
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,提取入港船只信息和入港船只货物信息,得到港口船只特征信息;
预设船只属性、货物类型和交付信息三种评估指标,并分别设定相应的权重,结合所述港口船只特征信息进行加权计算,根据加权计算结果进行优先级评估,得到优先级评估信息;
结合所述优先级评估信息、港口船只特征信息和堆积情况分析信息进行船舶装卸规划,得到装卸规划信息。
需要说明的是,首先,获取港口的货物信息,包括货物堆积区域、堆积时间、堆积数量和货物类型。同时,准备吞吐量预测信息,以了解港口未来的各时间段的吞吐量。对港口货物信息进行属性提取,将其转化为结构化数据,包括堆积时间、数量、货物类型和堆积区域等,构成货物的特征信息。接着,基于货物属性信息,计算货物堆积区域与可存储货物区域的比值,以得到货物堆积率,反映货物堆积的程度。利用聚类算法对货物根据堆积时间进行划分,将货物分为不同堆积时间类型,同时考虑货物类型和数量,以得到详细的堆积情况分析信息。然后,获取目标港口的入港船只信息和入港船只货物信息,这包括船只类型、货物类型、数量和交付信息等,对这些信息进行特征提取,以构建港口船只特征信息,预设三种评估指标:船只属性、货物类型和交付信息,为每个评估指标分别设定相应的权重。然后,结合港口船只特征信息,进行加权计算,得到每艘船只的优先级评估信息,反映了船只的装卸优先级。结合优先级评估信息、港口船只特征信息和堆积情况分析信息,进行船舶装卸规划,包括决定哪艘船先装卸,哪些货物应该首先处理,以最大程度地减少堆积、提高效率,并确保满足不同货物的交付要求。
进一步的,获取堆积情况分析信息和货物入库信息,根据所述货物入库信息进行货品溯源,提取目标堆积货品的存储服务信息和客户信息,得到堆积货品溯源信息;根据所述货物入库时间信息计算各货物的堆积时长信息,结合所述堆积货品溯源信息分析货品堆积时限,判断是否逾期或者接近期限,并生成货品存储预警信息;根据货品存储预警信息结合货品溯源信息对货品归属用户进行逾期提醒,并推荐续存业务;获取灾害气象信息,构建灾害影响预测模型,将所述灾害气象信息输入至灾害影响预测模型中,得到灾害影响预测信息;获取目标港口数字地图,结合所述灾害预测信息进行受灾区域分析,得到受灾区域分析信息;根据所述受灾区域分析信息、货物入库信息和堆积情况分析信息分析受灾区域的货物堆积情况和种类,得到受灾区域货物情况信息;根据受灾区域货物情况信息进行属性提取,提取货物属性,并判断是否为易受影响货物,得到货物受灾影响分析信息;根据货物堆积情况信息和受灾区域分析信息进行货物迁移区域规划,结合目标港口数字地图进行迁移路线规划,得到货物迁移方案信息;根据所述货物迁移方案信息对目标货物进行迁移,保证货物在灾害环境下的安全,保证港口和客户的财产安全,同时提升港口的安全性,以提升港口的市场竞争力。
S106,构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
基于遥感技术获取目标港口区域地理信息,通过GIS系统构建目标港口数字地图,包括港口区域地形地图、港口区域道路地图和港口设施地图;
获取装卸规划信息和港口设备信息,对所述装卸规划信息进行特征提取,提取各规划时间段内货物的属性和体量,得到装卸规划特征信息;
根据所述港口设备信息的设备工作属性,计算装卸规划特征信息与设备工作属性之间的欧式距离,进行相关性分析,得到相关性分析信息;
结合相关性分析信息、装卸规划信息和目标港口数字地图制定设备调度方案;
基于分布式路径规划算法构建路线规划模型,将设备调度方案和装卸规划信息输入至路线规划模型中,结合目标港口数字地图进行运输路线规划,得到运输路线规划信息;
根据所述运输路线规划信息获取实时运输信息,通过所述实时运输信息进行路径情况分析,计算各区域内单位时间内的运输流量,并与预设阈值进行判断,得到路径情况分析信息;
根据路径情况分析信息进行拥堵分流,获取后续通过拥堵路段的路线,提取临近区域的运输流量,结合目标港口数字地图进行自适应路径更换,得到分流路线信息;
将所述分流路线信息发送至各运输设备,结合数字地图进行拥堵路段标记和分流路线指引,并进行可视化处理。
