[发明专利]一种基于变分自编码器的港口吞吐量预测方法

权利要求书

1.一种基于变分自编码器的港口吞吐量预测方法，其特征在于，根据港口历史作业数据和未来作业计划，提供未来数小时集装箱吞吐量的预测结果，为港口调度人力设备等资源提供重要的决策依据，具体分为如下三个阶段：

(一)数据预处理；通过对港口历史作业数据进行预处理，得到港口过去一段时间内的作业计划数据、集装箱特征；

(二)构建基于变分自编码器的神经网络模型，在代价函数的约束下，将特征提取阶段得到的数据输入到神经网络模型中进行训练；

(三)预测；使用训练得到的神经网络模型预测每个集装箱装卸耗时，并以此推断港口在未来数小时内的集装箱吞吐量。

2.根据权利要求1所述的基于变分自编码器的港口吞吐量预测方法，其特征在于，阶段(一)中数据预处理的具体步骤为：

步骤(1)提取港口历史作业计划；将港口历史作业数据进行划分处理，得到每个作业路的作业计划表；将集装箱按作业计划表中集装箱作业顺序排序，得到集装箱作业序列X＝{x₁,x₂,…,x_n}；

步骤(2)提取每个集装箱对应的特征；将集装箱长度类型以及作业工艺信息转化为数值型变量，作为其特征变量；将集装箱流水线装卸作业过程中当前集装箱装卸完成时间点减去上个集装箱装卸完成时间点，得到该集装箱装卸用时。

3.根据权利要求2所述的基于变分自编码器的港口吞吐量预测方法，其特征在于，阶段(二)中构建和训练基于变分自编码器的神经网络模型的具体步骤为：

步骤(1)，构建基于变分自编码器的神经网络模型，该神经网络模型包含变分自编码器模块E_vae、注意力模块E_att、输出模块E_out；

(1a)变分自编码器模块E_vae由编码器与解码器两部分组成，其中：

编码器为一个多层神经网络，包含输入层、全连接层和自注意力层，其输入为训练数据X，输出为隐向量Z；输入数据在经过输入层、全连接层后进入自注意力层，计算得到特征的均值μ和标准差σ²；随后通过重采样得到隐向量Z，重采样的公式具体如下：

Z＝μ+∈×σ，(1)

其中，∈从标准正态分布N(0,I)中采样得到；

解码器为一个多层神经网络，包含多个全连接层和激活层，其输入为编码器得到的隐向量Z，其计算公式如下：

Xⁱ＝WⁱX^i-1+bⁱ，(2)

其中，Xⁱ表示第i层输入数据，X⁰为输入隐向量Z，Wⁱ∈R^k,bⁱ∈R，为第i层全连接层的可学习参数，R^k为k维实向量，R为实数域；编码器得到的隐向量Z输入到解码器后，最终得到变分自编码器模块的输出v^vae；

(1b)自注意力模块E_att用于捕获相邻容器之间的相互关系，其计算公式如下：

v^att＝E^att(X)， (3)

E^att为自注意力机制函数，其计算公式如下：

其中，d_k为集装箱的特征维度,X为训练数据，softmax为归一化指数函数，其计算公式如下：

其中，Z_i为Z的第i行，表示第i个集装箱经计算得到的特征表示；

(1c)输出模块E_out将变分自编码器模块E_vae、注意力模块E_att得到的结果经过一个非线性全连接层后加权求和，得到某一集装箱装卸耗时预估t^pre，其计算公式如下：

t^pre＝α·t^att+(1-α)·t^vae， (6)

其中，

t^att＝f^att(v^att⊕X)， (7)

t^vae＝f^vae(v^vae)， (8)

其中，⊕为向量拼接运算符，α为超参数，f^att与f^vae为两个结构相同但参数不同的神经网络；

(1d)构建基于变分自编码器的神经网络模型的代价函数，神经网络代价函数包含两部分L^vae与L^mse；

L^vae表示变分自编码器模块的代价函数，具体公式如下：

L^vae＝d(x,v^vae)+KL(N(μ,σ²)||N(0,I))， (9)

其中，d为距离函数，表示原始样本X与重构样本v^vae之间的距离，KL为KL散度函数，表示N(μ,σ²)分布与标准正态分布N(0,I)之间的距离；

L^mse定义为预测集装箱装卸时间与真实装卸时间的平方误差，具体公式如下：

L^mse＝(t^pre-t^true)²， (10)

神经网络总代价函数如下：

L＝β·L^vae+(1-β)·L^mse， (11)

其中，β为超参数，衡量两部分代价函数的权重；

步骤(2)训练基于变分自编码器的神经网络模型；训练数据为预处理阶段处理得到的数据，训练的目标是最小化代价函数L，即求得θ使得：

θ＝argmin_θ∑_x∈DL(x,θ)， (12)

其中，θ表示模型的训练参数，包含变分自编码器模块E_vae、注意力模块E_att、输出模块E_out中所有可训练参数，D为数据集；

最后，使用Adam优化器来计算梯度并进行反向传播以更新模型参数；更新参数时设置初始学习率为0.0001，每轮迭代完成后学习率衰减为原来的95％。

4.根据权利要求3所述的基于变分自编码器的港口吞吐量预测方法，其特征在于，阶段(三)中预测的具体步骤为：

步骤(1)，读取在自动化码头管理系统中未来一段时间内的作业数据并做预处理；得到作业路的集合B＝{B₁,B₂,…,B_m}以及每条作业路对应的作业集合B_i＝{x_i,1,x_i,2,…,x_i,n}，其中n表示作业路i共有n个集装箱待装卸；x_i,j∈R^k，表示作业路i中第j个待装卸的集装箱对应的k维特征属性，包括该集装箱的物理属性特征和该集装箱的作业属性特征；物理属性包括长度、高度、箱类型、位置，作业属性包括轨道吊的作业工艺、主小车、门架小车的作业工艺；

步骤(2)使用训练得到的模型预测每个集装箱的装卸耗时；

步骤(3)推断未来一段时间内的每个作业路的吞吐量；

对于预测未来△t时间内第i条作业路的吞吐量，其作业集合为B_i＝{x_i,1,x_i,2,…,x_i,n}，按步骤(2)预测作业路B_i的每个集装箱的装卸耗时T_i＝{t_i,1,t_i,2,…,t_i,n}，其中,t_i,j表示集装箱x_i,j按步骤(2)预测得到的装卸耗时，具体计算公式如下：

所得到的C_i即为所求未来△t时间内第i条作业路的吞吐量；

步骤(4)累加每一作业路的吞吐量，得到未来一段时间内的港口吞吐量；

对于预测未来△t时间内港口总吞吐量，设C_i为通过步骤(3)所得第i条作业路在未来△t时间内的吞吐量，则未来△t时间内港口总吞吐量计算公式如下：

C即为所求未来△t时间内港口总吞吐量。