[發(fā)明專利]一種自動(dòng)化碼頭集裝箱船的重點(diǎn)作業(yè)路預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210169024.4
• 申請(qǐng)日: 2022-02-23
• 公開（公告）號(hào): CN114595872A
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計(jì)）人: 孫未未;鄭卓睿
• 申請(qǐng)（專利權(quán)）人: 復(fù)旦大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/08;G06F16/2458;G06N3/04
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種自動(dòng)化碼頭集裝箱船的重點(diǎn)作業(yè)路預(yù)測(cè)方法，其特征在于，分為如下三個(gè)階段：

(一)特征提取階段；對(duì)自動(dòng)化碼頭歷史數(shù)據(jù)按照時(shí)間切片，采樣得到大量不同時(shí)間點(diǎn)的歷史作業(yè)數(shù)據(jù)和計(jì)劃作業(yè)數(shù)據(jù)，從數(shù)據(jù)中提取特征后預(yù)處理為多元變量時(shí)間序列數(shù)據(jù)；

(二)訓(xùn)練階段；將多元變量時(shí)間序列數(shù)據(jù)輸入到一個(gè)多層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并且以橋吊歷史作業(yè)特征和貝位計(jì)劃作業(yè)特征間距離和預(yù)測(cè)誤差損失函數(shù)作為約束；

(三)在線預(yù)測(cè)階段；使用訓(xùn)練階段所得到的模型預(yù)測(cè)橋吊完成每個(gè)貝位作業(yè)時(shí)間；計(jì)算得到重點(diǎn)作業(yè)路預(yù)測(cè)結(jié)果，并定時(shí)更新參數(shù)；

(一)特征提取階段的具體步驟為：

(1)以固定時(shí)間間隔進(jìn)行采樣；提取采樣時(shí)間點(diǎn)之前固定時(shí)間窗口內(nèi)的集裝箱信息，包括橋吊作業(yè)數(shù)據(jù)、AGV作業(yè)數(shù)據(jù)、軌道吊作業(yè)數(shù)據(jù)；提取每個(gè)集裝箱的作業(yè)特征，包括集裝箱長度類型以及各個(gè)機(jī)械作業(yè)工藝信息，并轉(zhuǎn)化為數(shù)值型變量，將集裝箱流水線裝卸作業(yè)過程中每個(gè)步驟的時(shí)間點(diǎn)減去上個(gè)步驟的時(shí)間點(diǎn)得到該步驟用時(shí)，作為特征之一；將過去作業(yè)的集裝箱特征數(shù)據(jù)按照集裝箱作業(yè)順序排列為橋吊歷史作業(yè)時(shí)間序列X_h；

(2)從歷史數(shù)據(jù)中提取采樣時(shí)間點(diǎn)后該橋吊在該貝位計(jì)劃作業(yè)的集裝箱數(shù)據(jù)；篩選現(xiàn)場(chǎng)作業(yè)時(shí)能夠?qū)崟r(shí)獲取的信息，將這些信息轉(zhuǎn)化為數(shù)值型變量；將計(jì)劃作業(yè)的集裝箱特征數(shù)據(jù)按照集裝箱計(jì)劃作業(yè)順序排列為貝位計(jì)劃作業(yè)時(shí)間序列數(shù)據(jù)X_p；

(3)提取在采樣時(shí)間點(diǎn)后在該貝位的剩余作業(yè)時(shí)間；從歷史數(shù)據(jù)中讀取該貝位所有集裝箱的作業(yè)數(shù)據(jù)，得到貝位完成時(shí)間；去除數(shù)據(jù)中相鄰兩個(gè)集裝箱作業(yè)時(shí)間間隔超過一定時(shí)間的情況，將貝位完成作業(yè)時(shí)間減去當(dāng)前時(shí)間和間隔時(shí)間作為實(shí)際作業(yè)時(shí)間；得到在采樣時(shí)間點(diǎn)作業(yè)路在該貝位的剩余作業(yè)時(shí)間；正則化剩余作業(yè)時(shí)間；

(二)訓(xùn)練階段的具體步驟為：

(1)構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)模型，由橋吊歷史作業(yè)特征提取網(wǎng)絡(luò)E_h，貝位計(jì)劃作業(yè)特征提取網(wǎng)絡(luò)E_p和一個(gè)全連接神經(jīng)網(wǎng)絡(luò)組成；

(2)橋吊歷史作業(yè)特征提取網(wǎng)絡(luò)E_h和貝位計(jì)劃作業(yè)特征提取網(wǎng)絡(luò)E_p為兩個(gè)結(jié)構(gòu)相同但參數(shù)不同的多層神經(jīng)網(wǎng)絡(luò)模型；每層神經(jīng)網(wǎng)絡(luò)計(jì)算公式如下：

