一种基于关联图谱的自动化集装箱码头装卸时间预测方法技术

本发明专利技术一种基于关联图谱的自动化集装箱码头装卸时间预测方法，涉及一种神经网络和深度学习算法，利用码头关联图谱中的关联数据，能够有效地提升自动化集装箱码头装卸时间预测精准度，属于人工智能及控制技术领域，其特征在于：步骤一：邻域子图构建；步骤二：装卸时间预测模型前向传播；步骤三：预测时间与真实时间误差计算；步骤四：网络参数更新；步骤五：模型保存与应用。利用码头关联图谱的管理数据，构建面向目标任务的邻域子图，通过基于图神经网络的装卸时间预测模型学习关联图谱中的结构化语义信息，回归预测装卸时间，有效解决自动化集装箱码头装卸任务时间的预测问题，具有更高的装卸时间预测精准度。具有更高的装卸时间预测精准度。具有更高的装卸时间预测精准度。

【技术实现步骤摘要】
一种基于关联图谱的自动化集装箱码头装卸时间预测方法


[0001]本专利技术属于码头数据挖掘领域，涉及一种基于关联图谱的自动化集装箱码头装卸时间预测方法。本专利技术是在中国专利申请CN113139022A(一种基于混合规则的企业物流数据按需融合方法)的进一步应用。

技术介绍

[0002]随着信息控制技术的不断发展，港口行业的自动化集装箱码头不断普及与建设。相比于传统码头，自动化集装箱码头采用了全自动化或可远程操作的装卸机械设备，实现全天候不间断地集装箱运输作业，并且由统一的码头管控系统进行调度管理。而管控大量的装卸设备并保证效率，对码头管控系统的智能化水平提出极高的要求。因此，如何精准预测装卸任务时间，以提高码头的运行效率，成为了码头管控系统中的关键任务。
[0003]传统的码头设备调度算法中，大多假设设备装卸时间服从正态分布，并简单地采用时间期望作为算法输入。显然地，这种估计方式存在误差，并会被进一步传递和放大，已经逐渐难以满足高精度的调度需求。另一类代表性的方法是利用物理模型计算设备装卸时间，常见于仿真模型中。这种方式强烈地依赖专家知识，并且在考虑多设备耦合协作时，模型将变得非常巨大复杂，不适宜在调度算法中大规模应用。
[0004]目前，针对集装箱码头装卸作业时间预测方法主要分为三类：物理模型、机器学习方法和深度学习方法。物理模型方法利用相关业务逻辑，通过仿真的形式进行建模，其特点是计算速度快，但对码头装卸流程建模要求高，无法处理码头装卸作业的突发情况，码头装卸时间预测误差较大。机器学习方法通过学习历史数据，利用优化算法处理码头装卸流程中出现的随机因素，不需要对码头装卸流程进行精准建模，但对历史数据的利用程度有限。深度学习方法除具备机器学习方法的优点外，模型的学习能力更为强大，可利用海量历史数据更为准确地预测码头装卸时间，但目前方法缺少码头装卸作业领域知识，也未能考虑装卸作业间的联系。
[0005]因此，如何有效利用集装箱码头装卸领域知识及其复杂的业务逻辑和关联流程，考虑设备在装卸过程中的承接、冲突关系，从而精准预测装卸任务的执行时间，是自动化集装箱码头装卸时间预测过程中急需解决的关键问题。

