预测模型训练方法、预测方法、装置、设备及存储介质制造方法及图纸

本申请公开一种预测模型训练方法、预测方法、装置、设备及存储介质，所述训练方法包括获取N条历史数据，其中历史数据均包括历史特征数据及历史配载量数据；基于N条历史数据构建样本数据集，并将样本数据集划分为训练样本数据集和测试样本数据集；构建配载量预测模型，配载量预测模型包括M个回归树模型；利用训练样本数据集中的样本对配载量预测模型进行训练，得到目标配载量预测模型。相对于单一模型，本发明专利技术的配载量预测模型具有更佳的稳定性和更高的预测精度。更高的预测精度。更高的预测精度。

【技术实现步骤摘要】
预测模型训练方法、预测方法、装置、设备及存储介质


[0001]本申请涉及船舶配载
，具体地涉及一种考虑多元特征的船舶配载量预测模型训练方法、预测方法、装置、设备及存储介质。

技术介绍

[0002]船舶配载扮演装卸作业的主要角色，是港口业务的核心之一，同时船舶配载量信息是港口制定集卡调度计划、船舶泊位计划、作业机械计划等重要参考依据。高精度的船舶配载量预测可以提高码头运转效率，对港口降低作业成本有一定的作用。
[0003]船舶配载量与多种因素相关，且因素间存在非线性动态交互关系。配载量不仅与静态因素有关，如船自身的配载限额信息，更多地与动态因素挂钩，如港口现场车流量、预售票务信息等。传统的船舶配载预测模型中，大多是经典算法模型，如遗传算法、模拟退火算法等，但对于有噪声的真实时间序列模型，相关因素间的非线性关系通常难以用有参数的解析方程反映（例如公开号为CN109978270A，名称为一种集装箱船航次装箱量预测方法的专利文献）。
[0004]本
技术介绍
描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶配载量预测模型训练方法，其特征在于，包括以下步骤：获取N条历史数据，其中每条所述历史数据均包括历史特征数据及对应的历史配载量数据；基于N条历史数据构建样本数据集，并将所述样本数据集划分为训练样本数据集和测试样本数据集；其中所述历史特征数据作为输入样本，所述历史配载量数据作为输出样本；构建配载量预测模型，所述配载量预测模型包括M个回归树模型；其中M＞1；利用所述训练样本数据集中的样本对所述配载量预测模型进行训练，得到目标配载量预测模型；对于所述训练样本数据集中的第n个输入样本，对所述配载量预测模型进行训练的具体实现过程包括：以第n个输入样本作为第1个回归树模型的输入量，以目标输出样本作为第1个回归树模型的目标输出量，对第1个回归树模型进行训练，得到第1个回归树模型的预测量；其中，所述目标输出样本为与第n个输入样本对应的输出样本；以第n个输入样本作为第2个回归树模型的输入量，以所述目标输出样本与第1个回归树模型的预测量的差值作为第2个回归树模型的目标输出量，对第2个回归树模型进行训练，得到第2个回归树模型的预测量；以第n个输入样本作为第3个回归树模型的输入量，以所述目标输出样本与累积预测量的差值作为第3个回归树模型的目标输出量，对第3个回归树模型进行训练，得到第3个回归树模型的预测量；其中，所述累积预测量为第1个回归树模型的预测量与第2个回归树模型的预测量之和；依此类推，以第n个输入样本作为第M个回归树模型的输入量，以所述目标输出样本与累积预测量的差值作为第M个回归树模型的目标输出量，对第M个回归树模型进行训练，得到第M个回归树模型的预测量；其中，所述累积预测量为前M
‑
1个回归树模型的预测量之和；第m个所述回归树模型的目标函数的表达式为：第m个所述回归树模型的目标函数的表达式为：第m个所述回归树模型的目标函数的表达式为：其中，为第m个回归树模型的目标函数；为与第n个输入样本对应的输出样本，为前m
‑
1个回归树模型的预测量之和，为损失函数；为对的一阶偏导；为对的二阶偏导；为第m个回归树模型的预测函数；为正则化项；为第m个回归树模型的预测量。2.根据权利要求1所述的船舶配载量预测模型训练方法，其特征在于：所述历史特征数据包括船舶信息、港口现场信息和售票信息；其中，所述船舶信息包括船长度、船宽度、船总吨位、船额定载重、船配载额度、船人员限额和
船高度限制；所述港口现场信息包括现场预定未来T小时内到港车辆数、现场预定未来T小时内到港特种车数、船舶已配载乘客数、船舶已配载车辆数和船舶已配载...

【专利技术属性】
技术研发人员：张传捷，俞飞阳，李隋凯，谢宗哲，
申请(专利权)人：哪吒港航智慧科技上海有限公司，
类型：发明
国别省市：