Xⁱ⁺¹＝f_cnn(Xⁱ+f_attn(Xⁱ))， (1)

其中，Xⁱ表示第i層輸入數(shù)據(jù)，X⁰為訓(xùn)練數(shù)據(jù)；f_cnn表示一維卷積神經(jīng)網(wǎng)絡(luò)，由卷積層，激活函數(shù)和池化層組成；f_attn為自注意力機(jī)制函數(shù)，其計(jì)算公式如下：

其中，d_k為集裝箱的特征維度；

最終l維提取橋吊歷史作業(yè)特征：

f_d＝E_h(X_h)， (3)

同樣的，提取l維貝位計(jì)劃作業(yè)特征：

f_p＝E_p(X_p)， (4)

(3)定義特征間距離：

L_d＝||f_h-f_p||₂， (5)

拼接橋吊歷史作業(yè)特征，貝位計(jì)劃作業(yè)特征和特征間距離，得到新特征X＝[f_h,f_p,L_d]；

使用全連接神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到預(yù)測(cè)時(shí)間；全連接神經(jīng)網(wǎng)絡(luò)計(jì)算公式如下:

t_p＝WX+b， (6)

其中，t_p為預(yù)測(cè)橋吊完成該貝位計(jì)劃作業(yè)所需時(shí)間，X為拼接后的新特征，和為全連接神經(jīng)網(wǎng)絡(luò)的可學(xué)習(xí)參數(shù)；

(4)定義預(yù)測(cè)損失函數(shù)為預(yù)測(cè)作業(yè)時(shí)間和真實(shí)作業(yè)時(shí)間的平方誤差：

L_p＝(t_p-t_w)²， (7)

定義損失函數(shù)為：

L＝L_d+L_p， (8)

訓(xùn)練的目標(biāo)是最小化損失函數(shù)L，即：

其中，θ表示模型的訓(xùn)練參數(shù)，包括多層神經(jīng)網(wǎng)絡(luò)的一維卷積神經(jīng)網(wǎng)絡(luò)的卷積核和全連接神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣和偏置矩陣，D為數(shù)據(jù)集大小；最后使用基于隨機(jī)梯度下降的算法更新模型參數(shù)。

(三)在線預(yù)測(cè)階段的具體步驟為：

(1)對(duì)于每個(gè)橋吊，讀取自動(dòng)化碼頭管理系統(tǒng)中實(shí)時(shí)作業(yè)數(shù)據(jù)中過去某個(gè)時(shí)間窗口作業(yè)數(shù)據(jù)并提取每個(gè)集裝箱單元的特征得到歷史作業(yè)的多元變量時(shí)間序列X_h；讀取每個(gè)貝位的作業(yè)計(jì)劃，提取每個(gè)集裝箱單元的特征得到貝位b_k計(jì)劃作業(yè)的多元變量時(shí)間序列X_p；

(2)使用訓(xùn)練階段所得到的模型預(yù)測(cè)橋吊s完成貝位b_i的計(jì)劃裝卸任務(wù)作業(yè)時(shí)間為：

t(b_i)＝W·[E_h(X_h),E_p(X_p),||E_h(X_h)-E_p(X_p)||₂]+b， (10)

(3)讀取自動(dòng)化碼頭管理系統(tǒng)中正在作業(yè)的集裝箱船的船圖表，橋吊s和所在貝位b_s，橋吊最小間隔距離為w，貝位b_k的相對(duì)位置p_k；

遍歷得到包含橋吊s所在的作業(yè)貝位的作業(yè)路B_i：

B_i＝{b_k,b_k+1,…,b_k+n}，p_k+n≤p_k+w，b_s∈B_i， (11)

其中，B_i表示包含任何一個(gè)貝位在作業(yè)時(shí)其他貝位無法作業(yè)的連續(xù)貝位集合，稱其為作業(yè)路；

(4)枚舉得到所有作業(yè)路的集合B＝{B₁,B₂,..,B_m}；完成該連續(xù)貝位集合B_i所需時(shí)間選擇用時(shí)最大的作業(yè)路i＝argmax t(B_i)，該值表示包含該橋吊所在貝位b_s的所有作業(yè)路中的最長用時(shí)，稱其為橋吊的最長用時(shí)標(biāo)記該作業(yè)路為重點(diǎn)作業(yè)路，輸出結(jié)果到自動(dòng)化碼頭管理系統(tǒng)；

(5)橋吊完成該貝位作業(yè)時(shí)，將運(yùn)行時(shí)數(shù)據(jù)和結(jié)果并入數(shù)據(jù)集；當(dāng)數(shù)據(jù)集增加值達(dá)到一定閾值時(shí)，按照訓(xùn)練階段重新訓(xùn)練該模型更新參數(shù)。