需要说明的是,首先,利用遥感技术获取目标港口区域的地理信息,包括地形、道路和设施等。使用GIS系统构建目标港口的数字地图,包括地形地图、道路地图和港口设施地图,以实现地理信息的可视化。接着,获取装卸规划信息,包括不同时间段内货物的属性和体量,以了解装卸需求。获取港口设备信息,包括设备的工作属性,如工作速度、装卸能力等。对装卸规划信息进行特征提取,以构建装卸规划特征信息,基于设备工作属性和装卸规划特征信息,计算欧式距离,进行相关性分析,以了解装卸规划与设备属性之间的相关性。然后,结合相关性分析信息、装卸规划信息和数字地图,制定设备调度方案,以最优化装卸设备的使用,提高效率。构建分布式路径规划算法的路线规划模型,将设备调度方案和装卸规划信息输入路线规划模型,结合数字地图,进行运输路线规划,通过将运输路线划分为不同的节点,为每个节点分配任务,每个节点负责规划其局部区域的路径和运输任务,以决定最佳的货物运输路径在分布式规划过程中,各个节点可以独立规划路径,整合这些路径以生成全局的货物运输路径。考虑交叉路口、货物交汇点以及装卸设备的协调,以确保货物在港口内的流动是有序和高效的,从而得到运输路线规划信息。然后,基于运输路线规划信息,获取实时运输信息,包括车辆位置、速度等。进行路径情况分析,计算不同区域内单位时间内的运输流量,并与预设阈值进行比较,以判断路径拥堵情况。基于路径情况分析信息,进行拥堵分流,提取临近区域的运输流量,结合数字地图,自适应地更改路径,以绕开拥堵路段,得到分流路线信息。将分流路线信息发送至各运输设备,以指导它们避开拥堵路段,结合数字地图,进行路段标记和分流路线的可视化处理,以便操作员和驾驶员能够更好地理解和遵循新的路径。
S108,获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取设备调度方案、运输路线规划信息、港口人员信息和堆积情况分析信息,进行港口运营成本计算,得到港口运营成本信息;
获取吞吐量预测信息,构建港口营收预测模型,将所述港口运营成本信息和吞吐量预测信息输入至港口营收预测模型进行预测,得到港口营收预测信息;
根据堆积情况分析信息和设备调度方案进行资源利用分析,计算堆积场地和设备使用率,得到资源利用分析信息;
获取单位时间内的港口业务信息,进行特征提取,提取港口业务属性和货物属性,得到港口业务属性特征信息;
基于统计学算法对所述港口业务属性特征信息进行主要业务评估,分析各种属性业务的出现频率,作为评估指标,得到主要业务评估信息;
获取港口属性信息,结合所述主要业务评估信息和资源利用分析信息进行运营方向分析,得到候选运营方向分析信息;
获取港口设备信息,通过所述候选运营方向分析信息基于大数据检索获取需求设备信息,将所述港口设备信息与所述需求设备信息进行对比分析,得到需求设备适配分析信息;
根据需求设备适配分析信息对各候选运营方向进行可性性评估,根据评估结果选取最终推荐运营方向,得到运营方向推荐信息。
需要说明的是,首先,对目标港口进行运营成本计算,包括但不限于设备维护、燃料成本、人员工资和设备租赁费用,了解运营的实际费用,帮助优化成本结构。然后,通过输入港口运营成本信息和吞吐量预测信息至港口营收预测模型,以进行营收预测,得到港口未来的营收预测信息。基于堆积情况分析信息和设备调度方案,计算堆积场地和设备的使用率,进行资源利用分析,得到资源利用情况分析信息,以了解港口资源的有效利用情况。使用统计学算法对港口业务属性特征信息进行主要业务评估,分析各种业务属性的出现频率,作为评估指标,以确定主要业务,例如装卸、堆积和运输等。接着,获取港口属性信息,结合主要业务评估信息和资源利用分析,进行运营方向分析,判断是否有能够发展的业务方向,得到候选运营方向分析信息。获取港口设备信息,基于大数据检索获取候选运营方向的需求设备信息,将港口设备信息与需求设备信息进行对比分析,以了解设备的适配情况及设备缺少情况。基于需求设备适配分析信息,对各候选运营方向进行可行性评估。根据评估结果,选择最终的推荐运营方向,得到运营方向推荐信息,从而提供更符合目标港口的运营方向建议。
S110,获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。
获取港口日常运营信息,将所述港口日常运营分析信息输入至吞吐量预测模型中,将最大吞吐量作为预测指标进行预测,得到最大吞吐量预测信息;
获取港口业务范围信息和历史运营信息,分别进行特征提取,提取业务属性、历史运营方向和各运营方向的效益,得到港口运营特征信息;
获取历史客户信息和竞争港口信息,基于多头注意力机制结合历史客户信息和竞争港口信息,预设位置、时间和成本三个注意力头,分别计算各影响因素的注意力分数,作为影响因素评估指标进行评估,得到影响因素评估信息;
基于态势分析法根据影响因素评估信息、历史客户信息、竞争港口信息和港口运营特征信息对目标港口进行SWOT分析,得到态势分析信息;
构建定价博弈模型,获取竞争需求信息,根据所述竞争需求信息构建博弈目标函数,将运营方向推荐信息、影响因素评估信息、态势分析信息和最大吞吐量预测信息输入至定价博弈模型中,进行定价策略分析;
