[发明专利]一种自动化码头集装箱船的重点作业路预测方法

说明书

本发明属于自动化技术领域，具体为一种自动化码头集装箱船的重点作业路预测方法。本发明根据自动化码头现场桥吊的作业数据和各个贝位的作业计划，实时预测每条集装箱船的重点作业路，步骤包括：特征提取阶段从自动化码头历史数据进行采样，提取每个集装箱历史作业特征和计划作业特征；训练阶段将提取的特征输入到一个神经网络模型中，对贝位作业时间进行预测和训练；在线预测阶段：使用训练阶段所得到的模型预测桥吊每个贝位的作业时间，得到最大用时的作业路，标记为重点作业路。本发明方法预测重点作业路的准确率上显著优于现有方法，在实际环境下具有较好的效果。

技术领域

本发明属于自动化技术领域，具体涉及一种自动化码头集装箱船的重点作业路预测方法。

背景技术

集装箱船的作业路是一个任意时刻只能由一个桥吊进行装卸作业的贝位集合。不处于同一个作业路的贝位可以使用多台桥吊同时作业来提升装卸效率，同一个作业路的所有贝位任意时刻只能由一个桥吊完成作业。因此作业时间最长的作业路是该船的最小作业时间，即该船舶作业时间瓶颈。集装箱船的重点作业路预测是在给定作业计划下预测作业时间最长的作业路。集装箱船重点作业路预测是自动化码头的关键技术，对自动化码头AGV调度等决策有着重要影响。

目前已有的方法为采用取相邻贝位集装箱数量之和最大值所在作业路为重点作业路。但该方法准确率较低，主要原因是存在大量如不同类型的集装箱数量，不同的作业工艺效率，作业计划和过去作业效率等因素会影响作业路装卸集装箱效率，可能错误判定重点作业路。

发明内容

鉴于上述问题，本发明提出了一种自动化码头集装箱船的重点作业路预测方法。本发明方法通过提取桥吊的历史作业特征和每个贝位的计划作业特征，能够更精确地预测贝位作业时间，提高重点作业路预测准确率。

本发明提出的适用于自动化码头集装箱船的重点作业路预测方法，分为如下三个阶段：

(一)特征提取阶段；对自动化码头历史数据按照时间切片，采样得到大量不同时间点的历史作业数据和计划作业数据，从数据中提取特征后预处理为多元变量时间序列数据；具体步骤为：

(1)以固定时间间隔进行采样。提取采样时间点之前固定时间窗口内的集装箱信息，桥吊作业数据、AGV作业数据、轨道吊作业数据等数据。提取每个集装箱的作业特征。集装箱长度类型以及各个机械作业工艺等信息转化为数值型变量，将集装箱流水线装卸作业过程中每个步骤的时间点减去上个步骤的时间点得到该步骤用时作为特征之一。将过去作业的集装箱特征数据按照集装箱作业顺序排列为桥吊历史作业时间序列X_h。

(2)从历史数据中提取采样时间点后该桥吊在该贝位计划作业的集装箱数据。筛选现场作业时能够实时获取的信息，将这些信息转化为数值型变量。将计划作业的集装箱特征数据按照集装箱计划作业顺序排列为贝位计划作业时间序列数据X_p。

(3)提取在采样时间点后在该贝位的剩余作业时间。从历史数据中读取该贝位所有集装箱的作业数据，得到贝位完成时间。去除数据中相邻两个集装箱作业时间间隔超过一定时间的情况，将贝位完成作业时间减去当前时间和间隔时间作为实际作业时间。得到在采样时间点作业路在该贝位的剩余作业时间。正则化剩余作业时间。

(二)训练阶段，将多元变量时间序列数据输入到一个多层神经网络模型进行训练，并且以桥吊历史作业特征和贝位计划作业特征间距离和预测误差损失函数作为约束。具体步骤为：

(1)构建一个神经网络模型，由桥吊历史作业特征提取网络E_h，贝位计划作业特征提取网络E_p和一个全连接神经网络组成。

(2)桥吊历史作业特征提取网络E_h和贝位计划作业特征提取网络E_p为两个结构相同但参数不同的多层神经网络模型。每层神经网络计算公式如下：