一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法制造技術

本發明專利技術屬于集裝箱堆場箱區、箱位分配領域，提出一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法。收集集裝箱碼頭卸船作業與堆場狀態歷史數據計算堆場狀態，基于無監督學習算法與聚類算法提取典型堆場狀態；分析集裝箱卸船箱區選擇影響因素，提取基于機器學習的卸船箱堆存箱區選擇規則，設計基于規則的卸船箱箱區分配智能算法與卸船箱箱位分配啟發式智能算法。本發明專利技術考慮集裝箱特征、作業特征以及堆場狀態特征在碼頭實際運營中對箱區分配決策的影響，基于海量歷史運營數據，利用機器學習，有效提取高質量調度經驗，為集裝箱碼頭堆場作業調度提供決策支持，有利于緩解堆場交通擁堵、提高集裝箱碼頭生產作業效率，推進集裝箱碼頭智慧化建設。裝箱碼頭智慧化建設。裝箱碼頭智慧化建設。

【技術實現步驟摘要】
一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法


[0001]本專利技術涉及集裝箱堆場箱區、箱位分配領域，尤其涉及基于機器學習的卸船集裝箱箱區、箱位分配智能算法。

技術介紹

[0002]隨著集裝箱碼頭吞吐量不斷增長，碼頭作業壓力日益增大，合理制定集裝箱碼頭堆場的箱區、箱位分配策略，對于提高堆場與作業設施利用率和周轉率緩解堆場交通擁堵、提高碼頭生產作業效率具有重要意義?！癑iang,X.J.,Jin,J.G,2017.A branch
?
and
?
price method for integrated yard crane deployment and container allocation in transshipment yards.Transport.Res.Part B 98,62
?
75.”、“Wang K,Zhen L,Wang S.A,et al,2018.Column Generation for the Integrated Berth Allocation,Quay Crane Assignment,and Yard Assignment Problem.Transp.Sci.52(4),812
?
834.”和“Yang,L.Y.,Ng,T.S.,Lee,L.H.2022.A robust approximation for yard template optimization under uncertainty.Transport.Res.Part B 160,21
?
53”中，均表明集裝箱堆場作業與船舶到港作業和陸側送提箱作業之間具有強耦合關系，受隨機性和不確定性因素影響明顯，傳統的數學建模與運籌優化技術難以準確刻畫堆場作業過程并有效求解，提前制定真實規模的堆場計劃難度較大。在實際運營過程中，往往需要由調度員根據堆場實時狀態，結合日積月累形成的調度經驗進行現場決策，易受主客觀因素干擾，難以保證決策質量的穩定性。如何充分利用集裝箱堆場作業的海量歷史數據，深入挖掘高質量調度經驗，并有效應用于制定堆場作業決策，成為集裝箱碼頭智能化建設面臨的重要問題。

