设备作业时长预测、指令调度方法、设备及存储介质技术

本申请实施例提供一种设备作业时长预测、指令调度方法、设备及存储介质。存在预测作业设备的作业时长的需求时，可获取待执行的作业指令对应的作业影响因素，并将该作业影响因素输入作业设备的作业时长预测模型，得到该作业指令的作业时长预测值。在这种实施方式中，用于计算作业时长预测值的作业影响因素包括作业设备执行作业指令时的外部条件和/或自身条件，从而，可充分利用作业设备执行作业指令的过程中客观存在的、可能会影响作业时长的多种因素，并可结合机器学习模型学习到的多种作业影响因素对作业时长的影响关系，可较为准确地预测出作业设备的作业时长，有利于对作业设备的作业指令实现精准调度，提升作业效率。提升作业效率。提升作业效率。

【技术实现步骤摘要】
设备作业时长预测、指令调度方法、设备及存储介质


[0001]本申请涉及工程控制
，尤其涉及一种设备作业时长预测、指令调度方法、设备及存储介质。

技术介绍

[0002]在港口系统的运转过程中，港口作业设备对集装箱进行装、卸、移、进、提等操作可通过作业指令实现。在港口自动化作业的趋势下，可对港口作业设备的作业指令进行自动调度。在自动调度作业指令的过程中，港口作业设备的作业指令消耗时长是一种重要的调度依据。然而，现有技术中，通常由人工根据经验值估计港口作业设备的作业指令消耗时长。这种基于经验值进行估计得到的结果准确性较差，不利于实现作业指令的精准调度。因此，有待提出一种新的解决方案。