预设反应函数,对分析得到的定价策略进行市场反应模拟,分析不同策略的市场反应并与预设阈值进行判断,根据判断结果选取最终定价策略,得到最终定价策略信息。
需要说明的是,通过港口的日常运营信息进行最大吞吐量预测,包括历史吞吐量、货物流动数据、船舶调度等,将这些数据输入到吞吐量预测模型中,预测港口可能实现的最大吞吐量,了解港口的承受能力,有助于资源和设备的规划。港口运营特征信息是关于港口自身的属性和历史运营情况的概述。这包括港口的业务领域、历史运营方向(如货物类型、目标市场)以及不同运营方向的经济效益等,从而了解港口的基本特征和过去的运营情况。接着,进行影响因素评估,考虑多个关键因素,包括历史客户信息、竞争港口信息(其他港口的特点和服务)以及时间、位置和成本因素。然后,通过多头注意力机制,为每个因素分配注意力权重,以了解哪些因素对决策的重要性。这有助于识别市场趋势和港口的关键成功因素。再然后,基于影响因素评估信息、历史客户信息、竞争港口信息和港口运营特征信息,基于态势分析法进行SWOT分析,帮助管理者明晰港口的战略位置,有助于了解港口的内部优势和劣势,以及外部机会和威胁。定价博弈模型用于决定港口的价格策略,考虑运营方向推荐信息、影响因素评估信息、态势分析信息和最大吞吐量预测信息,模拟不同的价格策略和竞争模式,并预测它们对市场的影响,根据反应函数模拟市场对不同价格策略的反应,包括市场需求的变化、竞争港口的反应等,分析模拟结果并与预设阈值进行判断,以了解哪种价格策略最有可能获得市场接受,从而选择最终的价格策略,以提高港口的吞吐量和盈利能力,为港口带来更高的收益和资源利用率。
图2为本发明一实施例提供的定价策略流程图;
如图2所示,本发明提供了定价策略流程图,包括:
S202,对目标港口进行营收预测,判断港口营收情况,对目标港口进行资源利用分析;
S204,分析目标港口主要营业业务,获取港口属性信息,结合资源利用分析信息进行运营方向分析;
S206,根据候选运营方向推荐信息获取需求设备信息,与目标港口设备进行对比,分析是否符合设备需求,得到运营推荐方向信息;
S208,进行影响因素评估,分析历史客户选择目标港口的影响因素,并对目标港口进行态势分析;
S210,获取竞争需求信息,通过定价博弈模型得到定价策略,根据反应函数对各定价策略进行市场反应模拟,对各策略的模拟结果进行判断,选取最终定价策略。
进一步的,获取目标港口船只的实时监测信息,基于目标检测算法结合实时监测信息进行船只目标检测,得到目标检测信息;获取目标港口业务信息和装卸规划信息,根据目标港口业务信息提取当日船只来访信息和各船只的装卸规划信息,得到船只规划信息;结合所述目标检测信息和船只规划信息进行船只标记,并根据实时监测信息对各船只进行轨迹提取,得到轨迹提取信息和船只标记信息;根据所述轨迹提取信息对各船只进行轨迹演化,分析预测各船只的行为趋势,得到船只行为分析信息;根据所述船只实时监测信息计算船只航行速度,计算单位时间内船只位置变化距离与时间的比值,得到船只航行速率信息;获取目标港口数字地图,结合所述船只行为分析信息和船只标记信息判断船只行驶目的地,分析是否存在航线错误,得到船只航线分析信息;根据所述航线分析信息结合目标港口数字地图生成航线指引信息,将航线指引信息发送至对应船只进行指引,避免航线错误导致事故发生;预设航行速率判断阈值,将所述船只航行速率信息与所述航行速率判断阈值进行判断,分析是否存在超速行为,根据判断结果生成速率预警信息;根据所述船只标记信息和船只行为分析信息获取异常船只的临近船只,将所述速率预警信息发送至临近船只和异常船只进行预警提醒,避免造成航线拥堵和船只碰撞,提高港口作业的安全性。
图3为本发明一实施例提供的一种基于大数据分析的综合港口运营预测系统框图3,该系统包括:存储器31、处理器32,所述存储器31中包含基于大数据分析的综合港口运营预测方法程序,所述基于大数据分析的综合港口运营预测方法程序被所述处理器32执行时实现如下步骤:
获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析。
