CN117828489B - 智能船舶远程动态控制系统 - Google Patents

智能船舶远程动态控制系统 Download PDF

Info

Publication number
CN117828489B
CN117828489B CN202410247110.1A CN202410247110A CN117828489B CN 117828489 B CN117828489 B CN 117828489B CN 202410247110 A CN202410247110 A CN 202410247110A CN 117828489 B CN117828489 B CN 117828489B
Authority
CN
China
Prior art keywords
berth
distance
vector
moment
samples
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
CN202410247110.1A
Other languages
English (en)
Other versions
CN117828489A (zh
Inventor
邵剑华
赵丽树
姚永波
刘玉旺
樊海泉
白景雪
郝保祥
田晔晨
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.)
Hegang International Technology Beijing Co ltd
Original Assignee
Hegang International Technology Beijing Co ltd
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 Hegang International Technology Beijing Co ltd filed Critical Hegang International Technology Beijing Co ltd
Priority to CN202410247110.1A priority Critical patent/CN117828489B/zh
Publication of CN117828489A publication Critical patent/CN117828489A/zh
Application granted granted Critical
Publication of CN117828489B publication Critical patent/CN117828489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种智能船舶远程动态控制系统，首先实时计数模块在每个时刻计数港口停泊状况，并给出相关评判，集合选定模块则依据各时刻港口停泊状况以及相关评判，计算向量距离，并依据向量距离进行决策树分类，由此确定与最近时刻最为接近的历史时刻的正常停泊状况，随后决策单元依据选取的历史时刻对接下来的时刻的港口泊位分配进行提前决策。本发明可以实现高度自动化，而且在港口泊位决策上既照顾到当前的现实情况，又可以最大限度确保下一时刻的港口泊位分配既不拥堵也不浪费空间。

