【技术实现步骤摘要】
本专利技术涉及港口码头堆场智能管理，具体涉及可持续学习的集装箱提箱序列预测方法、系统和存储介质。
技术介绍
1、随着国际贸易活动的发展，集装箱运输作为海上运输的主流方式，其效率和成本管理对港口基础设施的运作至关重要。港口货物吞吐量的上升，使得传统的装卸作业计划和缺乏数据驱动的调度决策已经无法满足当前的需求，导致作业效率低下和成本增加。在这样的背景下，如果能够预测集装箱的提箱顺序，即预测集装箱在港口堆场的停留时间（停留时间越长意味着提箱时间越迟），那么管理人员在规划装卸作业和选择集装箱堆垛位置时，就可以更加科学合理。通过提前了解哪些集装箱将被优先提取，管理人员可以设计出更加高效的堆垛方案，减少不必要的翻箱作业和车辆移动，从而有效降低操作成本，提高整体作业效率。这种方法不仅能够优化资源配置，还能提升港口的服务质量和竞争力。
2、集装箱的提箱顺序主要是基于集装箱卡车（简称集卡）在到达港口前进行的预约安排来决定的。然而，即使是具备预约系统的港口，也面临着一些挑战和不足之处。首先，集装箱的预约提箱流程是在货物从货船卸载到堆场之后才开始的，这意味着无法在货物卸载时根据预测的提箱顺序来制定堆存计划。其次，预约提箱通常是按照时间段来安排的，但由于外部因素如交通状况、气候条件等不可预测的变化，这些预约时间段的实际参考价值可能会受到影响。此外，对于一些规模较小的集装箱码头，甚至可能没有实行预约机制，这进一步增加了管理难度和作业的不确定性。
3、目前求解该问题采用的主要技术方法有以下两类：
4、（1）通过分析集装箱
5、（2）通过分析集装箱历史操作数据，基于svr、随机森林等回归预测算法对集装箱堆存天数进行预测，根据具体的预测天数排序后对集装箱进行堆垛。
6、以上方法存在的缺点（劳钮钞,刘秀峰,杨锦礼,等.基于随机森林构建集装箱堆存时间预测分类器的港口翻箱研究[j].装备制造技术, 2022(002):000.）：
7、（1）基于分类器的算法预测过于粗糙，无法确定同一堆存天数范围内的集装箱的细分堆存天数，落地可行性较低；
8、（2）基于svr、随机森林等回归预测算法虽然在实验数据有较好的预测表现，但是随着业务的发展，模型的泛化表现可能会面临挑战，需要不断的重新收集数据训练模型，且训练时间较长，成本较高。
技术实现思路
1、为了应对现有集装箱堆存时间预测的局限性，本专利技术开发一种基于数据分析和机器学习技术的集装箱提箱序列预测方法，旨在提前预测集装箱的提箱序列，并通过增量学习持续优化模型，从而提升提箱效率，降低作业成本。
2、本专利技术的目的至少通过如下技术方案之一实现。
3、可持续学习的集装箱提箱序列预测方法，包括以下步骤：
4、s1、执行集装箱历史数据采集操作，集装箱历史数据包括每个集装箱的历史堆存时间以及与集装箱关联的属性参数信息；
5、s2、对采集到的集装箱历史数据执行数据清洗过程，旨在净化数据集，获得经过清洗的模型输入数据；
6、s3、将经过清洗的模型输入数据送入训练算法中，以此进行宽度学习系统（boardlearning system，bls）模型训练操作，最终得到一个训练完成的宽度学习系统模型；
7、s4、当需要对新的集装箱进行堆存时间预测时，首先获取该集装箱的属性参数信息，然后将这些信息输入到训练完成的宽度学习系统模型中，宽度学习系统模型将处理这些输入信息，并输出该集装箱的预测堆存时间，根据该集装箱的预测堆存时间得到集装箱的提箱序列，堆存时间越大，代表着越久来提，即将堆存时间从小到大排序得到集装箱的提箱序列；
8、s5、基于可持续学习的增量学习算法，不断基于新的集装箱历史数据更新模型，不断提升模型的性能，更新模型后，返回步骤s4中等待下一次对新的集装箱进行堆存时间预测。
9、进一步地，步骤s1的具体步骤为：
10、s1.1、采集码头历史的集装箱数据，数据采集范围包括集装箱所在堆场的信息、集装箱自有属性、集装箱内的货物属性、集装箱关联码头作业单属性、监管部门的监管信息属性、集装箱作业集卡预约信息属性以及集装箱历史的堆存时间，其中，堆存时间为预测目标，模型根据其余采集的数据预测堆存时间；
11、s1.2、通过统计学的方式，统计不同特征与集装箱堆存时间的相关关系，按照设定的相关性阈值，筛选出相关性符合要求的作为数据集的核心特征。
12、进一步地，步骤s2的具体实现步骤为：
13、s2.1、对数据集中不符合逻辑的数据进行清洗；
14、s2.2、对数据集中的非数值型数据采用特征工程进行数值化处理，对数据集中的缺失值采用其他历史数据中与该集装箱装有相同货物和相同集装箱中的数据的均值进行替代；
15、s2.3、对数据集进行划分，按照设定的比例划分数据为训练集和测试集。
16、进一步地，步骤s3中，包括以下步骤：