技術實現思路

[0003]為解決上述問題，本專利技術提出了一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法?？紤]集裝箱碼頭實際運營過程中的箱位分配影響因素，在已知卸船箱歷史作業數據、集裝箱屬性以及堆場狀態的條件下，對卸船箱歷史作業數據進行深入挖掘，利用機器學習中的無監督學習理念、隨機森林算法、大數據挖掘以及統計學理論，提取卸船箱區分配決策與集裝箱屬性特征、作業特征以及堆場狀態特征間的隱式關聯規則，根據提取得到的規則設計箱區分配與箱位分配啟發式算法，選取相應指標評價規則提取與分配算法的有效性，為港口生產運營實時調度提供決策支持。
[0004]本專利技術的技術方案：
[0005]一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法，包括以下步驟：
[0006]步驟一、收集集裝箱碼頭卸船作業與堆場狀態歷史數據，包括集裝箱碼頭平面布置數據、卸船作業數據以及堆場狀態數據；
[0007]集裝箱碼頭平面布置數據包括泊位數量、堆場布置形式以及箱區數量；卸船作業數據包括卸船時間、卸船泊位、落箱箱區以及卸船箱數據；卸船箱數據包括進出口類型與集裝箱貨主；堆場狀態數據包括堆場內各箱區在各時段的已堆存量、作業數、場橋數以及堆箱
作業比例；其中箱區的已堆存量包括該箱區各貝位、各棧的堆存數；箱區的作業數包括堆箱作業數、取箱作業數和倒箱作業數；箱區的場橋數為各時段內在該箱區內有作業記錄的場橋總數；箱區的堆箱作業比例為該箱區的堆箱作業數占總作業數比例；
[0008]步驟二、基于無監督學習算法，根據歷史數據計算堆場狀態，并利用聚類算法提取典型堆場狀態；
[0009]堆場狀態包括已堆存量狀態、作業數狀態、場橋數狀態以及堆箱作業比例狀態；其中，堆場的某一狀態是由各箱區相應狀態值構成的向量表示，向量的長度等于堆場中的箱區數；
[0010]各箱區相應狀態為當前箱區的堆場狀態數據中各參數在其相鄰的8個箱區中的相對大小；參數為堆存量/作業數/場橋數/堆箱作業比例；
[0011]計算方法為：將任一箱區的堆場狀態數據與其相鄰箱區依次兩兩對比，當該箱區參數值大于某一相鄰箱區時，將該箱區的相應狀態值+1；當該箱區參數值小于某一相鄰箱區時，將該箱區的相應狀態值
?
1；當該箱區參數值與某一相鄰箱區相等時，保持相應狀態值不變；與全部8個相鄰箱區兩兩對比結束后，得到累加后的箱區相應狀態值，取值范圍為[
?
8,8]；且狀態值越大，表示該箱區的堆存量/作業數/場橋數/堆箱作業比例等參數在其相鄰的箱區中越大。
[0012]堆場中各箱區在不同時間段內的已堆存量、作業數、場橋數、堆箱作業比例等狀態值向量各不相同，同時相鄰時間段內的狀態值向量具有相似性。計算得到不同時間段內的堆場狀態值向量后，利用機器學習中的無監督學習算法，構建基于K
?
means的堆場狀態值向量聚類模型，利用不同聚類簇數的各簇中心點與樣本間的距離來表征聚類準確度，聚類簇數越多，聚類準確度越高，聚類效率越低。綜合考慮聚類效率和聚類準確度，選擇合適的聚類簇數進行聚類。
[0013]構建基于K
?
means的堆場狀態值向量聚類模型，分別對各箱區已堆存量、各箱區作業數、各箱區場橋數、各箱區堆箱作業比例等四類堆場狀態進行聚類；在每一類堆場狀態中，取各簇堆場狀態值向量的平均值作為該簇樣本的典型堆場狀態，提取得到典型堆場狀態，典型堆場狀態數量與聚類簇數相等。
[0014]步驟三、集裝箱卸船箱區選擇影響因素分析；
[0015]通過統計歷史數據中不同各類型卸船集裝箱的箱區選擇情況，獲得集裝箱卸船箱區選擇影響因素包括集裝箱屬性特征、卸船特征以及堆場狀態特征；集裝箱屬性特征包括集裝箱進出口類型；卸船特征包括卸船泊位編號；堆場狀態特征包括各箱區的已堆存量類型、作業數類型、場橋數類型以及堆箱作業比例類型；
[0016]步驟四、提取基于機器學習的卸船箱堆存箱區選擇規則；
[0017]利用步驟二中的堆場狀態聚類方法，得到各小時內相應數量的已堆存量狀態、作業數狀態、場橋數狀態和堆箱作業比例等典型堆場狀態簇，在此基礎上，對歷史數據中的卸船箱堆存箱區選擇規則進行挖掘。
[0018]基于機器學習中的監督學習理念，當堆場中各箱區的已堆存量、作業數、場橋數、堆箱作業比例狀態值向量分別屬于對應的某一類典型堆場狀態時，統計歷史數據中該堆場狀態組合下的箱區分配特征；箱區分配特征包括：所分配箱區的已堆存量狀態值、作業數狀態值、場橋數狀態值以及堆箱作業比例狀態值；統計各堆場狀態組合下具有不同已堆存量、
作業數、場橋數、堆箱作業比例狀態值的箱區數量并計算出現概率，將各堆場狀態組合下具有各狀態值的箱區選擇概率作為卸船箱堆存箱區選擇規則；