需要说明的是,本发明提供了一种基于大数据分析的综合港口运营预测方法及系统,通过分析目标港口的业务信息,进行吞吐量预测。综合考虑当前需求、船只信息等多方面因素,以估算未来一段时间内的吞吐量。然后,获取港口货物信息,分析货物堆积情况,根据分析结果进行船舶装卸规划,从而有效管理货物流动和减少拥堵。接着,构建目标港口数字地图,包括地形、道路和设施信息,利用数字地图进行运输路线规划,以优化货物的流动和设备的调度,并进行实时监控和拥堵分流,提高运输速率。然后,利用吞吐量预测信息进行目标港口营收预测,考虑运营成本判断港口运营营收情况,同时,进行资源利用分析,以了解港口资源的有效利用情况。基于资源利用分析和其他相关因素,提供运营方向推荐。这可以包括扩展业务领域、改进装卸流程等建议。对目标港口进行态势分析,分析港口的优势劣势威胁和机会,对港口的市场竞争力进行有效的分析。最后,进行定价分析,制定最佳的价格策略,以提高竞争力并吸引更多客户,提高港口的运营效率和效益。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于大数据分析的综合港口运营预测方法,其特征在于,包括:
获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析;
所述构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定,具体包括:
基于遥感技术获取目标港口区域地理信息,通过GIS系统构建目标港口数字地图,包括港口区域地形地图、港口区域道路地图和港口设施地图;
获取装卸规划信息和港口设备信息,对所述装卸规划信息进行特征提取,提取各规划时间段内货物的属性和体量,得到装卸规划特征信息;
根据所述港口设备信息的设备工作属性,计算装卸规划特征信息与设备工作属性之间的欧式距离,进行相关性分析,得到相关性分析信息;
结合相关性分析信息、装卸规划信息和目标港口数字地图制定设备调度方案;
基于分布式路径规划算法构建路线规划模型,将设备调度方案和装卸规划信息输入至路线规划模型中,结合目标港口数字地图进行运输路线规划,得到运输路线规划信息;
根据所述运输路线规划信息获取实时运输信息,通过所述实时运输信息进行路径情况分析,计算各区域内单位时间内的运输流量,并与预设阈值进行判断,得到路径情况分析信息;
根据路径情况分析信息进行拥堵分流,获取后续通过拥堵路段的路线,提取临近区域的运输流量,结合目标港口数字地图进行自适应路径更换,得到分流路线信息;
将所述分流路线信息发送至各运输设备,结合数字地图进行拥堵路段标记和分流路线指引,并进行可视化处理。
2.根据权利要求1所述的一种基于大数据分析的综合港口运营预测方法,其特征在于,所述获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,具体包括:
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,得到港口业务特征信息;
基于灰色预测模型结合粒子群优化算法构建吞吐量预测模型, 对所述吞吐量预测模型进行深度学习和训练;
将所述港口业务特征信息输入至所述吞吐量预测模型中进行分析,根据所述港口业务特征信息生成初始预测结果,得到初始预测信息;
根据平均相对误差的和构建目标函数,根据初始预测信息生成初始粒子群,计算初始粒子群个体的适应度值,并与预设阈值进行判断,根据判断结果进行位置和速度更新;
获取进行更新后的粒子群,提取个体最优适应度和全局最优适应度,进行寻优搜索并计算搜索后各粒子的适应度值,进行对比分析,得到寻优后适应度信息;
所述寻优后适应度信息包括个体最优适应度和全局最优适应度,将寻优后适应度信息分别与个体适应度和全局适应度进行判断,根据判断结果进行迭代更新;
获取最终适应度信息,根据最优适应度信息提取对应粒子,作为优化权重,对初始预测信息进行优化,得到吞吐量预测信息。
3.根据权利要求1所述的一种基于大数据分析的综合港口运营预测方法,其特征在于,所述获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划,具体包括:
获取港口货物信息和吞吐量预测信息,所述港口货物信息包括:港口货物堆积区域信息、港口货物堆积时间信息、港口货物堆积数量信息和港口货物类型信息;
对所述港口货物信息进行属性提取,提取堆积时间和数量、货物类型和堆积区域,得到港口货物属性信息;
根据所述港口货物属性信息进行堆积情况分析,计算货物堆积区域与可存储货物区域的比值,作为货物堆积率;
基于聚类算法对货物根据堆积时间进行划分,将对应的货物类型和数量划分至对应的堆积时间类型,结合分类结果和货物堆积率进行堆积情况分析,得到堆积情况分析信息;
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,提取入港船只信息和入港船只货物信息,得到港口船只特征信息;
预设船只属性、货物类型和交付信息三种评估指标,并分别设定相应的权重,结合所述港口船只特征信息进行加权计算,根据加权计算结果进行优先级评估,得到优先级评估信息;
结合所述优先级评估信息、港口船只特征信息和堆积情况分析信息进行船舶装卸规划,得到装卸规划信息。