技术实现思路

[0006]针对自动化集装箱码头装卸时间预测过程中，难以有效利用码头的专家知识和装卸流程的关联关系的问题，本专利技术提出一种基于关联图谱的自动化集装箱码头装卸时间预测方法，通过面向工业大数据的数据与知识自主融合研究范式，将多源码头大数据以图结构化地方式融合，建立码头关联图谱，同时引入结构化的语义信息以反映集装箱码头装卸领域知识，能够实现数值型的深度学习模型与领域知识的自主融合，实现码头装卸时间的精准预测。
[0007]所述基于关联图谱的自动化集装箱码头装卸时间预测方法，主要包括以下步骤：
[0008]步骤一：邻域子图构建，在既有码头关联图谱的基础上(相关技术公开于中国专利申请CN113139022A一种基于混合规则的企业物流数据按需融合方法)，划分邻域子图并构建训练样本，提供给步骤二；
[0009]步骤二：装卸时间预测模型前向传播，利用步骤一提供的邻域子图，通过异质图神经网络(HGNN)的方式融合节点间的关联关系和属性信息，预测设备的装卸时间，提供给步骤三；
[0010]步骤三：预测时间与真实时间误差计算，利用步骤二提供的预测装卸时间，通过均方误差损失函数计算与真实装卸时间的损失，提供给步骤四；
[0011]步骤四：网络参数更新，利用步骤三提供的损失，训练步骤二中装卸时间预测模型的参数；若模型未收敛，则执行步骤二；若模型已收敛，则将收敛后的模型提供给步骤五；
[0012]步骤五：模型保存与应用，保存步骤四中所提供的模型结构与参数，并利用该模型新样本的装卸时间并输出。
[0013]进一步地，步骤一中所述码头关联图谱由两个元素组成
[0014]其中O＝O
e
∪O
r
∪O
p
为事理层，由三类事理三元组组成，
[0015]O
e
表示节点三元组集合，定义码头设备概念，包括AGV动作、轨道吊动作、桥吊TP、堆场海侧TP、堆场路侧TP、堆场箱区、堆场箱位、堆场排位、堆场倍位、堆场海侧支架、自动运载车PB，
[0016]O
r
表示关系三元组集合，表述概念与概念之间存在的业务联系，包括设备起始位置、设备结束位置、装卸集装箱、作业机械、所属堆场排位、所属堆场倍位，
[0017]O
p
表示属性三元组集合，表述所述码头设备概念具有的特定属性，包括AGV编号、轨道吊编号、箱重、箱高、相对位置、相对角度、相对X/Y坐标距离、计划上下档TP位、开始时间、开锁时间、结束时间等；
[0018]其中I＝I
e
∪I
r
∪I
p
为实例层，每个实例三元组是由事理三元组实例化生成。
[0019]I
e
为节点实例三元组，由O
e
实例化得到，形式为(实例IRI,isA,概念名)，表示实例IRI是某个概念的具体实例(如实例LOC_302为堆场箱位的一个具体实例)；
[0020]I
r
为关系实例三元组，由O
r
实例化得到，形式为(实例IRI,关系名,实例IRI)，表示实例之间的具有的关系；
[0021]I
p
为属性实例三元组，由O
p
实例化得到，形式为(实例IRI,属性名,属性值)，表示实例的具体属性值。
[0022]进一步地，步骤一中所述邻域子图构建过程，包括事理层的路径搜索和实例层的节点搜索两个步骤：路径搜索从码头关联图谱的事理层中得到关联路径的集合，节点搜索从码头关联图谱的实例层邻域子图。
[0023]步骤1.1：所述的事理层的路径搜索，根据目标任务节点v
c
和搜索最大步长s，以目标任务为中心节点，通过限定步长的方式，利用Sparql脚本从码头关联图谱的事理层中查询关联路径P。
[0024]P由包含s个顺次连接的关系三元组构成，形式化表述为P＝{(v
c
,e1|^e1,v1),(v1,e2|^e2,v2),
…
,(v
l
‑1,e
l
|^e
l
,v
l
)}，其中符号|表示或关系，符号^表示交换关系三元组的头尾实体，即(v
i
‑1,^e
i
,v
i
)＝(v
i
,e
i
,v
i
‑1)。收集所有查询得到的关联路径，得到关联路径的集合
[0025]步骤1.2：所述的实例层节点搜索，根据关联路径通过Sparql从码头关联图谱的实例层获取路径实例，每条路径实例中包含一个目标任务的实例节点v
c