17、s3.1、基于步骤s2.3中获得的训练集数据对宽度学习系统（board learningsystem，bls）模型进行训练，并记录训练过程及保存训练完成的模型文件；宽度学习系统（bls）的提出最早源于澳门大学科技学院院长陈俊龙和其学生于2018年1月发表在ieeetransactions on neural networks and learning systems，vol. 29, no. 1 的一篇文章，题目叫《broad learning system: an effective and efficient incrementallearning system without the need for deep architecture 》。
18、s3.2、将步骤s2.3中获得的测试集数据作为训练完成的宽度学习系统模型的输入数据，获得宽度学习系统模型预测的集装箱堆存时间，并将集装箱记录按照船名航次（即同一艘船到达港口码头）进行分组，并将分组内的集装箱实际堆存时间按照从小到大进行排序；
19、s3.3、按照步骤s3.2中的分组，将记录中的实际堆存时间和预测堆存时间进行比较以评估训练完成的宽度学习系统模型的性能，包括使用均方误差mse进行评估以及使用曲线单调性对模型预测效果进行评估，若模型预测效果不符合要求，则通过完善补充模型特征，增加训练数据，直至模型预测精度符合要求。
20、进一步地，步骤s3.3中，将记录中的实际堆存时间和预测堆存时间进行比较以评估训练完成的宽度学习系统模型的性能，包括使用均方误差mse进行评估以及使用曲线单调性对模型预测效果进行评估；
21、所述使用曲本文档来自技高网...
【技术保护点】
1.可持续学习的集装箱提箱序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S2包括以下步骤：
4.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S3包括以下步骤：
5.根据权利要求4所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S3.3中，将记录中的实际堆存时间和预测堆存时间进行比较以评估训练完成的宽度学习系统模型的性能，包括使用均方误差MSE进行评估以及使用曲线单调性对模型预测效果进行评估；
6.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S5中，当实际业务产生变化，或原模型的泛化效果无法支撑新的集装箱数据的堆存时间预测时，基于训练完成的宽度学习系统模型，采用宽度学习系统模型的增量学习特点，进行增量训练。
7.根据权利要求6所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步
8.根据权利要求6所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤S5中，在设定的一段时间内，若实际业务没有产生变化，但宽度学习系统模型不符合预测精度要求，则根据该段时间内的集装箱数据，返回步骤S3中重新对宽度学习系统模型进行训练，得到重新训练完成的宽度学习系统模型。
9.实现如权利要求1-8任一项所述的可持续学习的集装箱提箱序列预测方法的系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器，处理器用于执行所述计算机程序，计算机程序被执行时用于实现如权利要求1-8任一项所述的可持续学习的集装箱提箱序列预测方法。
10.实现如权利要求1-8任一项所述的可持续学习的集装箱提箱序列预测方法的存储介质，其特征在于，存储有计算机程序，所述计算机程序被执行时用于实现如权利要求1-8任一项所述的可持续学习的集装箱提箱序列预测方法。
...【技术特征摘要】
1.可持续学习的集装箱提箱序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求4所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s3.3中，将记录中的实际堆存时间和预测堆存时间进行比较以评估训练完成的宽度学习系统模型的性能，包括使用均方误差mse进行评估以及使用曲线单调性对模型预测效果进行评估；
6.根据权利要求1所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s5中，当实际业务产生变化，或原模型的泛化效果无法支撑新的集装箱数据的堆存时间预测时，基于训练完成的宽度学习系统模型，采用宽度学习系统模型的增量学习特点，进行增量训练。
7.根据权利要求6所述的可持续学习的集装箱提箱序列预测方法，其特征在于，步骤s5中，若实际业...
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。