Description

智能船舶远程动态控制系统
技术领域
本发明涉及一种智能船舶远程动态控制系统。
背景技术
近年来，全球贸易量仍然呈现提升之势，相应地，船舶运输业也得到蓬勃发展。事实上，当前阶段，从全球来看，大宗商品的运输，仍然以海运为主。
船舶运输的蓬勃发展，不仅对船舶本身的性能提出了很大的挑战，而且对港口的管理调度也提出了很高的要求。
然而，当前港口的管理调度仍然基本处于静态管理阶段，对于港口内船舶的管理始终处于被动状态。一方面，随着运输船舶的数量日益增多，许多港口由于管理不善，导致泊位捉襟见肘，另一方面，随着运输淡季的到来，许多港口往往由会在局部区域出现泊位过剩的情况。
因此，如何对港口泊位进行动态控制，从而提高泊船效率，进而发挥港口的最大性能，成为了当前船舶运输业的一个至关重要的课题。
发明内容
本发明提供一种基于人工智能的分布式智能仓库调度系统，有效地克服了现有技术存在的上述缺陷。
具体而言，本发明提供一种智能船舶远程动态控制系统，该系统包括实时计数模块、集合选定模块、决策模块，实时计数模块记录下港口在第0时刻、第1时刻直至第n时刻中每一时刻下港口的泊位整体状况并将泊位整体状况分为“拥堵”、“空闲”或“正常”，并记录大船区、中船区、小船区、临时停靠区这四个区的船舶停泊数量，由此形成停泊向量k0、k1、…、kn，随后计算停泊向量k1、…、kn分别与停泊向量k0的向量距离l 1、l 2、…、l n，集合选定模块计算向量距离中的最大值Max和最小值MinL并由此形成向量距离区间[MinL，MaxL]，该距离区间被平分为三段，分别为低距离段、中距离段、高距离段，接着，以向量k1、…、kn作为数据总集，以低距离段、中距离段、高距离段作为根节点分类，以泊位整体状况作为叶子节点进行决策树分类，由此求出低距离段、中距离段、高距离段各距离分类类别下的单独经验条件熵H1、H2、H3，在H1、H2、H3中选取最小值MinH，最小值MinH对应的距离分类类别下的继续进行泊位整体状况分类中“正常”的叶子节点分类集合选定为备选集合，该备选集合被发送至决策模块；在决策模块中，备选集合所包含的m个向量均与第n时刻的向量kn进行向量距离运算，由此形成m个向量距离，在m个向量距离中选取最小向量距离l min，决策模块进一步获取最小向量距离l min对应的时刻t，其中，1≤t≤n，并向港口远程发送指令，要求港口依据时刻t的泊位情况在第n+1时刻进行泊位分配。
具体而言，将向量k1、k2...kn依次与向量k0进行向量距离计算，形成向量距离l 1、l 2、…、l n，向量距离的计算公式为：
，
由此，整数i从1一直取值至整数n，由此形成与n个时刻对应的向量距离l 1、l 2、…、l n。
优选地，所述距离区间被平分为三段，分别为低距离段、中距离段、高距离段，以数学形式表达，则为低距离段的区间为[MinL，MinL+( MaxL- MinL)/3]，中距离段的区间为(MinL+( MaxL- MinL)/3，MinL+( MaxL- MinL)*2/3]，高距离段的区间为(MinL+( MaxL-MinL)*2/3，MaxL]。
优选地，单独经验条件熵H1、H2、H3的计算公式如下：
，
其中，H表示上述H1、H2、H3中的任一个，D表示数据总集的样本总数，即，取值为上述整数n，Di表示各距离分类下的样本总数，即，取值为整数n1或n2或n3，Dik表示在距离分类之下又以泊位情况分类出的样本数，K表示泊位情况的分类数量，取值K=3，其中，设定落于低距离段的有n1个时刻的停泊向量，落于中距离段的有n2个时刻的停泊向量，落于高距离段的有n3个时刻的停泊向量，由此，就有n=n1+n2+n3。
更具体地，当n=20时，第1时刻至第20时刻一共20个样本总数作为样本数据总集，设定根节点分类为：低距离段5个时刻样本，中距离段7个时刻样本，高距离段8个时刻样本，叶子节点继续分类，低距离段5个时刻样本中，3个为泊位情况正常，1个为拥堵，1个为空闲；中距离段7个时刻样本中，4个为泊位情况正常，2个为拥堵，1个为空闲；高距离段8个时刻样本中，4个为泊位情况正常，2个为拥堵，2个为空闲，由此通过所述公式求出H1=0.3427，H2=0.4826，H3=0.600。
概括而言，本发明提供一种智能船舶远程动态控制系统，首先实时计数模块在每个时刻计数港口停泊状况，并给出相关评判，集合选定模块则依据各时刻港口停泊状况以及相关评判，计算向量距离，并依据向量距离进行决策树分类，由此确定与最近时刻最为接近的历史时刻的正常停泊状况，随后决策单元依据选取的历史时刻对接下来的时刻的港口泊位分配进行提前决策。本发明可以实现高度自动化，而且在港口泊位决策上既照顾到当前的现实情况，又可以最大限度确保下一时刻的港口泊位分配既不拥堵也不浪费空间。
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，以下将对实施例或现有技术描述中所需要使用的附图进行论述，显然，在结合附图进行描述的技术方案仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1示出了根据本发明的智能船舶远程动态控制系统下的决策树的示例性视图。
图2示出了根据本发明的智能船舶远程动态控制系统的操作流程图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚完整描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部实施例。基于本发明中所述的实施例，本领域普通技术人员在不需要创造性劳动的前提下所得到的所有其它实施例，都在本发明所保护的范围内。
本发明提供一种智能船舶远程动态控制系统，以历史数据为基础进行相关决策，并在决策的基础上对港口泊位进行有效调度，从而确保当前船舶在港口停靠时不至于过于拥堵也不至于过于浪费空间。