，以及在该路径下关联的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关联图谱的自动化集装箱码头装卸时间预测方法，包括以下步骤：步骤一：邻域子图构建，在既有码头关联图谱上，划分邻域子图并构建训练样本，提供给步骤二；步骤二：装卸时间预测模型前向传播，利用步骤一提供的邻域子图，通过异质图神经网络的方式融合节点间的关联关系和属性信息，预测设备的装卸时间，提供给步骤三；步骤三：预测时间与真实时间误差计算，利用步骤二提供的预测装卸时间，通过均方误差损失函数计算与真实装卸时间的损失，提供给步骤四；步骤四：网络参数更新，利用步骤三提供的损失，训练步骤二中装卸时间预测模型的参数；若模型未收敛，则执行步骤二；若模型已收敛，则将收敛后的模型提供给步骤五；步骤五：模型保存与应用，保存步骤四中所提供的模型结构与参数，并利用该模型新样本的装卸时间并输出。2.如权利要求1所述的预测方法，其特征在于：步骤一：邻域子图构建根据既有码头关联图谱码头业务的关联关系通过节点之间的拓扑结构及其边上关系语义体现出来，数据则表达在节点的属性值上，装卸任务节点的邻域节点及其属性值即是关联数据；通过限定步长的遍历搜索划分邻域子图，给定搜索步长为s＝4，以目标任务为中心节点，在4步内可达的节点即是与目标装卸任务关联的邻域节点；首先在事理图谱中搜索到达邻域节点的关联路径，再以关联路径为约束在实例图谱中查询邻域关联节点；关联路径搜索给定事理图谱O和目标任务节点v
c
，利用Sparql查询命令搜索从v
c
出发，长度为l(1≤l≤4)的关联路径P＝{(v
c
,e1|^e1,v1),(v1,e2|^e2,v2),
…
,(v
l
‑1,e
l
|^e
l
,v
l
)}，得到所有关联路径的集合邻域节点搜索给定实例图谱I和一个关联路径根据关联路径的语义，通过Sparql获取实例图谱在该路径下的路径实例，每条路径实例中包含一个目标任务的实例节点，以及在该路径下关联的其他节点，包含这些节点的实例三元组即是组成邻域子图的一部分；将关联路径集合中的所有查询结果进行合并，得到目标任务节点的邻域子图由节点集合V、边集合E、属性集集合组成；节点集合V＝{v
c
,v1,
…
,v
n
‑1}，包含中心节点v
c
和邻域节点v
1:n
‑1；边集合E＝{(v
i
,e,v
j
)|v
i
,v
j
∈V}，连接节点的边上语义用e表示；属性集集合每个节点v
i
都有对应的属性集A
i
，包含若干属性和属性值，即A
i
＝{(v
i
,k,a
i,k
)}，a
i,k
表示节点v
i
的k属性的属性值，包括数值型、分类型、时间型和编号型四类属性。3.如权利要求1所述的预测方法，其特征在于：步骤二：装卸时间预测模型前向传播所述装卸时间预测模型M采用异质图神经网络(HGNN)对邻域子图中的节点属性信息和节点间的关联交互信息进行融合，计算得到的邻域子图向量z。4.如权利要求3所述的预测方法，其特征在于：首先，输入节点V以及节点的属性信息通过节点信息表示得到节点的向量表示X；然后，根据邻域子图提供的拓扑结构和边上语义，利用异质图神经网络(HGNN)进行信
息传递，得到融合邻域信息的节点隐层向量表示H；接下来，通过信息聚合模块得到邻域子图的整体表示，即输出层向量z，并利用时间预测模块中的线性映射层和Sigmoid激活函数计算得到模型的装卸时间预测结果所述装卸时间预测模型M包括步骤2.1节点信息表示、步骤2.2节点特征融合、步骤2.3信息聚合、步骤2.4时间预测四个步骤。5.如权利要求4所述的预测方法，其特征在于：所述步骤2.1节点信息表示由于邻域子图中各节点具有不同数量且不同语义的属性，即|A
i
|≠|A
j
|，通过所述节点信息表示模块利用属性编码器将节点v
i
的属性集合A
i
中的属性值转化为相同维度的向量表示，形式化为A
i
→
x
i
；节点信息表示包括属性信息编码和节点属性聚合两部分；所述属性信息编码将节点的属性值a
i,k
表示为γ＝50维的向量q
i,k
；为每一种属性构建一个独立的属性编码器；根据属性值的类型不同，属性信息分为数值型、分类型、时间型，以及编号型四类；对于数值型属性，利用线性映射层将归一化后的实数值转化向量，q
i,k
＝w
k
a
i,k
；对于分类型属性，采用嵌入(Embedding)的方式为该属性的每种取值赋予一个向量，q
i,k
＝Embedd...

【专利技术属性】
技术研发人员：向阳，陈建廷，杨云霄，
申请(专利权)人：同济大学，
类型：发明
国别省市：