【技术实现步骤摘要】
本专利技术涉及机器学习，尤其是涉及一种基于机器学习的集装箱码头翻箱方法、装置及设备。
技术介绍
1、集装箱码头的装卸工艺可以系统划分为岸边装卸、水平运输和堆场作业这三个模块，堆场在有效衔接多个模块作业等方面具有中心枢纽的地位和作用，因而成为集装箱码头建设的重中之重。由于集装箱到达堆场的时间具有不确定性，不可避免会出现离开时间较早的集装箱被压在离开时间较晚的集装箱下方，造成压箱现象。如何为被压箱上方的集装箱寻找合适的落箱位，如何尽可能减少整个提箱过程中出现的翻箱数量，是集装箱码头亟须解决的关键技术问题。
2、集装箱码头的翻箱问题是一个组合优化问题，在集装箱数量规模较小且对求解速度没有强制性要求的情况下，往往可以通过整数规划模型或是启发式算法来求解。但随着箱区规模越来越大，对翻箱时效性要求越来越高，传统方法的局限性开始显现，要么无法适用于更高维的场景，要么在多项式时间内无法求解。具体地，对于集装箱码头的翻箱问题，当前多以“生成集装箱初始堆存状态——分析影响翻箱数量的原因——减小翻箱搜索空间——求解翻箱数量”的研究思路为主，鲜少有研究探讨翻箱数量到底是被什么翻箱因素影响，到底哪些翻箱因素是重要的，也尚未从数学上做相应证明。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术提供一种基于机器学习的集装箱码头翻箱方法、装置及设备，用以解决相关技术中的问题。
2、根据本专利技术的第一方面，提供一种基于机器学习的集装箱码头翻箱方法，所述方法包括：
3、获
4、将所述堆存状态数据输入预先训练好的机器学习模型中，获得所述目标箱的翻箱路径；其中，所述机器学习模型基于对若干堆存状态数据提取的若干翻箱影响因素进行训练获得；
5、根据所述翻箱路径，提取所述目标箱。
6、优选地，所述机器学习模型的训练方法包括：
7、获取若干堆存状态数据，构建训练数据集；
8、对所述训练数据集中的每个所述堆存状态数据提取所述若干翻箱影响因素；
9、基于预设的翻箱算法计算获得所述训练数据集中的每个所述堆存状态数据对应的最优翻箱路径；
10、应用所述训练数据集中的每个所述堆存状态数据，以所述若干翻箱影响因素作为输入数据，所述最优翻箱路径作为预测标签，进行有监督学习，获得所述机器学习模型。
11、优选地，所述机器学习模型的训练方法还包括：
12、在进行有监督学习获得所述机器学习模型后，通过归因分析计算获得所有所述翻箱影响因素中重要性系数最高的若干重要影响因素；
13、基于所述若干重要影响因素作为输入数据重新进行有监督学习，更新所述机器学习模型。
14、优选地，所述获取若干堆存状态数据，包括：
15、通过预设的数据生成器生成若干所述堆存状态数据。
16、优选地，所述通过预设的数据生成器生成若干所述堆存状态数据，包括：
17、设定堆存状态数据的最大栈数s和最大层数h，并计算获得最少空余位置s×h-(h-1)；
18、基于所述最大栈数s与所述最大层数h，通过所述数据生成器随机组合生成若干堆存状态数据，其中包括各个集装箱的检索优先级。
19、优选地，所述预设的翻箱算法包括存在限制条件的翻箱问题对应的翻箱算法，和不存在限制条件的翻箱问题对应的翻箱算法中的一种。
20、优选地，所述若干翻箱影响因素包括堆栈数量、层高、集装箱数量、可容纳的集装箱数量、初始状态下利用率、翻箱数量的上界、初始状态下每一栈堆存集装箱的高度、初始状态下堆栈的利用数量、初始状态下每个箱位对应的集装箱检索优先级、每一栈检索优先级最高的集装箱上方的压箱数量中至少一种。
21、优选地，所述机器学习模型包括随机森林模型、极限树模型、支持向量机模型和逻辑回归模型中的一种。
22、根据本专利技术的第二方面，提供一种基于机器学习的集装箱码头翻箱装置，所述装置包括：
23、数据获取模块，用于获取目标箱所在的集装箱码头的堆存状态数据；
24、路径获取模块，用于将所述堆存状态数据输入预先训练好的机器学习模型中，获得所述目标箱的翻箱路径；其中，所述机器学习模型基于对若干堆存状态数据提取的若干翻箱影响因素进行训练获得；
25、翻箱模块，用于根据所述翻箱路径，提取所述目标箱。
26、根据本专利技术的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术任一实施例所述的基于机器学习的集装箱码头翻箱方法。
27、本专利技术所提出的基于机器学习的集装箱码头翻箱方法、装置及设备，通过引入机器学习模型来辅助推导集装箱码头各种堆存状态下的翻箱路径，并且本专利技术所使用的机器学习模型是基于对若干堆存状态数据提取的若干翻箱影响因素进行训练获得的，使得机器学习模型具有良好的泛化能力与较高的精度，因此，本专利技术所提出的翻箱方法对各种规模的集装箱码头场景都能够在有限的时间内解算出高效的翻箱路径，适用于各种不同的翻箱场景。
28、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的集装箱码头翻箱方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述机器学习模型的训练方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述获取若干堆存状态数据，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过预设的数据生成器生成若干所述堆存状态数据，包括：
6.根据权利要求2所述的方法，其特征在于，所述预设的翻箱算法包括存在限制条件的翻箱问题对应的翻箱算法，和不存在限制条件的翻箱问题对应的翻箱算法中的一种。
7.根据权利要求1所述的方法，其特征在于，所述若干翻箱影响因素包括堆栈数量、层高、集装箱数量、可容纳的集装箱数量、初始状态下利用率、翻箱数量的上界、初始状态下每一栈堆存集装箱的高度、初始状态下堆栈的利用数量、初始状态下每个箱位对应的集装箱检索优先级、每一栈检索优先级最高的集装箱上方的压箱数量中至少一种。
8.根据权利要求1所述的方法，其特征在于，所述机器
9.一种基于机器学习的集装箱码头翻箱装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一所述的基于机器学习的集装箱码头翻箱方法。
...【技术特征摘要】
1.一种基于机器学习的集装箱码头翻箱方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述机器学习模型的训练方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述获取若干堆存状态数据，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过预设的数据生成器生成若干所述堆存状态数据，包括：
6.根据权利要求2所述的方法，其特征在于，所述预设的翻箱算法包括存在限制条件的翻箱问题对应的翻箱算法，和不存在限制条件的翻箱问题对应的翻箱算法中的一种。
7.根据权利要求1所述的方法，其特征在于，所述若干...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。