4.根据权利要求1所述的一种基于大数据分析的综合港口运营预测方法,其特征在于,所述获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐,具体包括:
获取设备调度方案、运输路线规划信息、港口人员信息和堆积情况分析信息,进行港口运营成本计算,得到港口运营成本信息;
获取吞吐量预测信息,构建港口营收预测模型,将所述港口运营成本信息和吞吐量预测信息输入至港口营收预测模型进行预测,得到港口营收预测信息;
根据堆积情况分析信息和设备调度方案进行资源利用分析,计算堆积场地和设备使用率,得到资源利用分析信息;
获取单位时间内的港口业务信息,进行特征提取,提取港口业务属性和货物属性,得到港口业务属性特征信息;
基于统计学算法对所述港口业务属性特征信息进行主要业务评估,分析各种属性业务的出现频率,作为评估指标,得到主要业务评估信息;
获取港口属性信息,结合所述主要业务评估信息和资源利用分析信息进行运营方向分析,得到候选运营方向分析信息;
获取港口设备信息,通过所述候选运营方向分析信息基于大数据检索获取需求设备信息,将所述港口设备信息与所述需求设备信息进行对比分析,得到需求设备适配分析信息;
根据需求设备适配分析信息对各候选运营方向进行可行性评估,根据评估结果选取最终推荐运营方向,得到运营方向推荐信息。
5.根据权利要求1所述的一种基于大数据分析的综合港口运营预测方法,其特征在于,所述获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析,具体包括:
获取港口日常运营信息,将所述港口日常运营分析信息输入至吞吐量预测模型中,将最大吞吐量作为预测指标进行预测,得到最大吞吐量预测信息;
获取港口业务范围信息和历史运营信息,分别进行特征提取,提取业务属性、历史运营方向和各运营方向的效益,得到港口运营特征信息;
获取历史客户信息和竞争港口信息,基于多头注意力机制结合历史客户信息和竞争港口信息,预设位置、时间和成本三个注意力头,分别计算各影响因素的注意力分数,作为影响因素评估指标进行评估,得到影响因素评估信息;
基于态势分析法根据影响因素评估信息、历史客户信息、竞争港口信息和港口运营特征信息对目标港口进行SWOT分析,得到态势分析信息;
构建定价博弈模型,获取竞争需求信息,根据所述竞争需求信息构建博弈目标函数,将运营方向推荐信息、影响因素评估信息、态势分析信息和最大吞吐量预测信息输入至定价博弈模型中,进行定价策略分析;
预设反应函数,对分析得到的定价策略进行市场反应模拟,分析不同策略的市场反应并与预设阈值进行判断,根据判断结果选取最终定价策略,得到最终定价策略信息。
6.一种基于大数据分析的综合港口运营预测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包含基于大数据分析的综合港口运营预测方法程序,所述基于大数据分析的综合港口运营预测方法程序被所述处理器执行时实现如下步骤:
获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,得到吞吐量预测信息;
获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划;
构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定;
获取吞吐量预测信息,进行目标港口营收预测和资源利用分析,并进行运营方向推荐;
获取运营方向推荐信息,对目标港口进行态势分析,并对运营推荐方向进行定价分析;
所述构建目标港口数字地图,根据目标港口数字地图进行运输路线规划和设备调度方案制定,具体包括:
基于遥感技术获取目标港口区域地理信息,通过GIS系统构建目标港口数字地图,包括港口区域地形地图、港口区域道路地图和港口设施地图;
获取装卸规划信息和港口设备信息,对所述装卸规划信息进行特征提取,提取各规划时间段内货物的属性和体量,得到装卸规划特征信息;
根据所述港口设备信息的设备工作属性,计算装卸规划特征信息与设备工作属性之间的欧式距离,进行相关性分析,得到相关性分析信息;
结合相关性分析信息、装卸规划信息和目标港口数字地图制定设备调度方案;
基于分布式路径规划算法构建路线规划模型,将设备调度方案和装卸规划信息输入至路线规划模型中,结合目标港口数字地图进行运输路线规划,得到运输路线规划信息;
根据所述运输路线规划信息获取实时运输信息,通过所述实时运输信息进行路径情况分析,计算各区域内单位时间内的运输流量,并与预设阈值进行判断,得到路径情况分析信息;