技术实现思路

[0003]本申请的多个方面提供一种设备作业时长预测、指令调度方法、设备及存储介质，用以较为准确地计算出作业设备的作业时长，从而有利于实现作业指令的精准调度。
[0004]本申请实施例提供一种设备作业时长预测方法，包括：响应针对作业设备的作业时长预测操作，获取待执行的作业指令对应的作业影响因素；所述作业影响因素包括：所述作业设备执行所述作业指令时的外部条件和/或自身条件；将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值。
[0005]进一步可选地，将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值，包括：在所述作业时长预测模型中，对所述作业影响因素进行特征提取，得到影响作业时长的多种特征；根据预先学习的特征与作业时长之间的映射关系，计算所述多种特征对应的作业时长，作为所述作业指令的作业时长预测值。
[0006]进一步可选地，所述作业设备包括：港口作业设备；所述作业时长预测模型包括：用于预测装船时长的第一预测子模型，以及用于预测卸船模型的第二预测子模型；将所述作业影响因素输入所述港口作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值，包括：确定所述作业指令的操作类型；若所述操作类型为装船操作，则将所述作业影响因素输入所述第一预测子模型，得到所述港口作业设备的装船时长预测结果；若所述操作类型为卸船操作，则将所述作业影响因素输入所述第二预测子模型，得到所述港口作业设备的卸船时长预测结果。
[0007]进一步可选地，获取作业设备执行作业指令时的作业影响因素，包括：获取所述作业设备的操作员数据、所述作业设备的作业环境数据、所述作业设备的设备数据的至少一种。
[0008]进一步可选地，所述作业设备包括：港口作业设备；获取操作所述作业设备的操作员数据，包括：根据所述港口作业设备的实际操作员的身份标识，从港口的操作员管理系统中，获取所述实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据；所述操
作方式包括：远程操作或现场操作。
[0009]进一步可选地，所述作业设备包括：港口作业设备；获取所述作业设备的设备数据，包括：获取所述港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、所述集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。
[0010]进一步可选地，将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值之前，还包括：获取作业设备的历史作业数据，所述历史作业数据包括：所述作业设备执行历史作业指令时的作业影响因素和历史实际作业时长；将所述作业设备执行历史作业指令时的作业影响因素输入机器学习模型，得到所述历史作业指令的作业时长预测值；根据所述历史作业指令的作业时长预测值与所述历史实际作业时长之间的误差，确定所述机器学习模型的训练损失；以使得所述训练损失收敛至指定范围为训练目标，对所述机器学习模型进行训练，得到所述作业时长预测模型。
[0011]本申请实施例还提供一种指令调度方法，包括：获取作业设备的待调度的多个作业指令；为所述多个作业指令生成多种调度方案，任一作业指令在不同调度方案中的作业影响因素不同；所述作业影响因素包括：所述作业设备执行所述作业指令时的外部条件和/或自身条件；利用所述作业设备的作业时长预测模型，根据所述多个作业指令在所述多种调度方案中的作业影响因素，分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值；根据所述多个作业指令在所述多种调度方案中的作业时长，计算所述多种调度方案各自的总作业时长；根据所述多种调度方案各自的总作业时长，从所述多种调度方案中，为所述多个作业指令选择目标调度方案。
[0012]进一步可选地，利用所述作业设备的作业时长预测模型，根据所述多个作业指令在所述多种调度方案中的作业影响因素，分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值，包括：针对所述多个作业指令中的任一作业指令，将所述作业指令在任一调度方案中的作业影响因素输入所述作业设备的作业时长预测模型；在所述作业时长预测模型中，对所述作业影响因素进行特征提取，得到影响作业时长的多种特征；根据预先学习的特征与作业时长之间的映射关系，计算所述多种特征对应的作业时长，作为所述作业指令在所述调度方案下的作业时长预测值。
[0013]进一步可选地，所述作业设备包括：港口作业设备；所述作业时长预测模型包括：用于预测装船时长的第一预测子模型，以及用于预测卸船模型的第二预测子模型；利用所述作业设备的作业时长预测模型，根据所述多个作业指令在所述多种调度方案中的作业影响因素，分别计算所述多个作业指令在所述多种调度方案下的作业时长预测值，包括：针对所述多个作业指令中的任一作业指令，确定所述作业指令的操作类型；若所述操作类型为装船操作，则利用所述第一预测子模型，根据所述作业指令在所述多种调度方案中的作业影响因素，分别计算所述作业指令在所述多种调度方案下的装船时长预测结果；若所述操作类型为卸船操作，则利用所述第二预测子模型，根据所述作业指令在所述多种调度方案中的作业影响因素，分别计算所述作业指令在所述多种调度方案下的卸船时长预测结果。
[0014]进一步可选地，所述多个作业指令中，任一作业指令在任一调度方案中的作业影响因素，包括：所述作业设备按照所述调度方案执行所述作业指令时的操作员数据、作业环境数据以及设备数据中的至少一种。
[0015]本申请实施例还提供一种服务器，包括：存储器和处理器；所述存储器用于存储一
条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行本申请实施例提供的方法中的步骤。
[0016]本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现本申请实施例提供的方法中的步骤。
[0017]本申请实施例提供的设备作业时长预测方法中，存在预测作业设备的作业时长的需求时，可获取待执行的作业指令对应的作业影响因素，并将该作业影响因素输入作业设备的作业时长预测模型，得到该作业指令的作业时长预测值。在这种实施方式中，用于计算作业时长预测值的作业影响因素包括作业设备执行作业指令时的外部条件和/或自身条件，从而，可充分利用作业设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备作业时长预测方法，其特征在于，包括：响应针对作业设备的作业时长预测操作，获取待执行的作业指令对应的作业影响因素；所述作业影响因素包括：所述作业设备执行所述作业指令时的外部条件和/或自身条件；将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值。2.根据权利要求1所述的方法，其特征在于，将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值，包括：在所述作业时长预测模型中，对所述作业影响因素进行特征提取，得到影响作业时长的多种特征；根据预先学习的特征与作业时长之间的映射关系，计算所述多种特征对应的作业时长，作为所述作业指令的作业时长预测值。3.根据权利要求1所述的方法，其特征在于，所述作业设备包括：港口作业设备；所述作业时长预测模型包括：用于预测装船时长的第一预测子模型，以及用于预测卸船模型的第二预测子模型；将所述作业影响因素输入所述港口作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值，包括：确定所述作业指令的操作类型；若所述操作类型为装船操作，则将所述作业影响因素输入所述第一预测子模型，得到所述港口作业设备的装船时长预测结果；若所述操作类型为卸船操作，则将所述作业影响因素输入所述第二预测子模型，得到所述港口作业设备的卸船时长预测结果。4.根据权利要求1所述的方法，其特征在于，获取作业设备执行作业指令时的作业影响因素，包括：获取所述作业设备的操作员数据、所述作业设备的作业环境数据、所述作业设备的设备数据的至少一种。5.根据权利要求4所述的方法，其特征在于，所述作业设备包括：港口作业设备；获取操作所述作业设备的操作员数据，包括：根据所述港口作业设备的实际操作员的身份标识，从港口的操作员管理系统中，获取所述实际操作员的操作方式、能力等级以及疲劳度数据中的至少一种数据；所述操作方式包括：远程操作或现场操作。6.根据权利要求4所述的方法，其特征在于，所述作业设备包括：港口作业设备；获取所述作业设备的设备数据，包括：获取所述港口作业设备在作业过程中的路径数据、待运输的集装箱的箱型、所述集装箱的箱位、集卡类型、船舶结构、舱盖板信息以及解捆箱信息中的至少一种。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，将所述作业影响因素输入所述作业设备的作业时长预测模型，得到所述作业指令的作业时长预测值之前，还包括：获取所述作业设备的历史作业数据，所述历史作业数据包括：所述作业设备执行历史作业指令时的作业影响因素和历史实际作业时长；
将所述作业设备执行历史作业指令时的作业影响因素输入机器学习模型，得到所述历史作业指令的作业时长预测值；根据所述历史作业指令的作业时长预测值与所述历史实际作业时长之间的误差，确定所述机器学习模型的训练损失；以使得所述训练损失收敛至指定范围为训练目标，对所述机器学习模型进行训练，得到所述作业时长预...

【专利技术属性】
技术研发人员：何墨，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：