港口的所有泊位可以按照停靠船舶的大小进行分区，可分为大船区、中船区、小船区、临时停靠区。这四个分区所停泊的船舶数量随着时间的推进均会出现变化。
因此，在所述智能船舶远程动态控制系统中设置实时计数模块，在每一特定时刻记录下四个分区的船舶停泊数量以及是否异常的记录。
具体而言，在第0时刻（例如，第0天），实时计数模块记录下大船区、中船区、小船区、临时停靠区的船舶停泊数量为a0、b0、c0、d0，由此形成向量k0=[a0，b0，c0，d0]。此时，如果任一区域的泊位紧张，则整体状况记录为“拥堵”，而如果任一区域的泊位过剩，则整体状况记录为“空闲”，而如果整体状况良好，则记录为“正常”。
在第0时刻固定时间后的下一时刻，即，第1时刻（例如，第1天），以此类推，大船区、中船区、小船区、临时停靠区的船舶停泊数量为a1、b1、c1、d1，由此形成停泊向量k1=[a1，b1，c1，d1]。对应地，第1时刻的泊位状况也可以记录为“拥堵”、“空闲”或“正常”。
依次类推，在任意第i时刻（例如，第i天），其中i≥1，大船区、中船区、小船区、临时停靠区的船舶停泊数量为ai、bi、ci、di，由此形成停泊向量ki=[ai，bi，ci，di]。对应地，第i时刻的泊位情况也可以记录为“拥堵”、“空闲”或“正常”。
接下来，所述智能船舶远程动态控制系统启动其内的向量距离计算模块。将向量k1、k2...ki依次与向量k0进行向量距离计算，形成向量距离l 1、l 2、…、l i，向量距离的计算公式为：
，
由此，整数i就从1一直取值至整数n，由此形成与n个时刻对应的向量距离l 1、l 2、…、l n。
接着，智能船舶远程动态控制系统再启动其中的集合选定模块，该集合选定模块计算向量距离中的最大值MaxL=max{l 1、l 2、…、l n}，并计算上述向量距离中的最小值MinL=min{l 1、l 2、…、l n}，由此形成向量距离区间[MinL，MaxL]。
该距离区间被平分为三段，分别为低距离段、中距离段、高距离段，如果以数学形式表达，则为低距离段的区间为[MinL，MinL+( MaxL- MinL)/3]，中距离段的区间为(MinL+( MaxL- MinL)/3，MinL+( MaxL- MinL)*2/3]，高距离段的区间为(MinL+( MaxL- MinL)*2/3，MaxL]。
由此，第1时刻至第n时刻这n个时刻的停泊向量总会落在上述三个区间段中的任一个内。
设定落于低距离段的有n1个时刻的停泊向量，落于中距离段的有n2个时刻的停泊向量，落于高距离段的有n3个时刻的停泊向量。由此，就有n=n1+n2+n3。
由此，这n个时刻就有了两种分类，其一为区间距离分类，如上文所述，这n个时刻可分别进入低距离段、中距离段、高距离段，其二，每个时刻可根据泊位情况分别记录为“拥堵”、“空闲”或“正常”。
接着，以第1时刻至第n时刻的n个向量作为数据总集，以低距离段、中距离段、高距离段作为根节点分类，以泊位情况（即，“拥堵”、“空闲”或“正常”）作为叶子节点进行决策树分类，由此求出低距离段、中距离段、高距离段各距离分类下的单独经验条件熵H1、H2、H3。
单独经验条件熵H1、H2、H3的计算公式如下：
，
其中，H表示上述H1、H2、H3中的任一个，D表示数据总集的样本总数，即，取值为上述整数n，Di表示各距离分类下的样本总数，即，取值为上述整数n1或n2或n3，Dik表示在距离分类之下又以泊位情况分类出的样本数，K表示泊位情况的分类数量，在此取值K=3。
例如，图1就示出了根据本发明的智能船舶远程动态控制系统下的决策树的示例性视图。
如图1所示，取第1时刻至第20时刻一共20个样本总数作为样本数据总集，根节点分类为：低距离段5个时刻样本，中距离段7个时刻样本，高距离段8个时刻样本。接下来叶子节点（泊位情况）继续分类，低距离段5个时刻样本中，3个为泊位情况正常，1个为拥堵，1个为空闲；中距离段7个时刻样本中，4个为泊位情况正常，2个为拥堵，1个为空闲；高距离段8个时刻样本中，4个为泊位情况正常，2个为拥堵，2个为空闲。
由此就可以套用上述公式求出单独经验条件熵，H1=0.3427，H2=0.4826，H3=0.600。
接着，在H1、H2、H3中选取最小值MinH，最小值MinH对应的距离段作为根节点下的继续进行泊位情况分类中“正常”的叶子节点分类集合选定为备选集合，由此集合选定模块工作完成。例如，在上述示例中，选取的MinH就是H1、H2、H3中的最小值，即，H1。
接着，本发明所提供的智能船舶远程动态控制系统进一步启动决策模块。备选集合被发送至决策模块。在决策模块中，备选集合所包含的m个向量均与第n时刻的向量kn进行向量距离运算，由此形成m个向量距离，在m个向量距离中选取最小向量距离l min。向量距离越小，也就意味着两个向量之间的差距最小，从而进一步意味着这两个向量对应的时刻相互间的港口状况较为接近。
因此，决策模块进一步获取最小向量距离l min对应的时刻t（其中，1≤t≤n），并向港口远程发送指令，要求港口依据时刻t的泊位情况在第n+1时刻进行泊位分配。
承接上例，在如图1所示的决策树中，选取的备选集合即为H1对应的低距离段之下的3个“正常”向量。而时刻t就是从这三个“正常”向量中选出。
图2示出了根据本发明的智能船舶远程动态控制系统的操作流程图。
行文至此，已将本发明基本介绍完毕。概括而言，本发明提供一种智能船舶远程动态控制系统，首先实时计数模块在每个时刻计数港口停泊状况，并给出相关评判，集合选定模块则依据各时刻港口停泊状况以及相关评判，计算向量距离，并依据向量距离进行决策树分类，由此确定与最近时刻最为接近的历史时刻的正常停泊状况，随后决策单元依据选取的历史时刻对接下来的时刻的港口泊位分配进行提前决策。本发明可以实现高度自动化，而且在港口泊位决策上既照顾到当前的现实情况，又可以最大限度确保下一时刻的港口泊位分配既不拥堵也不浪费空间。
以上所述仅为本发明的示例性实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (5)

