[發明專利]船舶靠泊時間預測方法及系統

在審

• 申請號: 202110349387.1
• 申請日: 2021-03-31
• 公開（公告）號: CN113112059A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 邢璐;孟軍;韓斌;丁必為
• 申請（專利權）人: 億海藍（北京）數據技術股份公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/30
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 楊明月

1.一種船舶靠泊時間預測方法，其特征在于，包括：

獲取目標船舶信息；

將所述目標船舶信息輸入至靠泊時間預測模型中，輸出目標靠泊時間；

所述靠泊時間預測模型為以樣本船舶信息為樣本，以與所述樣本船舶信息對應的樣本靠泊時間為樣本標簽進行訓練得到。

2.根據權利要求1所述的船舶靠泊時間預測方法，其特征在于，所述靠泊時間預測模型包括：Wide子模型、Deep子模型、LSTM子模型和回歸預測層；

所述將所述目標船舶信息輸入至靠泊時間預測模型中，輸出目標靠泊時間，包括：

將所述目標船舶信息輸入至所述Wide子模型，輸出第一參考數據；

將所述目標船舶信息輸入至所述Deep子模型，輸出第二參考數據；

將所述目標船舶信息輸入至所述LSTM子模型，輸出第三參考數據；

將所述第一參考數據、所述第二參考數據以及所述第三參考數據輸入至所述回歸預測層，輸出所述目標靠泊時間。

3.根據權利要求2所述的船舶靠泊時間預測方法，其特征在于，

所述Wide子模型包括：用于對所述目標船舶信息中的類別特征進行操作的第一embedding層、用于連結所述目標船舶信息中的類別特征與數值特征的第一concatenate層、用于進行特征交叉轉換的cross product層以及用于連接所述目標船舶信息中的轉換后特征與原始特征的第二concatenate層；

所述Deep子模型包括：與所述Wide子模型共用的所述第一embedding層、與所述Wide子模型共用的所述第一concatenate層以及激活函數為ReLu，dropout的參數分別為0.5、0.5、0.5和0.3的4層全連接層網絡；

所述LSTM子模型包括：用于對所述目標船舶信息中的類別特征進行操作的第二embedding層、用于連結所述目標船舶信息中的類別特征與數值特征的第三concatenate層、兩個LSTM層以及激活函數為ReLu，dropout的參數為0.1的全連接層網絡。

4.根據權利要求1所述的船舶靠泊時間預測方法，其特征在于，所述將所述目標船舶信息輸入至靠泊時間預測模型中，輸出目標靠泊時間，包括：

對所述目標船舶信息進行預處理，得到目標船舶張量數據；

將所述目標船舶張量數據輸入至所述靠泊時間預測模型中，輸出所述目標靠泊時間。

5.根據權利要求4所述的船舶靠泊時間預測方法，其特征在于，所述對所述目標船舶信息進行預處理，得到目標船舶張量數據，包括：

對所述目標船舶信息進行編碼處理、歸一化處理以及排序處理中的至少一種預處理，得到所述目標船舶張量數據。

6.根據權利要求1至5中任一項所述的船舶靠泊時間預測方法，其特征在于，所述目標船舶信息包括：當前航次特征、歷史統計特征、船舶基本特征、目的碼頭特征、目的港口特征以及排隊船舶集合特征中的至少一種。

7.根據權利要求1至5中任一項所述的船舶靠泊時間預測方法，其特征在于，所述靠泊時間預測模型為以MAPE為損失函數，基于反向傳播算法和梯度下降算法進行訓練得到。

8.一種船舶靠泊時間預測系統，其特征在于，包括：

獲取模塊，用于獲取目標船舶信息；

輸出模塊，用于將所述目標船舶信息輸入至靠泊時間預測模型中，輸出目標靠泊時間；

所述靠泊時間預測模型為以樣本船舶信息為樣本，以與所述樣本船舶信息對應的樣本靠泊時間為樣本標簽進行訓練得到。

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述船舶靠泊時間預測方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述船舶靠泊時間預測方法的步驟。