自标准数据及其在数据交换中的应用

为弥补数据交换实际应用中交换标准的不足,本文首次提出了'自标准数据'、'数据港口'、'数据码头'和'数据泵'的观点。为提供更加灵活的数据提供方式,数据提供者可以'自标准化'所提供的数据,并将这些数据存放在数据港口;对于数据消费者,可以利用数据泵从数据港口获取并解析出所需要的数据。文中对自标准数据的定义、特性、产生的背景、基于自标准数据和数据港口的数据交换的技术架构以及应用的领域等进行了论述。原型系统实现及企业应用验证了自标准数据和数据港口技术的有效性和可行性。

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.

2021年世界交通运输大会水运学部会议 基于小波分解的集卡港内周转时间预测

为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average,ARMA)模型的集卡港内周转时间预测方法。该方法首先利用小波分解技术对集卡港内周转时间序列的多维变化特征进行逐层分离,再利用ARMA模型对分离后的多个时间序列分别进行拟合,然后对拟合结果进行合并,以此近似模拟原序列的时变规律,继而实现集卡港内周转时间的短期预测。为验证该方法的有效性,将数据样本划分为训练集(75%)和测试集(25%),训练集用于拟合多维ARMA模型,测试集用于检验ARMA模型的预测结果误差。研究结果表明,对于3种任务类型,该模型均可以精确预测集卡的港内周转时间,为物流企业调整集卡运输计划提供相应的技术支持。

一种数据驱动的港口外集卡预约配额设计方法

针对集装箱卡车预约配额优化问题,提出一种数据驱动的集装箱卡车预约配额设计方法。该方法通过分析码头闸口数据(车辆进出闸口信息),揭示车辆到达时间分布与车辆总周转时间之间的因果关系,并以此建立和求解车辆到达时间分布优化模型,实现集装箱卡车预约系统的预约配额设计。以盐田港的数据为例,对该方法的可行性进行实例分析。数据挖掘的结果表明,在每一个预约窗口内,作业类型为“提进口空箱作业”以及“一交一提作业”的外部集装箱卡车,其总周转时间与车辆到达数量呈二次函数关系;而作业类型为“交出口重箱作业”的外部集装箱卡车则表现出线性函数关系。数例分析结果表明,基于上述函数关系所构建的集装箱卡车预约配额优化方法,可以有效降低码头车辆的总周转时间以及因交通拥堵产生的温室气体排放。此外,该方法是基于实证数据分析得到的,因此具有较强的泛化性和实用性,可为各个码头优化集装箱卡车预约份额提供参考。