根据路径情况分析信息进行拥堵分流,获取后续通过拥堵路段的路线,提取临近区域的运输流量,结合目标港口数字地图进行自适应路径更换,得到分流路线信息;
将所述分流路线信息发送至各运输设备,结合数字地图进行拥堵路段标记和分流路线指引,并进行可视化处理。
7.根据权利要求6所述的一种基于大数据分析的综合港口运营预测系统,其特征在于,所述获取目标港口业务信息,根据所述目标港口业务信息进行吞吐量预测,具体包括:
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,得到港口业务特征信息;
基于灰色预测模型结合粒子群优化算法构建吞吐量预测模型, 对所述吞吐量预测模型进行深度学习和训练;
将所述港口业务特征信息输入至所述吞吐量预测模型中进行分析,根据所述港口业务特征信息生成初始预测结果,得到初始预测信息;
根据平均相对误差的和构建目标函数,根据初始预测信息生成初始粒子群,计算初始粒子群个体的适应度值,并与预设阈值进行判断,根据判断结果进行位置和速度更新;
获取进行更新后的粒子群,提取个体最优适应度和全局最优适应度,进行寻优搜索并计算搜索后各粒子的适应度值,进行对比分析,得到寻优后适应度信息;
所述寻优后适应度信息包括个体最优适应度和全局最优适应度,将寻优后适应度信息分别与个体适应度和全局适应度进行判断,根据判断结果进行迭代更新;
获取最终适应度信息,根据最优适应度信息提取对应粒子,作为优化权重,对初始预测信息进行优化,得到吞吐量预测信息。
8.根据权利要求6所述的一种基于大数据分析的综合港口运营预测系统,其特征在于,所述获取港口货物信息,通过所述港口货物信息分析货物堆积情况,根据分析结果进行船舶装卸规划,具体包括:
获取港口货物信息和吞吐量预测信息,所述港口货物信息包括:港口货物堆积区域信息、港口货物堆积时间信息、港口货物堆积数量信息和港口货物类型信息;
对所述港口货物信息进行属性提取,提取堆积时间和数量、货物类型和堆积区域,得到港口货物属性信息;
根据所述港口货物属性信息进行堆积情况分析,计算货物堆积区域与可存储货物区域的比值,作为货物堆积率;
基于聚类算法对货物根据堆积时间进行划分,将对应的货物类型和数量划分至对应的堆积时间类型,结合分类结果和货物堆积率进行堆积情况分析,得到堆积情况分析信息;
获取目标港口业务信息,对所述目标港口业务信息进行特征提取,提取入港船只信息和入港船只货物信息,得到港口船只特征信息;
预设船只属性、货物类型和交付信息三种评估指标,并分别设定相应的权重,结合所述港口船只特征信息进行加权计算,根据加权计算结果进行优先级评估,得到优先级评估信息;
结合所述优先级评估信息、港口船只特征信息和堆积情况分析信息进行船舶装卸规划,得到装卸规划信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311679542.1A CN117634926B (zh) | 2023-12-08 | 2023-12-08 | 基于大数据分析的综合港口运营预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311679542.1A CN117634926B (zh) | 2023-12-08 | 2023-12-08 | 基于大数据分析的综合港口运营预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117634926A CN117634926A (zh) | 2024-03-01 |
CN117634926B true CN117634926B (zh) | 2024-06-04 |
Family
ID=90037390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311679542.1A Active CN117634926B (zh) | 2023-12-08 | 2023-12-08 | 基于大数据分析的综合港口运营预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634926B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171796A (zh) * | 2024-05-14 | 2024-06-11 | 湖南小蓝机器人科技有限公司 | 殡葬服务数字一体化管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404945A (zh) * | 2015-12-29 | 2016-03-16 | 中冶南方工程技术有限公司 | 港口疏运量预测方法及系统 |