1.一种智能船舶远程动态控制系统，其特征在于，该系统包括实时计数模块、集合选定模块、决策模块，
实时计数模块记录下港口在第0时刻、第1时刻直至第n时刻中每一时刻下港口的泊位整体状况并将泊位整体状况分为“拥堵”、“空闲”或“正常”，并记录大船区、中船区、小船区、临时停靠区这四个区的船舶停泊数量，形成第0时刻、第1时刻直至第n时刻的停泊向量k0、k1、…、kn，随后计算停泊向量k1、…、kn分别与停泊向量k0的向量距离l 1、l 2、…、l n，其中，n为整数，且n≥1，在第0时刻，实时计数模块记录下大船区、中船区、小船区、临时停靠区的船舶停泊数量为a0、b0、c0、d0，形成第0时刻的停泊向量k0=[a0，b0，c0，d0]；在任意第i时刻，其中i依次从1取值至n，大船区、中船区、小船区、临时停靠区的船舶停泊数量为ai、bi、ci、di，形成第i时刻的停泊向量ki=[ai，bi，ci，di]，
集合选定模块计算向量距离中的最大值Max和最小值MinL并形成向量距离区间[MinL，MaxL]，该距离区间被平分为三段，分别为低距离段、中距离段、高距离段，接着，以向量k1、…、kn作为数据总集，以低距离段、中距离段、高距离段作为根节点分类，以泊位整体状况作为叶子节点进行决策树分类，求出低距离段、中距离段、高距离段各距离分类类别下的经验条件熵H1、H2、H3，在H1、H2、H3中选取最小值MinH，最小值MinH对应的距离分类类别下的继续进行泊位整体状况分类中“正常”的叶子节点分类集合选定为备选集合，该备选集合被发送至决策模块；
在决策模块中，备选集合所包含的m个向量均与第n时刻的向量kn进行向量距离运算，形成m个向量距离，在m个向量距离中选取最小向量距离l min，决策模块进一步获取最小向量距离l min对应的时刻t，其中，1≤t≤n，并向港口远程发送指令，要求港口依据时刻t的泊位情况在第n+1时刻进行泊位分配。
2.根据权利要求1所述的系统，其特征在于，将向量k1、k2...kn依次与向量k0进行向量距离计算，形成向量距离l 1、l 2、…、l n，向量距离的计算公式为：
，
整数i从1一直取值至整数n，形成与n个时刻对应的向量距离l 1、l 2、…、l n。
3.根据权利要求1所述的系统，其特征在于，所述距离区间被平分为三段，分别为低距离段、中距离段、高距离段，以数学形式表达，则为低距离段的区间为[MinL，MinL+( MaxL-MinL)/3]，中距离段的区间为(MinL+( MaxL- MinL)/3，MinL+( MaxL- MinL)*2/3]，高距离段的区间为(MinL+( MaxL- MinL)*2/3，MaxL]。
4.根据权利要求1所述的系统，其特征在于，经验条件熵H1、H2、H3的熵计算公式如下：
，
其中，H表示上述H1、H2、H3中的任一个，D表示数据总集的样本总数，取值为上述整数n，Di表示各距离分类下的样本总数，取值为整数n1或n2或n3，Dik表示在距离分类之下又以泊位情况分类出的样本数，K表示泊位情况的分类数量，取值K=3，其中，设定落于低距离段的有n1个时刻的停泊向量，落于中距离段的有n2个时刻的停泊向量，落于高距离段的有n3个时刻的停泊向量，n=n1+n2+n3。
5.根据权利要求4所述的系统，其特征在于，当n=20时，第1时刻至第20时刻一共20个样本总数作为样本数据总集，设定根节点分类为：低距离段5个时刻样本，中距离段7个时刻样本，高距离段8个时刻样本，叶子节点继续分类，低距离段5个时刻样本中，3个为泊位情况正常，1个为拥堵，1个为空闲；中距离段7个时刻样本中，4个为泊位情况正常，2个为拥堵，1个为空闲；高距离段8个时刻样本中，4个为泊位情况正常，2个为拥堵，2个为空闲，通过所述熵计算公式求出H1=0.3427，H2=0.4826，H3=0.600。
CN202410247110.1A 2024-03-05 2024-03-05 智能船舶远程动态控制系统 Active CN117828489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410247110.1A CN117828489B (zh) 2024-03-05 2024-03-05 智能船舶远程动态控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410247110.1A CN117828489B (zh) 2024-03-05 2024-03-05 智能船舶远程动态控制系统