本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于機器學習的卸船集裝箱箱區、箱位分配智能算法，其特征在于，包括以下步驟：步驟一、收集集裝箱碼頭卸船作業與堆場狀態歷史數據，包括集裝箱碼頭平面布置數據、卸船作業數據以及堆場狀態數據；集裝箱碼頭平面布置數據包括泊位數量、堆場布置形式以及箱區數量；卸船作業數據包括卸船時間、卸船泊位、落箱箱區以及卸船箱數據；卸船箱數據包括進出口類型與集裝箱貨主；堆場狀態數據包括堆場內各箱區在各時段的已堆存量、作業數、場橋數以及堆箱作業比例；其中箱區的已堆存量包括該箱區各貝位、各棧的堆存數；箱區的作業數包括堆箱作業數、取箱作業數和倒箱作業數；箱區的場橋數為各時段內在該箱區內有作業記錄的場橋總數；箱區的堆箱作業比例為該箱區的堆箱作業數占總作業數比例；步驟二、基于無監督學習算法，根據歷史數據計算堆場狀態，并利用聚類算法提取典型堆場狀態；堆場狀態包括已堆存量狀態、作業數狀態、場橋數狀態以及堆箱作業比例狀態；其中，堆場的某一狀態是由各箱區相應狀態值構成的向量表示，向量的長度等于堆場中的箱區數；各箱區相應狀態為當前箱區的各狀態參數在其相鄰的8個箱區中的相對大小；狀態參數為已堆存量/作業數/場橋數/堆箱作業比例；計算方法為：將任一箱區的狀態參數與其相鄰箱區依次兩兩對比，當該箱區參數值大于某一相鄰箱區時，將該箱區的相應狀態值+1；當該箱區參數值小于某一相鄰箱區時，將該箱區的相應狀態值
?
1；當該箱區參數值與某一相鄰箱區相等時，保持相應狀態值不變；與全部8個相鄰箱區兩兩對比結束后，得到累加后的箱區相應狀態值，取值范圍為[
?
8,8]；構建基于K
?
means的堆場狀態值向量聚類模型，設置聚類簇數，分別對各箱區已堆存量、各箱區作業數、各箱區場橋數、各箱區堆箱作業比例四類堆場狀態進行聚類；在每一類堆場狀態中，取各簇堆場狀態值向量的平均值作為該簇樣本的典型堆場狀態，典型堆場狀態數量與聚類簇數相等；步驟三、集裝箱卸船箱區選擇影響因素分析；集裝箱卸船箱區選擇影響因素包括集裝箱屬性特征、卸船特征以及堆場狀態特征；集裝箱屬性特征包括集裝箱進出口類型；卸船特征包括卸船泊位編號；堆場狀態特征包括各箱區的已堆存量類型、作業數類型、場橋數類型以及堆箱作業比例類型；步驟四、提取基于機器學習的卸船箱堆存箱區選擇規則；基于機器學習中的監督學習理念，當堆場中各箱區的已堆存量、作業數、場橋數、堆箱作業比例狀態值向量分別屬于對應的某一類典型堆場狀態時，統計歷史數據中該堆場狀態組合下的箱區分配特征；箱區分配特征包括：所分配箱區的已堆存量狀態值、作業數狀態值、場橋數狀態值以及堆箱作業比例狀態值；統計各堆場狀態組合下具有不同已堆存量、作業數、場橋數、堆箱作業比例狀態值的箱區數量并計算出現概率，將各堆場狀態組合下具有各狀態值的箱區選擇概率作為卸船箱堆存箱區選擇規則；步驟五、基于規則的卸船箱箱區分配智能算法設計，包括特征重要性計算、啟發式對比規則設計、算法驗證；(1)采用打亂順序的隨機森林算法計算卸船箱區箱位分配特征重要性，卸船箱區箱位
分配特征包括進出口類型、卸船泊位、堆場各箱區已堆存量狀態、作業數狀態、場橋數狀態、堆箱作業比例狀態；基于規則的卸船箱箱區分配智能算法，具體如下：首先，初始化卸船箱i的卸船時間t
i
、堆場狀態堆場狀態規則集{堆存量狀態規則C、作業數狀態規則J、場橋數狀態規則Y、堆箱作業比例狀態規則R}、備選箱區集合B
feasible
、最小備選箱區數量M，在四類規則集C、J、Y、R中，分別按照箱區選擇概率從高到低的順序對相應類型規則進行排序；其次，按照四類堆場狀態重要性從高到低的順序依次調用相應狀態對應的規則集合，生成可選箱區集合，調用順序表示為RULE1、RULE2、RULE3、RULE4；按照卸船作業順序，對每個卸船箱i，根據規則集分為四層篩選，分層正序篩選，依次將各類堆場狀態下概率最高的箱區選入不同的備選集合；獲得的四個不同備選集合的交集加入備選箱區集合B
feasible
；判斷B
feasible
是否滿足最小備選箱區數量M要求，當滿足時，輸出備選集合B
feasible
；當不滿足要求時，從第四層開始篩選，繼續選擇剩余規則中最高概率狀態箱區加入備選集合B
feasible
，直至滿足要求停止篩選；當仍不滿足要求時，進行倒序篩選，獲得剩余規則中最高概率狀態箱區加入對應層的備選集合中，從該層開始正序篩選，獲得B
feasible
，直至該備選集合B
feasible
符合要求后，停止篩選；(2)啟發式對比規則用于在備選箱區集合B
feasible
中確定最終落箱箱區，包括隨機原則、就近原則以及空閑原則；其中隨機原則為在B
feasible
中隨機選擇最終落箱箱區，就近原則為在B
feasible
中選擇距離當前任務中集裝箱的卸船泊位最近的箱區，空閑原則為在B
feasible
中選擇貨主數或已堆存量最少的箱區；(3)算法驗證用于驗證該基于規則的卸船箱箱區分配智能算法的箱區分配效果，采用的評價指標包括堆場內各箱區作業量和貨主數的最大值...

【專利技術屬性】
技術研發人員：王文淵，彭云，郭子堅，劉華錕，
申請(專利權)人：大連理工大學，
類型：發明
國別省市：