CN114066356A (zh) * | 2021-11-15 | 2022-02-18 | 中远海运科技股份有限公司 | 一种集装箱调运计算模型及平台 |
CN114861956A (zh) * | 2022-07-04 | 2022-08-05 | 深圳市大树人工智能科技有限公司 | 智慧港口综合管理系统 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102338291B1 (ko) * | 2019-11-18 | 2021-12-13 | 올시데이터 주식회사 | 빅데이터분석에 의한 선박의 자산가치 평가방법 |
CN114936724B (zh) * | 2022-07-25 | 2022-09-20 | 四川语璐科技有限公司 | 一种基于大数据的路线预测推荐方法和系统 |
CN116307322A (zh) * | 2023-03-17 | 2023-06-23 | 交通运输部规划研究院 | 一种基于港口吞吐量的船舶路径动态规划方法 |
CN117151417B (zh) * | 2023-09-22 | 2024-03-12 | 交通运输部水运科学研究所 | 基于数字孪生的港口运营管理方法、系统及存储介质 |
CN117037547B (zh) * | 2023-10-07 | 2023-12-19 | 交通运输部水运科学研究所 | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 |
-
2023
- 2023-12-08 CN CN202311679542.1A patent/CN117634926B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404945A (zh) * | 2015-12-29 | 2016-03-16 | 中冶南方工程技术有限公司 | 港口疏运量预测方法及系统 |
CN114066356A (zh) * | 2021-11-15 | 2022-02-18 | 中远海运科技股份有限公司 | 一种集装箱调运计算模型及平台 |
CN114861956A (zh) * | 2022-07-04 | 2022-08-05 | 深圳市大树人工智能科技有限公司 | 智慧港口综合管理系统 |
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 |
Non-Patent Citations (3)
Title |
---|
"基于灰色组合模型的福建省港口集装箱吞吐量预测研究";陆文杰;《中国优秀硕士论文全文数据库经济与管理科学辑(月刊)》;20121215(第12期);第J151-4页 * |
"集疏运环境下煤炭港口网络优化及运营策略研究";刘爽;《中国博士论文全文数据库经济与管理科学辑(月刊)》;20141215(第12期);第J150-21页 * |
刘爽."集疏运环境下煤炭港口网络优化及运营策略研究".《中国博士论文全文数据库经济与管理科学辑(月刊)》.2014,(第12期),第J150-21页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117634926A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Two-echelon location-routing optimization with time windows based on customer clustering | |
Asgari et al. | Sustainability ranking of the UK major ports: Methodology and case study | |
Menou et al. | Decision support for centralizing cargo at a Moroccan airport hub using stochastic multicriteria acceptability analysis | |
Taniguchi et al. | Predicting the effects of city logistics schemes | |
Aljohani et al. | A multi-criteria spatial evaluation framework to optimise the siting of freight consolidation facilities in inner-city areas | |
CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
Ferrer et al. | BIN-CT: Urban waste collection based on predicting the container fill level | |
CN117634926B (zh) | 基于大数据分析的综合港口运营预测方法及系统 | |
Bu et al. | Selection of city distribution locations in urbanized areas | |
CN112700192B (zh) | 一种基于spark物联网的码头物流业务对象处理方法 | |
Jiang et al. | A scheme for determining vehicle routes based on Arc-based service network design | |
CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 | |
Xing et al. | Tank Container Operators’ profit maximization through dynamic operations planning integrated with the quotation-booking process under multiple uncertainties | |
CN116664029A (zh) | 冷链干线与落地配整合方法、装置、设备及存储介质 | |
Nagpal et al. | Use of data analytics to increase the efficiency of last mile logistics for ecommerce deliveries | |
de Morais et al. | A solution methodology for a Smart Waste Collection Routing Problem with workload concerns: Computational and managerial insights from a real case study | |
Layaa et al. | Measuring and analysing terminal capacity in East Africa: The case of the seaport of Dar es Salaam | |
Pilati et al. | Multi-objective optimisation for sustainable few-to-many pickup and delivery vehicle routing problem | |
Chu et al. | Vessel turnaround time prediction: A machine learning approach | |
Riaño et al. | A new metaheuristic approach for the meat routing problem by considering heterogeneous fleet with time windows | |
CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
Mohan et al. | Prioritisation of dry port locations using MCDM methods: A case of cochin port | |
Andersen et al. | Reoptimisation strategies for dynamic vehicle routing problems with proximity-dependent nodes | |
Ferrucci et al. | Introduction to tour Planning: Vehicle routing and related problems | |
Akter | Truck activity pattern classification using anonymous mobile sensor data |
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 |