Publications (2)

Publication Number Publication Date
CN117828489A CN117828489A (zh) 2024-04-05
CN117828489B true CN117828489B (zh) 2024-05-14

Family

ID=90509938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410247110.1A Active CN117828489B (zh) 2024-03-05 2024-03-05 智能船舶远程动态控制系统

Country Status (1)

Country Link
CN (1) CN117828489B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710979A (zh) * 2018-03-31 2018-10-26 西安电子科技大学 一种基于决策树的物联网港口船舶调度方法
CN111845773A (zh) * 2020-07-06 2020-10-30 北京邮电大学 基于强化学习的自动驾驶车辆微观决策方法
CN116011731A (zh) * 2022-12-05 2023-04-25 中国电建集团成都勘测设计研究院有限公司 基于机器学习算法与雨洪数值模型的厂网河联合调度方法
CN116362370A (zh) * 2022-09-07 2023-06-30 成都秦川物联网科技股份有限公司 智慧城市停车场车位状态预估方法、物联网系统及装置
CN116702996A (zh) * 2023-06-25 2023-09-05 南京工程学院 一种基于典型工况识别的电动公交车辆能量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10628432B2 (en) * 2018-02-19 2020-04-21 Microsoft Technology Licensing, Llc Personalized deep models for smart suggestions ranking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710979A (zh) * 2018-03-31 2018-10-26 西安电子科技大学 一种基于决策树的物联网港口船舶调度方法
CN111845773A (zh) * 2020-07-06 2020-10-30 北京邮电大学 基于强化学习的自动驾驶车辆微观决策方法
CN116362370A (zh) * 2022-09-07 2023-06-30 成都秦川物联网科技股份有限公司 智慧城市停车场车位状态预估方法、物联网系统及装置
CN116011731A (zh) * 2022-12-05 2023-04-25 中国电建集团成都勘测设计研究院有限公司 基于机器学习算法与雨洪数值模型的厂网河联合调度方法
CN116702996A (zh) * 2023-06-25 2023-09-05 南京工程学院 一种基于典型工况识别的电动公交车辆能量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于用户画像及多车协同的环岛车辆换道策略;曹栋发等;《计算机仿真》;20240229;第151-156页 *

Also Published As

Publication number Publication date
CN117828489A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN118608028B (zh) 一种船舶与地面运输车辆协同的港口物料调度模拟方法
CN118446463B (zh) 一种基于船舶需求分析的泊位分配方法及系统
CN110782160A (zh) 船舶泊位分配方法、系统及装置
Pani et al. A data mining approach to forecast late arrivals in a transhipment container terminal
CN117273202A (zh) 港口泊位分配优化方法、系统及存储介质
JP6276597B2 (ja) 分類装置および分類方法
CN120875499B (zh) 一种基于物联网的港口货物智能调度系统及方法
CN118313631B (zh) 船舶智能指泊方法及系统
Kooij et al. When will autonomous ships arrive? A technological forecasting perspective
CN120509806B (zh) 随机事件推演下港口集装箱运输全流程仿真及空间规划量化系统及方法
CN107942860A (zh) 开敞式码头系泊缆力预警方法及系统
CN120525281A (zh) 一种船舶岸端智能管理方法、系统、设备和存储介质
CN120298034A (zh) 一种基于人工智能的航运集装箱运价预测方法
CN116542488A (zh) 一种基于人工智能的港口调度方法和系统
CN119047794A (zh) 一种基于强化学习的集装箱码头自动化调度方法及系统
CN121212712B (zh) 基于深度学习的江海联运码头资源智能动态配置方法及系统
CN121328810A (zh) 基于历史轨迹大数据的船舶抵达泊位时间预测方法及系统
CN117094460A (zh) 一种基于od数据的多目标旅行商控制方法、系统及介质
CN117828489A (zh) 智能船舶远程动态控制系统
CN121235428A (zh) 一种组合船队智能管理方法及系统
Liu et al. The improved AFSA algorithm for the berth allocation and quay crane assignment problem
CN120430598A (zh) 应用于江海联运的资源动态配置方法及系统
KR20200038915A (ko) 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
Hia Operation Data analityc of barge changeover process in coal loading jetties: A case study with multi-size barges and variable jetty capacities
CN120069468B (zh) 一种基于通航承载力的水上服务区船舶停靠分配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant