[发明专利]一种基于变分自编码器的港口吞吐量预测方法

说明书

本发明属于自动化码头技术领域，具体为一种基于变分自编码器的港口吞吐量预测方法。本发明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：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；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；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。本发明方法预测港口吞吐量准确性高，实际环境下使用效果好。

技术领域

本发明属于自动化码头技术领域，具体涉及港口吞吐量预测方法。

背景技术

在经济全球化的进程的背景下，世界各国之间的沟通与合作愈发频繁，港口物流呈现大幅度增长。对港口进行合理规划的重要性随之凸显。而对港口集装箱吞吐量的准确预测是对港口进行合理规划的前提。

港口进行计划和决策的质量与港口吞吐量的预测紧密相关，对未来吞吐量进行准确预测，才能够更好地调度港口中的各类设备。传统港口吞吐量预测方法是利用港口的月度、季度或年度集装箱吞吐量报表以及相关数据对未来数月、数季度或数年的集装箱吞吐量作预测。较长的时间跨度限制了这一指标对港口计划和决策中的作用。

发明内容

鉴于上述问题，本发明的目的在于提供一种预测准确性高、速度快的基于变分自编码器的港口吞吐量预测方法。

本发明提出的基于变分自编码器的港口吞吐量预测方法，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。

(一)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等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。

(二)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，其主要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主要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。